论文阅读（10）一种用于皮肤病变分割的改良U-Net结构

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