检索历史 清除

摘要皮肤上的恶性肿瘤被称为皮肤癌症。目前各大医疗机构诊断皮肤癌症的最佳方法是利用皮肤镜成像技术诊断。但该类疾病在发病早期表现的物理特征并不明显，因此，通过皮肤镜诊断的难度较大。由于皮肤疾病图像本身的复杂性、标准图像数据集的自身缺陷等问题，使得基于深度卷积神经网络模型的皮肤癌诊断方法极具挑战性。本文着眼于数据增强对皮肤癌诊断的影响，通过整合不同的深度神经网络模型来优化其泛化能力，创造性地提出补丁策略来提高神经网络模型的有效语义聚焦能力，从而改善皮肤癌诊断效果。本文的贡献主要体现在以下三个方面：<br>　　（1）该领域的数据集具有样本数量不足、所属不同类别的图像数量分布不均匀的特点。极易出现分类偏差，影响诊断的准确性。因此本文提出了基于改进CycleGAN的皮肤癌诊断方法。该方法在生成器中引入注意力机制和自适应残差块结构，并对损失函数进行改进。使得基于改进CycleGAN的皮肤癌诊断模型在图像转换过程中更有效地提取皮损特征。实验结果表明，该方法能够改进CycleGAN并提升生成皮肤疾病的生成效果，提高诊断准确度。<br>　　（2）尽管上述(1)中通过条件图像合成技术可以平衡数据集，缓解不同别类皮损图像数量不平衡的问题。但是，单个深度卷积神经网络泛化能力较弱。因此，本文提出了基于语义增强与集成学习的皮肤癌诊断方法。该诊断方法有三个阶段的操作，首先离线应用改进CycleGAN的从代表性过高的类别样本中合成代表性不足的类别样本，完成条件图像合成任务；其次，我们在训练过程中采用不同的图像预处理方法；最后，将训练图像送入BAFCNN分类网络，并最终获得分类结果。实验结果表明，该方法能够有效提升分类网络的泛化能力，进一步提升皮肤癌诊断效果。<br>　　（3）尽管上述(2)通过提升分类网络的泛化能力，能够有效提升皮肤癌诊断效果。但是，该方法缺乏对病变区域有效的语义聚焦能力。因此，本文提出了基于软注意力机制与补丁策略的皮肤癌诊断方法。该诊断方法包含三阶段，首先利用CycleGAN技术合成目标图像样本，平衡数据集；其次，我们开创性地提出补丁策略获取训练集的补丁图像；最后将所得到的图像送入在线特征提取网络获得皮损图像分类特征并输出分类结果。实验结果表明，该方法能够精确聚焦病变区域有效语义信息，提高皮损图像诊断精度。