CN108053398A - 一种半监督特征学习的黑色素瘤自动检测方法 - Google Patents

一种半监督特征学习的黑色素瘤自动检测方法 Download PDF

Info

Publication number
CN108053398A
CN108053398A CN201711374297.8A CN201711374297A CN108053398A CN 108053398 A CN108053398 A CN 108053398A CN 201711374297 A CN201711374297 A CN 201711374297A CN 108053398 A CN108053398 A CN 108053398A
Authority
CN
China
Prior art keywords
mrow
msub
msup
image
mfrac
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711374297.8A
Other languages
English (en)
Inventor
孙伟
徐慧
张小瑞
宋爱国
牛建伟
马瑞
占怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201711374297.8A priority Critical patent/CN108053398A/zh
Publication of CN108053398A publication Critical patent/CN108053398A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明公开了一种半监督特征学习的黑色素瘤自动检测方法，包括以下步骤：A.图像预处理：包括图像去噪、毛发消除和尺度归一化；B.病变区域分割：采用基于色差改进的GrabCut算法，先对图像前景进行初始估计，再将初始估计作为GrabCut算法输入进行前景分割，改进方法能自动提取前景目标，避免用户交互；C.特征提取与分类：采用CNN模型对图像特征进行半监督学习，该模型分训练和测试两个阶段，其中训练模型是先将图像放入搭建好的模型中进行前向特征提取，再将提取的特征放入SVM分类器中训练，测试模型则输入未知图片，完成黑色素瘤检测工作。本发明实现计算机辅助诊断皮肤病技术，提高诊断效率，同时实现远程医疗。

Description

一种半监督特征学习的黑色素瘤自动检测方法
技术领域
本发明属于医学图像处理、计算机辅助诊断和人工智能等领域，具体涉及一种半监督特 征学习的黑色素瘤自动检测方法。
背景技术
通常黑色素瘤早期诊断是通过专家目视检查进行，但随着图像处理技术的发展，计算机 辅助诊断技术也逐步发展起来。相比较前者，后者经过训练判断更加客观，且准确率有保 障。
计算机辅助诊断黑色素瘤技术基于图像处理技术，原始图像主要来源于皮肤镜像。皮肤 镜像通过专门成像设备消除皮肤表面反射，视觉增强皮肤更深层环境，拥有良好的显示效 果，但成像成本昂贵，无形增加了普通病患医疗压力；随着电子产品普及，通过智能手机或 普通相机拍摄的普通图像显示效果虽不及皮肤镜像，但成像成本低廉且易获取，本文黑色素 瘤检测框架旨在融合上述两种图像，使之既适用于医院等其他医疗机构，又方便患者在家自 主检查。
发明内容
本发明目的是为了克服现有技术的不足，提供了一种半监督特征学习的黑色素瘤自动检 测方法，该方法融合了皮肤镜像和普通图像处理技术，采用半监督方法对图像特征进行学习 完成分类工作，实现计算机辅助诊断皮肤病技术，提高诊断效率；同时实现远程医疗。
本发明采用的技术方案是：一种半监督特征学习的黑色素瘤自动检测方法，包括以下步 骤：
A.图像预处理
图像预处理包括图像去噪、毛发消除和尺度归一化；
B.病变区域分割
采用基于色差改进的GrabCut算法，先对图像前景进行初始，自动提取前景目标，避免 交互需要；
C.特征提取与分类
采用CNN模型对图像特征进行半监督学习，该模型分训练和测试两个阶段，其中训练 模型是先将图像放入搭建好的模型中进行前向特征提取，再将提取的特征放入SVM分类器 中训练，测试模型则输入未知图片，完成黑色素瘤检测。
作为优选，所述步骤A中，图像去噪采用小波阈值去噪方法，利用其良好的时频特性，在图像小波分解后根据不同子图像的不同特征选择不同阈值去噪；毛发消除采用基于形 态学闭运算的方法从图像中提取毛发，并用毛发周围的像素信息对毛发区域进行填充，完成 毛发消除；采用双线性插值法对图像进行尺度归一化处理。
作为优选，所述步骤B中，基于CIE2000色差改进后的GrabCut方法中先获得前景的初始 提取，再将获得的前景初始估计用作GrabCut算法的输入，从而避免交互需要；
前景初始估计：
色差改进方法是基于CIEDE2000色差；CIEDE2000色差公式解决人眼与色差计在色度图 中不同位置的色彩评估方法和形状上的差异问题，CIEDE2000色差公式I表示为：
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值；ωL,ωC,ωH分别表示亮度、 饱和度和色度的权重值；SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度；RT为色相旋转项；
GrabCut分割：
GrabCut算法将图像表示为矢量z＝{z1,z2,...,zn,...zN}，将图像分割表示为求每个像素点的 值α＝{α1,α2...,αn,...αN}，其中αn∈{0,1}，αn＝0、1分别表示属于背景、前景；对背景和前 景采用K个高斯混合模型进行建模；用kn＝{1,...,K}表示第n个像素的高斯分量，来自背景 还是前景取决于αn的值，N表示图像像素总数，GrabCut的Gibbs能量函数表示为：
EN(α,k,θ,z)＝U(α,k,θ,z)+V(α,z) (2)
其中
D(αn,kn,θ,zn)＝-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高 斯概率分布、混合权重系数；
θ＝{π(α,k),μ(α,k),∑(α,k),α＝{0,1},k＝1,...K} (5)
θ是高斯混合模型参数，μ(·)表示均值向量，∑(·)表示协方差矩阵；
V(a,z)是边界项，体现邻域像素m,n之间不连续的惩罚，m为像素点n的领域像素点， 当两邻域像素差别越大，能量越小，O表示成对相邻像素；
作为优选，所述步骤C中，CNN是一种前馈神经网络，CNN模型共有八层结构，前七层用于特征提取，其中每层卷积操作包括卷积和RELU，最后一层将提取的高级特征放入SVM分类器中进行训练，最终输出训练集分类结果；
卷积操作可表示为：
al＝g(∑Wlal-1+bl) (7)
其中，al，al-1分别表示第l，l-1层神经网络输出，g(x)＝max(0,x)为非线性激活函数ReLU，Wl，bl分别表示第l层权重和偏置；
训练SVM分类器：
训练过程包括损失函数值计算和优化，该优化是寻找损失函数值最小的参数W的过程； SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为：
其中f为评分函数，fj、fyi分别为第j个类别和正确标注的评分函数值；Δ为间隔，在 实际应用中值为1；
优化器采用Adam算法，其根据损失函数对每个参数梯度的一阶矩和二阶矩估计动态地 调整针对于每个参数的学习速率。Adam优化算法也是基于梯度下降方法，但每次迭代参数 的学习步长都有一个确定范围，不会因为很大的梯度导致很大的学习步长，参数值比较平 稳。算法公式如下：
其中Φt表示T(φ)在时间步长t上的梯度，▽为梯度算子，T(φ)表示参数φ的目标函 数，pt,qt分别表示对梯度Φt一阶矩和二阶矩估计；是对pt,qt的校正，近似对期望 的无偏估计；μ,v表示局部估计的指数衰减率，η表示学习率。
有益效果：
1、本发明将针对自然图像前景提取的GrabCut算法应用到医学图像，融合皮肤镜像和 普通图像处理技术，具有普遍性；
2、本发明对病变区域先进行分割，避免特征学习过程中产生无效特征，提高分类准确 率；
3、本发明采用卷积神经网络对病变区域特征进行半监督学习，提取具有深度语义的高 级特征，分析病变区域整体特征，解决黑色素瘤存在的类内变异等问题。
附图说明
图1为本发明半监督特征学习的黑色素瘤自动检测方法流程图；
图2是本发明CNN模型结构图。
具体实施方式
以下结合附图和具体实施方式对本发明作进一步详述：
如图1所示方法流程图，一种半监督特征学习的黑色素瘤自动检测方法包括以下步骤：
A.图像预处理：
图像去噪采用小波阈值去噪方法，利用小波阈值去噪法良好的时频特性在图像小波分解 后根据不同子图像的不同特征选择不同阈值去噪；
毛发消除采用基于形态学闭运算的方法从图像中提取毛发，并用毛发周围的像素信息对 毛发区域进行填充，完成毛发消除工作；
采用双线性插值法对图像进行尺度归一化处理。
B.病变区域分割：
分割主要是将图像病变区域分离出来，为后续特征提取做准备。分割准确率直接影响着 后续分类准确率。本文对黑色素瘤病变区域分割方法采用基于色差改进后过的GrabCut图像 分割算法。GrabCut算法采用RGB三通道混合高斯模型，根据分割模型参数更新完成学习过 程，分割过程需要少量用户交互完成目标区域选定。改进后的方法中先获得前景的初始提 取，再将获得的前景初始估计用作GrabCut算法的输入，从而避免了交互需要。
前景初始估计：
前景初始估计是基于CIEDE2000色差方法，CIEDE2000色差公式解决人眼与色差计在色 度图中不同位置的色彩评估方法和形状上的差异问题。CIEDE2000色差公式I表示为：
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值；ωL,ωC,ωH分别表示亮度、 饱和度和色度的权重值；SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度；RT为色相旋转项；
GrabCut分割：
GrabCut算法将图像表示为矢量z＝{z1,z2,...,zn,...zN}，将图像分割表示为求每个像素点的 值α＝{α1,α2...,αn,...αN}，其中αn∈{0,1}，αn＝0、1分别表示属于背景、前景。对背景和前 景采用K个高斯混合模型进行建模。用kn＝{1,...,K}表示第n个像素的高斯分量，来自背景 还是前景取决于αn的值，N表示图像像素总数，GrabCut的Gibbs能量函数表示为：
EN(α,k,θ,z)＝U(α,k,θ,z)+V(α,z) (2)
其中：
D(αn,kn,θ,zn)＝-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高 斯概率分布、混合权重系数。
θ＝{π(α,k),μ(α,k),∑(α,k),α＝{0,1},k＝1,...K} (5)
θ是高斯混合模型参数，μ(·)表示均值向量，∑(·)表示协方差矩阵。
V(a,z)是边界项，体现邻域像素m,n之间不连续的惩罚，m为像素点n的领域像素点， 当两邻域像素差别越大，能量越小，O表示成对相邻像素。
C.特征提取与分类
CNN是一种前馈神经网络，它的人工神经元响应一部分覆盖范围内的周围单元，对图像 识别、分类和检测都有出色表现。本文CNN模型是基于AlexNet模型，结构如图2所示，共有 八层结构，前七层用于特征提取，其中每层卷积操作包括卷积和RELU，最后一层将提取的 高级特征放入SVM分类器中进行训练，最终用训练好的分类器完成黑色素瘤检测工作。
卷积操作可表示为：
al＝g(∑Wlal-1+bl) (7)
其中al，al-1分别表示第l，l-1层神经网络输出，g(x)＝max(0,x)为非线性激活函数 ReLU，Wl，bl分别表示第l层权重和偏置；
训练SVM分类器：
训练过程包括损失函数值计算和优化，该优化是寻找损失函数值最小的参数W的过程；SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为：
其中f为评分函数，fj、fyi分别为第j个类别和正确标注的评分函数值；Δ为间隔，在 实际应用中值为1；
优化器采用Adam算法，其根据损失函数对每个参数梯度的一阶矩和二阶矩估计动态地 调整针对于每个参数的学习速率。Adam优化算法也是基于梯度下降方法，但每次迭代参数 的学习步长都有一个确定范围，不会因为很大的梯度导致很大的学习步长，参数值比较平 稳。算法公式如下：
其中Φt表示T(φ)在时间步长t上的梯度，▽为梯度算子，T(φ)表示参数φ的目标函 数，pt,qt分别表示对梯度Φt一阶矩和二阶矩估计；是对pt,qt的校正，近似对期望 的无偏估计；μ,v表示局部估计的指数衰减率，η表示学习率。μ,v表示局部估计的指数衰减率，η表示学习率。
经实验验证，当μ＝0.9,v＝0.999,η＝0.001,ε＝10-8时优化效果最好。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方 式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。

Claims (4)

1.一种半监督特征学习的黑色素瘤自动检测方法，包括以下步骤：
A.图像预处理
包括图像去噪、毛发消除和尺度归一化；
B.病变区域分割
采用基于色差改进的GrabCut算法，先对图像前景进行初始估计，再将初始估计作为GrabCut算法输入进行前景分割；
C.特征提取与分类
采用CNN(Convolutional Neural Network，卷积神经网络)模型对图像特征进行半监督学习，该模型分训练和测试两个阶段，其中训练模型是先将图像放入搭建好的模型中进行前向特征提取，再将提取的特征放入SVM分类器中训练，测试模型则输入未知图片，完成黑色素瘤检测。
2.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法，其特征在于：所述步骤A中，图像去噪采用小波阈值去噪方法，利用其良好的时频特性，在图像小波分解后根据不同子图像的不同特征选择不同阈值去噪；毛发消除采用基于形态学闭运算的方法从图像中提取毛发，并用毛发周围的像素信息对毛发区域进行填充，完成毛发消除；采用双线性插值法对图像进行尺度归一化处理处理。
3.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法，其特征在于：所述步骤B中，基于色差改进的GrabCut算法采用CIEDE2000色差方法对图像前景进行初始估计，CIEDE2000色差公式I表示表示为：
<mrow> <mi>I</mi> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mi>&amp;Delta;L</mi> <mo>*</mo> </msup> </mrow> <mrow> <msub> <mi>&amp;omega;</mi> <mi>L</mi> </msub> <msub> <mi>S</mi> <mi>L</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mi>&amp;Delta;C</mi> <mo>*</mo> </msup> </mrow> <mrow> <msub> <mi>&amp;omega;</mi> <mi>C</mi> </msub> <msub> <mi>S</mi> <mi>C</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mi>&amp;Delta;H</mi> <mo>*</mo> </msup> </mrow> <mrow> <msub> <mi>&amp;omega;</mi> <mi>H</mi> </msub> <msub> <mi>S</mi> <mi>H</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>R</mi> <mi>T</mi> </msub> <mfrac> <mrow> <msup> <mi>&amp;Delta;C</mi> <mo>*</mo> </msup> </mrow> <mrow> <msub> <mi>&amp;omega;</mi> <mi>C</mi> </msub> <msub> <mi>S</mi> <mi>C</mi> </msub> </mrow> </mfrac> <mfrac> <mrow> <msup> <mi>&amp;Delta;H</mi> <mo>*</mo> </msup> </mrow> <mrow> <msub> <mi>&amp;omega;</mi> <mi>H</mi> </msub> <msub> <mi>S</mi> <mi>H</mi> </msub> </mrow> </mfrac> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值；ωL,ωC,ωH分别表示亮度、饱和度和色度的权重值；SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度；RT为色相旋转项；
将初始估计作为GrabCut算法输入进行前景分割，GrabCut算法将图像表示为矢量z＝{z1,z2,...,zn,...zN}，将图像分割表示为求每个像素点的值α＝{α1,α2...,αn,...αN}，其中αn∈{0,1}，αn＝0、1分别表示属于背景、前景；对背景和前景采用K个高斯混合模型进行建模；用kn＝{1,...,K}表示第n个像素的高斯分量，来自背景还是前景取决于αn的值，N表示图像像素总数，GrabCut的Gibbs能量函数表示为：
EN(α,k,θ,z)＝U(α,k,θ,z)+V(α,z) (2)
其中
<mrow> <mi>U</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
D(αn,kn,θ,zn)＝-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高斯概率分布、混合权重系数；
θ＝{π(α,k),μ(α,k),Μ(α,k),α＝{0,1},k＝1,...,K} (5)
θ是高斯混合模型参数，μ(·)表示均值向量，Μ(·)表示协方差矩阵；
<mrow> <mi>V</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;gamma;</mi> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>O</mi> </mrow> </munder> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;alpha;</mi> <mi>m</mi> </msub> <mo>&amp;NotEqual;</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>&amp;rsqb;</mo> <mi>exp</mi> <mo>-</mo> <mi>&amp;beta;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>z</mi> <mi>m</mi> </msub> <mo>-</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
V(a,z)是边界项，体现邻域像素m,n之间不连续的惩罚，m为像素点n的领域像素点，当两邻域像素差别越大，能量越小，O表示成对相邻像素。
4.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法，其特征在于：所述步骤C中，采用卷积神经网络对图像进行前向特征提取，其中每层卷积操作包括卷积和RELU，将提取的高级特征放入SVM分类器中进行训练，最终输出训练集分类结果；
卷积操作表示为：
al＝g(∑Wlal-1+bl) (7)
其中，al，al-1分别表示第l，l-1层神经网络输出，g(x)＝max(0,x)为非线性激活函数ReLU，Wl，bl分别表示第l层权重和偏置；
SVM分类器训练过程包括损失函数值计算和优化，其中优化是寻找使损失函数值最小的参数W的过程；SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为：
<mrow> <msub> <mi>Loss</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> </mrow> </munder> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <msub> <mi>f</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <msub> <mi>y</mi> <mi>i</mi> </msub> </msub> <mo>+</mo> <mi>&amp;Delta;</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中f为评分函数，fj、分别为第j个类别和正确标注的评分函数值；Δ为间隔，在实际应用中值为1；
优化器采用Adam算法，其公式如下：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;Phi;</mi> <mi>t</mi> </msub> <mo>=</mo> <msub> <mo>&amp;dtri;</mo> <mi>&amp;phi;</mi> </msub> <msub> <mi>T</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;phi;</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>p</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>&amp;mu;</mi> <mo>&amp;times;</mo> <msub> <mi>p</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>&amp;Phi;</mi> <mi>t</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>q</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>v</mi> <mo>&amp;times;</mo> <msub> <mi>q</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msup> <msub> <mi>&amp;Phi;</mi> <mi>t</mi> </msub> <mn>2</mn> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>p</mi> <mo>^</mo> </mover> <mi>t</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>p</mi> <mi>t</mi> </msub> <mrow> <mn>1</mn> <mo>-</mo> <msup> <mi>&amp;mu;</mi> <mi>t</mi> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>q</mi> <mo>^</mo> </mover> <mi>t</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>q</mi> <mi>i</mi> </msub> <mrow> <mn>1</mn> <mo>-</mo> <msup> <mi>v</mi> <mi>t</mi> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;phi;</mi> <mi>t</mi> </msub> <mo>=</mo> <msub> <mi>&amp;phi;</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mfrac> <msub> <mover> <mi>p</mi> <mo>^</mo> </mover> <mi>t</mi> </msub> <mrow> <msqrt> <msub> <mover> <mi>q</mi> <mo>^</mo> </mover> <mi>t</mi> </msub> </msqrt> <mo>+</mo> <mi>&amp;epsiv;</mi> </mrow> </mfrac> <mo>&amp;times;</mo> <mi>&amp;eta;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
其中Φt表示T(φ)在时间步长t上的梯度，为梯度算子，T(φ)表示参数φ的目标函数，pt,qt分别表示对梯度Φt一阶矩和二阶矩估计；是对pt,qt的校正，近似对期望的无偏估计；μ,v表示局部估计的指数衰减率，η表示学习率。
CN201711374297.8A 2017-12-19 2017-12-19 一种半监督特征学习的黑色素瘤自动检测方法 Pending CN108053398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711374297.8A CN108053398A (zh) 2017-12-19 2017-12-19 一种半监督特征学习的黑色素瘤自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711374297.8A CN108053398A (zh) 2017-12-19 2017-12-19 一种半监督特征学习的黑色素瘤自动检测方法

Publications (1)

Publication Number Publication Date
CN108053398A true CN108053398A (zh) 2018-05-18

Family

ID=62130002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711374297.8A Pending CN108053398A (zh) 2017-12-19 2017-12-19 一种半监督特征学习的黑色素瘤自动检测方法

Country Status (1)

Country Link
CN (1) CN108053398A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921205A (zh) * 2018-06-14 2018-11-30 浙江大学 一种基于多特征融合的皮肤病临床图像分类方法
CN108985349A (zh) * 2018-06-26 2018-12-11 福州大学 一种考虑图像集复杂性的石材纹理图像cnn识别方法
CN109782392A (zh) * 2019-02-27 2019-05-21 中国科学院光电技术研究所 一种基于改进型随机并行梯度下降算法的光纤耦合方法
CN111445488A (zh) * 2020-04-22 2020-07-24 南京大学 一种弱监督学习自动识别和分割盐体的方法
CN111583256A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于旋转均值操作的皮肤镜图像分类方法
CN111652863A (zh) * 2020-05-27 2020-09-11 刘君茹 一种医学影像检测方法、装置、设备和存储介质
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统
CN112689851A (zh) * 2019-01-09 2021-04-20 欧姆龙株式会社 图像处理装置、图像处理程序以及图像处理方法
CN113255681A (zh) * 2021-05-31 2021-08-13 东华理工大学南昌校区 一种生物数据性状识别系统
WO2021203796A1 (zh) * 2020-04-09 2021-10-14 之江实验室 一种基于深度半监督多任务学习生存分析的疾病预后预测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335981A (zh) * 2015-10-29 2016-02-17 重庆电信系统集成有限公司 一种基于图像的货物监控方法
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法
CN107316294A (zh) * 2017-06-28 2017-11-03 太原理工大学 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法
CN107330883A (zh) * 2017-07-04 2017-11-07 南京信息工程大学 一种医学图像病变区域定位和分类方法
CN107464250A (zh) * 2017-07-03 2017-12-12 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335981A (zh) * 2015-10-29 2016-02-17 重庆电信系统集成有限公司 一种基于图像的货物监控方法
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法
CN107316294A (zh) * 2017-06-28 2017-11-03 太原理工大学 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法
CN107464250A (zh) * 2017-07-03 2017-12-12 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法
CN107330883A (zh) * 2017-07-04 2017-11-07 南京信息工程大学 一种医学图像病变区域定位和分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ADRI`A A. SANG¨UESA 等: "Initiating GrabCut by Color Difference for Automatic Foreground Extraction of Passport Imagery", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA)》 *
DIEDERIK P. KINGMA 等: "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION", 《《HTTPS://ARXIV.ORG/ABS/1412.6980》》 *
伊聪聪 等: "一种改进的Grabcut图像分割方法", 《小型微型计算机系统》 *
孙银辉: "色素性皮肤病图像预处理与内容检索研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921205A (zh) * 2018-06-14 2018-11-30 浙江大学 一种基于多特征融合的皮肤病临床图像分类方法
CN108985349A (zh) * 2018-06-26 2018-12-11 福州大学 一种考虑图像集复杂性的石材纹理图像cnn识别方法
CN108985349B (zh) * 2018-06-26 2021-09-28 福州大学 一种考虑图像集复杂性的石材纹理图像cnn识别方法
CN112689851A (zh) * 2019-01-09 2021-04-20 欧姆龙株式会社 图像处理装置、图像处理程序以及图像处理方法
CN109782392A (zh) * 2019-02-27 2019-05-21 中国科学院光电技术研究所 一种基于改进型随机并行梯度下降算法的光纤耦合方法
WO2021203796A1 (zh) * 2020-04-09 2021-10-14 之江实验室 一种基于深度半监督多任务学习生存分析的疾病预后预测系统
CN111445488A (zh) * 2020-04-22 2020-07-24 南京大学 一种弱监督学习自动识别和分割盐体的方法
CN111445488B (zh) * 2020-04-22 2023-08-04 南京大学 一种弱监督学习自动识别和分割盐体的方法
CN111583256A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于旋转均值操作的皮肤镜图像分类方法
CN111583256B (zh) * 2020-05-21 2022-11-04 北京航空航天大学 一种基于旋转均值操作的皮肤镜图像分类方法
CN111652863A (zh) * 2020-05-27 2020-09-11 刘君茹 一种医学影像检测方法、装置、设备和存储介质
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统
CN111863232B (zh) * 2020-08-06 2021-02-19 深圳市柯尼达巨茂医疗设备有限公司 基于区块链和医学影像的远程疾病智能诊断系统
CN113255681A (zh) * 2021-05-31 2021-08-13 东华理工大学南昌校区 一种生物数据性状识别系统

Similar Documents

Publication Publication Date Title
CN108053398A (zh) 一种半监督特征学习的黑色素瘤自动检测方法
CN107203999B (zh) 一种基于全卷积神经网络的皮肤镜图像自动分割方法
CN107154023B (zh) 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
Du et al. An overview of multi-modal medical image fusion
Kumar et al. Breast cancer classification of image using convolutional neural network
CN107220980A (zh) 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN106296699A (zh) 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN107481188A (zh) 一种图像超分辨率重构方法
CN107492095A (zh) 基于深度学习的医学图像肺结节检测方法
CN107016406A (zh) 基于生成式对抗网络的病虫害图像生成方法
CN109146899A (zh) Ct图像的危及器官分割方法及装置
CN108416266A (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111815574A (zh) 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
Pan et al. Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review
CN107424145A (zh) 基于三维全卷积神经网络的核磁共振图像的分割方法
CN109977955A (zh) 一种基于深度学习的宫颈癌前病变识别的方法
CN111028923B (zh) 数字病理图像染色归一化方法、电子装置及存储介质
CN107516312A (zh) 一种应用浅层神经网络的中医面色自动分类方法
Cao et al. Gastric cancer diagnosis with mask R-CNN
CN102737382A (zh) 一种前列腺超声图像自动精确分割方法
Yonekura et al. Improving the generalization of disease stage classification with deep CNN for glioma histopathological images
CN106127689A (zh) 图像视频超分辨率方法和装置
CN107909588A (zh) 基于三维全卷积神经网络的mri皮质下分区系统
Xue et al. Automated tongue segmentation in Chinese medicine based on deep learning
Ye et al. Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180518

WD01 Invention patent application deemed withdrawn after publication