论文概述

该论文提出了一种基于深度学习的方法实现黑色素瘤病变的自动检测和分割。该方法包含一种增强的编码-解码网络用于提取特征，该网络通过一系列跳步路径（skip pathway）连接编码子网络和解码器子网络，使两者的特征映射（feature maps）更接近。另外，该系统采用多阶段的方法，先利用softmax分类器进行像素级分类，后使用损伤分类器(Lesion Classification)分类器根据像素级分类的结果分析皮肤病变情况。

简介

该论文在所有过程中使用一个单一的深度卷积神经网络(DCNN)。该方法采用增强的深度监督编码-译码(encoder-decoder)网络来提取图像特征。该网络可以通过其多阶段方法从病变图像中提取复杂特征，其中编码阶段学习一般外观，包括可能的毛发对病变区域的影响和定位信息，而译码阶段学习病变边界特征。论文提出的网络与现有的方法的区别在于以下三个方面:

(1)通过一系列的跳步路径将编码子网络和解码子网络连接在一起，从而增强了网络的特征学习能力和特征提取能力;
(2)在网络的每个跳步路径上设计多尺度系统，处理不同大小的皮肤病变图像;
(3)使用Lesion-classifier方法以像素级的层次将皮肤病变分为黑色素瘤和非黑色素瘤。

该算法可以使用有限的训练图像数据集并在计算资源有限的情况下检测黑色素瘤，以满足实时临床实践的需求。

网络的自组织过程

在这里插入图片描述

图1: The proposed system framework and flow diagram

图1所示为从图像预处理到特征提取，再到像素元分类(Pixel-wise Classification)，最后到病变分类的各个主要阶段。主要包括皮肤损伤图像数据集、编码-译码网络、Softmax分类器和损伤分类器。图像数据集在输入到编码-译码网络之前首先进行预处理。利用带标签的皮肤镜图像(dermoscopic images)对深度卷积编码-译码网络进行训练。输入首先送入编码器子网络，然后送入解码器子网络进行特征提取。另外一个模块将骰子损失函数(dice loss function)和softmax分类器结合起来，用于对图像进行像素级分类和识别黑色素瘤敏感区域。

1. 数据预处理和图像增强

在预处理阶段，利用高斯滤波器将图像与噪声分离。后调整使图像达到相同的比例和分辨率。通过计算均值像素值和数据归一化的标准偏差对图像进行归一化处理。此外，在增强过程中采用简单随机旋转的方法来提高性能。通过线性地将强度映射到[- 0.5,0.5]范围来将像素强度集中在0附近，从而在训练期间提供数值稳定性。

2. ROI识别和特征提取

这里使用深度学习框架与一个编码-译码网络用来提取特征，其中编码部分和译解码部分分别由5个块组成（如图2所示）。
在这里插入图片描述

图2 Achitectural diagram for deep convolutional encoder-decoder network

编码器主要学习输入图像的一般外观和定位信息以捕获相关信息，每个块由两个3×3的卷积层、一个最大池化层(max-pooling)以及一个用于特征提取的ReELU非线性激活函数组成。其中最大池化层消除了冗余特征，使计算时间最小化。卷积层和ReLU激活函数在端到端和像素系统训练过程中学习损伤图像模式。编码器和解码器子网络通过一系列跳步路径（卷积网络和短跳转网络）连接。

译码器部分也由五个单元组成，但每个单元由两个卷积层和一个上采样层组成。在译码部分，使用2×2卷积层对前一个块的输出进行最近邻的上采样。然后将其与相应级别的编码器部分的输出连接起来。

3. 像素级分类 & 皮肤损伤分类

在编码-译码网络使用像素和布尔型疾病标签进行训练并得到一组高维特征之后，便是使用两个分类器实现：像素级分类和皮肤损伤分类。首先高维特征被送入softmax分类器中，以具体预测每个像素的类为是否为黑色素瘤细胞。之后，由于皮肤损伤图像和周围皮肤对比度低等等因素存在，使用骰子损失函数反馈网络，提高网络的预测性能。最后通过损伤分类器得到检测部位的分析结果。