基于深度残差网络的皮肤镜图像黑色素瘤的识别

摘要

恶性黑色素瘤是最常见和最致命的皮肤癌之一.临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段.但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验.因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要.提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征.具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类.在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28％的准确率及84.18％的AUC值.同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架.与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题.