종이 개요
이 논문은 흑색 종 병소 및 분할의 자동 검출을 달성하는 학습의 깊이에 기초하는 방법을 제안한다. 상기 방법은 개선 된 인코딩을 포함 - 홉 일련 부호화 서브 네트워크 및 네트워크 접속 디코더 서브 네트워크 경로의 특징을 추출하기위한 네트워크를 디코딩 가까운 양의 맵핑 (기능 매핑) 것을 특징으로하는, (경로를 이동) . 화소 레벨 분류 피부 병변 결과에 따라 또한, 시스템은이 softmax 클래스 분류기 분류기를 이용하여 다단있어서, 상기 제 1 픽셀을 사용하는, 사용 부상 후에 분류기 (병변 분류) 분류 분석.
간략한 소개
본 논문에서는 모든 프로세스에서 하나의 회선 깊이 신경 네트워크 (DCNN)를 사용합니다. 복호화 (인코더 - 디코더) 네트워크 화상 특징 추출 - 상기 방법은 강화 된 감독 깊이 인코딩을 사용한다. 네트워크는 다단계 공정으로부터 추출 될 수있는 복잡한 특성 병변 화상에 의해, 상기 위치 정보 및 병변의 면적, 병변 경계 기능 학습 디코드 스테이지에 영향을 미칠 수있는 머리카락을 포함하여 일반적인 모양 학습의 부호화 단계. 네트워크 및 종이의 기존의 방법의 차이는 다음과 같은 세 가지 측면을 제안한다 :
;함으로써 네트워크의 추출 특성 능력과 학습 능력의 특성을 향상 코딩 서브 네트워크가 접속되어있다 서브 네트워크 복호 홉 경로의 일련 (1)
각 네트워크 경로의 홉 (2) 멀티 스케일 설계 시스템의 다른 크기의 이미지를 처리 피부 병변,
(3) 흑색 종과 비 흑색의 피부 병변에 화소 레벨 계층에 병변 분류를 사용하는 방법.
이 알고리즘은 제한된 교육 이미지 데이터 세트와 함께 사용 실시간 임상 실천의 요구를 충족하기 위해 제한된 컴퓨팅 자원의 경우 흑색 종을 감지 할 수있다.
자가 조직 네트워크
추출 전처리 이미지 후, 화소 셀 구분 (화소 현명한 분류)에서 특징 1에 도시 한 바와 같이, 최종적으로 병변 분류의 주요 단계에 대한도. 복호 네트워크의 손해 소프트 맥스 분류하고 분류 - 피부 손상은 이미지 데이터 세트의 인코딩을 포함한다. 부호화 설정하는 화상 데이터 입력 - 제 네트워크를 디코딩하기 전에 전처리. 디코딩 네트워크는 훈련 - 피부 깊이 미러 이미지 (dermoscopic 이미지) 태그를 사용하여 길쌈 코딩. 제 1 인코더 서브 네트워크, 서브 네트워크에 입력하고이어서, 피쳐 추출을 위해 디코더로 공급. 또한 모듈 손실 함수 다이스 (주사위 손실 함수) 및 흑색 감광 영역의 화상의 화소 레벨 분류 및 인식 결합 softmax를 분류.
1. 데이터 전처리 및 이미지 향상
전처리 단계에서 분리 된 영상 잡음 가우시안 필터를 사용. 화상 조정 후 동일한 비율 및 해상도를 달성한다. 평균 화소 값 데이터와 화상 정규화 처리의 표준화 표준 편차를 계산함으로써. 또한, 인핸스 처리의 임의의 회전에 간단한 방법은 성능을 향상시킬 수있다. (A)에 선형 적으로 매핑함으로써 강도 - 화소 강도 범위 [0.5, 0.5] 훈련 중에 수치 안정성을 제공하도록, 약 0을 중심으로.
2. ROI 특징 추출 및 인식
본원에 사용 된 바와 같이, 코딩 심도 학습 프레임 워크 - 디코더 네트워크 특징을 추출하고, 상기 부호화 부와 5 개 블록 각각 복호 부에 의해 복호 (도 2)를 사용 하였다.
인코더 메인 학습 및 상기 입력 영상 정보의 일반적인 외관은 위치 정보, 두 개의 층, 세포층 최대 (MAX-풀링) 비 피쳐 추출 ReELU 하나의 3 × 3 회선의 각각의 블록을 캡처 선형 활성화 함수로 구성. 최대 세포 층이 중복 기능을 제거 항에있어서, 상기 계산 시간을 최소화 할 수 있습니다. 학습 모드 병변 이미지 컨벌루션 ReLU 층 활성화 함수와 단부 화소 체계 훈련 방법. 인코더 및 디코더 서브 네트워크 홉 경로는 일련의 (짧은 점프 길쌈 네트워크 및 네트워크)로 연결된다.
디코더 부는도 5 개가 구성되어, 각각의 유닛은 두 층 샘플 층의 회선 구성된다. 복호화 부에서, 이전 샘플 블록의 2 × 2 컨벌루션 출력 층의 사용은 가장 가까운 이웃이다. 그리고 인코더 접속 부분의 적절한 레벨을 출력한다.
피부 손상 및 분류 3. 픽셀 수준의 분류
화소 레벨 분류 및 피부 손상의 종류 : - 인코딩 고차원 피쳐 세트 화소 질환 및 부울 태그를 이용하여 구하는 학습 후 네트워크를 디코딩, 두 분류를 사용하여 구현된다. 먼저, 고차원 피쳐 분류 softmax를 각 화소에 대한 특정 클래스를 예측하기 위해 공급은 흑색 종 세포의 여부이다. 그 후, 낮기 때문에 콘트라스트 화상과 주변 피부의 존재에 피부 병변은 다른 인자 중에서도 피드백 네트워크를 사용하여 거푸집 손실 함수는 네트워크 성능 예측을 향상시킬 수있다. 마지막 검출부 분류 손상 결과가 얻어.
결론
이 논문은 분할 깊이에 기초하여 흑색 컨벌루션 네트워크를 검출하는 방법을 제안한다. 이 시스템은 두 개의 오픈 피부 병변 화상 데이터 세트에서 평가 하였다. 시스템의 전체 정확도는 각각 95 % 및 93 %의 주사위 계수 정확도 PH2 이미지 데이터 세트의 각각 95 % 및 92 %의 주사위 ISIC 2,017 도전 계수 세트.
