基于深度学习的皮肤镜图像分割算法研究
发布时间：2021-11-08 10:04
皮肤色素性病变是皮肤病中的一种,多由色素的增多或减少引起皮肤颜色的改变。黑色素瘤是皮肤色素性病变中最严重的恶性肿瘤,早期易于其他良性皮肤色素疾病混淆,以致于患者延误最佳治疗时期。如果没有相应的专业知识,很难直接通过外观来区分是皮肤色素性病变是否是恶性肿瘤。皮肤镜图像可提供更多的颜色和纹理信息。现阶段医生通过皮肤镜图像进行临床诊断,但这种方式依赖于医生的专业能力,且存在一定的误诊。构建针对皮肤病的计算机辅助诊断系统可以提高检测效率和准确率。对皮肤镜图像的皮损区域更精准的分割可以帮助医生和系统更好的做出决策,从而帮助患者争取宝贵的治疗时间。本文的主要内容如下:（1）本文提出了一种U型网络结构,它使用ResNet网络结构作为编码器结构,使用金字塔池化模块连接编码器和解码器,该模块对局部信息和全局信息进行了融合,提高了模型对不同尺度特征的感受能力。本文引入了Swish激活函数,对ReLU激活函数进行替换后,模型的分割性能得到提升。最后,为了提升模型在边界的预测能力,本文设计了一种惩罚边界的损失函数。它使边界的像素点获得更高的权重,使模型在边界区域分割时更为精确。利用本文提出的模型及相关改进,在...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
黑色素瘤
第一章绪论3图1-2皮肤镜和皮肤镜下的皮肤皮肤镜图像是交叉偏振滤光镜（非接触式皮肤镜）或油/凝胶界面（浸入式皮肤镜）等专业设备产生的图片[6]。宏观图像是由更常规的系统，如标准相机捕获的图像。从宏观图像与皮肤镜图像的成像质量和成本考虑，虽然皮肤镜图像需要更多的成本，但是可提供更多的颜色和图案特性[8]。皮下镜检可提高诊断准确性。考虑到数据集的可用性和皮肤镜的适应性[9]，本文在论文中使用皮肤镜图像进行皮肤病分割。1.1.2研究意义本文的研究的重点是如何有效的分割皮肤镜图像的皮损区域。对于皮肤色素病变中的较为严重的恶性肿瘤如黑色素瘤，受到转移影响的患者预期寿命不到一年，但是如果及早发现，五年生存率将提高到98％[10]。因此，早期检测对于降低死亡率非常重要。研究背景指出，如果能够对黑色素瘤进行早发现、早治疗，那么就会降低黑色素瘤的治疗难度，从而降低致死率。但是，黑色素瘤在初期的形成并无痛感，且很容易被患者忽视，确诊时多在晚期。如果在0、1、2期诊断出黑色素瘤，可以通过外科手术切割肿瘤及其周围可能扩散的淋巴组织。但如果任由其发展，将会发展到3、4期，即癌细胞扩散到临近的淋巴结或淋巴管，甚至转移到脑、肺、肝脏等部位，那么就需要采取免疫疗法、化学疗法等，将会极大的威胁患者的生命安全，给患者带来沉重的精神压力和经济负担。在临床上，医生使用皮肤镜技术进行早期的检查，对于早期发现黑色素瘤有巨大的贡献。医生早期通过皮肤镜进行检查，根据医学知识和临床的经验进行主观判断，但容易产生误诊。研究发现，对于有经验和缺乏经验的医生使用七点检查法进行调查，发现其特异性（Specificity）和灵敏度（Sensitivity）相差巨大，有经验的医生可达75%和95%，缺乏经验的医生却仅有48%和85%
第一章绪论5肤色素病皮肤镜图像皮损区域不规则，对比度不高，基于早期的数字图像分割算法很难取得令人满意的分割效果。1.2.2皮肤镜图像皮损区域深度学习方法概述分割任务本质上是对像素的分类。传统的基于特征工程设计并提取特征的方法，对特定任务设计、选择合适的特征非常繁琐。分类器的好坏取决于特征的优劣。如图1-3所示，神经网络不再需要手动设计特征，神经网络通过有监督的学习，由损失函数和梯度下降算法驱动网络去学习对图像任务理解有帮助的特征，整个过程端到端，比较简洁。自从GeoffreyHinton等人2006年提出深度学习概念[25]，近年来，卷积神经网络不断发展，网络的深度不断增加，卷积神经网络在特征提取上的潜力得到挖掘，在目标识别、检测和分割等领域得到广泛的研究与应用，在很多大型数据集上取得较好的成绩。图1-3传统机器学习和深度学习流程上的区别卷积神经网络的发展改变了皮肤病分割和识别领域的发展。不在像传统的机器学习在使用分类器之前进行特征提取，它们使用的深度神经网络不需要进行手动的特征提取，实现了端到端的训练与预测。并且，在皮肤病分类方面特异度和敏感度均超过了从业的医学专业人员。接下来将会介绍近年来深度学习在皮肤病分割领域的进展。JonathanLong[26]等人在2015年提出了全卷积神经网络（FullyConvolutionNetwork），整个网络不再使用全连接层转而使用卷积层，他们采用了著名的分类网络，包括VGG[27]，GoogleNet[27,28]，AlexNet[29]来进行分割任务。由于这些网络
本文编号：3483517
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
黑色素瘤
第一章绪论3图1-2皮肤镜和皮肤镜下的皮肤皮肤镜图像是交叉偏振滤光镜（非接触式皮肤镜）或油/凝胶界面（浸入式皮肤镜）等专业设备产生的图片[6]。宏观图像是由更常规的系统，如标准相机捕获的图像。从宏观图像与皮肤镜图像的成像质量和成本考虑，虽然皮肤镜图像需要更多的成本，但是可提供更多的颜色和图案特性[8]。皮下镜检可提高诊断准确性。考虑到数据集的可用性和皮肤镜的适应性[9]，本文在论文中使用皮肤镜图像进行皮肤病分割。1.1.2研究意义本文的研究的重点是如何有效的分割皮肤镜图像的皮损区域。对于皮肤色素病变中的较为严重的恶性肿瘤如黑色素瘤，受到转移影响的患者预期寿命不到一年，但是如果及早发现，五年生存率将提高到98％[10]。因此，早期检测对于降低死亡率非常重要。研究背景指出，如果能够对黑色素瘤进行早发现、早治疗，那么就会降低黑色素瘤的治疗难度，从而降低致死率。但是，黑色素瘤在初期的形成并无痛感，且很容易被患者忽视，确诊时多在晚期。如果在0、1、2期诊断出黑色素瘤，可以通过外科手术切割肿瘤及其周围可能扩散的淋巴组织。但如果任由其发展，将会发展到3、4期，即癌细胞扩散到临近的淋巴结或淋巴管，甚至转移到脑、肺、肝脏等部位，那么就需要采取免疫疗法、化学疗法等，将会极大的威胁患者的生命安全，给患者带来沉重的精神压力和经济负担。在临床上，医生使用皮肤镜技术进行早期的检查，对于早期发现黑色素瘤有巨大的贡献。医生早期通过皮肤镜进行检查，根据医学知识和临床的经验进行主观判断，但容易产生误诊。研究发现，对于有经验和缺乏经验的医生使用七点检查法进行调查，发现其特异性（Specificity）和灵敏度（Sensitivity）相差巨大，有经验的医生可达75%和95%，缺乏经验的医生却仅有48%和85%
第一章绪论5肤色素病皮肤镜图像皮损区域不规则，对比度不高，基于早期的数字图像分割算法很难取得令人满意的分割效果。1.2.2皮肤镜图像皮损区域深度学习方法概述分割任务本质上是对像素的分类。传统的基于特征工程设计并提取特征的方法，对特定任务设计、选择合适的特征非常繁琐。分类器的好坏取决于特征的优劣。如图1-3所示，神经网络不再需要手动设计特征，神经网络通过有监督的学习，由损失函数和梯度下降算法驱动网络去学习对图像任务理解有帮助的特征，整个过程端到端，比较简洁。自从GeoffreyHinton等人2006年提出深度学习概念[25]，近年来，卷积神经网络不断发展，网络的深度不断增加，卷积神经网络在特征提取上的潜力得到挖掘，在目标识别、检测和分割等领域得到广泛的研究与应用，在很多大型数据集上取得较好的成绩。图1-3传统机器学习和深度学习流程上的区别卷积神经网络的发展改变了皮肤病分割和识别领域的发展。不在像传统的机器学习在使用分类器之前进行特征提取，它们使用的深度神经网络不需要进行手动的特征提取，实现了端到端的训练与预测。并且，在皮肤病分类方面特异度和敏感度均超过了从业的医学专业人员。接下来将会介绍近年来深度学习在皮肤病分割领域的进展。JonathanLong[26]等人在2015年提出了全卷积神经网络（FullyConvolutionNetwork），整个网络不再使用全连接层转而使用卷积层，他们采用了著名的分类网络，包括VGG[27]，GoogleNet[27,28]，AlexNet[29]来进行分割任务。由于这些网络
本文编号：3483517
本文链接：https://www.wllwen.com/yixuelunwen/pifb/3483517.html
最近更新
教材专著
