皮肤颜色对黑色素瘤检测中深度学习算法性能的影响研究

发布时间：2022-08-10 11:09

　　目的:研究数据集中图像的皮肤背景颜色对黑色素瘤检测过程中深度学习算法性能的影响。方法:从海量带标签的皮肤镜图像中区分白色皮肤图像和黄色皮肤图像2类数据集,并将2类数据集分别按一定比例划分为训练集、验证集和测试集。将白色皮肤图像和黄色皮肤图像2类数据集在ResNet-152网络和相同的超参数下进行训练、验证和测试,测试结果通过敏感度、特异度、准确度、平均精度和ROC的AUC等5项指标进行评估。最后在白色皮肤数据训练得到的模型上对黄色皮肤图像的测试集进行检测,并与测试集和训练集均来自黄色皮肤图像的结果进行对比。结果:在网络模型与超参数相同的前提下,测试集与训练集来自同类数据集（均为黄色皮肤图像）时,测试结果5项指标之差均不大于1%;测试集与训练集来自不同类的数据集（测试集为黄色皮肤图像,训练集为白色皮肤图像）时,准确度、敏感度和平均精度3项指标较测试集与训练集来自同类数据集时下降幅度超过1%。结论:当测试数据与模型训练数据为2种不同皮肤颜色图像时,模型性能下降明显,皮肤颜色对深度学习算法检测黑色素瘤的性能有显著影响。为了提高黄种人黑色素瘤自动检测算法性能,需要收集更多黄种人皮肤镜图像数据。 

【文章页数】：5 页

【部分图文】：

2类不同皮肤背景颜色的皮肤镜图像

ROC曲线图（二分类问题）

ROC曲线图（九分类问题）

【参考文献】：
期刊论文
[1]基于深度学习的器官自动分割研究进展[J]. 郭雯,鞠忠建,吴青南,全红,戴相昆.  医疗卫生装备. 2020(01)
[2]基于深度残差网络的皮肤癌黑色素瘤识别[J]. 管秋,李疆,胡海根,龚明杰,陈峰.  浙江工业大学学报. 2019(04)
[3]基于深度学习方法检测皮肤镜图像中黑色素瘤的研究进展与展望[J]. 张杰,赵惠军,李贤威,法振宗,王亚林.  医疗卫生装备. 2018(11)
[4]基于深度残差网络的皮肤镜图像黑色素瘤的识别[J]. 李航,余镇,倪东,雷柏英,汪天富.  中国生物医学工程学报. 2018(03)
[5]深度学习在轻度认知障碍转化与分类中的应用分析[J]. 张柏雯,林岚,吴水才.  医疗卫生装备. 2017(09)



本文编号：3673527