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

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。

MelaNet:用于皮肤镜图像中黑色素瘤检测的深度密集注意力网络

黑色素瘤是全球范围内一种最致命的皮肤癌。基于皮肤镜图像的黑色素瘤自动化检测对于改善皮肤癌的诊断具有重要意义。因此,本文提出了由专门设计的密集注意力模块构成的深度神经网络MelaNet,通过融合多类别与多标签分类来实现对包括黑色素瘤在内的9种皮肤癌的检测。将年龄、性别及病灶点等元数据作为先验,构建了概率预测模型。在包括8,238张皮肤镜图像的独立测试集上MelaNet取得了先进的检测性能:准确率为86.8%,敏感性为70.8%,以及特异性为86.9%。在ISIC2019国际皮肤病识别挑战赛的元数据排行榜上名列第五,在仅使用ISIC2019数据集的条件下排名第二。MelaNet决策过程的可视化结果展现出了良好的临床相关性,有望用于临床辅助医生进行黑色素瘤等皮肤病变的诊断。

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

阐述了通过皮肤镜图像对黑色素瘤进行计算机辅助检测需要解决的问题,介绍了卷积神经网络、残差网络和迁移学习方法。在此基础上,从病灶分割与病灶分类2个方面分析了基于深度学习方法检测黑色素瘤的研究成果,明确了算法的改进和数据集的完善对黑色素瘤检测准确性的提高具有重要作用。指出了利用患者多模态数据进行检测和发展能利用智能手机进行检测的深度学习算法是未来的重点研究方向,为深化黑色素瘤自动检测研究、推动自动检测方法应用于临床诊断提供了基础。

基于改进YOLOv5的黑色素瘤图像自动诊断

为解决现有黑色素瘤智能诊断模型中存在的对毛发遮挡目标识别精度不足、样本不均以及轻量化程度不够的问题,提出一种改进的YOLOv5模型。首先,基于改进的C3结构和自注意力机制设计CS_Neck结构,从而有效区分黑色素瘤和毛发的相关特征;其次,提出一种二次筛选难样本挖掘方法,利用焦点损失函数降低简单样本权重,引入损失秩排序(loss rank mining,LRM)思想降低简单样本数量;最后,设计轻量级骨干网络,提出使用改进的RepVGG结构替换普通卷积提取特征,提高推理速度,并引入宽度乘子降低参数量和权重,实现模型轻量化。基于ISIC2019数据集的实验结果表明,所提算法的权重和参数量仅为7.9 MB和4.0×10^(6),精度达到92.9%。所提算法有效提升了精度且实现了轻量化,可以满足高效诊断黑色素瘤的要求。

基于小波分析的皮肤肿瘤轮廓结构不规则特征分类器设计

皮肤肿瘤轮廓的结构不规则性对黑色素瘤临床早期诊断具有重要意义。针对皮肤肿瘤轮廓结构不规则性度量和特征分类器设计问题,提出了一种基于小波子带分析的轮廓结构分量获取及多尺度特征神经网络分类器构建方法。利用肿瘤轮廓小波子带能量的Hausdorff距离寻找显著性小波子带,进而重构肿瘤轮廓的结构分量;给出基于显著性小波子带的轮廓多尺度结构不规则特征描述——基于统计和几何的轮廓结构不规则性度量。对单尺度/多尺度、小样本/大样本,以及特征选择前后神经网络分类器性能进行了实验。结果表明,在小样本情况下,基于显著性小波子带多尺度特征描述扩展了样本的特征空间维数,使得特征选择后分类器的灵敏度和特异度指标分别等于和优于大样本分类器。