皮膚癌檢測系統的設計與實現

馮立濱，劉立勛，董佳偉，羅文笛

（吉林大學珠海學院，廣東 珠海 519000）

癌癥對人的身體免疫系統會造成極大的損害，已經成為危及人類生命且導致死亡最重要的疾病之一。所以，為防止疾病猝不及防地到來，對皮膚癌的早期診斷具有重要意義。在醫療領域，對在皮膚癌的早期診斷中尋求更加準確和方便的診斷方法及更加高效和經濟的診斷設備都有著極大的需求，因此皮膚癌檢測方法具有重要的研究意義和應用價值。

1 方法

在使用AI 人工智能對早期黑色素瘤皮膚癌進行輔助檢測的研究和實驗中，數據預處理的方法起著重要作用，在經過多次反復實驗后，發現可以利用深度網絡模型直接對原始圖像數據進行分類，雖然這樣得到的實驗結果準確率較低，但在經過對圖像數據分割預處理之后，可以進一步提高圖像數據分類的準確性。

2 系統設計

通過現代人工智能技術與傳統醫療方法相結合的檢測技術以及深度學習方法能夠端到端提取圖像的高層特征，就是基于圖像識別的皮膚癌檢測。皮膚癌黑色素瘤可以通過傳統的醫療方法即醫生的“望、聞、問、切”檢查進行早期檢測，以及可利用現代人工智能即基于圖像識別分析的自動檢測。高分辨率攝像鏡頭的廣泛應用，可以提高醫生使用計算機技術對皮膚癌黑色素瘤進行篩查和檢測復雜病變的效率。在皮膚癌的檢測中，皮膚鏡檢查的成像技術可消除皮膚表面反射，顯著提高皮膚的可視化；皮膚鏡的高分辨率攝像鏡頭與標準攝像鏡頭相比更有助于實現準確的診斷。

2.1 卷積神經網絡

卷積神經網絡要求測試集和訓練集數據輸出量分別被向量化，然后輸入到傳統的神經網絡中進行訓練。一定量的標注數據必須同分布，分別單獨建立訓練模型。而遷移學習的訓練集和測試數據可以不同分布。

2.2 圖像分割預處理

由于醫學圖像的多樣性和復雜性，傳統的圖像數據分類診斷方法是利用圖像視覺特征對圖像進行直接識別。由于背景視覺特征在皮膚病變圖像中造成的干擾，直接利用皮膚病變圖像進行分類的原始識別效果并不理想。因此，圖像數據預處理在本研究和實驗中具有重要的作用，在圖像分割預處理后，再利用深度網絡模型對皮膚癌病變圖像進行分類的準確率可得到進一步提高，針對黑色素瘤圖像數據特點，本文提出改進的皮膚癌良惡性預測模型建立算法。（見圖1）

圖1 簡化卷積神經網絡結構

RNN 神經網絡具有權值共享、局部連接等特性，在圖像十倍等視覺任務中被廣泛應用。在本文提出的皮膚癌檢測系統中包括圖像預處理、特征提取、構建模型和決策分類四個功能模塊。該模型對于黑色素瘤良惡性預測的效果更好，收斂速度更快，系統工作流程圖如圖2所示。

圖2 皮膚癌檢測系統工作流程

2.3 圖像分類方法的改進與實現

根據前期的研究，在下一步的工作中，我們將著重于以下兩方面：對診斷設備的功能進行改進，皮膚癌病變圖像數據的收集準備。卷積神經網絡通過利用添加橫跨時間點的自連接隱藏層方法，為了方便推導和描述RNN 神經網絡模型結構，本文后面都將左邊的模型結構簡化成圖3 所示的結構。

圖3 RNN 神經網絡模型結構

神經網絡與以往的多層感知機相比，因為神經網絡內部具有時間序列的不同，本時間的結果會影響下一狀態步數（Step），將神經網絡按照時間序列展開可以更好地理解說明RNN 神經網絡，從輸入到隱藏，包括隱藏到輸出的連接權權重在每個時間步是一致的，從而具有了對時間序列進行顯式建模的功能。簡而言之就是來自隱藏層的反饋信號，隱藏層會有連向下一時間隱藏層的連接權，其結構展開圖如圖4 所示。

圖4 RNN 神經網絡展開結構圖

前向傳播推導公式：

b 點是經過激活函數計算的值，下標k 是輸出層，下標h 是隱藏層，所有激活函數都已用帶括號來表示，BP神經網絡與隱藏層計算不相同，這與傳統的BP 神經網絡一致，最后經過公式（2）的激活函數帶入公式（3）中，得到普通的神經網絡和輸出層是一致的結論，時間上標t表示計算出來的值，代表了它是t 時刻的節點。

將遞歸神經網絡展開，a 點是匯集計算的值，w 則表示了不同節點連接之間的參數，明顯看出RNN 神經網絡的具體組織結構修正連接權的權值。

由RNN 展開圖圖4 可知，上一時間隱藏層的數據會發送給下一時間的隱藏層，這種利用BP 算法的神經網絡可以從時間序列的最后一個時間步將累積的誤差值傳遞回來，第二項是接收來自上一時間隱藏層的參數，第一項是接收來自輸入層求和后的數據，后向傳播推導公式：

遞歸神經網絡具有以下的特點：遞歸神經網絡可以解決序列當中長距離的依賴關系，但在實際情況中比模型要更加復雜，在向后傳遞的隱藏狀態中只能捕獲到距離不算太遠的前后數據信息，因此它能被用于皮膚癌狀態參數處理的任務中。

3 結束語

過去存在皮膚病變圖像的復雜性以及過去皮膚病變圖分類識別效果不理想的現象，在經過本實驗的圖像分割預處理和使用深度網絡模型后進一步提高了皮膚癌圖像分類的準確率。在本系統后續工作中，將緊密結合臨床醫學相關知識，找到更加通用的網絡結構設計方法，下一步將擴充圖像數據庫來提高準確率和普遍性。