基于皮膚鏡圖像的黑色素瘤形態(tài)模式識別研究.pdf

1、黑色素瘤是在臨床中經常遇到的一種惡性皮膚腫瘤，同時也是世界上增長最快的癌癥之一。通常皮膚科醫(yī)生通過肉眼觀察和組織病理學活檢的方法來對黑色素瘤進行早期的篩查和確診。盲目進行活檢常常會對患者造成經濟上的壓力和身體上不必要的創(chuàng)傷。因此，非創(chuàng)傷性的黑色素瘤自動診斷技術成為了醫(yī)學界急需解決的問題。
　　皮膚鏡圖像形態(tài)模式識別一直是分辨良性腫瘤和惡性素瘤的一項具有挑戰(zhàn)性的任務。因此針對黑色素瘤皮膚鏡圖像的多種形態(tài)模式，本文對基于多標簽學習的惡

2、性黑色素瘤形態(tài)模式識別進行了深入的研究。創(chuàng)新點主要包括以下部分：
　　1.深入研究了黑色素瘤的分割與特征提取方法。為了更好的提取皮膚鏡圖像的特征，提出一種基于區(qū)域一致性的融合算法來對圖像進行分割，將多個分割算法結果進行融合，依據(jù)區(qū)域大小、灰度值、紋理的一致性原則移除與融合結果相矛盾的子區(qū)域，從而得到最終的分割結果。對分割結果分別提取皮損內區(qū)域、皮損區(qū)域和皮損外區(qū)域的顏色特征、形狀特征和紋理特征。
　　2.提出了基于手工特征提

3、取的多標簽分類在黑色素瘤模式識別中的應用。對黑色素瘤的形態(tài)模式種類進行了深入研究分析，可明確定義的全局形態(tài)特征主要有八種，其中涉及七種基本模式和一個多成分模式。這七種基本模式包括：網(wǎng)狀模式、球狀模式、鵝卵石模式、星爆模式、平行模式、腔洞模式、均勻模式。通過黑色素瘤的七種基本模式來建立多標簽分類模型，以達到自動識別皮膚鏡圖像中所包含的模式類別的目的。使用Binary Reference算法和ML-kNN算法對黑色素瘤特征向量進行多標簽分類

4、，對兩種算法的多標簽分類結果對比分析發(fā)現(xiàn)ML-kNN算法對黑色素瘤的多種形態(tài)模式的識別相比于Binary Reference算法具有更好的效果。
　　3.提出了基于特征學習的卷積神經網(wǎng)絡多標簽分類在黑色素瘤模式識別中的應用。在深度學習框架的基礎上提出了一種改進的方法來實現(xiàn)多標簽分類，將圖像數(shù)據(jù)和多標簽數(shù)據(jù)分別作為網(wǎng)絡的輸入層，然后通過在網(wǎng)絡結構添加Slice層達到多標簽分類的目的，最終得到多標簽分類模型。在利用卷積神經網(wǎng)絡對黑色素