基于深度学习网络的皮肤病变分析与黑色素瘤检测

皮肤病变是一种世界范围内严重的疾病。在皮肤镜图像中早期检测黑色素瘤可显著提高存活率。然而，由于诸如病变与皮肤间低对比度、黑色素瘤与非黑色素瘤病变间视觉相似等原因，黑色素瘤的准确识别极具挑战性。因此，可靠的皮肤肿瘤自动检测对提高病理学家的准确性和效率非常有用。国际皮肤影像协作组织 (ISIC) 是一项聚焦于皮肤病变自动分析的挑战赛。本文提出两种深度学习方法以解决 ISIC 2017 公布的全部三项任务，即病变分割（任务1）、病变皮肤镜特征提取（任务2）和病变分类（任务3）。提出一种由两个全卷积残差网络 (FCRN) 组成的深度学习框架，同时产生分割结果与粗分类结果。开发了病变指数计算单元 (LICU) 通过计算距离热图来精炼粗分类结果。针对皮肤镜特征提取任务提出了一种直接的 CNN。据我们所知，此前尚未见针对该任务的工作。所提出的深度学习框架在 ISIC 2017 测试集上进行了评估。实验结果显示了我们的框架具有令人满意的准确率，即任务1达到 0.718，任务2达到 0.833，任务3达到 0.823。