Visão geral Paper
Este trabalho propõe um método baseado na profundidade de aprender a alcançar a detecção automática de lesões de melanoma e segmentação. O método compreende uma codificação melhorada - descodificação de rede para a extracção de uma característica da codificação de sub-rede e da rede descodificador ligação de sub-rede caminho através de uma série de saltos (pular via), caracterizado pelo mapeamento de ambos o (recurso mapeia) mais perto . Além disso, o sistema utiliza um método multi-fase, o primeiro pixel utilizando o classificador classificador de classe softmax, classificador após lesão utilização (Lesão Classificação) análise classificação com base nos resultados de lesões da pele, onde de classificação de nível de pixel.
breve introdução
Este trabalho usa uma rede neural única profundidade convolução (DCNN) em todos os processos. O método utiliza uma codificação melhorada supervisão profundidade - descodificação (codificador-descodificador) extracção de características imagem rede. A rede pode ser extraído a partir de um processo multi-etapas através do qual imagem lesão característica complexo, em que a etapa de codificação de aprendizagem a aparência geral, incluindo o cabelo pode afectar a informação de posicionamento e a área da lesão, o recurso de limite lesão fase de aprendizagem de descodificação. A diferença entre os métodos existentes de papel de rede e propõe que os três aspectos seguintes:
(1) através de uma série de caminho lúpulo codificação e descodificação de sub-rede da sub-rede estão ligados entre si, melhorando assim as características de capacidade de aprendizagem e a capacidade de características extracto da rede;
(2) concepção multi-escala em cada rede lúpulo caminho sistema, lesões na pele o processamento de imagens de diferentes tamanhos;
(3) um método que utiliza lesão-classificador para a hierarquia nível de pixel para as lesões da pele de melanoma e não-melanoma.
O algoritmo pode ser usado com treinamento limitado conjunto de dados de imagem e detecção de melanoma no caso de recursos de computação limitados para atender as necessidades da prática clínica em tempo real.
rede de auto-organização
A Figura 1 mostra o pré-processamento para extrair características a partir da imagem, então a classificação de célula de pixel (Classificação pixel-sábio), e finalmente para as principais fases de classificação da lesão. os danos da pele inclui imagem conjunto de dados, a codificação - rede de decodificação, os danos do classificador Softmax e um classificador. A entrada de dados para o conjunto de codificação - primeiro pré-processado antes de decodificar a rede. rede de decodificação é treinado - convolucional codificação usando a imagem do espelho profundidade da pele (imagens dermoscópicos) etiquetadas. Entrada em primeiro codificador de sub-redes, sub-redes e, em seguida, alimentado para o descodificador para extracção de características. Ainda um módulo de perda de dados de funções (função de perda de dados) e o classificador softmax combinado para a classificação do nível do pixel de imagem e reconhecimento de áreas sensíveis melanoma.
reforço pré-processamento de imagem e de dados 1.
Na fase de pré-processamento usando um filtro Gaussian ao ruído de imagem separado. Depois de ajustar a imagem para atingir a mesma proporção e resolução. Ao calcular o valor de pixel de dados média e o desvio padrão normalizada do processo da imagem de normalização. Além disso, um método simples na rotação aleatória do processo de refinamento para melhorar o desempenho. Por intensidade mapeamento linearmente para um [- 0,5, 0,5] para a gama de intensidade de pixel centrado em torno de 0, de modo a proporcionar estabilidade numérica durante a formação.
extração de características 2. ROI e reconhecimento
Tal como aqui utilizado, um quadro de codificação aprendizagem profundidade com - descodificador de rede utilizado para características de extracto, em que a secção de codificação e descodificação pela secção de descodificação de 5 blocos, respectivamente (Figura 2).
A aprendizagem principal codificador e aparência geral da informação de imagem de entrada para capturar as informações de posicionamento, cada bloco de 3 × 3 convolução de duas camadas, uma camada de células máximo (max-pooling) e uma para o não-recurso extracção ReELU composto por uma função de activação linear. Em que a camada de células máxima elimina características redundantes, permitir que o tempo de computação é minimizado. função de ativação camada Convolution e Relu na imagem lesão modo de aprendizagem e o processo de formação do sistema de pixel final. O codificador e descodificador de sub-redes são ligadas por uma série de saltos caminho (rede convolucional salto curto e a rede).
Descodificador parte também é composto por cinco unidades, cada uma das unidades consiste de duas camadas e uma camada de convolução da amostra. Na secção de descodificação, o uso de camada de 2 × 2 saída convolução um bloco de amostra anterior é o vizinho mais próximo. E, em seguida, envia-lo para o nível adequado da parte do codificador conectado.
3. classificação de nível de pixel de danos à pele e Classificação
Codificação - decodificação rede após o treinamento usando a doença de pixels e tag boolean e obter um conjunto de recurso de alta-dimensional, é implementado usando dois classificadores: classificação de nível de pixel e classificação de danos à pele. Em primeiro lugar, a característica dimensional alta softmax classificador é alimentado de modo a prever a classe específica para cada pixel é se as células de melanoma. Depois disso, as lesões da pele, devido à imagem de baixo contraste e a presença da pele circundante, entre outros factores, a função de perda de dados utilizando uma rede de realimentação para melhorar o desempenho da rede de predição. Finalmente obtida pela porção de detecção resultados danos classificador.
Conclusão
Este trabalho propõe um método de detecção de melanoma rede convolutional baseado em profundidade dividida. O sistema foi avaliado em dois lesão de pele conjunto de dados imagem aberta. A precisão global do sistema e dados ISIC 2017 coeficiente desafio conjunto de dados de 95% e 92%, respectivamente, do PH2 imagens e dados conjuntos de dados precisão coeficiente de 95% e 93%, respectivamente.
