论文部分内容阅读
据统计，皮肤癌作为一种比较棘手的疾病，它的致死率正在呈逐年升高的趋势。其中致命性最高的当属黑色素瘤，它严重地威胁着我们的身体健康。不过只要我们能够在早期通过科技手段及时地诊断并加以临床干预和治疗，那么治愈几率就会提高很多。由于当下皮肤癌数量的快速增长，对于皮肤伤口病变部位诊断的计算机需求也随之日益增长。目前皮肤病变图像分割是临床诊断的重要手段之一，然而皮肤病变的最新公共可用数据集却仅有极其有限的真实专家标签。除此之外，可用的分割数据集由许多专家共同进行标注，代表着对皮肤伤口边界进行精确的标注是一件既费力又费时又昂贵的工作。但是一个出色的计算机辅助诊断系统(CAD)不仅可以帮助医生诊断、提高效率，而且在一定程度上节约了人力资源。准确的皮肤分割算法能够在皮肤镜图像中实现高灵敏度地定位，迅速找出病变位置，从而对后续诊断不同皮肤疾病类型起到了至关重要的作用。于是，针对目前皮肤镜图像中存在的伤口区域与健康皮肤区域高度相似、皮肤病灶区域边缘较模糊以及皮肤镜图像中存在伪影信息干扰这三个难题，本文进行了重点研究。主要包括以下三个方面:
首先，为了有效地提高皮肤皮损区域的分割准确率，本文提出了一种可以过滤掉毛发等噪声的分割模型，通过对特征提取过程中的干扰信息进行筛选、过滤，可以有效地解决由U形网络的跳跃连接操作所带来的噪声传递等问题。本文所提出的特征提纯模块，在模型训练过程中，可以对多种低级特征进行预测，并以权重的方式对预测后的特征进行配比，以获取更加有效的特征信息。同时根据相似性原理，动态地反馈调节权重大小，削弱干扰信息的占比，增强有效信息的占比，以此配比出最佳的有效特征。实验结果表明，该模型在基准的ISIC2017挑战赛数据集上取得了较好的分割效果，达到了在特征学习的同时过滤掉毛发、设备伪影等干扰信息的目的。
其次，考虑到在皮肤镜图像中由医疗设备装置伪影所占据的区域的比例较大，而随着医学图像分割网络中层数的加深，将存在混合有效特征信息和无效特征信息的问题。于是本文通过结合位置注意力机制和通道注意力机制，捕获远距离像素之间的关系，来区分伪影特征和病灶特征。我们将其融入到一般的编码-解码分割网络中，命名为AF-Unet。该网络通过以上两种机制强调具有相似性的局部特征，在应对皮肤伪影问题时可以获得全局视野。无论距离多远，AF-Unet根据伪影特征与皮肤病灶特征之间的相似性有选择性地强调那些相互依赖的通道存在。添加这两个注意力模块的输出从而进一步改善特征信息的表示，这对于准确的分割效果将有很大的帮助。
最后，针对ISIC2017中存在的低对比度的数据图像，本文设计了低对比度分割模块。我们通过嵌套残差连接操作来代替传统的U形网络中的跳跃连接操作，使其更容易处理不明显的特征信息。这样可以在不用加深网络层数的情况下也不引入太多网络参数的情况下，有效地提高网络的表达能力。随着表示能力的提升，网络能够进一步拟合此类棘手的病灶，从而对其处理地更加地充分和细致。与此同时，我们引入focalloss来减少易分类样本像素的权重，使模型专注于学习难分类的样本像素特征。形成的新模型我们命名为LCSA网络，它可以改善ISIC2017数据集中低对比度条件下较难分割的图像，从而进一步提高整体的分割准确率。
首先，为了有效地提高皮肤皮损区域的分割准确率，本文提出了一种可以过滤掉毛发等噪声的分割模型，通过对特征提取过程中的干扰信息进行筛选、过滤，可以有效地解决由U形网络的跳跃连接操作所带来的噪声传递等问题。本文所提出的特征提纯模块，在模型训练过程中，可以对多种低级特征进行预测，并以权重的方式对预测后的特征进行配比，以获取更加有效的特征信息。同时根据相似性原理，动态地反馈调节权重大小，削弱干扰信息的占比，增强有效信息的占比，以此配比出最佳的有效特征。实验结果表明，该模型在基准的ISIC2017挑战赛数据集上取得了较好的分割效果，达到了在特征学习的同时过滤掉毛发、设备伪影等干扰信息的目的。
其次，考虑到在皮肤镜图像中由医疗设备装置伪影所占据的区域的比例较大，而随着医学图像分割网络中层数的加深，将存在混合有效特征信息和无效特征信息的问题。于是本文通过结合位置注意力机制和通道注意力机制，捕获远距离像素之间的关系，来区分伪影特征和病灶特征。我们将其融入到一般的编码-解码分割网络中，命名为AF-Unet。该网络通过以上两种机制强调具有相似性的局部特征，在应对皮肤伪影问题时可以获得全局视野。无论距离多远，AF-Unet根据伪影特征与皮肤病灶特征之间的相似性有选择性地强调那些相互依赖的通道存在。添加这两个注意力模块的输出从而进一步改善特征信息的表示，这对于准确的分割效果将有很大的帮助。
最后，针对ISIC2017中存在的低对比度的数据图像，本文设计了低对比度分割模块。我们通过嵌套残差连接操作来代替传统的U形网络中的跳跃连接操作，使其更容易处理不明显的特征信息。这样可以在不用加深网络层数的情况下也不引入太多网络参数的情况下，有效地提高网络的表达能力。随着表示能力的提升，网络能够进一步拟合此类棘手的病灶，从而对其处理地更加地充分和细致。与此同时，我们引入focalloss来减少易分类样本像素的权重，使模型专注于学习难分类的样本像素特征。形成的新模型我们命名为LCSA网络，它可以改善ISIC2017数据集中低对比度条件下较难分割的图像，从而进一步提高整体的分割准确率。