基于轻量级上下文感知网络的皮肤病变分割方法

《Engineering Applications of Artificial Intelligence》：Skin lesion segmentation method based on lightweight context aware network

皮肤病变分割轻量级网络LCS-Net提出，集成IRCA模块高效提取特征，DACP模块聚合多尺度上下文信息，MSPF模块融合多层次语义特征，GGL模块优化边界定位。实验表明在ISIC2018等数据集上Dice系数达89.41%，优于U-Net和TransFuse，参数仅70,000，推理时间6.8ms，适用于便携医疗设备实时诊断。

　　

黄正伟|邓洪民|唐文涛|张大清

四川大学电子与信息工程学院，中国成都610065

摘要

近年来，基于深度学习的皮肤病变分割方法取得了显著进展。然而，如何用较少的参数数量和较低的计算复杂度准确区分病变边界与感兴趣区域仍然是一个挑战。此外，实时性能也非常重要，因为快速获得准确的分割结果可以帮助医疗专业人员做出及时和正确的决策。本文提出了一种轻量级的、具有上下文感知能力的皮肤病变分割网络（LCS-Net），该网络具有极低的计算复杂度和较短的处理时间。所提出的模型整合了新的模块，用于高效的特征提取、多尺度上下文聚合和边界细化。最后，我们在三个公开可用的数据集上将LCS-Net与几种最先进的方法进行了比较：国际皮肤成像合作组织ISIC2017和ISIC2018提供的皮肤病变分割数据集，以及一个肺部分割数据集。实验结果表明，LCS-Net在ISIC2018数据集上的Dice系数为89.41%，Jaccard指数为80.86%，优于U-Net（Dice：87.55%，JI：77.86%）和TransFuse（Dice：89.27%，JI：80.63%）等最先进方法。LCS-Net的参数数量仅为0.07百万，处理时间为6.8毫秒，在分割精度、计算效率和模型大小方面始终优于其他最先进的网络，显示出其在资源受限环境中的应用潜力。

引言

皮肤癌是全球最常见的癌症类型之一，早期发现对于成功治疗至关重要（Schadendorf等人，2018年）。皮肤镜检查是一种广泛用于分析皮肤病变的非侵入性技术，但手动检查耗时且严重依赖于皮肤科医生的专业知识（Haenssle等人，2018年）。为了提高诊断效率，已经开发了基于机器学习或深度学习的计算机辅助诊断（CAD）系统来辅助病变分割（Yu等人，2016年）。然而，在边界不规则、对比度低或存在毛发干扰的情况下，准确区分病变区域与周围组织仍然是一个重大挑战。此外，现有的分割方法通常需要较高的计算资源和大量的参数，不适合在计算能力有限的便携式医疗设备上使用。因此，迫切需要一种轻量级且高效的分割方法，能够在相对较低的计算复杂度下实现高精度。具体来说，基于机器学习的皮肤病变分割方法依赖于手工制作的特征，在复杂场景中表现不佳，并且需要昂贵的硬件（Yueksel和Borlu，2009年；Schmid，1999年；Celebi等人，2007年）。相比之下，基于深度学习的方法，如全卷积网络（FCN）（Long等人，2015年）、U-Net（Ronneberger等人，2015年）、TransFuse（Zhang等人，2021年）和TransUNet（Chen等人，2021年）等，在医学图像分割方面取得了显著的成功，因为它们能够自动学习层次化特征。然而，这些方法通常伴随着较高的计算成本和大量的参数，限制了它们在实时临床环境中的应用。随后，像MALUNet（Ruan等人，2022年）和UNeXt（Valanarasu和Patel，2022年）这样的轻量级模型降低了计算复杂度，但往往牺牲了分割精度，特别是在对比度低或存在毛发干扰的挑战性情况下。这些限制凸显了需要一种能够平衡精度、计算效率和模型大小的分割方法。

为了解决这个问题，我们提出了一种轻量级的、具有上下文感知能力的皮肤病变分割网络（LCS-Net）。LCS-Net整合了四个关键模块：（1）轻量级的反向残差通道注意力（IRCA）模块，用于高效的特征提取；（2）扩张的非对称上下文感知（DACP）模块，用于捕获多尺度上下文信息；（3）多层语义渐进融合（MSPF）模块，用于整合层次化特征；（4）全局引导定位（GGL）模块，用于精确的边界检测。通过结合这些模块，LCS-Net在分割性能上优于最先进的方法，并且所需的计算复杂度相对较低，包括上述提到的对比度低或存在毛发干扰的挑战性情况。因此，我们的方法在便携式医疗设备上具有很大的应用潜力。

本工作的主要贡献体现在三个方面：

• 我们提出了一种名为LCS-Net的轻量级皮肤病变分割框架，它专注于学习多尺度上下文感知特征。该框架以较低的网络复杂度、较少的模型参数和较短的处理时间高效地捕获医学图像特征。
• 我们设计了IRCA模块，帮助网络用更少的参数学习更具区分性的特征，并通过优化的DACP和MSPF模块聚合多尺度信息。此外，GGL模块根据频域信息生成粗略的定位图，使得能够采用多层次的监督策略逐步细化分割结果。
• 在ISIC2017（Codella等人，2018年）、ISIC2018（Codella等人，2019年）和CT数据中的肺部寻找数据集上进行了广泛的实验。结果表明，我们的模型在参数、计算复杂度和分割性能之间的平衡方面优于最先进的方法。

本文的其余部分组织如下：第2节回顾了相关的深度学习工作。第3节详细介绍了所提出的LCS-Net。第4节从数据分析和可视化的角度将LCS-Net与最先进的方法进行了性能比较。第5节给出了结论。

章节片段

基于卷积神经网络和变换器的医学图像分割

在大参数的分割模型中，U-Net架构的变体在医学图像分割中取得了出色的结果。UNet++（Zhou等人，2018年）采用了密集的跳跃连接和深度监督学习策略，从而获得了更精确的分割输出。Kushnure和Talbar（2021年）提出了MS-UNet，这是一种深度卷积神经网络，它整合了多尺度特征提取和重新校准结构以获得更丰富的特征信息。

方法论

我们的LCS-Net架构如图1所示。轻量级网络的出现旨在减少模型参数数量和复杂度，同时保持模型精度。SqueezeNext（Gholami等人，2018年）是一种经典的轻量级网络，它采用了低秩分解的概念应用于卷积，从而降低了计算负载，取得了有希望的结果。在编码阶段，皮肤镜图像经过三个卷积块处理，以提取高分辨率、语义较弱的特征。

数据集和设置

在本文中，我们在三个公开可用的数据集上进行了广泛的实验：ISIC2018、ISIC2017和CT数据中的肺部寻找。ISIC2018和ISIC2017数据集包含具有挑战性的病变案例，如边界不规则、对比度低和毛发干扰。CT数据中的肺部寻找数据集包含一系列基于CT的肺部图像。我们将数据集按7:3的比例划分。ISIC2018中有1886个训练样本和806个测试样本；ISIC2017中有1500个

结论

在本文中，我们提出了一种新的分割模型LCS-Net，它包含四个核心模块：IRCA、DACP、MSPF和GGL，旨在减轻模型的重量，同时保持甚至提高模型的性能。首先，设计了一个轻量级的IRCA模块，有效提取关键特征信息，并通过集成自适应核选择模块避免由于通道维度减少而导致的特征丢失。此外，DACP模块用于增强网络的感知能力

CRediT作者贡献声明

黄正伟：撰写 – 审稿与编辑，撰写 – 原始草稿，项目管理，方法论，资金获取，形式分析，数据管理，概念化。邓洪民：可视化，验证，监督，软件，资源。唐文涛：研究，资金获取。张大清：项目管理，研究。

致谢

本工作得到了中国四川省自然科学基金的支持，资助编号为2022NSFSC0553。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。