一种改进UNet++网络用于检测黑色素瘤皮肤病变

发布时间：2021-04-02 12:26

　　目的探究基于改进UNet++网络的图像分割算法用于分割黑色素瘤皮肤病变图像的价值。方法构建引入软注意力门和以Tversky-Focal Loss（TFL）函数为损失函数的UNet++网络优化结构——AT-UNet++网络,并将其在国际皮肤成像协作组织（ISIC）挑战2016和2017训练集中训练。计算训练好的AT-UNet++网络与U-Net网络、UNet++网络的逐像素分割精度（ACC）、DIC相似系数（DIC）和Jaccard相似指数（JAI）,对以TFL函数为损失函数的UNet++网络和引入软注意力门的UNet++网络在ISIC挑战2016和2017测试集上进行指标评估;比较ISIC挑战2016与2017竞赛排名前五名的参赛队伍模型与AT-UNet++网络的指标参数。结果在ISIC挑战2016测试集上,AT-UNet++网络逐的ACC、DIC和JAI较UNet++网络分别提高3.36%、4.15%和3.95%,在2017测试集分别提高2.65%、5.01%及4.39%。结论 AT-UNet++网络的各项评价指标较其他模型均有不同程度提高。 

【文章来源】：中国医学影像技术. 2020,36(12)北大核心CSCD

【文章页数】：5 页

【部分图文】：

AT-UNet++网络结构

以第l层为例,软注意力门的输入为第l层第i个像素的特征x i l 和选通信号g。特征x i l 通过线性变换a x Τ 与经过线性变化βg的选通信号逐元素g求和,之后经过1次1×1×1线性变换F,激活函数分别为ReLU函数和Sigmoid函数,以φ1和φ2表示。软注意力门在每个像素点i产生注意力系数w i l ( w i l β∈[ 0,1 ] );对所得注意力系数w i l 与输入特征x i l 进行加权求和,可获得新的特征图。w i l =φ 2 { F Τ [ φ 1 ( α x Τ x i l +β g Τ g i +γ g ) ]+ b F } (1)

表2 AT-UNet++网络与ISIC挑战2016与2017竞赛排名前5的参赛模型比较(%) 评价指标 ISIC挑战2016 Team-EXB Team-CUMED Team-Rahman Team-SFU Team-TMU SSLS FCN[8] AT-UNet++ ACC 95.30 94.90 95.20 94.40 94.60 84.67 94.13 95.76 DIC 91.00 89.70 89.50 88.50 88.80 69.97 88.64 92.50 JAI 84.30 82.90 82.22 81.11 81.10 57.20 81.37 85.31 评价指标 ISIC挑战2017 Team-Mt.Sinal Team-NLP Team-BMIT Team-RECOD SSLS AT-UNet++ ACC 93.40 93.20 93.40 93.10 83.92 93.65 DIC 84.90 84.70 84.40 83.90 57.49 85.74 JAI 76.50 76.20 76.00 75.40 44.77 76.83为此,本研究引入软注意力门[14],旨在从大量信息中有效筛选出少量信息并聚焦。聚焦过程与注意系数计算有关,像素的注意系数越大,越聚焦于其所对应的特征信息。通过赋予小目标较大权重系数,软注意力门可提高模型在大背景小目标病变图像中对于小目标的分割精度。本实验中加入软注意力门的UNet++网络ACC、DIC和JAI均优于UNet++网络,证实了上述观点。

【参考文献】：
期刊论文
[1]非线性激活的聚合残差神经网络汽车胎纹识别[J]. 陈德海,潘韦驰,马原,黄艳国.  江西理工大学学报. 2019(05)
[2]关于非线性激活函数的深度学习分类方法研究[J]. 杨国亮,许楠,李放,龚曼.  江西理工大学学报. 2018(03)
[3]18F-FDG PET/CT显像在恶性黑色素瘤诊断及分期中的价值[J]. 李丽琴,李德鹏,王争明,龙凤.  中国医学影像技术. 2009(11)



本文编号：3115277