SLSDeep-Skin Lesion Segmentation Based on Dilated Residual and Pyramid Pooling Networks 论文解读

这是发表在 MICCAI 2018 上的一篇关于病灶分割的文章。

arxiv链接在https://arxiv.org/abs/1805.10241，作者的开源代码在 https://github.com/xmichelleshihx/SLSDeep 。

---

Motivations

作者的任务是做 skin lesion segmentation (SLS)，采用了很常见的 encoder-decoder 的网络结构。

文章的主要贡献点：

1. 提出了一个 encoder(DRN) - decoder(PPN) 的网络结构；
2. 提出了一个新的 loss function (NLL loss + EPE loss)。

Method

文章提出的网络结构如上图所示。

更深入的细节可以查看 Dilated Residual Network 的论文和代码，以及Pyramid Scene Parsing Network的论文和代码。

作者提出同时考虑 NLL loss 和 EPE loss，分别作为 objective loss 和 content loss，NLL loss其实就是 cross entropy loss 在二分类时的情况。

NLL loss，\(v\)是true label，\(p\)是probability estimate:

EPE loss 参考了IJCV 2011的论文，\(u\)是 generated mask，\(v\)是 ground truth:

total loss 为两者加权相加：

Experiments

作者在ISBI 2016和ISBI2017两个数据集上做了实验。

可以看出，加上EPE loss后，在accuracy上会有 1-2% 的提升，在dice上会有 4-5% 的提升。

这是一个qualitative result，展示了模型好的分割结果以及不好的分割结果。

Conclusion

这篇文章想法比较简单，但我们可以通过这篇文章去了解CVPR 2017的两篇文章，Dilated Residual Network和Pyramid Scene Parsing Network，以及End Point Error loss，这是我们可以学习借鉴的东西。