Published February 1, 2021
| Version v1
Publication
Open
Skin lesion segmentation method for dermoscopic images with convolutional neural networks and semantic segmentation
- 1. University of Economics Ho Chi Minh City
- 2. University of Da Nang
- 3. University of Padua
- 4. Cincinnati Children's Hospital Medical Center
- 5. University of Cincinnati
Description
Melanoma skin cancer is one of the most dangerous forms of skin cancer because it grows fast and causes most of the skin cancer deaths. Hence, early detection is a very important task to treat melanoma. In this article, we propose a skin lesion segmentation method for dermoscopic images based on the U-Net architecture with VGG-16 encoder and the semantic segmentation. Base on the segmented skin lesion, diagnostic imaging systems can evaluate skin lesion features to classify them. The proposed method requires fewer resources for training, and it is suitable for computing systems without powerful GPUs, but the training accuracy is still high enough (above 95 %). In the experiments, we train the model on the ISIC dataset – a common dermoscopic image dataset. To assess the performance of the proposed skin lesion segmentation method, we evaluate the Sorensen-Dice and the Jaccard scores and compare to other deep learning-based skin lesion segmentation methods. Experimental results showed that skin lesion segmentation quality of the proposed method are better than ones of the compared methods.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
سرطان الجلد الميلانيني هو أحد أخطر أشكال سرطان الجلد لأنه ينمو بسرعة ويسبب معظم الوفيات الناجمة عن سرطان الجلد. وبالتالي، فإن الكشف المبكر هو مهمة مهمة للغاية لعلاج سرطان الجلد. في هذه المقالة، نقترح طريقة تجزئة الآفة الجلدية لصور التنظير الجلدي بناءً على بنية U - Net مع مشفر VGG -16 والتجزئة الدلالية. استنادًا إلى الآفة الجلدية المجزأة، يمكن لأنظمة التصوير التشخيصي تقييم ميزات الآفة الجلدية لتصنيفها. تتطلب الطريقة المقترحة موارد أقل للتدريب، وهي مناسبة لأنظمة الحوسبة بدون وحدات معالجة الرسومات القوية، لكن دقة التدريب لا تزال عالية بما فيه الكفاية (أعلى من 95 ٪). في التجارب، نقوم بتدريب النموذج على مجموعة بيانات التصنيف الصناعي الدولي الموحد لجميع الأنشطة الاقتصادية – وهي مجموعة بيانات صور تنظير الجلد شائعة. لتقييم أداء طريقة تجزئة الآفات الجلدية المقترحة، نقوم بتقييم درجات Sorensen - Dice و Jaccard ومقارنتها بطرق تجزئة الآفات الجلدية الأخرى القائمة على التعلم العميق. أظهرت النتائج التجريبية أن جودة تجزئة الآفة الجلدية للطريقة المقترحة أفضل من الطرق المقارنة.Translated Description (French)
Le mélanome est l'une des formes les plus dangereuses de cancer de la peau car il se développe rapidement et provoque la plupart des décès par cancer de la peau. Par conséquent, la détection précoce est une tâche très importante pour traiter le mélanome. Dans cet article, nous proposons une méthode de segmentation des lésions cutanées pour les images dermoscopiques basée sur l'architecture U-Net avec codeur VGG-16 et la segmentation sémantique. Basés sur la lésion cutanée segmentée, les systèmes d'imagerie diagnostique peuvent évaluer les caractéristiques de la lésion cutanée pour les classer. La méthode proposée nécessite moins de ressources pour la formation, et elle convient aux systèmes informatiques sans GPU puissants, mais la précision de la formation est toujours suffisamment élevée (supérieure à 95 %). Dans les expériences, nous formons le modèle sur l'ensemble de données ISIC – un ensemble de données d'image dermoscopique commun. Pour évaluer les performances de la méthode de segmentation des lésions cutanées proposée, nous évaluons les scores Sorensen-Dice et Jaccard et les comparons à d'autres méthodes de segmentation des lésions cutanées basées sur l'apprentissage en profondeur. Les résultats expérimentaux ont montré que la qualité de la segmentation des lésions cutanées de la méthode proposée est meilleure que celles des méthodes comparées.Translated Description (Spanish)
El cáncer de piel tipo melanoma es una de las formas más peligrosas de cáncer de piel porque crece rápidamente y causa la mayoría de las muertes por cáncer de piel. Por lo tanto, la detección temprana es una tarea muy importante para tratar el melanoma. En este artículo, proponemos un método de segmentación de lesiones cutáneas para imágenes dermatoscópicas basado en la arquitectura U-Net con codificador VGG-16 y la segmentación semántica. Basándose en la lesión cutánea segmentada, los sistemas de diagnóstico por imágenes pueden evaluar las características de la lesión cutánea para clasificarlas. El método propuesto requiere menos recursos para la capacitación, y es adecuado para sistemas informáticos sin GPU potentes, pero la precisión de la capacitación sigue siendo lo suficientemente alta (superior al 95 %). En los experimentos, entrenamos el modelo en el conjunto de datos ISIC, un conjunto de datos de imágenes dermatoscópicas comunes. Para evaluar el rendimiento del método de segmentación de lesiones cutáneas propuesto, evaluamos las puntuaciones de Sorensen-Dice y Jaccard y las comparamos con otros métodos de segmentación de lesiones cutáneas basados en el aprendizaje profundo. Los resultados experimentales mostraron que la calidad de segmentación de la lesión cutánea del método propuesto es mejor que la de los métodos comparados.Files
450114.pdf.pdf
Files
(1.1 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:905536dab4d5163066dba08989cbd289
|
1.1 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- طريقة تجزئة الآفة الجلدية لصور التنظير الجلدي مع الشبكات العصبية الالتفافية والتجزئة الدلالية
- Translated title (French)
- Méthode de segmentation des lésions cutanées pour les images dermoscopiques avec réseaux neuronaux convolutionnels et segmentation sémantique
- Translated title (Spanish)
- Método de segmentación de lesiones cutáneas para imágenes dermatoscópicas con redes neuronales convolucionales y segmentación semántica
Identifiers
- Other
- https://openalex.org/W3147298064
- DOI
- 10.18287/2412-6179-co-748
References
- https://openalex.org/W1909740415
- https://openalex.org/W1980287119
- https://openalex.org/W1990189236
- https://openalex.org/W2074772891
- https://openalex.org/W2091695913
- https://openalex.org/W2171943915
- https://openalex.org/W2592160412
- https://openalex.org/W2607363228
- https://openalex.org/W2618530766
- https://openalex.org/W2623166637
- https://openalex.org/W2752273540
- https://openalex.org/W2759138913
- https://openalex.org/W2773710444
- https://openalex.org/W2799759592
- https://openalex.org/W2884588972
- https://openalex.org/W2893601588
- https://openalex.org/W2946160871
- https://openalex.org/W2962793285
- https://openalex.org/W2966902600
- https://openalex.org/W2977572327
- https://openalex.org/W2994026422
- https://openalex.org/W2996490063
- https://openalex.org/W2996717109
- https://openalex.org/W3012192396
- https://openalex.org/W3083789332