C-UNet

Skin Lesion Segmentation with C-UNet

摘要

本文主要是为了解决皮肤病变的分割问题,C-UNet整合了类似Inception卷积模块,循环卷积块和空洞卷积。在使用常用的交叉熵损失函数来训练模型之后,本文还应用了一种Dice Loss的微调技术。利用条件随机用于进一步平滑预测标签图。这个模型相较于UNet拥有更好的分割效果和鲁棒性。

方法

由于图片的尺寸不一,我们首先将所有图片的尺寸调整为256×342。我们发现,网络在训练过程中往往偏向于深色区域,病变区域和非病变区域的对比不是很明显。因此,在数据增强中,我们采用直方图均衡法来增强图像的色彩对比度。作为网络的输入,我们将增强后的图像与原始图像相结合,以学习更多的特征。所以每个输入有六个通道。
网络结构如下图所示:

C-UNet_第1张图片

在这个网络结构中修改了原始UNet结构中的卷积和反卷积操作

C-UNet_第2张图片

其中RCL模块为了增强模型综合上下文能力

训练

 Adam优化器+batch_size 为8+初始学习率为0.0001,并使用学习率的指数衰减+每一层的卷积使用了p=0.9的dropout方法+训练时的损失函数为交叉熵损失函数,微调时使用Dice 损失函数

除了使用交叉熵损失进行训练外,我们还应用了Dice finetune技术。也就是说,我们先用常用的交叉熵损失对模型进行训练,当验证损失不再减少后,再用Dice损失对模型进行微调 

你可能感兴趣的:(医学图像分割论文,深度学习,cnn,人工智能)