基于 U-Net 的皮肤病变分割模型：更多注意力与数据增强
图像与视频处理
2022-11-01 v1 计算机视觉与模式识别
机器学习
摘要
据 WHO[1] 统计，自 20 世纪 70 年代以来，黑色素瘤皮肤癌的诊断愈发频繁。然而，若早期发现，黑色素瘤的 5 年生存率可提升至 99%。就此而言，皮肤病变分割在监测与治疗规划中可起到关键作用。本工作中，我们在 ISIC 2016 数据集上训练了十个模型与四种数据增强配置，并利用五项指标比较性能与过拟合情况。结果表明，U-Net-Resnet50 与 R2U-Net 在两种数据增强场景下取得了最高指标值。我们还在 U-Net 架构中探究了 CBAM 与 AG 模块，其以极低计算成本提升了分割性能。此外，我们提议依次使用金字塔、AG 与 CBAM 模块，显著超越单独使用二者之一的结果。最后，实验显示采用注意力模块的模型成功克服了常见皮肤病变分割问题。为秉持可复现研究精神，我们公开了模型与代码。
引用
@article{arxiv.2210.16399,
title = {U-Net-based Models for Skin Lesion Segmentation: More Attention and Augmentation},
author = {Pooya Mohammadi Kazaj and MohammadHossein Koosheshi and Ali Shahedi and Alireza Vafaei Sadr},
journal= {arXiv preprint arXiv:2210.16399},
year = {2022}
}
备注
27 pages, 12 figures