基于DenseNet-BC網(wǎng)絡(luò)的皮膚鏡下皮膚損傷分割*

齊永鋒，侯璐璐，段友放

(西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，甘肅 蘭州 730070)

1 引言

皮膚癌是一種世界性的嚴(yán)重疾病，其中黑色素瘤是最致命的，若能盡早發(fā)現(xiàn)且進(jìn)行切除治療即可治愈。對于皮膚癌的檢測，一般采用皮損皮膚鏡圖像，這是一種無創(chuàng)的成像技術(shù)，通過消除皮膚表面反光、放大皮損區(qū)域、增強(qiáng)皮損區(qū)域的色素沉著來獲得高分辨率圖像，用于病變分割。目前臨床多采用手動(dòng)分割皮膚鏡圖像的方法，雖然人工手動(dòng)分割準(zhǔn)確度高但效率較低，對分割人員專業(yè)知識和臨床經(jīng)驗(yàn)有一定的要求，并且人類對病變存在主觀性，會因個(gè)人因素造成分割誤差。故一般情況下專家手動(dòng)分割的結(jié)果圖只作為標(biāo)準(zhǔn)分割圖像(Ground Truth)，用于與皮損圖像在不同模型下進(jìn)行的分割結(jié)果做對比。隨著技術(shù)的發(fā)展，引入客觀可靠的計(jì)算機(jī)輔助診斷系統(tǒng)對皮膚病變進(jìn)行自動(dòng)分割已成為一種新趨勢，該技術(shù)在提高分割效率的同時(shí)也會避免人為的主觀因素，對黑色素瘤的早期診斷和準(zhǔn)確切除有著重要的意義。

目前，國內(nèi)外專家學(xué)者對醫(yī)學(xué)圖像中皮膚損傷分割方法有著廣泛的研究，主要是半自動(dòng)和全自動(dòng)的方式[1,2]。常用的半自動(dòng)分割方法有閾值分割[3]、邊緣檢測分割[4]、區(qū)域分割[5]以及機(jī)器學(xué)習(xí)分割[6]等。近年來，基于深度學(xué)習(xí)的方法被廣泛應(yīng)用，其優(yōu)勢在于可以直接從數(shù)據(jù)中學(xué)習(xí)圖像特征，在皮損分割方面取得了很好的效果。例如，Li等人[7]提出了一種由全卷積殘差網(wǎng)絡(luò)FCRN-88(Full Convolution Residual Network)[8]和病灶指數(shù)計(jì)算單元LICU(Lesion Index Calculation Unit)組成的用于皮損分割的病變索引網(wǎng)絡(luò)，準(zhǔn)確率達(dá)到了0.922。Yuan等人[9]提出了一種深度卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過使用較小的內(nèi)核對更深層的網(wǎng)絡(luò)模型進(jìn)行多顏色空間訓(xùn)練，在ISIC 2017皮膚挑戰(zhàn)賽中取得了最好的成績。Bi等人[10]利用數(shù)據(jù)增強(qiáng)的方法提出了一種基于對抗性學(xué)習(xí)的皮膚病變自動(dòng)分割方法，該方法在提升全連接網(wǎng)絡(luò)FCN(Fully Connected Network)的分割性能方面具有顯著效果。上述方法雖然在皮損分割方面取得了較好的效果，但仍存在許多不足，面對皮損區(qū)域形狀不規(guī)則、邊界較模糊、與周圍皮膚對比度較低且受血管、毛發(fā)、氣泡等因素影響的情況，皮膚病變區(qū)域分割準(zhǔn)確度有待提高。

卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Networks)的層數(shù)越多，所提取特征就越豐富，越具有語義信息，因此更深層次網(wǎng)絡(luò)的探索成為一種新趨勢，在醫(yī)學(xué)圖像病變區(qū)域準(zhǔn)確分割方面有著重要的意義。但是，越深的網(wǎng)絡(luò)會出現(xiàn)梯度消失、特征重用不斷減少、訓(xùn)練時(shí)間較長以及前向流減少的問題，使得后期層難以學(xué)習(xí)到“有意義”的梯度方向，并且在系統(tǒng)精度達(dá)到飽和之后，再增加網(wǎng)絡(luò)層數(shù)將出現(xiàn)訓(xùn)練誤差變大、精度下滑的現(xiàn)象。最近工作表明，若卷積網(wǎng)絡(luò)在接近輸入層和接近輸出層的層之間包含更短的連接，那么卷積神經(jīng)網(wǎng)絡(luò)的深度可以更深，從而更加有效地進(jìn)行訓(xùn)練，擁有更高的精確度。VGG(Visual Geometry Group)[11]從網(wǎng)絡(luò)深度入手，采用幾個(gè)小的卷積核來代替大的卷積核，使得網(wǎng)絡(luò)參數(shù)量和計(jì)算量更少，還可以更好地保留圖像的原有特征，但由于其通道數(shù)過多，因此并不高效。ResNet(Residual Network)[12]模型的出現(xiàn)使得CNN有了歷史性的突破，從網(wǎng)絡(luò)深度入手建立前面層與后面層之間的跳躍連接(Skip Connection)[13 - 15]，通過跨層的方式來提取圖像的特征信息。但是，該模型大多用于中度網(wǎng)絡(luò)，小部分用于淺度和深度網(wǎng)絡(luò)，所以事實(shí)上其并未解決網(wǎng)絡(luò)越深梯度越小的問題。從網(wǎng)絡(luò)寬度入手的Inception-v3網(wǎng)絡(luò)由 Inception模塊[16]和 ResNet模塊組成，采用密集結(jié)構(gòu)近似稀疏的CNN，利用全局均值池化層替換卷積層之后的全連接層，但網(wǎng)絡(luò)過于復(fù)雜，在并行加速方面面臨很大的挑戰(zhàn)。雖然以上方法均在層數(shù)方面做了改進(jìn)，但均未從根本上解決隨網(wǎng)絡(luò)層數(shù)的增多而梯度減小的問題。

針對網(wǎng)絡(luò)層數(shù)越多梯度越小的問題，本文采用基于CNN的稠密卷積網(wǎng)絡(luò)DenseNet(Dense Convolutional Network)[17 - 19]，從特征入手對皮損區(qū)域進(jìn)行準(zhǔn)確分割。DenseNet采用密集的連接模式，為了確保網(wǎng)絡(luò)中各層之間的最大信息流，將具有匹配特征圖大小的所有層直接相互連接。為了保留前饋特性，每個(gè)層都與它之前的所有層直接連接，并將其自身的特征圖傳遞給所有后續(xù)層，從而減少了特征復(fù)制，實(shí)現(xiàn)了特征重用。這將在L層的網(wǎng)絡(luò)中引入L(L-1)/2個(gè)直接連接，而不像傳統(tǒng)網(wǎng)絡(luò)那樣只引入L層。連接模式如圖1所示。并且與傳統(tǒng)的卷積網(wǎng)絡(luò)相比，密集連接(Dense Connectivity)因?yàn)椴恍枰匦聦W(xué)習(xí)冗余功能圖，所以需要的參數(shù)更少。除此之外，DenseNet改善了整個(gè)網(wǎng)絡(luò)中的信息流和梯度。每層都可以直接從損失函數(shù)和原始輸入信號訪問梯度，從而有助于訓(xùn)練更深層次的網(wǎng)絡(luò)模型。但是，多個(gè)密集層密集連接在一起組成的密集塊輸出的通道數(shù)越多，且每個(gè)密集塊的輸出將作為下一個(gè)密集塊的輸入。為了減少網(wǎng)絡(luò)參數(shù)和計(jì)算量，本文在瓶頸層和過渡層中采用小卷積核對輸入特征圖進(jìn)行降維,采用壓縮系數(shù)(Compression Rate)來對通道數(shù)進(jìn)行減半操作，從而加快網(wǎng)絡(luò)模型的收斂。稱改進(jìn)后的模型為稠密卷積網(wǎng)絡(luò)(DenseNet-BC)。本文主要工作包括：

Figure 1 Different connections between layers圖1 層與層之間不同的連接方式

(1)針對網(wǎng)絡(luò)越深梯度越小的問題，提出了一種新的網(wǎng)絡(luò)模型，采用前饋的方式在層與層之間進(jìn)行密集連接，對于L層的網(wǎng)絡(luò)，將第1層到第L-1層的輸出經(jīng)過歸一化BN(Batch Normalization)[20,21]操作-整流線性單元ReLU(Rectifier linear Unit)[22]操作-3×3卷積Conv(Convolution)[23]操作后作為第L層的輸入，使得信息得到最大化流動(dòng)，有助于訓(xùn)練更深層次的網(wǎng)絡(luò)模型。

(2)為了降低參數(shù)數(shù)量與網(wǎng)絡(luò)的計(jì)算量，從特征圖的通道數(shù)入手，在層與層之間的3×3卷積操作前使用1×1卷積作為瓶頸層(Bottleneck Layer)來對輸入的特征圖進(jìn)行降維，同樣在密集塊與密集塊之間的池化操作前再次使用1×1卷積作為過渡層(Transition Layer)來降維，使得特征圖的通道數(shù)減半，從而降低網(wǎng)絡(luò)復(fù)雜度，提高計(jì)算效率。

2 本文算法

DenseNet-BC以一種隱式的方式執(zhí)行類似的深度監(jiān)督，輸入一幅皮損皮膚鏡圖像到稠密卷積網(wǎng)絡(luò)(DenseNet-BC)，然后生成一幅分割后的圖像，可與專家人工標(biāo)注的金標(biāo)準(zhǔn)做對比。

2.1 密集連接(Dense Connectivity)

面對越深的網(wǎng)絡(luò)，當(dāng)輸入的信息經(jīng)過層層學(xué)習(xí)到達(dá)網(wǎng)絡(luò)深處部分時(shí)，信息將會消失，使得后期層難以學(xué)習(xí)到“有意義”的梯度方向。針對此問題，本文采用密集連接將具有匹配的特征圖大小的所有層直接連接，使得所有層都能直接訪問從原始輸入信號到損失函數(shù)的梯度。第L層的輸入如式(1)所示：

xl=HL([x0,x1,x2,…,xl-1])

(1)

其中,xl指第l層的輸入，它接收先前層的所有卷積特征x0～xl-1。[x0,x1,x2,…,xl-1]指對0到l-1層的輸出特征圖進(jìn)行拼接操作。復(fù)合函數(shù)HL是第1層到第l-1層上的非線性變換，是歸一化操作BN操作[20,21]-整流線性單元ReLU操作[22]- 3×3卷積Conv[23]操作的組合。

圖1a是標(biāo)準(zhǔn)的卷積模塊，一個(gè)L層的網(wǎng)絡(luò)擁有L個(gè)連接。圖1b是密集連接模塊，以前饋的方式將層與層之間緊密連接，這樣一個(gè)L層的網(wǎng)絡(luò)擁有L(L-1)/2個(gè)連接,使得早期層的特征都可以被后續(xù)其他層重復(fù)利用，信息得到最大化的流動(dòng)，達(dá)到特征積累的效果，提高了效率。

2.2 瓶頸層(Bottleneck Layer)

面對越深的網(wǎng)絡(luò)，標(biāo)準(zhǔn)的卷積層需要訓(xùn)練大量的網(wǎng)絡(luò)參數(shù)，使用大量的計(jì)算資源和存儲資源，從而降低了計(jì)算效率。為此本文在密集塊層與層之間的3×3卷積操作前使用1×1卷積作為瓶頸層，對輸入的特征圖進(jìn)行降維，結(jié)構(gòu)為BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)，如圖2b所示，使得網(wǎng)絡(luò)參數(shù)和計(jì)算量減少，從而加快網(wǎng)絡(luò)模型的收斂。

標(biāo)準(zhǔn)卷積層結(jié)構(gòu)(簡稱為結(jié)構(gòu)a)輸入一個(gè)大小為W×L×K的特征圖，輸出一個(gè)大小為W×L×2K的特征圖。加入瓶頸層后的結(jié)構(gòu)(簡稱結(jié)構(gòu)b)在結(jié)構(gòu)a的基礎(chǔ)上通過使用1×1卷積來構(gòu)建瓶頸層，在沒有改變特征圖尺寸的情況下減少了特征圖的通道數(shù)量，然后輸出大小為W×L×2K的特征圖。K代表輸入特征圖的通道數(shù)量，W×L為特征圖的輸入和輸出尺寸。

Figure 2 Structures of different convolutional layer圖2 不同的卷積層結(jié)構(gòu)

結(jié)構(gòu)a的計(jì)算量為：

Ca=W×L×2K×3×3×K

(2)

結(jié)構(gòu)b的計(jì)算量為：

Cb=W×L×K/4×1×1×K+

W×L×2K×3×3×K/4

(3)

結(jié)構(gòu)a的參數(shù)為：

Ha=2K×3×3×K

(4)

結(jié)構(gòu)b的參數(shù)為：

Hb=K/4×1×1×K+2K×3×3×K/4

(5)

使用結(jié)構(gòu)a與結(jié)構(gòu)b的計(jì)算量和參數(shù)的比值均為72/19，也就是結(jié)構(gòu)a的計(jì)算量和參數(shù)大概是結(jié)構(gòu)b的3.3倍，從而證明了瓶頸層的有效性。

Figure 4 DenseNet-BC model圖4 Densenet-BC模型

2.3 過渡層(Transition Layer)

當(dāng)特征圖的尺寸改變時(shí)，式(1)中第L層的連接操作就會出現(xiàn)問題。因此，需要卷積網(wǎng)絡(luò)的下采樣層來改變特征圖的尺寸。為了便于下采樣的實(shí)現(xiàn)，本文將網(wǎng)絡(luò)劃分為3個(gè)密集連接的密集塊。為了解決首個(gè)密集塊的輸出作為下一個(gè)密集塊的輸入時(shí)通道數(shù)輸出量多的問題，在擁有任意層的2個(gè)相同尺寸特征圖的密集塊之間2×2的池化層前加入一個(gè)1×1的卷積作為過渡層來進(jìn)行降維。過渡層中有一個(gè)被稱為壓縮系數(shù)的參數(shù)θ∈(0,1)，當(dāng)θ=1時(shí)，特征圖的數(shù)量保持不變。本文實(shí)驗(yàn)參數(shù)設(shè)置為0.5，使傳遞到下一個(gè)密集塊的通道數(shù)減半。加入過渡層的密集塊間結(jié)構(gòu)如圖3b所示，在不影響分割準(zhǔn)確率的情況下可加快網(wǎng)絡(luò)模型的收斂。

Figure 3 Different structures between dense block圖3 不同的密集塊間結(jié)構(gòu)

2.4 稠密卷積網(wǎng)絡(luò)(DenseNet-BC)

稠密卷積網(wǎng)絡(luò)由密集連接、瓶頸層和過渡層組成。DenseNet-BC的網(wǎng)絡(luò)較窄，密集塊中每個(gè)卷積層輸出數(shù)量小于100的特征圖，本文實(shí)驗(yàn)中采用k=32來控制網(wǎng)絡(luò)寬度，k為密集塊的生長速度參數(shù)，代表每一層輸出的特征圖的厚度，且隨著密集塊深度的增加而直線增加。

分割皮損皮膚鏡圖像的模型如圖4所示，模型從一個(gè)塊開始，該塊對輸入的皮損圖像進(jìn)行內(nèi)核大小為7×7、步幅大小為2卷積操作，然后是步長為2的3×3的最大池化操作。中間部分由3個(gè)層與層之間密集連接的密集塊組成，層與層之間通過瓶頸層連接，用來對輸入的特征圖進(jìn)行降維。密集塊之間由過渡層連接，通過卷積和池化操作來改變特征圖的大小和尺寸。采用7×7的全局平均池化對輸出圖像進(jìn)行處理，后面連接1×1×1000的全連接層，最后附加一個(gè)Softmax分類器，輸出一幅分割后的皮損圖像。

3 實(shí)驗(yàn)結(jié)果與分析

本節(jié)在ISIC 2018 Task 1(病變分割)挑戰(zhàn)賽階段的皮損皮膚鏡圖像數(shù)據(jù)集上評估本文算法。該數(shù)據(jù)集包含由臨床醫(yī)師手動(dòng)勾畫的皮損區(qū)域作為先驗(yàn)信息的訓(xùn)練集圖像2 594幅。圖5每組第1幅為皮損皮膚鏡圖像，每組第2幅為該圖像對應(yīng)的醫(yī)生手動(dòng)標(biāo)記的皮損區(qū)域。提供驗(yàn)證集圖像100幅，測試集圖像1 000幅，驗(yàn)證集用來相對客觀地自我衡量與調(diào)整，測試集用來衡量模型的性能和分割能力。由于深度神經(jīng)網(wǎng)絡(luò)對參數(shù)的訓(xùn)練需要大量的數(shù)據(jù)樣本，因此本文通過行旋轉(zhuǎn)、垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)等操作對訓(xùn)練圖像執(zhí)行數(shù)據(jù)擴(kuò)充，這對于提高分割準(zhǔn)確率至關(guān)重要。

Figure 5 Examples of skin lesion dermoscopy images and their corresponding gold standard images圖5 皮損皮膚鏡圖像與其對應(yīng)的金標(biāo)準(zhǔn)圖像示例

3.1 訓(xùn)練與實(shí)驗(yàn)細(xì)節(jié)

本文實(shí)驗(yàn)環(huán)境為Python 3.6，Keras 2.1.6，TensorFlow1.12.0。在訓(xùn)練時(shí)，將JPG格式的RGB皮損圖像大小調(diào)整為224×224，并將其存儲在numpy文件中，以便于處理，最后將分割后的圖像恢復(fù)到圖像的原始大小。開始學(xué)習(xí)率設(shè)置為1e-4，學(xué)習(xí)率的下限為1e-7。選擇Adam作為DenseNet-BC的優(yōu)化器，β2參數(shù)值為0.999。Epoch=50，patience=10，表示若發(fā)現(xiàn)損失相比上一次迭代訓(xùn)練沒有下降，則經(jīng)過10次迭代后停止訓(xùn)練。

3.2 性能評價(jià)指標(biāo)

為了評估算法分割效果，本文采用閾值化相似性系數(shù)(ThresholdJaccard)、相似性系數(shù)JI(Jaccard Index)、準(zhǔn)確率ACC(ACCuracy)、Dice系數(shù)、特異性Sp(Specificity)以及靈敏度Se(Sensitivity)共6個(gè)評估指標(biāo)對分割性能進(jìn)行評價(jià)。其中ThresholdJaccard與JI是圖像分割中較權(quán)威的評價(jià)指標(biāo)，使用閾值0.65應(yīng)用于本文的像素化評分。若JI值低于ThresholdJaccard值，則JI值歸為0。在ISIC 2018挑戰(zhàn)賽中以ThresholdJaccard值作為排名的關(guān)鍵。

評價(jià)指標(biāo)定義如下：

(6)

(7)

(8)

(9)

(10)

其中,TP(真陽性)為正確識別的皮損區(qū)域像素?cái)?shù)目，TN(真陰性)為正確識別的非皮損區(qū)域像素?cái)?shù)目，F(xiàn)P(假陽性)為錯(cuò)誤識別的非皮損區(qū)域像素為皮損區(qū)域像素的數(shù)目，F(xiàn)N(假陰性)為錯(cuò)誤識別的皮損區(qū)域像素為非皮損區(qū)域像素的數(shù)目。

3.3 網(wǎng)絡(luò)的評估

為了驗(yàn)證引入結(jié)構(gòu)的有效性，本文進(jìn)行了2種對比:(1)在DenseNet-BC網(wǎng)絡(luò)中分別采用ReLU和帶泄露整流線性單元LReLU(Leaky Rectified Linear Uint)2種激活函數(shù)進(jìn)行皮損圖像的分割任務(wù)。(2)在DenseNet-BC網(wǎng)絡(luò)中是否進(jìn)行歸一化操作對皮損分割精度的影響。實(shí)驗(yàn)對比結(jié)果如表1所示。從表1中可發(fā)現(xiàn)，使用激活函數(shù)ReLU相比于LReLU能在更大程度上提高分割精度，因?yàn)閷τ诜蔷€性函數(shù)而言，ReLU非負(fù)區(qū)間的梯度為常數(shù)，因此不存在梯度消失的問題，使模型的收斂速度維持在一個(gè)穩(wěn)定狀態(tài)，能夠?qū)Σ∽冞M(jìn)行更準(zhǔn)確的分割。DenseNet-BC模型利用歸一化操作則與傳統(tǒng)模型不同，歸一化操作和非線性運(yùn)算用在卷積操作之前，對DenseNet-BC-201性能有很大的改變，ThresholdJaccard值從0.816升為0.835。

為了檢驗(yàn)使用瓶頸層和過渡層減少參數(shù)后對模型準(zhǔn)確率有無影響，本文對使用此結(jié)構(gòu)前后的皮損分割結(jié)果進(jìn)行了對比，實(shí)驗(yàn)結(jié)果如表2所示。從表2中可發(fā)現(xiàn)，使用小卷積核來減少參數(shù)的做法對皮損圖像的分割準(zhǔn)確率基本沒有影響。

3.4 不同分割模型結(jié)果的評估

為證明DenseNet-BC模型的優(yōu)越性，選擇2類模型與本文的DenseNet-BC模型進(jìn)行對比，一類是利用他人已有的研究成果進(jìn)行對比，其中用Li等人[7]和 Yuan等人[9]提出的模型在ISIC 2017數(shù)據(jù)集上進(jìn)行分割，Bi等人[10]提出的模型在ISIC2018數(shù)據(jù)集上完成分割。另一類是本文DenseNet-BC模型與VGG-16、Inception-v3、ResNet-50模型在ISIC 2018數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)的結(jié)果對比。分割性能比較如表3所示，加粗字體表示每一類指標(biāo)的最優(yōu)值，“—”表示文獻(xiàn)中沒有這項(xiàng)指標(biāo)。

Table 1 Before and after of different activation funcions and normalization operations on networks with different layers表1 不同層數(shù)網(wǎng)絡(luò)采用不同激活函數(shù)和歸一化操作的前后對比

Table 2 Segmentation results before and after using small convolutional kernel表2 使用小卷積核前后分割結(jié)果

Table 3 ISIC database skin lesions dermascopic image segmentation results表3 ISIC數(shù)據(jù)集上皮損皮膚鏡圖像分割結(jié)果

實(shí)驗(yàn)結(jié)果表明，相比其他模型，本文模型實(shí)現(xiàn)了皮損區(qū)域較高的分割準(zhǔn)確率，其中閾值化相似性系數(shù)、相似性系數(shù)、Dice系數(shù)、準(zhǔn)確率、靈敏度、特異性分別達(dá)到0.835,0.854,0.916,0.975,0.893,0.954。本文模型對皮損分割的ThresholdJaccard值相比于ResNet-50高出0.22，比Inception-v3高出0.8。在6種定量標(biāo)準(zhǔn)下3種結(jié)果達(dá)到最優(yōu)值，且靈敏度與特異性都保持相對穩(wěn)定，在ISIC 2018比賽中最高JI為0.802。因此，由表4的評估指標(biāo)可知，在ISIC 數(shù)據(jù)集上，本文模型對皮損區(qū)域、背景區(qū)域的識別和提取不同特征的能力優(yōu)于其他模型，充分驗(yàn)證了本文模型在皮損皮膚病變圖像分割中的有效性。

DenseNet-BC-201模型對皮損皮膚鏡圖像分割效果與其他模型對比如圖6所示，面對皮損區(qū)域形狀、紋理、大小、顏色及顏色的深淺的差異、皮損邊界區(qū)域較為模糊且與周圍皮膚對比度較低的情況，本文模型分割效果相比于其他模型都優(yōu)，驗(yàn)證了本文模型對皮損皮膚鏡圖像有著較好的分割性能。

Figure 6 Experiment results on ISIC 2018 dataset圖6 ISIC 2018數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果

4 結(jié)束語

皮膚損傷區(qū)域的正確分割對黑色素瘤疾病的診斷具有實(shí)際的意義。本文使用高效的密集卷積網(wǎng)絡(luò)DenseNet-BC對皮損皮膚鏡圖像進(jìn)行自動(dòng)分割，這種模型以高精度的端到端的方式來解決皮損區(qū)域分割問題，是一種高效訓(xùn)練深度網(wǎng)絡(luò)的方法。通過其緊湊的內(nèi)部表示，密集卷積網(wǎng)絡(luò)可能成為較好的特征提取器，促進(jìn)了特性重用，使得信息得到最大化的流動(dòng)，緩解了梯度消失。為了在保證分割準(zhǔn)確率的情況下降低模型的參數(shù)數(shù)量和計(jì)算量，在瓶頸層和過渡層中采用1×1的卷積進(jìn)行降維。本文在ISIC 2018 Task 1(病變分割)數(shù)據(jù)集上實(shí)驗(yàn)了所選網(wǎng)絡(luò)，取得了0.975的分割準(zhǔn)確率，優(yōu)于在深度方面做努力的 VGG、Inception和ResNet網(wǎng)絡(luò)模型，甚至優(yōu)于在分割方面提出的其他網(wǎng)絡(luò)模型，成為高容量的首選網(wǎng)絡(luò)。下一步的研究重點(diǎn)在于皮損皮膚鏡圖像病變的診斷和分類。