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。

基于分层卷积神经网络的皮肤镜图像分类方法

针对皮肤镜图像数量不充足以及各类疾病之间影像数据不平衡的问题,提出一种融合类加权交叉熵损失函数和分层卷积神经网络的皮肤镜图像分类方法。首先对皮肤镜图像进行色彩恒常化处理,消除环境光源噪声;然后构建基于ResNet50的分层卷积神经网络,并在迁移学习的基础上分别构建二分类和多分类卷积神经网络模型,根据皮肤镜图像的数量特点设置类加权交叉熵损失函数。实验结果表明,该方法具有较好的分类效果,分类准确率达到了85.94%,与未改进的分类模型ResNet 50相比,测试准确率提高了5.752%。

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。

基于Self-Attention StyleGAN的皮肤癌图像生成与分类

针对以黑色素瘤为代表的皮肤癌分类任务存在数据集各类样本数量、权重不均衡,且现有的对抗生成网络生成的皮肤癌样本图像质量较差导致临床诊断时难以分辨等问题,提出了一种基于自注意力的样式生成对抗网络(Self-Attention StyleGAN)与SE-ResNeXt-50相结合的皮肤癌图像样本生成与分类框架。该框架在样式生成对抗网络(StyleGAN)的基础上引入了自注意力机制,对生成器的样式控制和噪声输入结构进行了重新设计,并重构了鉴别器对图像生成器进行了调整,从而有效地合成高质量的皮肤癌病变图像。使用SE-ResNeXt-50来对皮肤癌样本图像进行分类,更好地提取样本图像不同层次特征图的信息,从而提高了平衡多类精度(BMA)。实验结果表明,该模型在ISIC2019皮肤癌数据集上生成的样本图像质量较高,且分类BMA达到94.71%。该方法提高了皮肤癌病变图像分类的准确性,帮助皮肤科医生对不同类型的皮肤癌病变进行判断和诊断,并对不同阶段和难以区分的皮肤癌病变进行分析。