【摘要】：皮膚癌及各種色素性皮膚病正嚴重威脅著人類的健康。目前醫(yī)學領(lǐng)域主要通過醫(yī)生觀察分析皮膚鏡圖像中的病灶特征實現(xiàn)色素性皮膚病診斷。皮膚鏡圖像是一種利用無創(chuàng)性顯微成像技術(shù)獲取的醫(yī)學圖像,可以清晰的顯示皮膚病的病灶特征。但是由于不同病例的病灶差別很小,使醫(yī)生通過裸眼觀察方式分析判斷病灶類別變得十分困難。為了實現(xiàn)有效治療,針對皮膚鏡圖像的計算機輔助診斷系統(tǒng)需求量上升,通過計算機輔助診斷,可以緩解醫(yī)生的就診壓力,有助于提升診斷的效率和準確率。針對皮膚鏡圖像的計算機輔助診斷系統(tǒng)主要包括皮膚鏡圖像分割和分類兩個任務(wù)。皮膚鏡圖像分割目的是確定病灶輪廓和大小,確保手術(shù)切除的準確性。主流的皮膚鏡圖像分割方法包括基于區(qū)域的分割、基于閾值的分割、基于聚類的分割以及監(jiān)督學習方法,這些方法會受主觀因素以及圖像中毛發(fā)、水泡等雜質(zhì)的影響,分割效果不理想,而卷積神經(jīng)網(wǎng)絡(luò)雖然能很好的完成自然圖片的語義分割任務(wù),但在皮膚鏡圖像分割領(lǐng)域應(yīng)用不成熟,分割效果還有很大提升空間。對于皮膚鏡圖像分類任務(wù),很多研究通過人工提取皮膚鏡圖像中的病灶特征后再結(jié)合計算機算法進行特征分類,從而判斷病灶類別,這種方法需人工參與,實現(xiàn)難度較大且易受主觀因素影響。而卷積神經(jīng)網(wǎng)絡(luò)在皮膚鏡圖像分類中的研究集中在使用單個網(wǎng)絡(luò)進行黑色素瘤識別這種二分類任務(wù),多種類皮膚病分類的準確率仍有很大提升空間。針對上述主流方法的不足,本文給出基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分割與分類方法,以準確、自動化的實現(xiàn)皮膚鏡圖像分割與分類。本文的主要工作有:1、給出一種基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分割與分類模型,該模型包括皮膚鏡圖像獲取模塊、皮膚鏡圖像去噪模塊、圖像分割模塊、圖像分類模塊和測試模塊。各模塊分別實現(xiàn)皮膚鏡圖像收集、顏色異常噪聲的去除、皮膚鏡圖像分割、皮膚鏡圖像分類等相關(guān)功能。2、為了解決皮膚鏡圖像難以收集以及顏色顯示異常的問題,本文給出皮膚鏡圖像批量獲取以及圖像顏色矯正方法。皮膚鏡圖像批量獲取方法利用醫(yī)學圖像協(xié)會提供的皮膚鏡圖像數(shù)據(jù)集接口設(shè)計數(shù)據(jù)爬取方法,實現(xiàn)皮膚鏡圖像的批量獲取,對獲取到的圖像利用Shades of Grey算法進行色彩恒常性矯正,該色彩矯正方法可將顏色異常的皮膚鏡圖像還原為自然白光下的圖像。3、本文給出一種端到端的皮膚鏡圖像分割網(wǎng)絡(luò)實現(xiàn)皮膚鏡圖像的語義分割。該網(wǎng)絡(luò)分為下采樣部分和上采樣部分,下采樣部分通過跨層卷積提取皮膚鏡圖像的特征圖,上采樣部分利用反卷積將不同尺寸的特征圖還原為輸入圖像的尺寸,實現(xiàn)圖像的分割。該分割網(wǎng)絡(luò)利用遷移學習方法初始化下采樣部分參數(shù),并使用微調(diào)技術(shù)訓練反卷積核的參數(shù),從而提高網(wǎng)絡(luò)訓練的效率。本文還為網(wǎng)絡(luò)設(shè)計一種基于dice系數(shù)的損失函數(shù),使其更適用于皮膚鏡圖像分割任務(wù)。4、在實現(xiàn)皮膚鏡圖像分割的基礎(chǔ)上,給出一種基于集成卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類算法。該算法首先根據(jù)分割結(jié)果移除皮膚鏡圖像中面積較大的背景圖像,僅保留病灶區(qū)域圖像,然后利用病灶區(qū)域圖像訓練多種卷積神經(jīng)網(wǎng)絡(luò)提取病灶特征向量,并利用集成學習方法對這些特征向量進行分類,達到皮膚鏡圖像分類的目的。該方法同樣根據(jù)遷移學習策略,利用自然圖片上預訓練的參數(shù)初始化卷積神經(jīng)網(wǎng)絡(luò)的卷積層,使卷積神經(jīng)網(wǎng)絡(luò)在訓練數(shù)據(jù)有限的情況下得到有效訓練,避免模型過擬合。為了驗證皮膚鏡圖像分割與分類方法的有效性,本文利用皮膚圖像協(xié)會ISIC公開的皮膚鏡圖像數(shù)據(jù)集進行了多組對比實驗。在皮膚鏡圖像分割試驗中,將本文給出的皮膚鏡圖像分割網(wǎng)絡(luò)與多種常用的圖像語義分割方法作對比,其中該網(wǎng)絡(luò)的預測分割結(jié)果與真實分割結(jié)果的相似系數(shù)達到83.8%,與其他分割方法相比提高了6%以上。在皮膚鏡圖像分類實驗中,通過多組對比實驗分別驗證本文給出的色彩恒常性矯正方法、皮膚鏡圖像背景移除處理以及集成卷積神經(jīng)網(wǎng)絡(luò)算法對分類效果的提升作用,實驗結(jié)果表明,對皮膚鏡圖像進行色彩恒常性矯正和背景移除處理后可得到更好的分類結(jié)果,基于集成卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類算法的分類正確率達到89.2%,該分類結(jié)果是實驗所用公開數(shù)據(jù)集上的最優(yōu)結(jié)果。多組實驗結(jié)果表明,本文給出的方法可以更加準確高效的進行皮膚鏡圖像分割與分類,對臨床醫(yī)療診斷和醫(yī)學研究有一定參考價值。
【圖文】：

人類皮膚的各種疾病正嚴重威脅著人類的健康，據(jù)調(diào)查癌病例確診數(shù)比其他癌癥的總數(shù)還要多。從全球范圍內(nèi)色的人種更容易患皮膚癌，，據(jù) 2019 年美國癌癥協(xié)會發(fā)人種的皮膚癌發(fā)病率是黑色和黃色人種的 5 倍左右。盡較低，但仍以每年 3%~8%的比例增長[3]，且死亡率逐國醫(yī)學界的重視。最有效治療方法是早期確診從而及時進行病灶切除，存活率可達 98%[2]。以前醫(yī)學界進行皮膚癌診斷首先根征，再通過病理學切片活檢對疑似病灶進行化驗，但組傷，增加患者的痛苦。因此通過皮膚鏡成像技術(shù)獲取的和各種色素性皮膚病診斷的重要工具。像技術(shù)[4]是一種用于觀察人體皮膚下色素和細微結(jié)構(gòu)過皮膚鏡成像設(shè)備拍攝皮膚病病灶，可以得到高清、放灶的清晰度[5]。皮膚鏡圖像與裸眼觀察的皮膚圖像對比-1(a)是裸眼觀察的皮膚圖像，圖 1-1(b)是對應(yīng)的皮膚鏡

[47]共同提出的 M-P 模型，該模型是神經(jīng)系統(tǒng)模擬的第一次系統(tǒng)性研究。M-P 模型的模型結(jié)構(gòu)圖如圖 2-1 所示。圖 2-1 M-P 模型的模型結(jié)構(gòu)圖在圖 2-1 中，中間的求和與閾值判斷結(jié)構(gòu)模擬神經(jīng)元，模型的輸入(X1,X2,…Xn)模擬了神經(jīng)元中接受輸入信號的樹突，而最后的輸出模擬了神經(jīng)元的軸突。在 M-P 模型中，輸入和輸出的值都為 0 或 1。可將 M-P 模型表示為公式 2-1。- = ∑ ∑ ≤ 其中 - (2-1)由公式 2-1 可以看出，M-P 模型只能通過用 0 和 1 分別表示電平的高低狀態(tài)這種方法來模擬簡單的二進制運算，具有一定的局限性。而且該模型所有輸入的權(quán)值都相等，也不能體現(xiàn)不同輸入之間的區(qū)別。1949 年，DonaldHebb 提出了赫布學習規(guī)則（Hebb Learning）
【學位授予單位】：西南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R751;TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

2 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識與技術(shù);2019年05期

3 姚霆;張煒;劉金根;;基于深度學習的圖像分割技術(shù)[J];人工智能;2019年02期

4 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

5 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計學習理論的最小生成樹圖像分割準則[J];武漢大學學報(信息科學版);2017年07期

6 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計算機(專業(yè)版);2017年24期

7 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學院學報(自然科學版);2016年02期

8 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計算機應(yīng)用與軟件;2014年11期

9 劉印;;對圖像分割方法的認識及新進展研究[J];數(shù)碼世界;2018年08期

10 楊成佳;;唇紋識別圖像分割系統(tǒng)的研究[J];山西青年;2017年11期

相關(guān)會議論文 前10條

1 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學應(yīng)用[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學會影像技術(shù)分會第十七次全國學術(shù)大會論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國儀器儀表學會第十二屆青年學術(shù)會議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關(guān)聯(lián)模型的圖像分割[A];第26屆中國控制與決策會議論文集[C];2014年

5 張志會;王華英;熊南燕;廖薇;成惠;劉飛飛;;對基于圖像分割與合并的相位展開算法的改進[A];第十屆全國光電技術(shù)學術(shù)交流會論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學習的皮膚鏡圖像分割[A];第十五屆中國體視學與圖像分析學術(shù)會議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2007年

8 劉智勇;李進;黃道君;;基于遺傳算法的視頻交通量檢測圖像分割方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術(shù)會議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動脈圖像分割的研究與實現(xiàn)[A];第十二屆中國體視學與圖像分析學術(shù)會議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術(shù)會議論文集[C];2000年

相關(guān)重要報紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國科學報;2019年

相關(guān)博士學位論文 前10條

1 瞿紹軍;基于最優(yōu)化理論的圖像分割方法研究[D];湖南師范大學;2018年

2 彭自立;用于交互式圖像分割的自適應(yīng)表觀分離[D];湖南師范大學;2018年

3 古晶;基于稀疏特征學習的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學;2016年

4 段一平;基于層次視覺計算和統(tǒng)計模型的SAR圖像分割與理解[D];西安電子科技大學;2017年

5 胡佩君;腹部CT圖像分割的可計算建模方法研究[D];浙江大學;2018年

6 姜楓;基于語義識別的砂巖薄片圖像分割方法研究[D];南京大學;2018年

7 趙曉麗;面向圖像分割的智能算法研究[D];上海大學;2018年

8 倪波;高強度聚焦超聲圖像分割方法研究[D];武漢大學;2016年

9 王森;非受限場景裂紋圖像分割方法研究[D];昆明理工大學;2017年

10 王濤;特征度量與信息傳遞的交互式圖論分割方法研究[D];南京理工大學;2017年

相關(guān)碩士學位論文 前10條

1 張宇瀟;面向服務(wù)機器人圖像分割模型與應(yīng)用研究[D];電子科技大學;2019年

2 郭莉麗;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割質(zhì)量評估方法研究[D];電子科技大學;2019年

3 何俊;基于生成對抗網(wǎng)絡(luò)的前列腺MRI圖像分割研究[D];合肥工業(yè)大學;2019年

4 魏家璽;基于計算機視覺的柑橘潰瘍病圖像分割的研究[D];廣西大學;2019年

5 陳星;基于深度學習的心臟MR圖像分割方法研究[D];吉林大學;2019年

6 張濤;腦部腫瘤CT圖像分割方法研究[D];西南科技大學;2018年

7 張曉林;基于卷積神經(jīng)網(wǎng)絡(luò)的腹部CT圖像分割[D];江蘇大學;2019年

8 許崢崢;重疊巖畫分割算法研究與應(yīng)用[D];云南大學;2018年

9 陳林翠;圖像分割技術(shù)在鉆孔圖像中的應(yīng)用[D];云南大學;2018年

10 宋森森;彩色圖像分割算法研究[D];新疆大學;2019年

本文編號：2608512