基于卷积神经网络的皮肤镜图像分割与分类方法研究

发布时间：2020-03-31 03:46

【摘要】：皮肤癌及各种色素性皮肤病正严重威胁着人类的健康。目前医学领域主要通过医生观察分析皮肤镜图像中的病灶特征实现色素性皮肤病诊断。皮肤镜图像是一种利用无创性显微成像技术获取的医学图像,可以清晰的显示皮肤病的病灶特征。但是由于不同病例的病灶差别很小,使医生通过裸眼观察方式分析判断病灶类别变得十分困难。为了实现有效治疗,针对皮肤镜图像的计算机辅助诊断系统需求量上升,通过计算机辅助诊断,可以缓解医生的就诊压力,有助于提升诊断的效率和准确率。针对皮肤镜图像的计算机辅助诊断系统主要包括皮肤镜图像分割和分类两个任务。皮肤镜图像分割目的是确定病灶轮廓和大小,确保手术切除的准确性。主流的皮肤镜图像分割方法包括基于区域的分割、基于阈值的分割、基于聚类的分割以及监督学习方法,这些方法会受主观因素以及图像中毛发、水泡等杂质的影响,分割效果不理想,而卷积神经网络虽然能很好的完成自然图片的语义分割任务,但在皮肤镜图像分割领域应用不成熟,分割效果还有很大提升空间。对于皮肤镜图像分类任务,很多研究通过人工提取皮肤镜图像中的病灶特征后再结合计算机算法进行特征分类,从而判断病灶类别,这种方法需人工参与,实现难度较大且易受主观因素影响。而卷积神经网络在皮肤镜图像分类中的研究集中在使用单个网络进行黑色素瘤识别这种二分类任务,多种类皮肤病分类的准确率仍有很大提升空间。针对上述主流方法的不足,本文给出基于卷积神经网络的皮肤镜图像分割与分类方法,以准确、自动化的实现皮肤镜图像分割与分类。本文的主要工作有:1、给出一种基于卷积神经网络的皮肤镜图像分割与分类模型,该模型包括皮肤镜图像获取模块、皮肤镜图像去噪模块、图像分割模块、图像分类模块和测试模块。各模块分别实现皮肤镜图像收集、颜色异常噪声的去除、皮肤镜图像分割、皮肤镜图像分类等相关功能。2、为了解决皮肤镜图像难以收集以及颜色显示异常的问题,本文给出皮肤镜图像批量获取以及图像颜色矫正方法。皮肤镜图像批量获取方法利用医学图像协会提供的皮肤镜图像数据集接口设计数据爬取方法,实现皮肤镜图像的批量获取,对获取到的图像利用Shades of Grey算法进行色彩恒常性矫正,该色彩矫正方法可将颜色异常的皮肤镜图像还原为自然白光下的图像。3、本文给出一种端到端的皮肤镜图像分割网络实现皮肤镜图像的语义分割。该网络分为下采样部分和上采样部分,下采样部分通过跨层卷积提取皮肤镜图像的特征图,上采样部分利用反卷积将不同尺寸的特征图还原为输入图像的尺寸,实现图像的分割。该分割网络利用迁移学习方法初始化下采样部分参数,并使用微调技术训练反卷积核的参数,从而提高网络训练的效率。本文还为网络设计一种基于dice系数的损失函数,使其更适用于皮肤镜图像分割任务。4、在实现皮肤镜图像分割的基础上,给出一种基于集成卷积神经网络的皮肤镜图像分类算法。该算法首先根据分割结果移除皮肤镜图像中面积较大的背景图像,仅保留病灶区域图像,然后利用病灶区域图像训练多种卷积神经网络提取病灶特征向量,并利用集成学习方法对这些特征向量进行分类,达到皮肤镜图像分类的目的。该方法同样根据迁移学习策略,利用自然图片上预训练的参数初始化卷积神经网络的卷积层,使卷积神经网络在训练数据有限的情况下得到有效训练,避免模型过拟合。为了验证皮肤镜图像分割与分类方法的有效性,本文利用皮肤图像协会ISIC公开的皮肤镜图像数据集进行了多组对比实验。在皮肤镜图像分割试验中,将本文给出的皮肤镜图像分割网络与多种常用的图像语义分割方法作对比,其中该网络的预测分割结果与真实分割结果的相似系数达到83.8%,与其他分割方法相比提高了6%以上。在皮肤镜图像分类实验中,通过多组对比实验分别验证本文给出的色彩恒常性矫正方法、皮肤镜图像背景移除处理以及集成卷积神经网络算法对分类效果的提升作用,实验结果表明,对皮肤镜图像进行色彩恒常性矫正和背景移除处理后可得到更好的分类结果,基于集成卷积神经网络的皮肤镜图像分类算法的分类正确率达到89.2%,该分类结果是实验所用公开数据集上的最优结果。多组实验结果表明,本文给出的方法可以更加准确高效的进行皮肤镜图像分割与分类,对临床医疗诊断和医学研究有一定参考价值。
【图文】：

裸眼,皮肤,观察图,图像

人类皮肤的各种疾病正严重威胁着人类的健康，据调查癌病例确诊数比其他癌症的总数还要多。从全球范围内色的人种更容易患皮肤癌，，据 2019 年美国癌症协会发人种的皮肤癌发病率是黑色和黄色人种的 5 倍左右。尽较低，但仍以每年 3%~8%的比例增长[3]，且死亡率逐国医学界的重视。最有效治疗方法是早期确诊从而及时进行病灶切除，存活率可达 98%[2]。以前医学界进行皮肤癌诊断首先根征，再通过病理学切片活检对疑似病灶进行化验，但组伤，增加患者的痛苦。因此通过皮肤镜成像技术获取的和各种色素性皮肤病诊断的重要工具。像技术[4]是一种用于观察人体皮肤下色素和细微结构过皮肤镜成像设备拍摄皮肤病病灶，可以得到高清、放灶的清晰度[5]。皮肤镜图像与裸眼观察的皮肤图像对比-1(a)是裸眼观察的皮肤图像，图 1-1(b)是对应的皮肤镜

模型结构

[47]共同提出的 M-P 模型，该模型是神经系统模拟的第一次系统性研究。M-P 模型的模型结构图如图 2-1 所示。图 2-1 M-P 模型的模型结构图在图 2-1 中，中间的求和与阈值判断结构模拟神经元，模型的输入(X1,X2,…Xn)模拟了神经元中接受输入信号的树突，而最后的输出模拟了神经元的轴突。在 M-P 模型中，输入和输出的值都为 0 或 1。可将 M-P 模型表示为公式 2-1。- = ∑ ∑ ≤ 其中 - (2-1)由公式 2-1 可以看出，M-P 模型只能通过用 0 和 1 分别表示电平的高低状态这种方法来模拟简单的二进制运算，具有一定的局限性。而且该模型所有输入的权值都相等，也不能体现不同输入之间的区别。1949 年，DonaldHebb 提出了赫布学习规则（Hebb Learning）
【学位授予单位】：西南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R751;TP391.41;TP183

【相似文献】