皮肤图像分析技术在白癜风诊断中的应用

探讨皮肤图像分析技术在白癜风诊断中的应用。方法 筛选2022年9月-2023年9月于我院的局限性色素减退斑患者208例,通过皮肤影像处理系统皮肤图像分析技术对皮损的颜色、微观形态以及特征进行观察,临床和实验室共同确诊所有花斑藓,病理活检确诊其余病例。结果 入选患者中确诊患者情况如下:31例花斑藓患者,115例白癜风皮损者,14例白色糠疹者,9例老年性白斑者,贫血痣3例,无色素痣和特发性滴状色素减退症5例,炎症后色素减退26例。115里白癜风患者存在皮损情况,其中包含41例稳定期患者和74例进展期患者,而近期存在治疗史的皮损患者均发生毛细血管扩张情况,相较于稳定期,进展期患者发生皮周色素加深几率更低,且进展期白癜风患者皮损出发生毛细血管扩张、周围色素加深以及毛周色素残留情况的几率更高(P<0.05)。结论 白癜风早期诊断中皮肤图像分析技术应用优势明显,可以为临床干预方案的选择提供切实有效的依据,值得推广应用。

基于皮肤图像年龄评估系统的设计

背景:普通的TW3骨龄检测年龄鉴定方法无法适用于成人年龄检测,而其他年龄检测方法一般需要大型医疗设备,操作流程复杂,检测成本高,或者需要提取组织器官等有损伤的解剖操作。目的:以"皮肤表面纹理中隐藏年龄信息"的事实出发,设计一种新的法医年龄检测方法-皮肤年龄检测方法。方法:采用医学图像处理技术,提取皮肤表面形态特征参数,从而分析这些特征参数与年龄之间的关系。结果与结论:采用该设计方法建立的基于皮肤图像的法医学年龄评估系统从理论上能检测成年人的年龄,摆脱了传统单一运用骨骼检测年龄的习惯,运用身体另一组织(皮肤)检测年龄,解决了常规手腕骨X射线TW3法测骨龄无法适用于成年人的问题,扩大了年龄检测范围。

照度不均的皮肤图像分割方法的研究

目的:针对采用普通的图像分割方法对照度不均的皮肤图像分割效果差的情况,提出了一种改进的图像分割方法。方法:首先将图像去背景,将图像划分为若干子块,接着采用OTSU和迭代阈值算法确定每个子图像块的最优阈值,利用此阈值完成对每个子块的分割,最后将子块合并,同时消除图像中噪声的影响。结果:采用改进的方法很好地实现了对照度不均皮肤图像的分割,其分割成功率可达95.5%。结论:在MATLAB平台上,改进方法能有效地实现对照度不均的皮肤表面图像的分割,并且在定性和定量评价中取得了良好的实验效果。

浅谈皮肤图像质量在AI研究中的价值

近年,以深度学习技术为代表的人工智能(AI)正席卷各行各业,而AI框架有多种,多数采用深度卷积神经网络(CNN)技术结合迁移学习进行训练,虽然在皮肤AI研究中取得长足进展,但其研究结果未能真正走出实验室进入临床应用。制约这些因素主要是缺乏高质量的皮肤疾病图像的大型数据集。本文针对皮肤科常见的图像采集方法,包括临床摄影图像、皮肤镜图像、反射式共聚焦激光扫描显微镜(RCM)图像、皮肤B超图像和组织病理图像的质量要素进行探讨和述评,希望对解决因皮肤图像质量的问题而影响AI研究进展的瓶颈问题能有所帮助。

皮肤图像采集评价管理一体化系统

为了满足皮肤美容领域对皮肤健康描述客观化、可视化以及自动化的需求,本文结合皮肤健康和皮肤护理知识,基于皮肤图像构建了一个集皮肤质量评价、皮肤美容和信息管理一体化的软件平台。本系统对皮肤质量的评价以及皮肤美容的建议均建立在皮肤图像特征参数的基础之上,消除了主观因素的影响,结果更加客观合理。本文对24岁女性进行面部皮肤评价的结果能够准确的反应其当前皮肤状态。

皮肤图像的凹凸度和信息熵与年龄关系的研究

目的:常规手腕骨Tw3骨龄检测法不适用于骨骼停止发育的成年人的年龄检测,而人体皮肤在成年之后变化特征明显,通过求解皮肤特征参数与年龄关系,从而达到针对成年人年龄检测的目的。方法:采用医学图像处理技术,无损检测并提取皮肤图像的量化参数凹凸度和信息熵,采用统计方法分析这些特征参数与年龄之间的关系。结果:成年人的年龄与皮肤图像的凹凸度呈负相关;与信息熵为正相关。结论:实验研究表明通过皮肤特征参数能够检测成年人年龄,克服了传统单一运用骨骼检测年龄的局限,扩大了年龄检测范围。

利用物理模型合成皮肤图像

为了获得各种丰富和逼真的皮肤图像,在对皮肤结构和皮肤组成进行分析的基础上,提出了一种基于物理模型的鲁棒算法对输入的单张皮肤图像自动进行色素分离,并在此基础上实现了全局性和局部性的合成。输入的图像首先被分成N个子区域,并依次在每个子区域利用ICA算法提取分离向量,之后对得到的分离向量进行合理性验证。如果分离向量不合理,则丢弃,在下一个子区域重复上述过程。最后,从所有的合理分离向量中得到最终的分离向量,分离得到黑色素和血色素的密度分布图。通过改变色素的密度可以进行全局性合成,也可以利用密度信息选取感兴趣区域进行局部性合成。实验结果表明,该算法非常有效,可以对人体皮肤图像进行"电子化妆",重新生成更多逼真的合成图像。

基于亮度变换的彩色皮肤图像黑色素浓度分析

为便捷地分析人体皮肤中的黑色素水平,利用手机自拍功能获取人体皮肤彩色图像,根据场景的标记物进行自适应亮度变换,以克服环境影响,再基于皮肤的颜色模型,生成皮肤颜色表,然后计算彩色图像的每个像素点的黑色素浓度。实验表明,算法能有效地调整亮度水平并计算出皮肤黑色素的浓度。

基于BP神经网络的脸部皮肤图像质量评价

目的:准确方便地进行脸部皮肤质量评价。方法:基于改进的BP神经网络算法,建立脸部皮肤图像质量评价模型,使模型不断学习训练样本中存在的内在模式,训练成功后即可通过各项皮肤指标的输入,输出评价结果。结果:采用23组样本进行实验,评价准确度达95%。结论:该网络模型有较高的评价精度,较低的误差率,具备实用价值。

深度学习在皮肤图像识别中的应用

深度学习在医学图像识别领域已有广泛应用,并取得了一系列成果,皮肤病的诊断高度依赖形态学特征,使其成为了深度学习研究的热点。通过文献回顾分析深度学习在皮肤图像分类识别中的应用及取得的最新进展,讨论深度学习在皮肤病分类识别中的优势与不足。

MEXAMETER MX?16和DIGIMIC800型皮肤图像分析仪在评价美白祛斑疗效中的应用

目的:探讨MEXAMETER MX(R)16和DIGIMIC800型皮肤图像分析仪在评价美白祛斑疗效中的应用价值.方法:选择健康中青年女性志愿者随机分成试验组及对照组,分别采用MEXAMETER MX(R)16和DIGIMIC 800型皮肤图像分析仪测试黑色素、积分光密度、灰度值对某国外品牌美白类化妆品进行功效评估.结果:采用MEXAMETERMX(R)16和DIGIMIC800型皮肤图像分析仪测试黑色素、积分光密度、灰度值能较客观、有效地评价美白祛斑功效.结论:MEX-AMETERMX(R)16和DIGIMIC 800型皮肤图像分析仪可作为评价美白祛斑疗效的有效手段.

SFA-ConvNeXt:逐级聚合多尺度ConvNeXt的皮肤镜图像分类

皮肤癌的早期发现对患者的五年生存率有着显著的提高,然而由于早期恶性肿瘤在皮肤中的病变非常细微,其症状并不明显,专业医生需要进行多次活检并提取病变组织才可以诊断出病变类型。现有的机器学习方法由于难以同时关注空间细节信息与浅层语义特征,其在皮肤病变图像中识别准确率并不高。为了有效表示空间位置和浅层特征信息,避免模型过于关注细节信息导致易分图像误分类等问题,提出了一种基于ConvNeXt的逐级聚合注意力网络。该方法通过分层ConvNeXt编码器逐层提取病变区域的深层和浅层特征,并通过并行空间注意力有效整合空间位置信息和深层或浅层语义特征,聚合多尺度上下文信息。同时,设计逐级特征聚合模块有效整合深层和浅层特征,并通过动态调整权重的方式将深层和浅层特征聚合,高度符合专业医生对皮肤镜图像分类时粗略观察和细微观察的过程。在ISIC2018、ISIC2019数据集中上进行实验测试,其准确率、精确率、召回率和F1-Score分别是95.27%、93.76%、92.83%、93.18%与92.63%、91.06%、87.05%、88.81%。通过与ConvNeXt相比,准确率分别提升了2.13和3.29个百分点,证明其能有效地提取细节特征和粗略特征,为皮肤镜图像的诊断提供新的依据。

基于多尺度信息提取和特征融合的皮肤镜图像分割算法

针对现有皮肤镜图像分割技术分割精度不高的问题,提出了一种基于多尺度信息提取和特征融合的U型网络(multi-scale information extraction and feature fusion U-shaped network,MF-UNet)模型。在U-Net的基础上,在卷积层后加入批归一化层,将原本的跳跃连接部分替换为4级特征融合模块,充分利用语义信息和位置信息,在特征提取端末尾加入多尺度空洞卷积模块和多尺度池化模块,增大感受野,利用双路拼接上采样模块进行上采样,减少图像恢复过程中的信息损失。实验表明,相较于U-Net模型,MF-UNet在平均交并比(mean intersection over union,MIoU)上提升了14.32%,在戴斯相似系数(Dice similarity coefficient,DSC)上提升了13.18%,取得了较好的结果。该研究为计算机技术辅助医生进行皮肤病诊断提供了借鉴。

基于改进UNet的皮肤镜图像分割

医学图像的自动分割对于计算机辅助诊断具有重要意义。针对皮肤镜图像分割任务中,本文提出一种RA-UNet(Residual and Attentional-UNet)的分割方法。将原本的网络结构加深,在编码端卷积层引入残差机制减少信息丢失同时防止梯度消失或爆炸,每层采用两个残差特征提取模块充分提取学习特征;同时,每层引入改进的卷积注意力模块(Convolutional block attention block,CBAM)使模型更好地学习皮肤病理区域特征。在ISIC 2018数据集上对所提出的RA-UNet模型进行训练和测试,并与UNet和其他模型进行对比试验,实验结果中准确率(ACC)达到了93.82%,特异度(SP)达到了95.26%,灵敏度(SE)达到了90.78%,精准度(P)达到了90.04%,平均交并比(Miou)达到了86.89%,Dice相似指数(DSC)达到了0.900,整体优于其它模型。对于提高基于图像分析的皮肤病诊断具有一定的参考应用价值。

基于改进ConvNeXt的皮肤镜图像分类方法

皮肤癌是最致命的癌症之一,对皮肤镜图像进行精确分类尤为关键,然而现有的皮肤镜图像存在形态复杂、样本数量较少的问题,导致现有的自动分类方法难以提取图像特征信息,误判率较高。提出一种改进ConvNeXt的方法,并构建SE-SimAM-ConvNeXt模型。以ConvNeXt为基础网络,加入SimAM无参注意力模块,提升网络的特征提取能力,并在基础网络中引入通道注意力机制,增强ConvNeXt对潜在关键特征的挖掘能力。在训练初始时加入预热机制Cosine Warmup,在该过程中使用余弦函数值进行学习率的衰减,进一步加速ConvNeXt的收敛,提高ConvNeXt模型的分类能力。在HAM10000皮肤数据集上的实验结果表明,该模型的分类准确率、精确度、召回率、特异性分别为92.9%、85.3%、78.0%、97.5%,具有较好的皮肤镜图像分类能力,对皮肤癌病变的辅助诊断有一定程度的应用价值,可帮助皮肤科医生对皮肤癌做进一步的诊断。

基于改进ResNet50的皮肤病变图像分类

为解决皮肤科医生人工识别皮肤癌过程中存在效率低、劳动强度大等问题,提出一种皮肤病变图像分类模型DS-ResNet50。该模型在ResNet50(深度残差网络)的基础上进行改进:设计了双尺度空洞卷积模块,通过级联不同空洞率的深度卷积核提取不同尺度的特征信息并进行融合;引入轻量型注意力模块SimAM,使模型更好地聚焦主体目标提炼关键特征。选用Focal Loss函数,调节损失权重,使模型更关注难分类样本,提高对难分类样本的分类准确率。DS-ResNet50模型在ISIC2017数据集上的分类准确率比ResNet50模型提升了0.88%,验证了此模型的有效性。

面向多模态医学语料库的皮肤镜图像分类

多模态医学语料库是医学研究、临床诊断和教学的重要工具之一。然而,现有的医学语料库大多仅有文本数据,缺乏匹配的直观图像,信息不够充分。而大量医学图像缺少明确的语义标签,导致构建语料库困难。针对上述问题,该文提出一种面向多模态医学语料库的皮肤镜图像分类方法,通过对皮肤镜图像进行精确分类获取语义标签,并结合自然语言处理方法匹配相关文本信息,从而建立图像与文本相结合的多模态语料库。首先,针对传统机器学习图像分类方法对病灶特征提取较弱且易受背景噪声影响,导致病灶分类精度差的问题,该文构建双流网络,通过融合病灶的形状与纹理特征增强病灶特征提取能力。其次,为减少特征融合导致的信息冗余,引入了基于通道注意力机制的特征筛选方法,关注关键特征并抑制噪声影响。此外,针对皮肤镜图像良恶性样本数量不均衡导致的模型优化困难问题,引入非对称损失函数,提升模型对样本不均衡的鲁棒性。在ISIC皮肤镜图像数据集上的实验结果表明,该文所提方法能够快速准确地分类皮肤镜图像,并将图像与病历文本进行精准匹配以构建多模态医学语料库。

基于类激活图的弱监督皮肤镜图像分割方法

皮肤镜图像中病灶区域的精确分割是实现皮肤病自动化检测的关键步骤。现存的皮肤镜图像分割方法主要基于全监督图像分割,这需要大量的像素标注,费时费力。针对此问题,提出一种基于类激活图(CAM)的弱监督皮肤镜图像分割方法。首先,对原始图像进行预处理,去除图像中的毛发并对图像进行颜色归一化处理;然后,结合图像的多尺度输入,并在显著图的引导下,通过特征提取网络得到图像的类激活图;之后,将得到的类激活图通过条件随机场得到伪掩膜;最后,使用伪掩膜训练分割网络。在ISIC2017数据集上评估所提方法,结果显示,所提方法生成的伪掩膜的Dice系数达到82.64%,相似性系数达到71.92%,灵敏度达到90.01%,表明所提方法能够在大量减少人工标注工作量的同时生成高质量的伪掩膜。

皮肤肿瘤图像自动分类的研究进展

皮肤恶性肿瘤对患者健康有极大的威胁,由于现有诊断技术存在精准性差及有创操作等局限性,导致皮肤恶性肿瘤的临床诊断精度低,误诊率高,诊疗效率低下。使用计算机算法进行图像自动分类可以有效提高临床诊断效率。对近年来国内外相关研究工作进行了系统性归纳,总结了皮肤肿瘤图像自动分类模型常用的皮肤图像数据集和评估指标。对目前计算机技术在皮肤肿瘤诊断方面的常用模型及效果进行了详细的阐述,对比分析了各种方法的优势、局限及适用范围,并对未来发展趋势进行了展望。

基于YOLOv5的黑色素瘤图像检测仿真

针对黑色素瘤疾病在临床上存在检测准确率低以及人为主观性太强等问题,提出一种改进的YOLOv5目标检测模型BiC-YOLOv5。首先设计了一种双向特征提取网络BiFPN-L3替换原模型中的特征提取网络FPN,针对不同分辨率下的特征,使用多尺度特征融合的方式提取特征;其次,在骨干网络中融合CBAM注意力模块,设计了一种C3CBAM模块从通道与空间两个层面捕获特征信息以提升检测精度;最后,使用DIOU_loss损失函数,进一步提高模型的检测精度。通过仿真对比实现,BiC-YOLOv5的mAP值达到95.2%,相较原YOLOv5模型,精确度提高了5.2%,召回率提高了4.9%,mAP值提高了5.8%,可以有效的协助临床医学对黑色素瘤进行诊断。