紙の概要
本論文では、黒色腫病変とセグメンテーションの自動検出を達成するための学習の深さに基づいた方法を提案しています。この方法は、拡張符号化を含む - ホップ一連の符号化サブネットワークとネットワーク接続デコーダサブネットワークパスの特徴を抽出するためのネットワークを復号近い両方のマッピング（特徴マッピング）していることを特徴とする（経路をスキップ） 。さらに、システムは、ソフトマックスクラス判別器分類器、画素レベル分類皮膚病変の結果に基づいて、利用損傷（病変分類）分類分析後の分類器を用いて第1のピクセルを多段方法を使用します。
簡単な紹介
本論文では、すべてのプロセスでは、単一のコンボリューション深ニューラルネットワーク（DCNN）を使用しています。復号化（エンコーダ - デコーダ）ネットワーク画像特徴抽出 - メソッドは、拡張深度監視符号化を使用します。毛髪を含む一般的な外観を、学習のコーディング段階は、位置情報と病変領域、デコードステージ学習病変境界機能に影響を与える可能性がある前記ネットワークは、複雑な特性病変画像れる多段階プロセスから抽出することができます。紙のネットワークと既存の方法との違いは、次の3つの側面ことを提案しています：
（1）ホップパスエンコードの一連およびデコードサブネットワークサブネットワークがそれによってネットワークの抽出特性能力および学習能力の特性を向上させる、一緒に接続され、
各ネットワークパスのホップ（2）マルチスケールデザインシステム、異なるサイズの画像を処理する皮膚病変;
（3）黒色腫と非黒色腫の皮膚病変に画素レベル階層に病変識別器を用いる方法。
このアルゴリズムは、限られたトレーニング画像データセットを使用し、リアルタイム臨床現場のニーズを満たすために限られたコンピューティングリソースの場合には、黒色腫を検出することができます。
自己組織化ネットワーク
図1に示す抽出液に前処理画像は、画素セルの分類（ピクセル単位の分類）から、最終的に病変の分類の主要な段階にあります。復号ネットワーク、ソフトマックス分類器と分類器を損傷 - 皮膚損傷は、画像データセット、エンコーディングを含みます。最初のネットワークを復号する前に前処理された - コードセットに入力された画像データ。復号化ネットワークが訓練されている - 表皮深さ鏡像（dermoscopic画像）タグ付けされたを使用して畳み込み符号化。第1のエンコーダサブネットワーク、サブネットワークに入力し、次いで、特徴抽出のためのデコーダに供給されます。さらにモジュール損失関数ダイス（ダイス損失関数）および黒色腫敏感な領域の画像の画素レベルの分類および認識のための合成ソフトマックスクラシファイア。
1.データ前処理及び画像強調
別画像ノイズに対してガウシアンフィルタを用いて、前処理段階で。同じ比率と解像度を達成するために画像を調整した後。平均画素値データ及び画像正規化処理の正規化標準偏差を計算することによって。さらに、強調処理のランダム回転簡単な方法は、パフォーマンスを向上させます。直線マッピング強度によって、[ - 0.5、0.5]の画素強度範囲に訓練中に数値的安定性を提供するように、0を中心とします。
2. ROI特徴抽出と認識
本明細書で使用される場合、符号化深学習フレームワークを持つ - デコーダネットワークが抽出機能、前記符号化部5つのそれぞれブロック復号手段により復号化（図2）に使用しました。
エンコーダメイン学習測位情報を取得する入力画像情報の一般的な外観、非特徴抽出ReELUのための2つの層、セルの層の最大値（MAX-プーリング）および1つの3×3畳み込みの各ブロック線形活性化関数で構成される。最大細胞層は、冗長機能を排除しており、計算時間が最小化される可能。学習モード病変画像にコンボリューションとReLU層の活性化関数および終了ピクセルシステムトレーニングプロセス。エンコーダとデコーダのサブネットワークは、ホップパスの一連の（短いジャンプ畳み込みネットワークとネットワーク）で接続されています。
デコーダ部はまた、5つのユニットから構成され、各ユニットは、2つの層と、サンプル層の畳み込みから成ります。復号化部では、前のサンプルブロックの2×2のコンボリューション出力層の使用は、最近傍です。そして、エンコーダ接続部分の適切なレベルに出力します。
皮膚損傷＆分類の3画素レベル分類
皮膚損傷のピクセルレベルの分類と分類： - コードは、画素疾患及びブーリアンタグを使用して、訓練後にネットワークをデコードし、高次元の特徴のセットを得る二つの分類器を用いて実現されます。最初は、高次元の特徴ソフトマックス分類器は、画素毎に特定のクラスを予測するために供給されるメラノーマ細胞かどうかです。その後、低いコントラスト画像及び周囲の皮膚の存在の皮膚病変は、他の要因のうち、フィードバックネットワークを使用してダイス損失関数は、ネットワークパフォーマンスの予測を向上させることができます。最後に検出部分類器損傷の結果により得られました。
結論
本稿では、分割された深さに基づいてメラノーマ畳み込みネットワークを検出する方法が提案されています。システムは、二つのオープン皮膚病変画像データセットで評価しました。システムの全体的な精度は、それぞれ95％および93％のダイス係数精度のPH2の画像データセットのそれぞれ95％および92％のダイスISIC 2017チャレンジデータセット係数。
