目录
A Modified U-Net for Skin Lesion Segmentation
摘要
- 编解码结构,基于空洞卷积和金字塔池化模块(PPM)
- 在ISBI 2016的数据集上,结果:JC = 82.7, DC = 89.6, SE = 92.0
1、引言
- 说明黑色素瘤是最致命的皮肤癌。指出黑色素瘤分割是计算机辅助诊断系统的重要一步。
- 指出皮肤病变分割仍然是个挑战的任务的原因
-
如病变与周围皮肤的对比度低,毛发的存在导致局部阻塞,一些病变边界不规则模糊,形状大小不一,颜色不一(用图进行示例)
-
- 介绍之前的方法。分成了两类:基于传统的方法;基于深度学习的方法。文献【2,3】解释了基于传统的方法在解决该问题上的局限性。
- 介绍之前的解决方案:并行各个路径,进行融合这些分割结果,为的是进一步细化边界;利用了新的基于Jaccard距离损失函数。
- 本文采用的方法:将空洞卷积和金字塔池化思想融进了经典的U-Net中。
2、提出的方法
2.1 网络结构
模型的结构:输入的是RGB图像,输出的是概率图。组件的构成:用于提取抽象特征的收缩路径;用于恢复空间分辨率的扩展路径。
详细介绍了两个路径的配置情况
2.2 空洞卷积
展示了本文所用到的空洞卷积的概念,例如dilate rate =1,2,4的情况。
2.3 金字塔池化
- 为了获得更多的上下文信息
本文对于PPM进行的改进体现在最后上采样的步骤不是PSPNet中的双线性插值的方法而是反卷积操作。反卷积通过训练能够获得更多可靠的信息。
两处地方应用的PPM,在标准卷积模块前后应用的PPM,max-pooling采用的尺寸为1,2,3,6在跳跃连接模块中的PPM模块max-pooling尺寸分别为,1,2,4,8
2.4 损失函数
基于JAccard distance 的损失函数:
3、实验
3.1 数据集
ISBI 2016-> 输入尺寸resize为192*256->为了减少计算成本
为了减少模型过拟合,我们使用了各种几何变换(如旋转、水平翻转、垂直翻转和缩放)来增强训练图像。
3.2 基线模型
U-Net
3.3 实现
谷歌的colab/tensorflow/Adam 优化器/初始学习率 0.0001/batchsize 16/epoch 150
在验证集没有改进的情况下,每次遇到5个epoch就减少一半,并在验证集上采用“He-Nomarl”方案随机初始化参数权重和提前停止机制。
3.4 结果
定量结果:
定性结果:
并根据定性结果,指出本文存在的问题:根据上图的第三行和第四行,我们的模型结果有较大的假阳性间隙。
4、结论
本文采用的方法存在的缺点:该模型的参数量约为17M,而U-Net的参数量约为8M