文献类型：期刊文章

作　　者：李航[1] 余镇[1] 倪东[1] 雷柏英[1] 汪天富[1]

Li Hang;Yu Zhen;Ni Dong;Lei Baiying;Wang Tianfu(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, Guaagdong, China)

机构地区：[1]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

出　　处：《中国生物医学工程学报》

基　　金：深圳市基础研究项目(JCYJ20150525092940986)

年　　份：2018

卷　　号：37

期　　号：3

起止页码：274-282

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EMBASE、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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  

分 类 号：R318[生物医学工程类]