基于多尺度超像素图结构熵最小化的无监督皮肤病变分割
计算机视觉与模式识别
2023-09-06 v1
摘要
皮肤病变分割是皮肤镜图像分析中的基础任务。病变区域像素的复杂特征阻碍了病变分割精度，且现有基于深度学习的方法常缺乏对该问题的可解释性。本工作中，我们提出一种基于结构熵与孤立森林离群检测的新型无监督皮肤病变分割框架，即 SLED。具体而言，通过最小化由皮肤镜图像构建的超像素图的结构熵来分割皮肤病变。进而，我们刻画健康皮肤特征的一致性，并借助离群检测设计一种新颖的多尺度分割机制，通过利用多尺度超像素特征提升分割精度。我们在四个皮肤病变基准上开展实验，并将 SLED 与九种代表性无监督分割方法比较。实验结果证明了所提框架的优越性。此外，分析了若干案例研究以展示 SLED 的有效性。
引用
@article{arxiv.2309.01899,
title = {Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs},
author = {Guangjie Zeng and Hao Peng and Angsheng Li and Zhiwei Liu and Chunyang Liu and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2309.01899},
year = {2023}
}
备注
10 pages, 8 figures, conference. Accepted by IEEE ICDM 2023