论文笔记《A Mutual Bootstrapping Model for Automated Skin Lesion Segmentation and Classification》

这是博主自己读论文的笔记哦，原文请在A Mutual Bootstrapping Model for Automated Skin Lesion Segmentation and Classification下载~

解决的问题：

• 皮肤病灶的分类与分割

模型设计的动机

• 分类与分割是两个高度相关的任务，但是当前的研究往往只涉及到其中一个任务
• 分割可以帮助消除图像中的干扰，提高分类准确性
• 特定类别的诊断可以突出病灶区域，有利于病变分割

损失函数设计的动机

• 分割中会面临class imbalance（类别不平衡，病灶区域与非病灶区域大小不同）
  -hard-easy pixel imbalance（在病灶的中心区域easy positive，病灶边界hard positvie）的问题
  

模型

三个子网络：

• coarse segmentation network (coarse-SN)
• mask-guided classification network (mask-CN)
• enhanced segmentation network(enhanced-SN)

目的：

• coarse-SN可以为mask-CN提供粗糙的masks,给分类网络一些先验引导，排除一些干扰物，帮助分类网络更好的区分病灶
• 将mask-CN产生的病灶定位maps引入到enhanced-SN，分类网络中学习到的定位信息迁移到分割网络中，提高分割性能

流程：（分割数据集I_N，分类数据集I_M）

1.coarse-SN

• 用I_N训练coarse-SN，进行病灶分割，
• 大致分割出病灶区域，比较粗糙

2.mask-CN

• 将I_M送进训练好的coarse-SN中—得到I_M图像中对应的mask（包含病灶的位置信息，同时能够去除原始皮肤镜中干扰物）
• 将I_M与得到的mask结合起来作为mask-CN的输入
• 对预训练的Xception网络进行修改，minimizing cross-entropy loss
  

3.enhanced-SN

• 将I_N送入到enhanced-SN中，encoder得到的特征A
• 将I_N送人分类网络中得到病灶定位maps(如CAM)B
• 再把A,B合并送入enhanced-SN之后的网络中，进行分割
• enhanced-SN网络中的encoder和decoder与coarse-SN相同，共享参数
• 通过E-layer融合high-level image features and lesion localization information
  

分割任务损失函数：

• 目标函数

• Dice loss 衡量预测值与真实值的一致性，该指标能够避免class imbalance
  

• 通常认为，易于识别的像素（例如位于内部病变和背景中的像素）对优化的贡献很小，而难以识别的像素（例如边界像素）为学习过程提供了更多信息，但由于每个图像中硬像素和易像素之间存在严重的不平衡，会影响模型性能。

  最小化rank loss—使得H_1>H_0+m

  • 对于比较容易分割的像素，如病灶中心区域、简单的背景区域，能够预测正确，H_1>H_0+m是很容易满足的
  • 对于比较难区分的区域（边界/相似）难满足，要迫使病灶区域概率要大（–1），背景区域小（–0）
  • 提高病灶区域边界分割的准确率