皮肤癌检测系统的设计与实现

2021-10-08冯立滨刘立勋董佳伟罗文笛

科技创新与应用 2021年27期

冯立滨，刘立勋，董佳伟，罗文笛

（吉林大学珠海学院，广东珠海 519000）

癌症对人的身体免疫系统会造成极大的损害，已经成为危及人类生命且导致死亡最重要的疾病之一。所以，为防止疾病猝不及防地到来，对皮肤癌的早期诊断具有重要意义。在医疗领域，对在皮肤癌的早期诊断中寻求更加准确和方便的诊断方法及更加高效和经济的诊断设备都有着极大的需求，因此皮肤癌检测方法具有重要的研究意义和应用价值。

1 方法

在使用AI 人工智能对早期黑色素瘤皮肤癌进行辅助检测的研究和实验中，数据预处理的方法起着重要作用，在经过多次反复实验后，发现可以利用深度网络模型直接对原始图像数据进行分类，虽然这样得到的实验结果准确率较低，但在经过对图像数据分割预处理之后，可以进一步提高图像数据分类的准确性。

2 系统设计

通过现代人工智能技术与传统医疗方法相结合的检测技术以及深度学习方法能够端到端提取图像的高层特征，就是基于图像识别的皮肤癌检测。皮肤癌黑色素瘤可以通过传统的医疗方法即医生的“望、闻、问、切”检查进行早期检测，以及可利用现代人工智能即基于图像识别分析的自动检测。高分辨率摄像镜头的广泛应用，可以提高医生使用计算机技术对皮肤癌黑色素瘤进行筛查和检测复杂病变的效率。在皮肤癌的检测中，皮肤镜检查的成像技术可消除皮肤表面反射，显著提高皮肤的可视化；皮肤镜的高分辨率摄像镜头与标准摄像镜头相比更有助于实现准确的诊断。

2.1 卷积神经网络

卷积神经网络要求测试集和训练集数据输出量分别被向量化，然后输入到传统的神经网络中进行训练。一定量的标注数据必须同分布，分别单独建立训练模型。而迁移学习的训练集和测试数据可以不同分布。

2.2 图像分割预处理

由于医学图像的多样性和复杂性，传统的图像数据分类诊断方法是利用图像视觉特征对图像进行直接识别。由于背景视觉特征在皮肤病变图像中造成的干扰，直接利用皮肤病变图像进行分类的原始识别效果并不理想。因此，图像数据预处理在本研究和实验中具有重要的作用，在图像分割预处理后，再利用深度网络模型对皮肤癌病变图像进行分类的准确率可得到进一步提高，针对黑色素瘤图像数据特点，本文提出改进的皮肤癌良恶性预测模型建立算法。（见图1）

图1 简化卷积神经网络结构

RNN 神经网络具有权值共享、局部连接等特性，在图像十倍等视觉任务中被广泛应用。在本文提出的皮肤癌检测系统中包括图像预处理、特征提取、构建模型和决策分类四个功能模块。该模型对于黑色素瘤良恶性预测的效果更好，收敛速度更快，系统工作流程图如图2所示。

图2 皮肤癌检测系统工作流程

2.3 图像分类方法的改进与实现

根据前期的研究，在下一步的工作中，我们将着重于以下两方面：对诊断设备的功能进行改进，皮肤癌病变图像数据的收集准备。卷积神经网络通过利用添加横跨时间点的自连接隐藏层方法，为了方便推导和描述RNN 神经网络模型结构，本文后面都将左边的模型结构简化成图3 所示的结构。

图3 RNN 神经网络模型结构

神经网络与以往的多层感知机相比，因为神经网络内部具有时间序列的不同，本时间的结果会影响下一状态步数（Step），将神经网络按照时间序列展开可以更好地理解说明RNN 神经网络，从输入到隐藏，包括隐藏到输出的连接权权重在每个时间步是一致的，从而具有了对时间序列进行显式建模的功能。简而言之就是来自隐藏层的反馈信号，隐藏层会有连向下一时间隐藏层的连接权，其结构展开图如图4 所示。

图4 RNN 神经网络展开结构图

前向传播推导公式：

b 点是经过激活函数计算的值，下标k 是输出层，下标h 是隐藏层，所有激活函数都已用带括号来表示，BP神经网络与隐藏层计算不相同，这与传统的BP 神经网络一致，最后经过公式（2）的激活函数带入公式（3）中，得到普通的神经网络和输出层是一致的结论，时间上标t表示计算出来的值，代表了它是t 时刻的节点。

将递归神经网络展开，a 点是汇集计算的值，w 则表示了不同节点连接之间的参数，明显看出RNN 神经网络的具体组织结构修正连接权的权值。

由RNN 展开图图4 可知，上一时间隐藏层的数据会发送给下一时间的隐藏层，这种利用BP 算法的神经网络可以从时间序列的最后一个时间步将累积的误差值传递回来，第二项是接收来自上一时间隐藏层的参数，第一项是接收来自输入层求和后的数据，后向传播推导公式：