基于卷积神经网络的面部痤疮分级评估方法研究

发布时间：2021-11-03 03:50

　　背景:近年来,随着卷积神经网络的迅速发展,计算机视觉算法广泛应用于医疗行业,尤其是依赖视觉与图像进行诊疗的皮肤学领域。已有的研究提示我们卷积神经网络可以在皮肤病的鉴别中取得很好的效果,譬如2017年斯坦福团队鉴别恶性黑素瘤与良性色素痣,以及角质形成细胞癌与良性脂溢性角化的两项任务。寻常痤疮是一种常见的皮肤病,但因为缺少国际统一的严重程度分级标准,造成治疗不规范、临床试验难以开展的现象。在痤疮严重程度分级中应用深度学习的研究很少。目的:试图将不同的卷积神经网络算法应用于面部痤疮的分级评估中,并研究深度学习辅助评估特定皮肤疾病的最佳思路与方法。方法:回顾现存数十种痤疮严重程度分级标准的优缺点后,研究选定了面部作为此次研究的评价部位,并采纳了日本皮肤学家Hayashi等人建立的计数与图像结合的分级标准。在北京协和医院皮肤科门诊招募符合入选标准的寻常痤疮患者,征得口头知情同意后,用数码微型单反相机拍摄左、右两侧面部的照片。模拟分级与计数两种不同的评估思路,分别采用图像分类和物体检测两种算法模型来完成痤疮的分级任务。即由有资质的皮肤科专科医生,在经过Hayashi标准培训后,对样本进行分级;再在... 

【文章来源】：北京协和医学院北京市 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：博士

【部分图文】：

图１传统算法模型??

图２神经网络的抽象与迭代??卷积神经网络的重要单元是层（ｌａｙｅｒｓ）。网络的每一层都有若干个神经元??（ｎｅｕｒｏｎｓ）构成。神经元有多种类型，包括卷积（ｃｏｎｖｏｌｕｔｉｏｎ）神经元、池化（ｐｏｏｌｉｎｇ）??神经元、归一化（ｎｏｒｍａｌｉｚａｔｉｏｎ）神经元、激励（ａｃｔｉｖａｔｉｏｎ）神经元，等等。不同??类型的神经元对输入信号进行不同的处理，从而完成编码、组合等操作，也即人脑??的抽象、迭代功能。通常，卷积神经网络的输入层（ｉｎｐｕｔ?ｌａｙｅｒ）是图像信号，输??出层（ｏｕｔｐｕｔｌａｙｅｒ）是任务信息（如分类结果）的某种编码，输入层和输出层中间??的网络成为隐藏层（ｈｉｄｄｅｎ?ｌａｙｅｒｓ），常见的隐藏层包括：卷积层（ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒｓ）、??池化层（ｐｏｏｌｉｎｇｌａｙｅｒｓ）、归一化层（ｎｏｒｍａｌｉｚａｔｉｏｎｌａｙｅｒｓ）、激励函数层（ａｃｔｉｖａｔｉｏｎ??ｌａｙｅｒｓ）、损失函数层（ｌｏｓｓ?ｌａｙｅｒｓ），等等。??从本质上看，卷积神经网络可以视为另一种基于局部特征的图像表示模型。在??较低的层次上，每个神经元只能获得较小范围的图像输入，通常用于描述较弱的纹??理、边缘等信息。随着卷积、池化等操作的进行，高层次神经元的控制区域也不断??一

轻度的粉刺型痤疮到暴发型伴有系统性症状的痤疮［１４］，主要表现形态有粉刺??（ｃｏｍｅｄｏ）、丘疫（ｐａｐｕｌｅ）、脓疱（ｐｕｓｔｕｌｅ）、结节（ｎｏｄｕｌｅ）、囊肿（ｃｙｓｔ），等??等（图３）。寻常痤疮是一种非常普遍的疾病，发病率高峰出现在青少年，约８５％??的１２－２４岁的青少年患此病，使之在这组人群中成为一种生理现象。虽然寻常痤??疮常见于青少年，但１２％的女性和３％的男性会持续到４４岁如］。痤疮在经济上和??心理上的影响是无可否认的。在美国，每年花费在治疗痤疮上的总费用高达２５亿??美元以上，是医疗资源的沉重负担；痤疮对青春期患者容貌的改变，经常造成患者??的自卑和社会隔离，而不规范的治疗手段对患者身心健康更会造成严重且不可逆的??伤害。??■■■■■■??■■Ｉ?■■■?：??粉刺?［７．疮?脓疱?结节?囊肿??图３寻常痤疮的五类表现形态??因此，开展科学的药物临床试验、规范寻常痤疮的治疗方法，对于患者及整个??社会都意义重大。而事实上，痤疮严重程度的分级标准种类繁多，缺乏国际统一的??标准


本文编号：3472987