【摘要】：皮膚癌及各種色素性皮膚病正嚴(yán)重威脅著人類的健康。目前醫(yī)學(xué)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(shí)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(xué)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(shí)現(xiàn)有效治療,針對(duì)皮膚鏡圖像的計(jì)算機(jī)輔助診斷系統(tǒng)需求量上升,通過計(jì)算機(jī)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(zhǔn)確率。針對(duì)皮膚鏡圖像的計(jì)算機(jī)輔助診斷系統(tǒng)主要包括皮膚鏡圖像分割和分類兩個(gè)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(zhǔn)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(xué)習(xí)方法,這些方法會(huì)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(duì)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(jì)算機(jī)算法進(jìn)行特征分類,從而判斷病灶類別,這種方法需人工參與,實(shí)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(gè)網(wǎng)絡(luò)進(jìn)行黑色素瘤識(shí)別這種二分類任務(wù),多種類皮膚病分類的準(zhǔn)確率仍有很大提升空間。針對(duì)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(zhǔn)確、自動(dòng)化的實(shí)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(cè)試模塊。各模塊分別實(shí)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(xué)圖像協(xié)會(huì)提供的皮膚鏡圖像數(shù)據(jù)集接口設(shè)計(jì)數(shù)據(jù)爬取方法,實(shí)現(xiàn)皮膚鏡圖像的批量獲取,對(duì)獲取到的圖像利用Shades of Grey算法進(jìn)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(shí)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(shí)現(xiàn)圖像的分割。該分割網(wǎng)絡(luò)利用遷移學(xué)習(xí)方法初始化下采樣部分參數(shù),并使用微調(diào)技術(shù)訓(xùn)練反卷積核的參數(shù),從而提高網(wǎng)絡(luò)訓(xùn)練的效率。本文還為網(wǎng)絡(luò)設(shè)計(jì)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(shí)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(xùn)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(xué)習(xí)方法對(duì)這些特征向量進(jìn)行分類,達(dá)到皮膚鏡圖像分類的目的。該方法同樣根據(jù)遷移學(xué)習(xí)策略,利用自然圖片上預(yù)訓(xùn)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(xùn)練數(shù)據(jù)有限的情況下得到有效訓(xùn)練,避免模型過擬合。為了驗(yàn)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(huì)ISIC公開的皮膚鏡圖像數(shù)據(jù)集進(jìn)行了多組對(duì)比實(shí)驗(yàn)。在皮膚鏡圖像分割試驗(yàn)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(duì)比,其中該網(wǎng)絡(luò)的預(yù)測(cè)分割結(jié)果與真實(shí)分割結(jié)果的相似系數(shù)達(dá)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(shí)驗(yàn)中,通過多組對(duì)比實(shí)驗(yàn)分別驗(yàn)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(duì)分類效果的提升作用,實(shí)驗(yàn)結(jié)果表明,對(duì)皮膚鏡圖像進(jìn)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(dá)到89.2%,該分類結(jié)果是實(shí)驗(yàn)所用公開數(shù)據(jù)集上的最優(yōu)結(jié)果。多組實(shí)驗(yàn)結(jié)果表明,本文給出的方法可以更加準(zhǔn)確高效的進(jìn)行皮膚鏡圖像分割與分類,對(duì)臨床醫(yī)療診斷和醫(yī)學(xué)研究有一定參考價(jià)值。
【圖文】：

人類皮膚的各種疾病正嚴(yán)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(guó)癌癥協(xié)會(huì)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(zhǎng)[3]，且死亡率逐國(guó)醫(yī)學(xué)界的重視。最有效治療方法是早期確診從而及時(shí)進(jìn)行病灶切除，存活率可達(dá) 98%[2]。以前醫(yī)學(xué)界進(jìn)行皮膚癌診斷首先根征，再通過病理學(xué)切片活檢對(duì)疑似病灶進(jìn)行化驗(yàn)，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(xì)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(duì)比-1(a)是裸眼觀察的皮膚圖像，圖 1-1(b)是對(duì)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(hào)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�？蓪� 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(jiǎn)單的二進(jìn)制運(yùn)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(xué)習(xí)規(guī)則（Hebb Learning）
【學(xué)位授予單位】：西南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R751;TP391.41;TP183

【相似文獻(xiàn)】

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(shí)與技術(shù);2019年05期

3 姚霆;張煒;劉金根;;基于深度學(xué)習(xí)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(jì)學(xué)習(xí)理論的最小生成樹圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年07期

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

7 鄧惠俊;;一種基于數(shù)據(jù)場(chǎng)的圖像分割方法與研究[J];長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)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(jì)算機(jī)應(yīng)用與軟件;2014年11期

9 劉印;;對(duì)圖像分割方法的認(rèn)識(shí)及新進(jìn)展研究[J];數(shù)碼世界;2018年08期

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

相關(guān)會(huì)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(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)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(guó)儀器儀表學(xué)會(huì)第十二屆青年學(xué)術(shù)會(huì)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(guó)控制與決策會(huì)議論文集[C];2014年

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

6 楊加文;謝鳳英;;基于深度學(xué)習(xí)的皮膚鏡圖像分割[A];第十五屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)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(zhǎng)的圖像分割方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

8 劉智勇;李進(jìn);黃道君;;基于遺傳算法的視頻交通量檢測(cè)圖像分割方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動(dòng)脈圖像分割的研究與實(shí)現(xiàn)[A];第十二屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

相關(guān)重要報(bào)紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國(guó)科學(xué)報(bào);2019年

相關(guān)博士學(xué)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(xué);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(xué);2018年

3 古晶;基于稀疏特征學(xué)習(xí)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(xué);2016年

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

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

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

7 趙曉麗;面向圖像分割的智能算法研究[D];上海大學(xué);2018年

8 倪波;高強(qiáng)度聚焦超聲圖像分割方法研究[D];武漢大學(xué);2016年

9 王森;非受限場(chǎng)景裂紋圖像分割方法研究[D];昆明理工大學(xué);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(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

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

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

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

5 陳星;基于深度學(xué)習(xí)的心臟MR圖像分割方法研究[D];吉林大學(xué);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(xué);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(xué);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(xué);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(xué);2018年

10 宋森森;彩色圖像分割算法研究[D];新疆大學(xué);2019年

本文編號(hào)：2608512