基于生成对抗网络的皮肤镜图像分割算法研究

• 作 者: 王宁
• 出 处: 山东科技大学
• 发表日期: 2004年期
• 关键词: 生成对抗网络 损伤图像分割 黑色素瘤

黑色素瘤是致死率很高的一种皮肤癌,近年来发病人数有逐年增加的趋势。早期的黑色素瘤诊断可以有很高的治愈率,皮肤镜成像作为早期诊断的主要手段在黑色素瘤的判断中有着很重要的地位。计算机辅助诊断可以为黑色素瘤的诊断提供客观的诊断意见。作为皮肤镜图像诊断流程中的关键一步,损伤区域的分割对后续的诊断结果有直接的影响。医学图像处理存在噪声多、灰度不均、器官的形状发生变化、特征难提取等难点,传统的分割方法处理效果不好。基于深度学习的图像分割技术,利用其强大的特征提取能力和自动诊断能力,能够较好地解决上述难点,提高皮肤镜图像分割的准确率。本文针对皮肤镜图像损伤区域分割算法存在的复杂度高,计算时间长、对特殊图像分割效果差等问题,提出了一种基于生成对抗网络的皮肤镜图像损伤区域分割算法。首先,基于Unet网络生成分割网络,使用Batch Normalization(批规范化)处理并添加一定的高斯噪声,以提高训练的稳定性和避免过拟合现象的出现;其次,放弃池化层采用全卷积层连接生成对抗网络,通过卷积层的步长实现类似池化的效果,使网络可以学习到自己的空间采样;最后,为对抗网络、生成对抗网络设计损失函数,提高收敛速度和网络的准确度。在训练过程中,把原始图像和样本标签图像组成四维向量数据输入进对抗网络,可以提高网络的分割能力。通过ISBI2016 skin lesion 比赛数据的测试,本文提出的方法可以正确的把损伤区域分割出来,尤其适用于低对比度特殊图像的分割,并可实现端到端的自动分割;与SegNet、Unet医学图像分割常用的网络和现有的一些皮肤镜图像分割方法结果相比较,在分割的评价标准、分割的效果上明显优于这些方法。