检索历史 清除

摘要皮肤色素性病变是皮肤病中的一种，多由色素的增多或减少引起皮肤颜色的改变。黑色素瘤是皮肤色素性病变中最严重的恶性肿瘤，早期易于其他良性皮肤色素疾病混淆，以致于患者延误最佳治疗时期。如果没有相应的专业知识，很难直接通过外观来区分是皮肤色素性病变是否是恶性肿瘤。皮肤镜图像可提供更多的颜色和纹理信息。现阶段医生通过皮肤镜图像进行临床诊断，但这种方式依赖于医生的专业能力，且存在一定的误诊。构建针对皮肤病的计算机辅助诊断系统可以提高检测效率和准确率。对皮肤镜图像的皮损区域更精准的分割可以帮助医生和系统更好的做出决策，从而帮助患者争取宝贵的治疗时间。<br>　　本文的主要内容如下：<br>　　（1）本文提出了一种U型网络结构，它使用ResNet网络结构作为编码器结构，使用金字塔池化模块连接编码器和解码器，该模块对局部信息和全局信息进行了融合，提高了模型对不同尺度特征的感受能力。本文引入了Swish激活函数，对ReLU激活函数进行替换后，模型的分割性能得到提升。最后，为了提升模型在边界的预测能力，本文设计了一种惩罚边界的损失函数。它使边界的像素点获得更高的权重，使模型在边界区域分割时更为精确。利用本文提出的模型及相关改进，在ISIC2017皮肤镜数据集上获得了0.7512的Jaccard Index值。（2）为了进一步提升模型的分割性能，本文在预处理、数据增强、学习率策略这三个方面提出了相应的提升方法。针对ISIC2017皮肤镜图像数据集的多源性，本文使用了Shades of Grays算法进行色彩恒常性预处理，使图像整体色彩趋于一致。针对数据集中有的皮肤镜图片并非严格基于像素进行标注，而是具有“大致性”的问题，本文提出了基于超像素的数据增强方法，将原图像和与其超像素图像使用线性插值的方式进行融合，控制模型的复杂度，提高模型的泛化能力。为了使模型收敛到一个较稳定的最小值，本文使用了周期性余弦学习率衰减策略，通过周期性的重新开始，使模型找到一个在不同数据集分布下更为稳定的最小值，提高了模型的泛化能力。本文使用第三章得到的最好单模型进行实验，使用上述三个方法后，基模型的Jaccard Index在ISIC2017皮肤镜数据集上提升了0.89%，取得了0.7601的最优Jaccard Index值。