Joint segmentation and classification of skin lesions via a multi-task learning convolutional neural network
摘要
在皮膚病計算機輔助診斷中，皮膚病變的分割和分類是兩項至關(guān)重要且相互關(guān)聯(lián)的任務(wù)。聯(lián)合執(zhí)行這兩個任務(wù)可以利用它們之間的相關(guān)性來獲得性能提升，但這仍然是一個具有挑戰(zhàn)性的主題。本文提出了一種端到端多任務(wù)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(MTL-CNN)用于關(guān)節(jié)皮膚病變的分割和分類，并引入邊緣預(yù)測作為輔助任務(wù)。
MTL-CNN包括一個共享編碼器，兩個用于生成邊緣和分割掩碼的并行解碼器，以及一個分類子網(wǎng)。
首先，使用共享編碼器提取三個任務(wù)(即邊緣預(yù)測、分割和分類)的特征。
然后，我們提出了兩種簡單而高效的模塊來挖掘這三種任務(wù)之間的優(yōu)勢。
在編碼器和分割解碼器之間設(shè)計了多個邊緣信息增強(EIE)模塊，旨在引入邊緣解碼器的邊緣信息作為強線索來增強分割特征的邊緣部分。
這些增強的分割特征被發(fā)送到分割解碼器進行更好的分割。
此外，我們在編碼器和分類子網(wǎng)之間設(shè)計了多個病灶區(qū)域提取(LAE)模塊，目的是利用分割結(jié)果過濾掉分類特征上的干擾。
將這些過濾后的分類特征輸入到分類子網(wǎng)中，并以自下而上的方式逐步融合進行分類。
采用三階段訓(xùn)練策略對MTL-CNN進行訓(xùn)練。在三個數(shù)據(jù)集上的大量實驗證明了MTL-CNN優(yōu)于最先進的分割、分類和其他多任務(wù)方法
本文方法
由于增加了邊緣預(yù)測作為輔助任務(wù)，本文將邊緣預(yù)測、分割和分類三個任務(wù)結(jié)合起來考慮。在本文提出的MTL-CNN中，邊緣預(yù)測任務(wù)提高了分割性能，分割任務(wù)提高了分類性能。為了實現(xiàn)這三個任務(wù)，MTL-CNN包括四個組件:一個共享編碼器，兩個并行解碼器(分割解碼器和邊緣解碼器)和一個分類子網(wǎng)。如圖1所示，給定一幅皮膚病變圖像作為輸入，首先使用共享編碼器提取圖像的深度特征。然后，將深度特征輸入到分割和邊緣解碼器中，輸出相應(yīng)的預(yù)測圖。注意，邊緣預(yù)測映射被發(fā)送到eee模塊，以改進分割特征上的邊緣。接下來，分類子網(wǎng)融合LAE模塊處理的多粒度分類特征，輸出最終的疾病分類結(jié)果，如黑色素瘤、基底細胞癌、脂溢性角化病、痣等。
損失函數(shù)：
就是三個任務(wù)直接相加文章來源：http://www.zghlxwxcb.cn/news/detail-619996.html
實驗結(jié)果
文章來源地址http://www.zghlxwxcb.cn/news/detail-619996.html
到了這里，關(guān)于基于多任務(wù)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的皮膚損傷聯(lián)合分割與分類的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
