摘要：皮肤镜图像的采集质量直接影响后续的分析诊断结果.针对皮肤镜图像在采集过程中可能出现的散焦模糊和光照不均两种类型的失真,提出了一种有效的无参考图像质量评价算法.通过频率特性分析我们发现,散焦模糊主要影响离散余弦变换(Discrete cosine transform,DCT)后的直流分量,而光照不均则主要影响第一交流分量.针对该特性,论文在频率域设计质量评价模型,首先将散焦模糊与光照不均两种失真成功分离,进而分别计算失真程度,给出评价指标.实验结果表明,本文提出的算法既可以对散焦模糊或光照不均单一失真类型的皮肤镜图像进行质量评价,也可以对两种失真类型同时存在的复杂皮肤图像进行评价,给出的评价结果稳定客观、互相独立,且与主观评价结果相一致.

摘要：皮肤镜图像中的皮肤病变自动识别是提高诊断性能和减少皮肤癌死亡的重要方法.针对训练数据不足的问题,提出一种基于pix2pixHD的高分辨率皮肤镜图像合成方法.首先,通过皮肤病灶的真实边界,结合病变类别对皮肤病变知识进行建模,获取包含病理意义的标签映射;其次,以标签映射作为病变合成的约束条件,利用构建的生成对抗网络模型实现标签映射向皮肤镜图像的空间映射,同时将生成器的浅层和深层特征相结合以避免图像细节信息的丢失;然后,引入标准差特征匹配损失以稳定生成对抗网络的训练.在ISIC-2017数据集上的实验结果表明,相比不同合成方法生成图像的质量,该方法具有更好的视觉效果以及IS与FID定量化指标评价,并且可为监督学习网络提供额外的信息增益,以提高皮肤病变分类的准确度.

摘要：针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。提出了一种基于多尺度注意力融合的分割网络MAU-Net(multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给予一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和Kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。

摘要：图像的自动准确分割是实现黑素细胞瘤图像自动分析的关键.针对皮肤镜黑素细胞瘤图像,提出一种基于改进遗传算法和自生成神经网络(SGNN)相结合的自适应聚类分割算法.首先采用遗传算法选取一组最优的种子样本作为初始神经树;然后通过SGNN对剩余样本进行训练得到一个自生成神经森林;最后令森林中每棵树代表一个类,完成黑素细胞瘤图像的自适应聚类分割.该算法解决了SGNN对样本训练顺序敏感的问题,并能够自适应地确定类别数,聚类过程无需任何人工干预;同时根据解空间的大小设定遗传算法的初始种群规模,并在进化过程中根据个体的变化对种群规模以及交叉率和变异率等遗传控制参数进行动态调整,有效地提高了算法的运行速度.实验结果表明,文中算法稳定性好,聚类结果符合人眼判别的诊断要求.

摘要：针对黑色素瘤疾病在临床上存在检测准确率低以及人为主观性太强等问题,提出一种改进的YOLOv5目标检测模型BiC-YOLOv5。首先设计了一种双向特征提取网络BiFPN-L3替换原模型中的特征提取网络FPN,针对不同分辨率下的特征,使用多尺度特征融合的方式提取特征;其次,在骨干网络中融合CBAM注意力模块,设计了一种C3CBAM模块从通道与空间两个层面捕获特征信息以提升检测精度;最后,使用DIOU_loss损失函数,进一步提高模型的检测精度。通过仿真对比实现,BiC-YOLOv5的mAP值达到95.2%,相较原YOLOv5模型,精确度提高了5.2%,召回率提高了4.9%,mAP值提高了5.8%,可以有效的协助临床医学对黑色素瘤进行诊断。

摘要：早期蕈样肉芽肿(Mycosis fungoid,MF)可表现为红斑鳞屑性皮损,很难从银屑病及慢性湿疹等良性炎症性皮肤病中鉴别出来。本文提出了一种基于多模态图像融合的早期蕈样肉芽肿识别方法。该方法基于皮肤镜图像和临床图像,采用ResNet18网络提取单模态图像的特征;设计跨模态的注意力模块,实现两种模态图像的特征融合;并且设计自注意力模块提取融合特征中的关键信息,改善信息冗余,从而提高蕈样肉芽肿智能识别的准确度。实验结果表明,本文所提出的智能诊断模型优于对比算法。将本文模型应用于皮肤科医生的实际临床诊断,通过实验组医生和对照组医生平均诊断准确率的变化证实了本文模型能够有效提升临床诊断水平。

摘要：针对当前皮肤病识别分类面临的两个主要问题:一是由于皮肤病种类繁多,病灶外观的类间相似度高和类内差异化大,尤其是色素性皮肤病,使得皮肤病的识别分类比较困难;二是皮肤病识别算法模型设计存在一定的局限性,识别率还有待进一步提高。为此,以VGG19模型为基础架构,训练了一个结构化的深度卷积神经网络(CNN),实现了色素性皮肤病的自动分类。首先,采用数据增强(裁剪、翻转、镜像)对数据进行预处理;其次,将在Image Net上预训练好的模型,迁移至增强后的数据集进行调优训练,训练过程中通过设置Softmax损失函数的权重,增加少数类判别错误的损失,来缓解数据集中存在的类别不平衡问题,提高模型的识别率。实验采用深度学习框架Py Torch,在数据集ISIC2017上进行。实验结果表明,该方法的识别率和敏感性可分别达到71.34%、70.01%,相比未设置损失函数的权重时分别提高了2.84、11.68个百分点,说明该方法是一种有效的皮肤病识别分类方法。

摘要：以“胎儿超声图像”为例,将深度学习技术与皮肤影像自动分类进行充分结合。针对皮肤影像自动分类原理,从CNN原理介绍、网络模型设计、数据预处理及增强、迁移学习策略、模型训练与分类等方面入手,探讨了皮肤影像自动分类方法框架。从数据集及评价方法、模型定量化评价、模型可视化分析、与传统特征分类器对比试验等方面入手,探讨实验设置与结果。结果表明:深度学习技术具有非常高的应用价值和应用前景,不仅可以降低图像复杂预处理流程,还能避免对专业特征工程的过渡依赖,保证了皮肤影像视觉上的出色性能,为进一步提高皮肤疾病医疗诊断水平提供平台支持。

摘要：目的基于纵行黑甲(Longitudinal melanonychia,LM)临床及皮肤镜图像,设计一种根据LM背景及条纹颜色鉴别甲下色素痣(Nail matrix nevus,NMN)和甲黑素活化(Melanocytic activation,MA)的分类算法,以指导临床是否需要进行甲活检。方法选取17例纵行黑甲患者的术前大体照片及皮肤镜图像,其中10例为甲黑素活化,7例为甲下色素痣。通过Lab颜色空间的单变量特征选择,分析正常及异常指(趾)甲区域内所计算特征的差异分布,对LM进行NMN和MA的二分类概率预测。结果通过算法对黑甲和正常区域的颜色均值方差进行分析显示,大体图的L亮度分量均值,大体图正常异常区域A颜色分量方差差值,皮肤镜图像正常异常区域L亮度分量均值差值,以及皮肤镜图像异常区域L亮度分量方差,对辅助诊断LM为MA或NMN有重要意义。结论通过特征提取、定量分析的黑甲算法模型,可有效鉴别MA和NMA,避免不必要的甲活检和甲损毁,有望成为一种术前检测和临床随访的无创、便捷方法。