Image segmentation with a convolutional neural network without pooling layers in dermatological disease diagnostics systems

Abstract

EN: Context. The problem of automating of the segmentation of spectral-statistical texture images is considered. The object of research is image processing in dermatological disease diagnostic systems. Objective. The aim of the research is to improve the segmentation performance of color images of psoriasis lesions by elaboration of a deep learning convolutional neural network without pooling layers. Method. The convolutional neural network is proposed to process a three-channel psoriasis image with a specified size. The initial color images were scaled to the specified size and then inputed on the neural network. The architecture of the proposed neural network consists of four convolutional layers with batch normalization layers and ReLU activation function. Feature maps from the output of these layers were inputted to the 11 convolutional layer with the Softmax activation function. The resulting feature maps were inputted to the image pixel classification layer. When segmenting images, convolutional and pooling layers extract the features of image fragments, and fully connected layers classify the resulting feature vectors, forming a partition of the image into homogeneous segments. The segmentation features are evaluated as a result of network training using ground-truth images which segmented by an expert. Such features are robust to noise and distortion in images. The combination of segmentation results at different scales is determined by the network architecture. Pooling layers were not included in the architecture of the proposed convolutional neural network since they reduce the size of feature maps compared to the size of the original image and can decrease the segmentation performance of small psoriasis lesions and psoriasis lesions of complex shape. Results. The proposed convolutional neural network has been implemented in software and researched for solving the problem of psoriasis images segmentation. Conclusions. The use of the proposed convolutional neural network made it possible to enhance the segmentation performance of plaque and guttate psoriasis images, especially at the edges of the lesions. Prospects for further research are to study the performance of the proposed CNN then abrupt changes in color and illumination, blurring, as well as the complex background areas are present on dermatological images, for example, containing clothes or fragments of the interior. It is advisable to use the proposed CNN in other problems of color image processing to segment statistical or spectral-statistical texture regions on a uniform or textured background. UK: Актуальність. Розглянуто задачу автоматизації процесу сегментації спектрально-статистичних текстурних зображень. Об’єктом дослідження є обробка зображень у системах діагностики дерматологічних захворювань. Метою дослідження є покращення якості сегментації кольорових псоріазних зображень шляхом розробки згорткової нейронної мережі глибокого навчання без пулінгових шарів. Метод. Запропоновано згорткову нейронну мережу для обробки трьохканального псоріазного зображення заданого розміру. Початкові кольорові зображення було масштабовано до заданого розміру, а потім подано на вхідний шар нейронної мережі. Архітектура запропонованої нейронної мережі складається з чотирьох згорткових шарів з пакетною нормалізацією та функцією активації ReLU. Карти ознак із виходу цих шарів передавалися до згорткового шару 11 з функцією активації Softmax. Отримані карти ознак подавалися до шару класифікації пікселів зображення. При сегментуванні зображень згорткові та пулінгові шари оцінюють ознаки фрагментів зображення, а повністю зв’язані шари класифікують отримані вектори ознак, виконуючи розбиття зображення на однорідні сегменти. Ознаки сегментації оцінювалися в результаті навчання мережі а допомогою зображень, сегментованих експертом. Отримані ознаки стійкі до завад та спотворень зображень. Об’єднання результатів сегментації в різних масштабах визначається архітектурою мережі. Пулінгові шари включалися в архітектуру запропонованої згорткової нейронної мережі, оскільки вони зменшують розмір карт ознак порівняно з розміром початкового зображення та можуть знизити якість сегментації невеликих псоріазних плям та псоріазних плям складної форми. Результати. Запропоновану згорткову нейронну мережу реалізовано програмно і досліджено при вирішенні задачі сегментації псоріазних зображень. Висновки. Використання запропонованої згорткової нейронної мережі дозволило підвищити якість сегментації зображень бляшкового та крапельного псоріазу, особливо на границях плям. Перспективи подальших досліджень можуть полягати у дослідженні якості сегментації зображень запропонованою згортковою нейронною мережею, якщо на дерматологічних зображеннях присутні різкі зміни кольору та освітленості, розмиття, а також фрагменти складного фону, наприклад, що містять одяг або фрагменти інтер’єру. Доцільно. використовувати запропоновану згорткову нейронну мережу в інших задачах обробки кольорових зображень для сегментації статистичних або спектрально-статистичних текстурних областей на однорідному або текстурованому фоні.