| 基于深度残差网络的皮肤镜图像黑色素瘤的识别 |
| |
| 引用本文： | 李航,余镇,倪东,雷柏英,汪天富.基于深度残差网络的皮肤镜图像黑色素瘤的识别[J].中国生物医学工程学报,2018,37(3):274-282. |
| |
| 作者姓名： | 李航 余镇 倪东 雷柏英 汪天富 |
| |
| 作者单位： | 深圳大学医学部生物医学工程学院,医学超声关键技术国家地方联合工程实验室, 广东省生物医学信息检测和超声成像重点实验室,广东 深圳 518060 |
| |
| 基金项目： | 深圳市基础研究项目(JCYJ20150525092940986) |
| |
| 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。
|
| 关 键 词： | 皮肤镜检查图像 黑色素瘤识别 残差网络 深度学习 |
| 收稿时间： | 2017-07-21 |
Melanoma Recognition in Dermoscopy Images via Deep Residual Network |
| |
| Li Hang,Yu Zhen,Ni Dong,Lei Baiying,Wang Tianfu.Melanoma Recognition in Dermoscopy Images via Deep Residual Network[J].Chinese Journal of Biomedical Engineering,2018,37(3):274-282. |
| |
| Authors: | Li Hang Yu Zhen Ni Dong Lei Baiying Wang Tianfu |
| |
| Institution: | Department of Biomedical Engineering, School of Medicine, Shenzhen University, National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, Shenzhen 518060, Guangdong, China |
| |
| Abstract: | |
| |
| Keywords: | dermoscopy image melanoma recognition residual network deep learning |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《中国生物医学工程学报》浏览原始摘要信息 |
| 点击此处可从《中国生物医学工程学报》下载免费的PDF全文 |
|
