皮肤癌是一种广泛的、可能致命的疾病。针对皮肤病病灶与背景对比度低、面积和形状变化大等特点,本文提出一种新的皮肤病病灶分割模型(SECU-Net),该模型结合“挤压和激励”机制(Squeeze and Excitation,SE)并引入条件随机场(Conditional...皮肤癌是一种广泛的、可能致命的疾病。针对皮肤病病灶与背景对比度低、面积和形状变化大等特点,本文提出一种新的皮肤病病灶分割模型(SECU-Net),该模型结合“挤压和激励”机制(Squeeze and Excitation,SE)并引入条件随机场(Conditional Random Fields,CRF)做分割后处理,是一种将概率图形模型纳入神经网络的深度学习分割框架。SECU-Net通过SE模块建模通道之间的相互依赖性,自适应地重新校准通道特性响应。同时,CRF作为U-Net网络中端到端的可训练层,通过对相邻像素进行建模,使得相同属性的像素最大概率分配到相同的标签,产生与图像视觉特征一致的结构化输出。本文通过在具有挑战的ISIC2017皮肤病数据集上进行测试,实验结果表明,SECU-Net与其它医学图像分割模型相比,有更好的效果。展开更多
文摘皮肤癌是一种广泛的、可能致命的疾病。针对皮肤病病灶与背景对比度低、面积和形状变化大等特点,本文提出一种新的皮肤病病灶分割模型(SECU-Net),该模型结合“挤压和激励”机制(Squeeze and Excitation,SE)并引入条件随机场(Conditional Random Fields,CRF)做分割后处理,是一种将概率图形模型纳入神经网络的深度学习分割框架。SECU-Net通过SE模块建模通道之间的相互依赖性,自适应地重新校准通道特性响应。同时,CRF作为U-Net网络中端到端的可训练层,通过对相邻像素进行建模,使得相同属性的像素最大概率分配到相同的标签,产生与图像视觉特征一致的结构化输出。本文通过在具有挑战的ISIC2017皮肤病数据集上进行测试,实验结果表明,SECU-Net与其它医学图像分割模型相比,有更好的效果。
