摘要
皮肤病变区域分割是根据皮肤镜图像进行皮肤病诊断和治疗的关键步骤。然而人工分割不仅费时费力而且对医生经验有较高的要求，通常需要高年资的皮肤科医生，这推动了皮肤病变区域自动分割技术的发展。受到皮肤镜图像质量、皮肤病类型多样性的影响，以及高质量标注数量的限制，使得现有的算法不能满足临床应用的高要求。此外，在实际的临床场景下，对算法的算力需求以及推理速度也提出了较严的要求。针对上述问题，设计了提高算法分割性能与降低计算代价相权衡的算法，使其更加面向实际临床场景。 在前人工作的基础上，参考注意力机制、显著图增强、残差学习等优秀设计思路，设计了感兴趣区域增强（ROIE）模块来提升输入的质量，并结合两个网络集成来完成分割的思想，使用三个网络串联来逐级细化分割区域以优化分割结果。在皮肤病数据集上的实验证明，所提出的Triple-UNet优于目前最先进的算法。消融实验和视觉对比实验表明ROIE更好的对图像中的重点区域进行加强、标注。实验结果还表明多网络逐级细化分割优于单网络直接分割。 为了精简网络结构，减少计算消耗。受到跳连接和密集连接启发，设计了密集跳连接，其增强了多尺度信息融合与特征传播，鼓励了特征重用，显著减少了模型的参数。结合深度可分离卷积的使用，提出的DS-UNet在皮肤病数据集上的表现全方位优于目前最先进的算法，不论是性能方面还是算力需求方面。 最后，结合以上的两个工作，本文设计了一个端到端的集成网络Ensemble-Net,其子网络全部使用DS-UNet,具有更轻量化的设计，模型结构与参数更加高效。并且得益于对多网络集成方法进行的更细致研究，Ensemble-Net在多网络连接上进行了优化。前面的子网络通过ROIE依次连接，对图像中的重点区域进行标注、加强，由最后一个子网络充当“最后决策者”，汇集所有之前的信息做出最终的判断。这样的结构使得模型既关注重点区域又不会忽略原始信息，可以发挥出更好的效果。在ISIC-2018和ISIC-2019数据集上的实验表明，Ensemble-Net在多个性能指标上优于目前最先进的皮肤病变分割算法。
NETL