皮膚癌檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

馮立濱，劉立勛，董佳偉，羅文笛

（吉林大學(xué)珠海學(xué)院，廣東 珠海 519000）

癌癥對(duì)人的身體免疫系統(tǒng)會(huì)造成極大的損害，已經(jīng)成為危及人類生命且導(dǎo)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(duì)皮膚癌的早期診斷具有重要意義。在醫(yī)療領(lǐng)域，對(duì)在皮膚癌的早期診斷中尋求更加準(zhǔn)確和方便的診斷方法及更加高效和經(jīng)濟(jì)的診斷設(shè)備都有著極大的需求，因此皮膚癌檢測(cè)方法具有重要的研究意義和應(yīng)用價(jià)值。

1 方法

在使用AI 人工智能對(duì)早期黑色素瘤皮膚癌進(jìn)行輔助檢測(cè)的研究和實(shí)驗(yàn)中，數(shù)據(jù)預(yù)處理的方法起著重要作用，在經(jīng)過多次反復(fù)實(shí)驗(yàn)后，發(fā)現(xiàn)可以利用深度網(wǎng)絡(luò)模型直接對(duì)原始圖像數(shù)據(jù)進(jìn)行分類，雖然這樣得到的實(shí)驗(yàn)結(jié)果準(zhǔn)確率較低，但在經(jīng)過對(duì)圖像數(shù)據(jù)分割預(yù)處理之后，可以進(jìn)一步提高圖像數(shù)據(jù)分類的準(zhǔn)確性。

2 系統(tǒng)設(shè)計(jì)

通過現(xiàn)代人工智能技術(shù)與傳統(tǒng)醫(yī)療方法相結(jié)合的檢測(cè)技術(shù)以及深度學(xué)習(xí)方法能夠端到端提取圖像的高層特征，就是基于圖像識(shí)別的皮膚癌檢測(cè)。皮膚癌黑色素瘤可以通過傳統(tǒng)的醫(yī)療方法即醫(yī)生的“望、聞、問、切”檢查進(jìn)行早期檢測(cè)，以及可利用現(xiàn)代人工智能即基于圖像識(shí)別分析的自動(dòng)檢測(cè)。高分辨率攝像鏡頭的廣泛應(yīng)用，可以提高醫(yī)生使用計(jì)算機(jī)技術(shù)對(duì)皮膚癌黑色素瘤進(jìn)行篩查和檢測(cè)復(fù)雜病變的效率。在皮膚癌的檢測(cè)中，皮膚鏡檢查的成像技術(shù)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(biāo)準(zhǔn)攝像鏡頭相比更有助于實(shí)現(xiàn)準(zhǔn)確的診斷。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)要求測(cè)試集和訓(xùn)練集數(shù)據(jù)輸出量分別被向量化，然后輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。一定量的標(biāo)注數(shù)據(jù)必須同分布，分別單獨(dú)建立訓(xùn)練模型。而遷移學(xué)習(xí)的訓(xùn)練集和測(cè)試數(shù)據(jù)可以不同分布。

2.2 圖像分割預(yù)處理

由于醫(yī)學(xué)圖像的多樣性和復(fù)雜性，傳統(tǒng)的圖像數(shù)據(jù)分類診斷方法是利用圖像視覺特征對(duì)圖像進(jìn)行直接識(shí)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(jìn)行分類的原始識(shí)別效果并不理想。因此，圖像數(shù)據(jù)預(yù)處理在本研究和實(shí)驗(yàn)中具有重要的作用，在圖像分割預(yù)處理后，再利用深度網(wǎng)絡(luò)模型對(duì)皮膚癌病變圖像進(jìn)行分類的準(zhǔn)確率可得到進(jìn)一步提高，針對(duì)黑色素瘤圖像數(shù)據(jù)特點(diǎn)，本文提出改進(jìn)的皮膚癌良惡性預(yù)測(cè)模型建立算法。（見圖1）

圖1 簡(jiǎn)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RNN 神經(jīng)網(wǎng)絡(luò)具有權(quán)值共享、局部連接等特性，在圖像十倍等視覺任務(wù)中被廣泛應(yīng)用。在本文提出的皮膚癌檢測(cè)系統(tǒng)中包括圖像預(yù)處理、特征提取、構(gòu)建模型和決策分類四個(gè)功能模塊。該模型對(duì)于黑色素瘤良惡性預(yù)測(cè)的效果更好，收斂速度更快，系統(tǒng)工作流程圖如圖2所示。

圖2 皮膚癌檢測(cè)系統(tǒng)工作流程

2.3 圖像分類方法的改進(jìn)與實(shí)現(xiàn)

根據(jù)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(duì)診斷設(shè)備的功能進(jìn)行改進(jìn)，皮膚癌病變圖像數(shù)據(jù)的收集準(zhǔn)備。卷積神經(jīng)網(wǎng)絡(luò)通過利用添加橫跨時(shí)間點(diǎn)的自連接隱藏層方法，為了方便推導(dǎo)和描述RNN 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，本文后面都將左邊的模型結(jié)構(gòu)簡(jiǎn)化成圖3 所示的結(jié)構(gòu)。

圖3 RNN 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)與以往的多層感知機(jī)相比，因?yàn)樯窠?jīng)網(wǎng)絡(luò)內(nèi)部具有時(shí)間序列的不同，本時(shí)間的結(jié)果會(huì)影響下一狀態(tài)步數(shù)（Step），將神經(jīng)網(wǎng)絡(luò)按照時(shí)間序列展開可以更好地理解說明RNN 神經(jīng)網(wǎng)絡(luò)，從輸入到隱藏，包括隱藏到輸出的連接權(quán)權(quán)重在每個(gè)時(shí)間步是一致的，從而具有了對(duì)時(shí)間序列進(jìn)行顯式建模的功能。簡(jiǎn)而言之就是來自隱藏層的反饋信號(hào)，隱藏層會(huì)有連向下一時(shí)間隱藏層的連接權(quán)，其結(jié)構(gòu)展開圖如圖4 所示。

圖4 RNN 神經(jīng)網(wǎng)絡(luò)展開結(jié)構(gòu)圖

前向傳播推導(dǎo)公式：

b 點(diǎn)是經(jīng)過激活函數(shù)計(jì)算的值，下標(biāo)k 是輸出層，下標(biāo)h 是隱藏層，所有激活函數(shù)都已用帶括號(hào)來表示，BP神經(jīng)網(wǎng)絡(luò)與隱藏層計(jì)算不相同，這與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)一致，最后經(jīng)過公式（2）的激活函數(shù)帶入公式（3）中，得到普通的神經(jīng)網(wǎng)絡(luò)和輸出層是一致的結(jié)論，時(shí)間上標(biāo)t表示計(jì)算出來的值，代表了它是t 時(shí)刻的節(jié)點(diǎn)。

將遞歸神經(jīng)網(wǎng)絡(luò)展開，a 點(diǎn)是匯集計(jì)算的值，w 則表示了不同節(jié)點(diǎn)連接之間的參數(shù)，明顯看出RNN 神經(jīng)網(wǎng)絡(luò)的具體組織結(jié)構(gòu)修正連接權(quán)的權(quán)值。

由RNN 展開圖圖4 可知，上一時(shí)間隱藏層的數(shù)據(jù)會(huì)發(fā)送給下一時(shí)間的隱藏層，這種利用BP 算法的神經(jīng)網(wǎng)絡(luò)可以從時(shí)間序列的最后一個(gè)時(shí)間步將累積的誤差值傳遞回來，第二項(xiàng)是接收來自上一時(shí)間隱藏層的參數(shù)，第一項(xiàng)是接收來自輸入層求和后的數(shù)據(jù)，后向傳播推導(dǎo)公式：

遞歸神經(jīng)網(wǎng)絡(luò)具有以下的特點(diǎn)：遞歸神經(jīng)網(wǎng)絡(luò)可以解決序列當(dāng)中長(zhǎng)距離的依賴關(guān)系，但在實(shí)際情況中比模型要更加復(fù)雜，在向后傳遞的隱藏狀態(tài)中只能捕獲到距離不算太遠(yuǎn)的前后數(shù)據(jù)信息，因此它能被用于皮膚癌狀態(tài)參數(shù)處理的任務(wù)中。

3 結(jié)束語

過去存在皮膚病變圖像的復(fù)雜性以及過去皮膚病變圖分類識(shí)別效果不理想的現(xiàn)象，在經(jīng)過本實(shí)驗(yàn)的圖像分割預(yù)處理和使用深度網(wǎng)絡(luò)模型后進(jìn)一步提高了皮膚癌圖像分類的準(zhǔn)確率。在本系統(tǒng)后續(xù)工作中，將緊密結(jié)合臨床醫(yī)學(xué)相關(guān)知識(shí)，找到更加通用的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法，下一步將擴(kuò)充圖像數(shù)據(jù)庫來提高準(zhǔn)確率和普遍性。