论文部分内容阅读
黑色素瘤是一种致死率极高的皮肤癌症，如果能及时诊断并治疗可以有效降低死亡率。然而仅靠肉眼对皮肤皮损区域进行观察和识别，其诊断结果不够理想，通过基于皮肤镜图像的黑色素瘤诊断是解决该问题的有效方式。随着医疗图像分析领域的发展，通过计算机辅助诊断能有效地减少皮肤科医生对诊断结果的主观性。但是当皮肤镜图像背景复杂或者患者皮损区域之间特征差异较小时，会严重影响计算机辅助诊断的结果。针对以上问题，本文以基于皮肤镜图像的皮损分割与黑色素瘤识别为研究内容，结合深度学习的相关理论，分别对皮肤镜图像中的皮损分割和识别问题进行系统地分析和研究。本文主要的研究内容如下：
（1）提出一种基于深度度量学习的皮损分割增强方法（Lesion Segmentation Enhancement Method based on Deep Metric Learning，LSEM-DML）。有效解决由于缺乏考虑皮肤镜图像中像素级别的差异性，而导致皮损边缘位置分割不精确的问题。该方法充分利用皮肤镜图像像素之间的差异性，提取特征的同时将像素映射为度量空间下的高维向量。并使用迭代增强策略，不断修正皮损与非皮损区域的映射向量，从而在像素级分割中取得更精确的分割结果。实验表明，本文的增强方法在其它方法的初始分割结果基础上能够取得更精确的皮损分割结果。
（2）提出一种融合注意力机制的黑色素瘤识别方法（Melanoma Recognition with Attention Mechanism，MR-AM）。考虑到在皮肤镜图像的黑色素瘤识别问题中，使用单一特征种类的识别方法往往无法对黑色素瘤进行准确地识别。同时特征间的差异使得不同特征对识别结果的贡献也不应相同，在MR-AM方法中将多种特征进行有效地融合。并利用注意力机制，突出皮损区域中关键特征的同时抑制无关特征的干扰；然后在此基础上，采用分类决策融合的方法，增强黑色素瘤的识别效果。实验表明，MR-AM方法在ISIC2017皮肤镜图像数据集的皮肤病综合识别中取得最好效果。
（3）设计并实现一个基于皮肤镜的黑色素瘤识别系统，并将其应用到移动设备中。该系统主要实现对皮肤病数据的采集和存储，以及皮肤镜图像的黑色素瘤识别等功能。验证本文所提出的基于皮肤镜图像的皮损分割与黑色素瘤识别方法在实际应用中的可行性，实现对皮肤镜图像的有效管理。
（1）提出一种基于深度度量学习的皮损分割增强方法（Lesion Segmentation Enhancement Method based on Deep Metric Learning，LSEM-DML）。有效解决由于缺乏考虑皮肤镜图像中像素级别的差异性，而导致皮损边缘位置分割不精确的问题。该方法充分利用皮肤镜图像像素之间的差异性，提取特征的同时将像素映射为度量空间下的高维向量。并使用迭代增强策略，不断修正皮损与非皮损区域的映射向量，从而在像素级分割中取得更精确的分割结果。实验表明，本文的增强方法在其它方法的初始分割结果基础上能够取得更精确的皮损分割结果。
（2）提出一种融合注意力机制的黑色素瘤识别方法（Melanoma Recognition with Attention Mechanism，MR-AM）。考虑到在皮肤镜图像的黑色素瘤识别问题中，使用单一特征种类的识别方法往往无法对黑色素瘤进行准确地识别。同时特征间的差异使得不同特征对识别结果的贡献也不应相同，在MR-AM方法中将多种特征进行有效地融合。并利用注意力机制，突出皮损区域中关键特征的同时抑制无关特征的干扰；然后在此基础上，采用分类决策融合的方法，增强黑色素瘤的识别效果。实验表明，MR-AM方法在ISIC2017皮肤镜图像数据集的皮肤病综合识别中取得最好效果。
（3）设计并实现一个基于皮肤镜的黑色素瘤识别系统，并将其应用到移动设备中。该系统主要实现对皮肤病数据的采集和存储，以及皮肤镜图像的黑色素瘤识别等功能。验证本文所提出的基于皮肤镜图像的皮损分割与黑色素瘤识别方法在实际应用中的可行性，实现对皮肤镜图像的有效管理。