earticle

영어

Semantic image segmentation is the process of labeling each image pixel with its associated class label. Most of the image segmentation task use an encoder-decoder-based method, like U-Net and its variants which is a popular strategy for solving segmentation tasks. In this paper, we propose an encoder-decoder-based approach with novel spatial group convolutions (SGC) for skin lesion segmentation. The SGC employ multiple-sized convolution kernels such as 1×1, 3×3, 5×5, 7×7, where each of these k×k kernel operations is decomposed as the combination of k×1 convolution followed by 1×k convolution. The large kernel using two 1-D kernels is likely to have better spatial information of the features and shows the improved model learning with the limited learnable parameters and more discriminative feature extraction. The SGC-based proposed model shows improved segmentation accuracy with a significantly reduced number of model parameters. The mean Jaccard index for the proposed method is 89%, the mean dice score is 93.84%, and the mean accuracy value is 95.99 %, with 0.4 million parameters for the proposed method on the PH2 test dataset.

한국어

영상 분할은 각 영상 픽셀에 연결된 클래스 레이블로 레이블을 지정하는 과정이다. 대부분의 이미지 분할 작업은 U-Net과 같은 인코더 기반 방식을 사용하며, 이는 영상 분할에 가장 많이 사용되는 딥러닝 방법중 하나이다. 본 논 문에서는 피부 병변 분할을 위한 새로운 공간 그룹 컨벌루션(SGC, Spatial Group Convolutions)을 이용한 인코 더 기반 영상 분할 방법을 제안한다. SGC는 1×1, 3×3, 5×5, 7×7과 같은 여러 크기의 변환 커널을 사용하고 이러 한 각 k×k 커널 크기의 연산은 k×1 변환과 1×k 변환의 조합으로 분해될 수 있다. 두 개의 1-D 커널을 사용하는 크기가 큰 커널은 공간 정보의 특징을 더 잘 추출할 수 있으며 제한된 학습 가능 파라미터 보다 개선된 모델 학습을 보여준다. SGC 기반 제안 모델은 모델 매개변수의 수를 크게 감소시키면서 분할 정확도가 향상되었음을 실험을 통 해 검증하였다. PH2 테스트 데이터셋에서 제안된 방법에 대한 평균 Jaccard 지수는 89%, 평균 Dice 점수는 93.84%, 평균 정확도 값은 95.99%으로 기존의 방법에 비해 우수한 분할 성능을 보여준다.