基于深度神经网络的皮肤镜图像分类的集成学习方法研究

摘要

黑色素瘤是一种高度恶性的肿瘤，是皮肤病中增长率、致死率和常见性最高的恶性肿瘤。黑色素瘤在早期阶段繁殖缓慢，如果在早期可以得到诊断并且及时治疗存活率会大大提高。传统的判断黑色素瘤的诊断方法主要是医生基于皮肤镜图像对皮肤病变区域进行判断，通常很耗时，并且诊断的准确性在很大程度上取决于医生的专业水平和诊断经验。计算机的自动识别是非主观的，可以辅助医生进行诊断。　　然而黑色素瘤在颜色、形状等方面有着极大的类间相似和类内变异、病变边界不清晰等问题，单一的网络对图像特征的提取能力有限，对于皮肤病灶这种差异性大的样本并不能很好的提取特征。针对这些问题，我们使用深度卷积神经网络、集成学习和数据增强等技术，提出了基于深度神经网络的集成学习方法实现对皮肤镜图像的分类。本文主要的研究贡献如下：（1）针对皮肤镜图像中黑色素瘤面积占比不均衡、图像中有毛发、人工标尺等人工制品等干扰因素，在原有的数据预处理方法的基础上，提出首先对图像进行分割预处理，使黑色素瘤在皮肤镜图像中的面积占比平均，并同时减少了干扰因素的存在。（2）提出集成学习的皮肤镜图像分类的算法。使用多个在ImageNet数据集中表现优异的网络做基本网络，在这些基本网络中添加SE块，调整后的网络对图像提取特征并分类，进一步提升了基本网络的表现，然后提出了一个集成网络对多个网络的分类结果进行集成，使用局部全连接对三个类别分别集成，权值互不影响。　　我们使用ISIC2017公开数据集对提出的方法进行验证评估，对数据集的groundtruth做了修改，将两个二分类任务改成一个多分类任务，同时也针对二分类任务进行了验证，并与一些其他优秀的分类网络的结果进行了比较。我们的模型在直接进行多分类的情况下平均的AUC指标达到0.913，与现阶段表现优异的分类网络相比有着明显的提升，同时我们的模型在只用了一个数据集没有使用额外的数据的情况下，和ISIC2017挑战赛的冠军结果相比有着0.2%的提升。验证了本文的集成网络在皮肤镜图像的分类问题中有着很好的表现，可以有效的帮助医生辅助诊断皮肤病变，提高患者的生存几率。

目录