目的观察超像素引导含双流基于局部图像判别器生成对抗网络(SPDD-PatchGAN)用于分割皮肤镜图像中皮肤病变的价值。方法分别于国际皮肤成像合作组织(ISIC)2016数据集及Human Against Machine with 10000 training images(HAM10000)数据...目的观察超像素引导含双流基于局部图像判别器生成对抗网络(SPDD-PatchGAN)用于分割皮肤镜图像中皮肤病变的价值。方法分别于国际皮肤成像合作组织(ISIC)2016数据集及Human Against Machine with 10000 training images(HAM10000)数据集中收集1279及10015幅皮肤病变患者的皮肤镜图像,以数据集中的手动分割结果为参考标准,利用包含多尺度上下文提取模块(MCEM)的残差注意力UNet(RA-UNet)为生成器,采用基于局部图像的超像素引导的双流判别策略为判别器构建SPDD-PatchGAN并以之分割图像中的皮肤病变;与深度卷积生成对抗网络(DCGAN)、UNet、Attention-UNet、上下文编码器网络(CENet)、上下文金字塔融合网络(CPFNet)和生成对抗模型双流生成对抗网络(DAGAN)对比,采用平均交并比(mIoU)、准确率(Accuracy)、召回率(Recall)评价SPDD-PatchGAN的分割效能。结果SPDD-PatchGAN分割皮肤病变的整体效果较佳,且其mIoU、Accuracy及Recall均优于DCGAN、UNet、Attention-UNet、CENet、CPFNet及DAGAN。结论SPDD-PatchGAN可有效分割皮肤镜图像中的皮肤病变。展开更多
文摘目的观察超像素引导含双流基于局部图像判别器生成对抗网络(SPDD-PatchGAN)用于分割皮肤镜图像中皮肤病变的价值。方法分别于国际皮肤成像合作组织(ISIC)2016数据集及Human Against Machine with 10000 training images(HAM10000)数据集中收集1279及10015幅皮肤病变患者的皮肤镜图像,以数据集中的手动分割结果为参考标准,利用包含多尺度上下文提取模块(MCEM)的残差注意力UNet(RA-UNet)为生成器,采用基于局部图像的超像素引导的双流判别策略为判别器构建SPDD-PatchGAN并以之分割图像中的皮肤病变;与深度卷积生成对抗网络(DCGAN)、UNet、Attention-UNet、上下文编码器网络(CENet)、上下文金字塔融合网络(CPFNet)和生成对抗模型双流生成对抗网络(DAGAN)对比,采用平均交并比(mIoU)、准确率(Accuracy)、召回率(Recall)评价SPDD-PatchGAN的分割效能。结果SPDD-PatchGAN分割皮肤病变的整体效果较佳,且其mIoU、Accuracy及Recall均优于DCGAN、UNet、Attention-UNet、CENet、CPFNet及DAGAN。结论SPDD-PatchGAN可有效分割皮肤镜图像中的皮肤病变。
