基于改進(jìn)全卷積網(wǎng)絡(luò)的皮膚病變圖像分割

楊國(guó)亮，洪志陽(yáng)，王志元，龔 曼

(江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)

0 引 言

計(jì)算機(jī)輔助診段分割皮膚病變圖像[1]方法主要有：Bi Lei等提出的multi-scale superpixel based cellular(MSCA)[2]；Peruch等提出的mimicking expert dermatologists’ segmentation(MEDS)[3]；J.Glaister等提出的texture distinctive lesion segmentation(TDLS)[4]；E.Ahn等提出的saliency based skin lesion segmentation method(SSLS)[5]等。近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)(CNN)的廣泛使用，CNN網(wǎng)絡(luò)在圖像分割領(lǐng)域也取得了巨大成果。但是由于CNN網(wǎng)絡(luò)在圖像分割方面存在計(jì)算效率低下、像素塊大小限制以及感受野(receptive field)大小等問題，Jonathan Long等提出了全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)[6]用以圖像分割領(lǐng)域，并取得了較好的分割效果。

因此，本文提出了一種基于FCN網(wǎng)絡(luò)的改進(jìn)全卷積網(wǎng)絡(luò)的皮膚病變圖像分割算法。利用全卷積網(wǎng)絡(luò)提取皮膚病變圖像的形狀特征及每一個(gè)屬于病變區(qū)域像素點(diǎn)的特點(diǎn)，同時(shí)引進(jìn)Jaccard-Diceloss損失函數(shù)解決來皮膚病變圖像中病變與背景區(qū)別過大的問題，進(jìn)一步提高了整體的分割性能。最后，采用2016國(guó)際生物醫(yī)學(xué)圖像之皮膚病變分析黑色素瘤檢測(cè)挑戰(zhàn)賽(ISBI 2016 Skin Lesion Analysis Towards Melanoma Detection Challenge)的公共數(shù)據(jù)來評(píng)估該算法模型的有效性、效率性以及廣泛性。

1 全卷積網(wǎng)路

FCN網(wǎng)絡(luò)是Jonathan Long等提出來的，用來實(shí)現(xiàn)自然圖像的語義分割。通過對(duì)圖像進(jìn)行像素級(jí)的分類，從而解決語義級(jí)別的圖像分割問題。與經(jīng)典的CNN網(wǎng)絡(luò)的主要區(qū)別在于FCN網(wǎng)絡(luò)將CNN網(wǎng)絡(luò)最后的全連接層轉(zhuǎn)換成卷積層，采用反卷積的方式對(duì)最后一個(gè)卷積層生成的特征圖(feature map)進(jìn)行上采樣，然后進(jìn)行特征層裁剪操作并通過SoftMaxWithLoss損失函數(shù)層，最終得到與輸入圖像大小相同的輸出預(yù)測(cè)圖像，實(shí)現(xiàn)了分割圖像的逐像素(pixelwise)預(yù)測(cè)。FCN網(wǎng)絡(luò)是一種端到端(end-to-end)、像素到像素(pixels-to-pixels)的訓(xùn)練網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)主要包括以下3個(gè)方面：

(1)卷積化(Convolutionalization)在CNN網(wǎng)絡(luò)中最后一般使用全連接層，全連接層是將原來的輸出二維數(shù)據(jù)(圖片)壓縮成一維，其會(huì)丟失部分信息。而在圖像分割中最終輸出預(yù)測(cè)的是分割圖片(二維數(shù)據(jù))，在FCN網(wǎng)絡(luò)將全連接層轉(zhuǎn)換成卷積層以便輸出的二維數(shù)據(jù)不發(fā)生丟失。同時(shí)，該卷積層的使用使得FCN網(wǎng)絡(luò)能夠適應(yīng)任意尺寸的輸入圖像。

(2)上采樣(即反卷積Deconvolution)在CNN網(wǎng)絡(luò)中使用池化層(pool)[7]來縮小輸出特征圖的分辨率，采用VGG16模型對(duì)FCN網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練，在經(jīng)過5次池化后其特征圖分辨率縮小為輸入圖片的32倍。而在FCN網(wǎng)絡(luò)中輸出的預(yù)測(cè)圖像大小應(yīng)與輸入圖像大小一致，因此需要在網(wǎng)絡(luò)的最后一層進(jìn)行上采樣(即反卷積)。同時(shí)增大數(shù)據(jù)尺寸的反卷積層，能夠輸出更加精細(xì)的結(jié)果。

(3)跳躍結(jié)構(gòu)(Skip Layer)FCN網(wǎng)絡(luò)依次將pool5層輸出特征圖卷積化再經(jīng)過32倍上采樣得到步長(zhǎng)(stride)為32的FCN32s網(wǎng)絡(luò)，pool4層輸出跳躍融合2倍的卷積層并經(jīng)過16倍上采樣得到stride為16的FCN16s網(wǎng)絡(luò),pool3層輸出跳躍融合4倍的卷積層并經(jīng)過8倍上采樣得到stride為8的FCN8s網(wǎng)絡(luò)。確保了FCN網(wǎng)絡(luò)輸出預(yù)測(cè)圖像的魯棒性和精確性。

此外，Jonathan Long等通過實(shí)驗(yàn)分別驗(yàn)證FCN32s網(wǎng)絡(luò)、FCN16s網(wǎng)絡(luò)、FCN8s網(wǎng)絡(luò)的分割效果，驗(yàn)證了FCN8s網(wǎng)絡(luò)的輸出分割圖像最為精細(xì)，精確性相比FCN32s網(wǎng)絡(luò)和FCN16s網(wǎng)絡(luò)有了進(jìn)一步的提高。

2 皮膚病變圖像分割算法

2.1 改進(jìn)全卷積網(wǎng)絡(luò)

IFCN網(wǎng)絡(luò)是在FCN網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行修改的，通過引進(jìn)Jaccard-Diceloss損失函數(shù)來解決皮膚病變圖像中病變與背景區(qū)別過大的問題，進(jìn)一步提高FCN網(wǎng)絡(luò)的分割性能。IFCN網(wǎng)絡(luò)繼承了FCN網(wǎng)絡(luò)在圖像分割方面的優(yōu)點(diǎn)，同時(shí)也有效地改進(jìn)了FCN的缺點(diǎn)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 IFCN網(wǎng)絡(luò)結(jié)構(gòu)

IFCN網(wǎng)絡(luò)結(jié)構(gòu)主要包括卷積層、ReLU激活函數(shù)層、池化層、反卷積、Jaccard-Diceloss層，其中網(wǎng)絡(luò)的下采樣部分及上采樣的部分與FCN網(wǎng)絡(luò)結(jié)構(gòu)一致。輸入皮膚病變圖片在IFCN網(wǎng)絡(luò)中通過下采樣以及上采樣操作，然后通過Jaccard-Diceloss損失函數(shù)層得到最終的分割結(jié)果。

和FCN網(wǎng)絡(luò)一樣，在IFCN網(wǎng)絡(luò)中同樣可以得到stride為32的IFCN32s網(wǎng)絡(luò)、stride為16的IFCN16s網(wǎng)絡(luò)以及stride為8的IFCN8s網(wǎng)絡(luò)。不同stride得到的IFCN網(wǎng)絡(luò)結(jié)構(gòu)對(duì)皮膚病變圖像的分割結(jié)果也是有所差異，其具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

由圖2可以直觀地看到不同stride的IFCN網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造過程，其網(wǎng)絡(luò)結(jié)構(gòu)與FCN網(wǎng)絡(luò)結(jié)構(gòu)基本一致。輸入圖像經(jīng)過卷積層、ReLU激活函數(shù)層、pool層進(jìn)行前向傳播，然后pool5層輸出通過conv6和conv7層進(jìn)行32倍的上采樣并最終通過Jaccard-Diceloss損失函數(shù)層得到stride為32的IFCN32s網(wǎng)絡(luò)。而IFCN16s網(wǎng)絡(luò)是將pool4層的輸出跳躍融合2×conv7進(jìn)行16倍的上采樣并通過Jaccard-Diceloss損失函數(shù)層得到的。同理，IFCN8s網(wǎng)絡(luò)是將pool3輸出跳躍融合2×pool4及4×conv7進(jìn)行8倍的上采樣并通過Jaccard-Diceloss損失函數(shù)層得到的。

圖2 不同stride的IFCN網(wǎng)絡(luò)結(jié)構(gòu)

IFCN網(wǎng)絡(luò)繼承了FCN網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn)，通過不含全連接層的全卷積網(wǎng)絡(luò)，使其能夠適應(yīng)任意尺寸的輸入。引進(jìn)增大數(shù)據(jù)尺寸的反卷積層，使得能夠輸出精細(xì)的結(jié)果。融合不同深度的跳躍結(jié)構(gòu)，確保了輸出結(jié)果的魯棒性以及精確性。同時(shí)，通過添加新的Jaccard-Diceloss損失函數(shù)層[8,9]，進(jìn)一步加快網(wǎng)絡(luò)中l(wèi)oss值的收斂性以及提高最后分割結(jié)果的逐像素精確度(pixel-wise accuracy)、靈敏度(sensitivity)、特異性(specificity)、Jaccard指數(shù)(Jaccard index)、Dice相似系數(shù)(Dice coefficient)。

2.2 Jaccard-Diceloss損失層

在FCN網(wǎng)絡(luò)中，輸入圖像通過SoftMaxWithLoss層生成一個(gè)與原始輸入分辨率大小相同的分類概率圖，表示每一個(gè)像素點(diǎn)屬于前景或者背景的可能性。分類概率圖通過計(jì)算輸出預(yù)測(cè)值與真實(shí)標(biāo)簽值之間的誤差，優(yōu)化損失函數(shù)得到最終的FCN網(wǎng)絡(luò)模型權(quán)重[10]。對(duì)于皮膚病變圖像，由于屬于前景的腫瘤塊通常在整張皮膚病變圖像中所占區(qū)域較小，而屬于背景的周圍皮膚占據(jù)整張圖像的大部分區(qū)域。在網(wǎng)絡(luò)的學(xué)習(xí)過程中，網(wǎng)絡(luò)更加容易偏向?qū)W習(xí)背景區(qū)域的特征，而導(dǎo)致腫瘤塊區(qū)域只有部分被分割或者丟失前景信息。因此，本文為了改進(jìn)網(wǎng)絡(luò)的分類響應(yīng)圖，提高整體網(wǎng)絡(luò)的分割效果添加新的損失函數(shù)層(Jaccard-Diceloss層)而得到IFCN網(wǎng)絡(luò)結(jié)構(gòu)。

Jaccard-Diceloss損失函數(shù)是根據(jù)Jaccard距離和Dice距離而提出來的，在醫(yī)學(xué)圖像分割過程中通常利用Jaccard指數(shù)和Dice相似系數(shù)來作為衡量最終的分割效果的評(píng)估指標(biāo)。Jaccard-Diceloss損失函數(shù)主要是由Jaccard距離和Dice距離兩部分構(gòu)成，其中Jaccard距離定義為

(1)

Dice距離定義為

(2)

式中：ti和pi分別表示輸出預(yù)測(cè)圖與真實(shí)標(biāo)簽分割圖中第i個(gè)像素點(diǎn)的值。

考慮到上述兩個(gè)距離公式均與皮膚病變圖像的分割評(píng)估指標(biāo)有關(guān)，對(duì)于輸出預(yù)測(cè)圖與真實(shí)分割結(jié)果之間的相似性存在緊密聯(lián)系，本文將二者進(jìn)行整合得到新的距離公式，也即文中所提到的Jaccard-Diceloss損失函數(shù)。Jaccard-Diceloss損失函數(shù)的數(shù)學(xué)表達(dá)式定義為

(3)

其中，α為(0,1)之間的常數(shù)，ti和pi分別表示輸出預(yù)測(cè)圖與真實(shí)標(biāo)簽分割圖中第i個(gè)像素點(diǎn)的值。

由于Jaccard-Diceloss損失函數(shù)是作為損失層添加在網(wǎng)絡(luò)中，需要進(jìn)行反向傳播用以參數(shù)的更新，因此對(duì)上式進(jìn)行求偏導(dǎo)得

(4)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)參數(shù)

在網(wǎng)絡(luò)的學(xué)習(xí)過程中，訓(xùn)練數(shù)據(jù)的數(shù)量以及質(zhì)量對(duì)最后得到訓(xùn)練網(wǎng)絡(luò)模型影響。本文中實(shí)驗(yàn)采用的數(shù)據(jù)集是2016年國(guó)際生物醫(yī)學(xué)圖像之皮膚病變分析黑色素瘤檢測(cè)挑戰(zhàn)賽(ISBI 2016 Skin Lesion Analysis Towards Melanoma Detection Challenge)的公共數(shù)據(jù)集，該數(shù)據(jù)集包括900張皮膚鏡圖像的訓(xùn)練集，379張皮膚鏡圖像的測(cè)試集，以及所有數(shù)據(jù)集對(duì)應(yīng)手工分割的真實(shí)圖像。該數(shù)據(jù)集的圖片數(shù)量不大，且圖片具有不同尺寸的分辨率。實(shí)驗(yàn)采用VGG16模型對(duì)IFCN網(wǎng)絡(luò)進(jìn)行微調(diào)得到訓(xùn)練模型并測(cè)試圖片得到最終的分割結(jié)果，而對(duì)于IFCN網(wǎng)絡(luò)來說，其最大的優(yōu)勢(shì)之一就是能夠克服數(shù)據(jù)樣本的不足，使網(wǎng)絡(luò)充分學(xué)習(xí)到訓(xùn)練樣本的所有特征。同時(shí)，為了方便網(wǎng)絡(luò)輸入，提高網(wǎng)絡(luò)模型學(xué)習(xí)的性能，對(duì)原始輸入圖片進(jìn)行預(yù)處理：①通過尺度變換方式對(duì)數(shù)據(jù)集進(jìn)行統(tǒng)一尺寸的分辨率；②對(duì)輸入標(biāo)簽圖片進(jìn)行處理制作索引圖。

本文中實(shí)驗(yàn)是基于Caffe[11]框架實(shí)現(xiàn)的，所有的運(yùn)算都在一塊內(nèi)存為8 G的Nvidia GeForce GT750M的顯卡上來加速網(wǎng)絡(luò)訓(xùn)練。在訓(xùn)練階段，使用VGG16模型對(duì)IFCN網(wǎng)絡(luò)進(jìn)行微調(diào)[12]，用于初始化網(wǎng)絡(luò)參數(shù)權(quán)值，加快網(wǎng)絡(luò)的收斂。網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)置為0.0001，動(dòng)量(momentum)設(shè)置為0.99，最大迭代次數(shù)為10萬次,采用隨機(jī)下降梯度法(SGD)[13]來更新網(wǎng)絡(luò)權(quán)值。在測(cè)試階段，將測(cè)試集中的圖片一張一張的輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型中，通過前向傳播與反向求導(dǎo)的方式計(jì)算出每張輸入圖片的分割預(yù)測(cè)結(jié)果，并輸出最終分割效果圖。

3.2 評(píng)估指標(biāo)

本文中皮膚病變圖像分割的評(píng)估指標(biāo)主要包括：Dice相似系數(shù)(Dic)，Jaccard指數(shù)(Jac)，靈敏度(Sen)，特異性(Spe)以及逐像素精確度(Acc)。它們分別定義為

(5)

(6)

(7)

(8)

(9)

其中，GT表示的是手工分割真實(shí)圖像，AP表示的是網(wǎng)絡(luò)輸出的分割預(yù)測(cè)結(jié)果，TP表示的是真陽(yáng)性像素(病變區(qū)域)，TN表示的是真陰性像素(背景區(qū)域),FP表示的是假陽(yáng)性像素，F(xiàn)N表示的是假陰性像素。

3.3 皮膚病變圖像分割實(shí)驗(yàn)

本文是基于改進(jìn)全卷積網(wǎng)絡(luò)的皮膚病變圖像分割實(shí)驗(yàn)，使用Caffe框架的Python語言來實(shí)現(xiàn)的。在實(shí)驗(yàn)過程中，考慮到Jaccard-Diceloss損失函數(shù)中常數(shù)α取值大小，對(duì)所采用的公共數(shù)據(jù)集輸入網(wǎng)絡(luò)圖片尺寸大小以及不同步長(zhǎng)的IFCN網(wǎng)絡(luò)選擇對(duì)最終皮膚病變圖像分割效果的影響，我們進(jìn)行了以下實(shí)驗(yàn)來進(jìn)行驗(yàn)證得到最佳的分割結(jié)果。

3.3.1 常數(shù)α取值

本實(shí)驗(yàn)是將皮膚病變圖像輸入IFCN網(wǎng)絡(luò)進(jìn)行訓(xùn)練并測(cè)試得到最終的分割圖像，由于IFCN網(wǎng)絡(luò)中的Jaccard-Diceloss損失函數(shù)的常數(shù)α取值的不同，對(duì)于最終的分割圖像也會(huì)產(chǎn)生不同結(jié)果。α的取值范圍是在(0,0.5)之間，為了便于觀察不同α值對(duì)最終分割結(jié)果的影響，得到最佳的α值。本文分別選取α=0，α=0.0625，α=0.125，α=0.25，α=0.375的點(diǎn)，在輸入圖片大小統(tǒng)一為500×500，所選網(wǎng)絡(luò)為IFCN32s的前提下進(jìn)行訓(xùn)練，得到皮膚病變圖像最終分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)值，并畫出其各項(xiàng)評(píng)估指標(biāo)值的變化曲線，結(jié)果如圖3所示。

圖3 不同α值的分割結(jié)果評(píng)估指標(biāo)值變化曲線

通過觀察上圖可知，皮膚病變圖像的最終分割結(jié)果的各項(xiàng)評(píng)估值(Acc、Dic、Jac、Sen、Spe)曲線均呈現(xiàn)出先增后減的趨勢(shì)。在α=0.125時(shí)，皮膚病變圖像的最終分割的各項(xiàng)評(píng)估值均為最大值，分割結(jié)果達(dá)到最優(yōu)。此時(shí)，各項(xiàng)評(píng)估指標(biāo)值分別為逐像素精確度Acc=0.951，Dice相似系數(shù)Dic=0.902，Jaccard指數(shù)Jac=0.834，靈敏度Sen=0.911，特異性Spe=0.973。

3.3.2 圖片尺寸變換

對(duì)于皮膚病變圖像分割實(shí)驗(yàn)來說，輸入圖片尺寸大小也會(huì)影響最終的分割結(jié)果。輸入圖片尺寸過大不僅會(huì)導(dǎo)致最終的分割結(jié)果變差，而且還會(huì)增加網(wǎng)絡(luò)層的計(jì)算量耗費(fèi)更多的時(shí)間，甚至超出計(jì)算機(jī)讀取圖片的內(nèi)存而使網(wǎng)絡(luò)無法進(jìn)行訓(xùn)練。為了避免上述情況，本實(shí)驗(yàn)對(duì)輸入圖片進(jìn)行了預(yù)處理，分別將輸入圖片尺寸大小統(tǒng)一設(shè)置為192×256和500×500進(jìn)行兩組實(shí)驗(yàn)對(duì)比分析最終的分割結(jié)果，從而選取最佳的圖片尺寸大小。兩組實(shí)驗(yàn)是在α=0.125，所選網(wǎng)絡(luò)為IFCN32s的前提下進(jìn)行的，其最終分割結(jié)果見表1。

表1 不同輸入圖片尺寸的分割結(jié)果

由表1可知，當(dāng)輸入圖片尺寸大小為192×256時(shí)，皮膚病變圖像的最終分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)值相較于輸入圖片尺寸大小為500×500的皮膚病變圖像的最終分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)值更大，分割效果更加明顯。

3.3.3 IFCN網(wǎng)絡(luò)選擇

FCN網(wǎng)絡(luò)根據(jù)跳躍結(jié)構(gòu)而分別得到步長(zhǎng)(stride)為32的FCN32s網(wǎng)絡(luò)、stride為16的FCN16s網(wǎng)絡(luò)、stride為8的FCN8s網(wǎng)絡(luò)，不同stride大小的FCN網(wǎng)絡(luò)最終的分割效果也各不一樣。FCN32s網(wǎng)絡(luò)的分割結(jié)果較為粗糙,FCN16s網(wǎng)絡(luò)相較于FCN32s網(wǎng)絡(luò)其分割結(jié)果相對(duì)精細(xì)，而FCN8s相對(duì)于前兩個(gè)網(wǎng)絡(luò)分割結(jié)果來說，其最為精細(xì)。IFCN網(wǎng)絡(luò)是通過修改FCN網(wǎng)絡(luò)，添加新的Jaccard-Diceloss損失函數(shù)層而得到的。IFCN網(wǎng)絡(luò)繼承了FCN網(wǎng)絡(luò)的各項(xiàng)優(yōu)點(diǎn)，同樣也存在stride為32的IFCN32s網(wǎng)絡(luò)、stride為16的IFCN16s網(wǎng)絡(luò)以及stride為8的IFCN8s網(wǎng)絡(luò)。為了驗(yàn)證不同stride的IFCN網(wǎng)絡(luò)對(duì)皮膚病變圖像的最終分割結(jié)果的影響，在輸入圖片尺寸大小為192×256，常數(shù)α=0.125的前提下，進(jìn)行了3組實(shí)驗(yàn)，皮膚病變圖像的最終分割結(jié)果見表2。

通過觀察表2可知，隨著所選IFCN網(wǎng)絡(luò)的stride越小，皮膚病變圖像的最終分割結(jié)果越優(yōu)，各項(xiàng)評(píng)估指標(biāo)值增大。當(dāng)選擇的網(wǎng)絡(luò)為IFCN8s，皮膚病變圖像的最終分割圖像最為精細(xì)。

表2 不同步長(zhǎng)IFCN網(wǎng)絡(luò)的分割結(jié)果

3.4 對(duì)比與評(píng)估

本文所用采用的網(wǎng)絡(luò)是在FCN網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)的，在皮膚病變圖像的分割問題上，通過IFCN8s網(wǎng)絡(luò)訓(xùn)練模型并測(cè)試得到的最終分割結(jié)果。以下分別是利用FCN網(wǎng)絡(luò)和IFCN8s網(wǎng)絡(luò)得到皮膚病變圖像的分割結(jié)果，見表3。

表3 FCN網(wǎng)絡(luò)和IFCN網(wǎng)絡(luò)的皮膚病變圖像分割結(jié)果

由表3可知，IFCN8s網(wǎng)絡(luò)在皮膚病變圖像分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)均超過FCN網(wǎng)絡(luò)的分割結(jié)果，表明本文所提出的IFCN8s網(wǎng)絡(luò)在皮膚病變圖像分割問題上對(duì)比FCN網(wǎng)絡(luò)有了進(jìn)一步的提升，達(dá)到最優(yōu)。同時(shí)，為了更加直觀地觀察IFCN8s網(wǎng)絡(luò)與FCN網(wǎng)絡(luò)在皮膚病變圖像的最終分割效果的區(qū)別，給出了以下4組皮膚病變的圖像，分別為原始圖像、手工分割的真實(shí)圖像以及由IFCN8s網(wǎng)絡(luò)和FCN網(wǎng)絡(luò)得到的最終分割圖像。如圖4所示。

圖4 皮膚病變圖像分割效果

此外，本文實(shí)驗(yàn)實(shí)驗(yàn)數(shù)據(jù)是基于2016年國(guó)際生物醫(yī)學(xué)圖像之皮膚病變分析黑色素瘤檢測(cè)挑戰(zhàn)賽(ISBI 2016 Skin Lesion Analysis Towards Melanoma Detection Challenge)的公共數(shù)據(jù)集。而在ISBI 2016挑戰(zhàn)賽官網(wǎng)中提供了部分參賽小組分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)值，選取其中前4名與本文實(shí)驗(yàn)的最終分割結(jié)果的各項(xiàng)評(píng)估指標(biāo)進(jìn)行對(duì)比，其結(jié)果見表4。

通過表4可以清晰地觀察到本文所使用的IFCN8s網(wǎng)絡(luò)在各項(xiàng)評(píng)估指標(biāo)中除特異性(Spe)外均名列前茅，表明IFCN8s網(wǎng)絡(luò)對(duì)于皮膚病變圖像的最終分割結(jié)果最優(yōu)，具有有效性、效率性以及廣泛性。

表4 ISBI 2016前4名與本實(shí)驗(yàn)在皮膚病變圖像分割結(jié)果對(duì)比

4 結(jié)束語

本文是基于改進(jìn)全卷積(IFCN)網(wǎng)絡(luò)的皮膚病變圖像分割，實(shí)現(xiàn)了皮膚病變圖像分割結(jié)果的最優(yōu)化。通過對(duì)FCN網(wǎng)絡(luò)進(jìn)行修改，添加Jaccard-Diceloss損失函數(shù)層來解決皮膚病變圖像中病變與背景區(qū)別過大的問題，提高分割精度而得到IFCN網(wǎng)絡(luò)結(jié)構(gòu)。采用VGG16模型對(duì)IFCN網(wǎng)絡(luò)進(jìn)行微調(diào)，逐層訓(xùn)練輸入圖像特征，學(xué)習(xí)更新網(wǎng)絡(luò)模型權(quán)值，生成網(wǎng)絡(luò)訓(xùn)練模型用以測(cè)試皮膚病變圖像。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)全卷積(IFCN)網(wǎng)絡(luò)的皮膚病變圖像的分割方法對(duì)比其它的分割方法結(jié)果更優(yōu)。此外，算法的所有運(yùn)算均在一塊GPU上實(shí)現(xiàn)的，雖然最終的分割結(jié)果仍稍有瑕疵，但總體達(dá)到實(shí)驗(yàn)的要求。IFCN網(wǎng)絡(luò)在皮膚病變圖像分割的結(jié)果驗(yàn)證了其有效性、效率性以及廣泛性，在其它醫(yī)學(xué)圖像分割問題上也具有極高的應(yīng)用前景。