简介
这是一篇用GAN进行皮肤病变图的分割论文,由于皮肤病变图具有很大的可变性,因此给分割带来挑战,这里提出的方法包括两个models:一个合成精确的皮肤病变分割mask的全卷积网络,和一个区分合成的和真实的分割mask的全卷积网络。在我们的工作中,给出了一个训练集,generator/segmentor尝试输出与ground truth匹配的合成图,同时discriminator/critic用来区分合成图和ground truth.
方法
我们的目标是从边缘分割skin lesions,在外观多样性上有独立性,并且没有手工的干预,我们将这里问题看作一个二值密度标记任务:给一个皮肤镜图片,我们旨在预测每一个像素点是’lesions’还是’background’。给一个现有的全卷积分割模型,即合成概率分割mask的segmentor,我们提出设计和清空一个带有单个输出点的DCNN,即critic,用来区别合成分割mask和真实的ground truth。
1 segmentor
这里我们用UNet作为segmentor,用
Irgb∈I
I
r
g
b
∈
I
表示输入图像,用
τ∈T
τ
∈
T
表示ground truth mask,
M∈M
M
∈
M
表示合成分割mask,分割mask中每一个像素点
i
i
取值范围为
L=[0,1]
L
=
[
0
,
1
]
,并且每一个像素点
τ={ti,i=1,,,N}
τ
=
{
t
i
,
i
=
1
,
,
,
N
}
取值范围为{0,1},给出输入图像
Irgb
I
r
g
b
和学习参数
θs
θ
s
,则标签分配
M
M
的条件概率为:
这里 σ(⋅) σ ( ⋅ ) 是用在分割网络输出层 ψθs(⋅) ψ θ s ( ⋅ ) 的激活函数sigmoid,我们使用二值交叉熵损失函数:
ti t i 和 mi m i 分表表示预测的和真实标签的像素点。
2 critic
我们扩展一个DCNN作为判别网络,其接受一个皮肤镜图片和或者一个合成图或者一个真实的病变分割mask作为输入,并尝试区分这两个。特别的,合成图或者真实的病变分割图被连接到RGB通道中,并被分配为1(指真实的图)或者0(指合成图),新的4通道图输入给critic,最后一个单输出点预测真实的二值标签,critic网络包括6个3x3卷积层,3个最大池化层和3个线性层,并且都使用ReLu激活函数,除了最后一层使用sigmoid函数,每一个卷积操作后面都使用了batch normalization.
综上所述,让
Irgb∈I
I
r
g
b
∈
I
作为输入图并且
S∈{M,τ}
S
∈
{
M
,
τ
}
是合成图和真实分割mask,在输入连接的
(Irgb,S)
(
I
r
g
b
,
S
)
后,将得到一个标签值
L={0,1}
L
=
{
0
,
1
}
,一旦输入,label分配y的条件概率为:
θc θ c 表示critic网络的参数,并且 ψθc ψ θ c 代表critic网络的输出,跟分割网络相似,这里我们使用二值交叉熵作为损失训练critic网络,定义为 Lθc L θ c 。
3 训练
critic网络的误差会反响传播给segmentor进行训练。因此,更新segmentor的最终损失函数为:
这里的 λ=0.2 λ = 0.2 是用来平衡critic网络误差的系数。