换一批
换一批摘要皮肤癌及与皮肤相关的各种皮肤病正严重威胁着人类的健康。在大部分情况下，当皮肤癌患者在被确诊时，已经是皮肤癌晚期，此时，由于皮肤癌细胞极易发生病变，而且容易转移，因此，对于皮肤表面病变的及时诊断就显得至关重要。在医学领域中，人工智能与临床医学相结合进行病情诊断的案例越来越多，因此，通过计算机对皮肤镜采集到的皮肤癌医学图像进行分析研究具有重要的意义。本文的主要研究内容为：<br> （1）通过阅读分析大量相关文献，发现基于传统机器学习算法的皮肤癌医学图像分割存在预处理工作过于繁琐，分割效果不佳等问题，无法有效辅助医生诊断，确定了本文研究方向为基于深度学习的皮肤癌医学图像分割算法。<br> （2）设计并搭建了基于深度学习的皮肤癌医学图像分割框架，该框架包含皮肤癌医学图像采集模块、图像训练模块和图像检测模块。在图像训练模块中，首先设计U-Net、SegNet和DeepLabV3+三种深度学习图像分割网络，通过实验对比三种网络在皮肤癌医学图像分割中的分割效果。<br> （3）通过上述对比分析，针对三种网络在实验中体现的问题，提出了基于DeepLabV3+网络改进的深度学习分割算法。通过加入Transformer模块等方法改进DeepLabV3+算法，最后将改进的DeeoLabV3+算法的实验结果与DeepLabV3+进行对比分析。实验证明改进的DeepLabV3+分割算法相比于DeepLabV3+分割算法在皮肤癌医学图像的边界细节分割中更加出色，同时，改进DeepLabV3+分割算法的mIOU相比DeepLabV3+分割算法提升了1%。
更多相关知识
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
