基于皮肤镜图像的皮肤病变分类方法

皮肤癌是当今世界最常见的癌症，占癌症病例的三分之一。良性皮肤癌不致命，可通过适当治疗治愈。但恶性皮肤癌则不同。以恶性黑色素瘤为例，在晚期阶段最大预期寿命小于或等于 5 年。但若在早期检出则可治愈。尽管存在众多临床流程，诊断准确率介于 49% 至 81% 之间且耗时。因此，皮肤镜技术应运而生。它有助于提高诊断准确率，但未能消除易错行为。亟需一种快速且低错误的解决方案来诊断这一主要增长的皮肤癌。本项目涉及深度学习在皮肤病变分类中的使用。在本项目中，开发了一种使用皮肤镜图像进行皮肤病变分类的自动化模型，以 CNN（卷积神经网络，Convolution Neural Networks）作为训练模型。卷积神经网络以捕捉图像特征著称，因此优选用于分析医学图像以发现驱动模型成功的特征。项目中引入了数据增强以应对类别不平衡、分割以聚焦感兴趣区域以及 10 折交叉验证以增强模型鲁棒性等技术。本项目还包括某些预处理技术的使用，如利用分段线性变换函数增亮图像、图像灰度转换、图像缩放。本项目提供了一组有价值的见解，说明随着新输入策略与预处理技术的引入模型准确率如何提升。该模型可达到的最佳准确率为 0.886。