Escolar Documentos
Profissional Documentos
Cultura Documentos
Xingmei Caoa , Jeng-Shyang Panb , Zhengdi Wanga , Zhonghai Sunc , Anwar ul Haqa ,
Wenyu Denga , Shuangyuan Yanga,ÿ
a Escola de Informática, Universidade de Xiamen, Xiamen 361005, China b
Faculdade de Ciência da Computação e Engenharia, Universidade de Ciência e Tecnologia de Shandong, Shandong 250100, China c Xiamen Information Group Big Data
Operation Co., Ltd, China
Historia do artigo: Objetivo: O melanoma é um tipo de câncer de pele maligno com alta mortalidade e sua incidência vem aumentando rapidamente
Recebido em 14 de dezembro de 2020
nos últimos anos. Atualmente, o melhor tratamento é a ressecção cirúrgica após diagnóstico precoce.
Aceito em 5 de maio de 2021
Porém, devido à alta semelhança visual entre o melanoma e o nevo melanocítico benigno, aliada à escassez e desequilíbrio de
dados, os métodos tradicionais são difíceis de obter bons resultados de reconhecimento e detecção. Da mesma forma, muitos
Palavras-chave: métodos de aprendizado de máquina foram aplicados à tarefa de detecção e classificação de doenças de pele. No entanto, a
Detecção de melanoma precisão e a sensibilidade dos experimentos ainda não são satisfatórias. Portanto, este artigo propôs um método para identificar o
Máscara R-CNN
melanoma de forma mais eficiente e precisa.
Aprendizagem em conjunto
Aprendizado profundo
Método: Implementamos um método de geração de imagem de lesão cutânea mista baseado em Mask R-CNN (MSLP-MR) para
Fusão de imagens resolver o problema de desequilíbrio de dados. Além disso, projetamos uma estrutura de detecção de melanoma de Mask-DenseNet+
baseada em MSLP-MR. Este método usou Mask R-CNN para introduzir o método de segmentação de máscara e combinado com a
ideia de aprendizado conjunto para integrar vários classificadores para predição ponderada. Em comparação com os experimentos
de ablação, a precisão, a sensibilidade e a AUC da classificação da rede proposta foram melhoradas em 2,56%, 29,33% e 0,0345.
Resultado: Os resultados experimentais no conjunto de dados ISIC mostraram que a precisão do algoritmo é de 90,61%, a
sensibilidade chega a 78,00%, valor superior aos métodos originais; a especificidade chega a 93,43%; e a AUC atinge 0,9502.
Conclusão: O método é viável e eficaz e atinge o objetivo preliminar de detecção de melanoma. Melhorou muito a precisão da
detecção e atingiu o nível de diagnóstico visual dos médicos.
1. Introdução provavelmente terá metástase para outros órgãos e tecidos do corpo humano, ponto
em que a taxa de sobrevivência em 5 anos é pouco menos de 50% [2,3].
Melanoma, também conhecido como melanoma maligno, que é um câncer de pele
muito agressivo. Embora o melanoma maligno ocorra em menos de 5% de todos os O melanoma maligno precoce pode ser facilmente confundido com um nevo
cancros da pele, o melanoma maligno é responsável por até 70% de todas as mortes melanocítico benigno típico. Os nevos melanocíticos benignos resultam de crescimentos
por cancro da pele. A cada ano, ocorrem 132.000 tipos de câncer de pele melanoma em cutâneos hiperpigmentados sem sinais provisórios de patologia, mas suas características
todo o mundo, e a incidência e a mortalidade do melanoma aumentaram constantemente clínicas se assemelham ao melanoma, uma natureza que muitas vezes impede o
nos últimos 30 anos na maioria dos países desenvolvidos [1]. diagnóstico adequado do melanoma. A dermatoscopia é uma modalidade de diagnóstico
baseada em microscópio que produz uma imagem ampliada e iluminada da área da
O melanoma maligno é causado pela síntese anormal de células de melanina. O pele, aumentando assim a clareza da área alvo [4]. Dermatologistas bem treinados e
melhor tratamento atual é a realização de ressecção local após diagnóstico precoce. experientes podem diagnosticar melanoma a partir de imagens dermatoscópicas com
Se diagnosticada precocemente, a taxa de sobrevivência dos pacientes em 5 anos pode até 80% de precisão [5], mas essa modalidade diagnóstica muitas vezes depende do
chegar a 95%, caso contrário as células malignas são conhecimento empírico do médico. A teoria dos jogos pode ser definida como a
modelagem da possível interação entre dois ou mais agentes ou participantes racionais.
Na inteligência artificial, a função básica
ÿ Autor correspondente.
https://doi.org/10.1016/j.cmpb.2021.106174 0169-2607/©
2021 Elsevier BV Todos os direitos reservados.
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
da teoria dos jogos é ajudar na tomada de decisões. Kelvin et al. propôs um técnica de Rede Neural tradicional, e uma segunda etapa baseada em um
novo método para determinar a solução ótima de Pareto de números diferentes de zero Estrutura ResNet152. Os resultados mostraram que o modelo atingiu um
jogo de soma em 2010 [6]. Portanto, a análise inteligente de imagens dermatoscópicas aumento na precisão e precisão balanceada de 3,66% e 9,96%, respectivamente.
para auxiliar os dermatologistas a melhorar a discriminação e a eficiência do melanoma Embora a especificidade e a sensibilidade tenham alcançado um alto
precoce tornou-se um importante pontuação (superior a 0,8), ainda há espaço para melhorias.
interesse de pesquisa. Em resumo, existem alguns problemas típicos nos métodos de classificação acima.
A princípio, os dados amostrais de dermatoses são desequilibrados. Esses métodos
2. Revisão da literatura de classificação funcionam bem em um ambiente equilibrado
estado de cada categoria de dados, mas eles geralmente funcionam no
Nos últimos anos, vários métodos de aprendizado de máquina têm sido caso de desequilíbrio de dados. Há um desequilíbrio de dados no conjunto de dados
aplicado à tarefa de classificar a detecção de doenças de pele. Como dermatológicos, ou seja, há mais dados para algumas condições dermatológicas
métodos comuns de aprendizado de máquina: Modelo Bag-of-Features [7], comuns do que para condições dermatológicas raras. Por exemplo, o número de
Árvore de decisão [8], Classificação de conjunto [9], K-vizinho mais próximo amostras de melanoma no conjunto de dados públicos ISIC
[10] e Máquina de Vetores de Suporte. é inferior a 2.000, enquanto o nevo melanocítico chega a 6.000.
Em comparação com os métodos tradicionais de aprendizado de máquina, as O segundo problema é a segmentação das lesões. Doença de pele
Redes Neurais Convolucionais (CNN) foram validadas para obter melhores resultados os pacientes apresentam diferentes condições de aparência, como cor da pele,
em tarefas de classificação de imagens médicas, como Inception (GoogleNet) [11], cabelo natural, vasos sanguíneos e textura. Se a área da lesão não for segmentada de
AlexNet [12], QuocNet [13 ], BN-Inception-V2 [14] e Inception-V3 [15] foram aplicados forma inteligente, essas condições de aparência afetarão seriamente o desempenho
ao problema de classificação do algoritmo de detecção. O
classificação de imagens dermatológicas. Menegola et al. [18] classificou melanoma e o terceiro é o transplante do modelo de rede. Na classificação de imagens, existem
outras doenças de pele com base no Inception-V4 [16], alguns modelos de rede maduros com bom desempenho de classificação, como
ResNet-101 [17] e outros modelos, e a precisão da detecção AlexNet, ResNet-101 e Inception-V4. No entanto, essas aplicações de rede precisam
melanoma atingiu 87,20%, conquistando o primeiro lugar no concurso 2017 ser retreinadas, ajustadas de forma personalizada e até mesmo melhorada a estrutura
Desafio ISIC. Nos últimos anos, várias redes neurais convolucionais com capacidades local, a fim de
de aprendizagem hierárquica foram propostas alcançar melhores resultados. Além do mais, embora alguns pesquisadores
e aplicado à detecção de doenças de pele melanoma. Codela foram aplicadas Máscara R-CNN neste campo, e a taxa de precisão
e outros. [19] integraram CNN e SVM para classificar a dermatose do melanoma. Com atingiu um nível elevado, não resolveu o problema do desequilíbrio de dados. Além do
base no tratamento do clássico problema de negociação, Wong K propôs um método mais, não descobrimos que nenhum pesquisador tenha
para resolver o problema da mochila. aprendizagem em conjunto aplicada neste campo.
em 2015 [20]. Kawahara et al. [21] migrou AlexNet pré-treinado Portanto, este artigo utiliza o conjunto de dados aberto do dermatoscópio
CNN à imagem dermatológica para ajuste fino da rede, que imagens fornecidas pelo ISIC para projetar algoritmos de detecção inteligentes
reduziu bastante o tempo de treinamento da rede. Ao mesmo tempo, relevantes e melhorar continuamente a precisão do algoritmo,
o modelo alcançou uma precisão de classificação de 81,8% em 1.300 imagens de modo a alcançar melhores fins de diagnóstico auxiliar.
dermatológicas (não dermatoscópicas) obtidas de uma câmera padrão. Esta ideia de
transferência de conhecimento também foi aplicada no modelo Deep-mole proposto
por Pomponiu et al. [22], onde um pré-treinado 3. Metodologia
rede neural profunda (DNN) foi aplicada como extrator de recursos
para diagnosticar malignidades em amostras de lesões de pele, ao mesmo tempo que 3.1. Métodos
alivia o problema do pequeno tamanho da amostra. No entanto, este pré-treinamento
método tem algumas deficiências, que não podem resolver essencialmente o 3.1.1. Estrutura básica baseada em CNN para detecção de melanoma
problema de tamanho de amostra pequeno e dados de amostra desequilibrados, Para atingir o objetivo de detecção do melanoma, neste
porque as imagens naturais existentes (como ImageNet [23]) e seção, construímos uma estrutura de detecção de melanoma baseada em CNN em
as imagens da doença de pele melanoma apresentam diferenças significativas na combinação com CNN e simula a implementação de var-
morfologia, estrutura, textura e outras características. Se confiarmos apenas
em outras características naturais da imagem, tendemos a ignorar as características
de imagem de melanoma; se usarmos apenas alguns recursos superficiais de
a rede pré-treinada não pode ajudar muito no reconhecimento de imagens de melanoma
e, portanto, ainda não conseguimos resultados satisfatórios na precisão da classificação.
Alguém percebeu automático
detecção de melanoma usando U-Net e Mask R-CNN [24] em
2018. O experimento mostrou que o índice Jaccard no oficial
conjunto de dados atingiu 0,477 e 0,233, mas o desempenho da classificação
de dados desequilibrados não era ideal. Li et al. [25] propuseram uma estrutura
baseada em CNN para LIN e LFN. Sua AUC atingiu 0,912. No entanto, a sensibilidade
foi de apenas 0,693. Rehman et al. [31] apresentado
um método automatizado para detecção e reconhecimento de lesões cutâneas
usando fusão de imagens segmentadas de sementes baseadas em pixels e multinível
redução de recursos. Nasir et al. [32] apresentam uma abordagem eficaz
à classificação do melanoma a partir de imagens dermatoscópicas de lesões cutâneas.
Eles realizaram detecção automática de bordas para delinear o
lesão da pele de fundo e empregou uma abordagem dedicada de aprendizagem em
conjunto para resolver o desequilíbrio de classe no
dados de treinamento. Os resultados mostraram que a abordagem funciona bem. Costa
e outros. [33] propuseram um classificador de lesões cutâneas, que envolve um estágio
inicial que recorta automaticamente a região de interesse dentro de um
imagem dermatoscópica usando máscara e convolução baseada em região Figura 1. Estrutura de detecção de melanoma baseada na CNN.
2
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Figura 2. Fluxograma do MSLP-MR. ser aplicado a "detecção de alvo", "segmentação de instância de destino"
e "detecção de ponto-chave alvo". A detecção de objetos refere-se principalmente a
detectar que tipo de objeto existe em uma imagem e marcá-lo
Vários modelos clássicos de rede CNN, como Inception-V4, ResNet com uma caixa; enquanto a segmentação de instância é para marcar a categoria para
[16] e DenseNet [26]. O fluxograma é mostrado na Fig . a qual cada pixel da imagem pertence. Máscara R-CNN pode eficientemente
Depois de inserir os dados da imagem, é necessário um pré-processamento em detecte alvos em imagens enquanto gera máscaras de segmentação de alta qualidade
duas etapas: (1) redimensionar a imagem para o tamanho de entrada especificado pela CNN para alvos.
rede; (2) realizar a normalização dos dados. No processo de normalização de dados, o Conforme mostrado na Figura 3, o algoritmo consiste principalmente em seis etapas.
escalonamento simples é usado para reajustar o valor de cada (a) insere os dados originais, (b) executa a pré-
3
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
operações de processamento, (c) inserir a imagem em uma CNN pré-treinada 3.1.4. Máscara-DenseNet+
rede para extração de recursos para obter o recurso correspondente Com base na rede de classificação original, Mask-DenseNet+
mapa, (d) definir vários ROIs (regiões de interesse) para cada ponto em framework introduz a ideia de processamento de máscara e conjunto
o mapa de recursos para obter vários ROIs candidatos, (e) insira o candidato aprendizado. O processo de Mask-DenseNet+ é mostrado na Fig .
ROIs na rede RPN para classificação binária (primeiro plano ou podemos ver que Mask-DenseNet + primeiro usa Mask R-CNN para gerar
plano de fundo) e regressão de fronteira, filtrar ROIs candidatos duplicados, máscara da imagem original e, em seguida, extrai a área alvo da lesão com
e realizar operações de alinhamento de ROI nos ROIs restantes, (f) o máscara para obter novos dados de imagem de doenças de pele. Então, os novos dados
O ROI está sujeito a classificação multicategoria, regressão de fronteira, são amostrados aleatoriamente para obter n amostras, que são usadas para treinar
e operações FCN para gerar uma máscara. o DenseNet independentemente para obter n classificadores. Finalmente, n classificadores
A máscara gerada pela rede Mask R-CNN é mostrada na Fig . são combinados por certas estratégias para obter o classificador forte final.
A partir da comparação dos resultados, a máscara gerada pelo Mask R-CNN é
muito consistente com a máscara real da imagem original, e o Conjunto de aprendizagem e ensacamento. A aprendizagem em conjunto constrói
O coeficiente de similaridade de Jaccard chega a 0,868. Experimentos mostram que vários alunos individuais e depois usa estratégias de combinação específicas para obter
A máscara R-CNN pode detectar com precisão as lesões em imagens de doenças de um aluno forte. Os alunos individuais podem ser homogêneos ou heterogêneos, em
pele, e a imagem da máscara gerada pode atender aos requisitos de que os alunos individuais homogêneos podem ser divididos em duas categorias de
MSLP-MR. Na Fig. 5, a imagem da doença de pele após a segmentação da máscara acordo com a dependência.
remove efetivamente o ruído de fundo (como uma grande quantidade relação. Um tipo de dependência forte precisa ser gerado em série. O algoritmo
de cabelos, marcas coloridas, etc.), o que permite que a rede de classificação se representativo é o algoritmo de reforço,
concentre nas características da área lesionada e obtenha
e o outro tipo pode ser gerado em paralelo sem forte dependência. Os algoritmos
melhor desempenho de classificação. representativos são bagging e Random
4
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
5
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
6
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
3.3.2. Precisão
A precisão representa a proporção de amostras classificadas corretamente em Tabela 3
relação ao total de amostras. De modo geral, quanto maior a precisão, melhor será o Resultados de teste para cada rede.
classificador. A definição de precisão é mostrada
Rede Sensibilidade de Precisão Especificidade AUC de pontuação F1
na Eq. (3).
Início-V4 0,8512 0,3000 0,9746 0,4245 0,8718
TP + TN ResNet-152 0,8646 0,3600 0,9776 0,4932 0,9092
Precisão = (3) DenseNet-121 0,8805 0,4867 0,9687 0,5984 0,9157
TP + FN + FP + TN
3.3.5. Pontuação F1
4.1. Conjuntos de dados
Na tarefa de classificação, a recordação e a precisão influenciam cada
outro. Embora o alto valor de ambos seja uma situação ideal, o
a situação real geralmente é de alta precisão, mas baixa recuperação, ou alta O conjunto de dados neste artigo é do conjunto de dados público do "Skin
recuperação, mas baixa precisão. Para levar em conta tanto a recordação como a Competição "Lesion Analysis Towards Melanoma Detection" realizada pela
precisão, a pontuação F1 pode ser usada, que é a média harmônica de Colaboração Internacional ISIC Skin Imaging em 2017 e 2018, respectivamente [27–29].
recordação e precisão. A definição da pontuação F1 é mostrada na Eq. (6), Porque este artigo enfoca o diferencial
em que a definição de recordação é consistente com a definição de diagnóstico de melanoma e nevo melanocítico benigno, apenas os dados de imagem de
sensibilidade, enquanto a definição de precisão é mostrada na Equação 7. dois tipos de lesões cutâneas, melanoma e melanócitos
nevus, são selecionados do conjunto de dados ISIC. O conjunto de dados foi dividido
Precisão * Rechamada aleatoriamente em conjunto de treinamento e conjunto de teste de acordo com a proporção
Pontuação F1 = 2 ÿ (6) de 9:1. A distribuição dos dados para o experimento final é mostrada em
Precisão + recall
Mesa 2.
PT
Precisão = (7)
TP + PF 4.2. Resultados do modelo básico de detecção de melanoma
7
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Tabela 5
peso da função de perda é mais inclinado ao nevo melanocítico,
Matrizes de confusão do ResNet-152.
embora as amostras de melanoma não contribuam muito para a precisão, ela é
Original gradativamente ignorada. Portanto, a precisão geral
Prever Melanoma/pcs Nevo melanocítico/pcs
os resultados do teste no experimento são muito altos, mas a diferença
Melanoma 54 15 entre sensibilidade e especificidade é muito grande.
Nevo melanocítico 96 655
Para resolver o problema do desequilíbrio de dados, experimentos subsequentes
equilibrarão diferentes tipos de dados para aliviar o viés de classificação causado
Tabela 6 pelo desequilíbrio de dados.
Matrizes de confusão do DenseNet-121. Devido ao problema de desequilíbrio de dados, este estudo não é mais apenas
toma a precisão como único critério de avaliação, mas também precisa
Original
Prever considere outros critérios. Porque a AUC não é sensível ao facto de
Melanoma/pcs Nevo melanocítico/pcs
os dados são equilibrados ou não, podem refletir objetivamente a qualidade dos
Melanoma 73 21
Nevo melanocítico 77 649 o classificador. Ao mesmo tempo, a pontuação F1 integra o recall e
precisão, também pode avaliar objetivamente os resultados da classificação.
Portanto, a pontuação AUC e F1 também estão incluídas na avaliação de
os resultados e a diferença entre sensibilidade e especificidade
acima de 0,85, ResNet-152 e DenseNet-121 são 0,9092 e 0,9157, deve ser dada atenção.
respectivamente. Os resultados dos testes mostram que todas as três redes de
classificação funcionam bem. Entre eles, DenseNet-121 tem melhor desempenho,
4.2.2. Métodos tradicionais para desequilíbrio de dados
indicando que a estrutura de detecção projetada neste capítulo
Visando o problema do desequilíbrio de dados, o processamento tradicional
é viável e eficaz e pode atender às necessidades do melanoma
os métodos incluem principalmente aumento de dados e amostragem descendente.
detecção até certo ponto. Depois de comparar os resultados dos testes de
nas três redes, uma vez que o desempenho de classificação abrangente do
Aumento de dados. Quando os dados de treinamento são limitados, para
DenseNet-121 é melhor do que o Inception-V4 e o ResNet-152, os experimentos
para evitar ajuste excessivo, alguns novos dados podem ser gerados a partir do
subsequentes neste artigo serão baseados em
DenseNet-121. dados existentes por alguns métodos de transformação, de modo a expandir
o conjunto de dados, que é o aumento de dados. Para dados de imagem, os métodos
No entanto, a sensibilidade dos três modelos é inferior a 50%.
comumente utilizados são: rotação, corte, inversão, dimensionamento, deformação,
Mesmo o melhor modelo do DenseNet-121, tem uma sensibilidade de apenas
apagamento, distorção, ruído sobreposto [27].
48,67%. Ao analisar a matriz de confusão dos três modelos,
Os resultados do experimento do DenseNet-121 após o aumento dos dados são
verifica-se que a capacidade de reconhecimento das três redes para
mostrados na Tabela 7. Os resultados experimentais mostram que o
amostras de melanoma são muito ruins, os resultados da previsão são tendenciosos
O método de aumento de dados pode aliviar o problema de desequilíbrio de dados
e tendem a julgar o melanoma como nevo melanocítico. Olhando para o
até certo ponto e melhorar o desempenho da rede DenseNet-121 original. No entanto,
dados experimentais, descobrimos que havia um sério desequilíbrio
a sensibilidade e a especificidade
entre o número de amostras de melanoma e nevo melanocítico.
ainda são muito diferentes, a capacidade de reconhecimento ainda não consegue atender aos
No conjunto de dados de treinamento, a proporção de melanoma para melanocítico
requisitos experimentais.
amostras de nevo são cerca de 1:4,4. As amostras de melanoma são obviamente
menores que as amostras de nevo melanocítico. Como resultado, o
8
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Tabela 7
Resultados do teste após usar o aumento de dados.
Tabela 8
Resultados do teste após usar amostragem descendente.
Tabela 9
Comparação entre os resultados de aumento de dados e imagens de fusão.
Dados 1367 imagens de fusão Imagens de fusão de 2050 2734 imagens de fusão
critério aumento
valor Comparação valor Comparação valor Comparação
Amostragem descendente. Além de usar o aumento de dados para expandir O DenseNet-121 foi retreinado usando o expandido
No conjunto de dados, a amostragem descendente também é um dos métodos amostras de melanoma e as amostras originais de nevo melanocítico.
tradicionais para resolver o problema de desequilíbrio de dados. Neste estudo, aleatoriamente O número de entrada de imagens de fusão de melanoma é 1367, 2050 e
O método de amostragem descendente foi usado para coletar amostras de ne-vus 2734; o número de amostras de nevo melanocítico é o mesmo que
melanocítico. A proporção de melanoma para nevo melanocítico foi definida as novas amostras de melanoma ou todo o nevo melanocítico original
como 1:1, 1:1,5 e 1:2. O método de aumento de dados foi usado no amostras. Após adicionar diferentes números de imagens de fusão de melanoma, os
com base na amostragem descendente. Os resultados experimentais são mostrados em resultados experimentais de contraste usando apenas aumento de dados são mostrados
Tabela 8. na Tabela 9; os resultados experimentais de contraste
Os resultados mostram que o método down sampling pode usando amostragem descendente são mostrados na Tabela 10.
aliviar o problema do desequilíbrio de dados. Comparado com os dados Os resultados mostram que, após adicionar a imagem de fusão do melanoma
método de aumento, a sensibilidade foi aumentada em 28,67%, dados gerados pelo MSLP-MR, alivia ainda mais o sobreajuste
25,34% e 18,00% quando as proporções amostrais positivas e negativas problema causado pelo desequilíbrio de dados, portanto, tanto a pontuação F1 quanto a AUC são
foram 1:1, 1:1,5 e 1:2, respectivamente, e o escore F1 melhorou em 0,61%, 6,76% e melhorou muito. No entanto, como a imagem de fusão é combinada
7,06%, respectivamente. Especialmente quando o com as características de dois pedaços de melanoma original, quando
a taxa de amostragem descendente é definida como 1: 1,5 e 1: 2, a AUC aumenta de adicionando muitas imagens de fusão, como 2050 e 2734, a fusão
0,9250 a 0,9358 e 0,9361. imagens é mais do que as amostras originais de melanoma, o que
Através do método down sampling, a diferença numérica entre os dois tipos de promova a CNN para aprender as características erradas do melanoma. Portanto,
amostras foi reduzida, de modo que a AUC, pontuação F1 em comparação com a adição de apenas 1367 imagens de fusão, a pontuação F1 e
e a sensibilidade foram significativamente melhoradas, e a diferença entre sensibilidade AUC cairia novamente. Como resultado, quando os dados da imagem de fusão com
e especificidade foi significativamente reduzida, e o 1 vez que as amostras originais de melanoma foram adicionadas, o desempenho
capacidade de detecção da rede DenseNet-121 original para melanoma abrangente do experimento de classificação é o melhor.
foi aprimorado. Comparado com os resultados experimentais, verifica-se
que quando a proporção de amostras positivas e negativas é 1:2, o
4.4. Resultados experimentais do Mask-DenseNet+
o desempenho abrangente da classificação é o melhor.
De acordo com os resultados experimentais, ainda existem dois problemas que
4.4.1. Comparação de DenseNet-145 e DenseNet-121
precisam ser resolvidos. (1) A sensibilidade e especificidade do
Depois de ajustar o número de circunvoluções conjuntas em cada denso
os resultados dos testes ainda são bastante diferentes, e a pontuação F1 e os critérios
bloco para DenseNet-121, a estrutura de rede DenseNet-145 é
AUC precisam ser melhorados, o que indica que os métodos tradicionais, como
construído. Os resultados da comparação experimental de DenseNet-145 e
aumento de dados e amostragem descendente, não resolveram completamente o
DenseNet-121 são mostrados na Tabela 11. Podemos ver que
problema de desequilíbrio de dados;( 2) A precisão de
sob os mesmos dados de treinamento, os resultados do teste do DenseNet-145
o experimento não atingiu o objetivo esperado. Portanto, o
foram melhorados em comparação com o DenseNet-121 nos critérios principais. A
a estrutura da rede deve ser melhorada.
precisão aumentou de 88,78 para 89,39%, F1-Score de
72,12 a 72,20% e AUC de 0,9405 a 0,9420. Os resultados mostram
4.3. Experimento de classificação de imagem de fusão de MSLP-MR
que o DenseNet-145 possui um melhor desempenho de classificação abrangente, uma
vez que sua estrutura de rede é mais profunda e os recursos de imagem aprendidos
Para obter a máscara de doenças de pele neste experimento,
pelo DenseNet-145 são mais abstratos e complexos.
a rede Mask R-CNN foi treinada usando o conjunto de dados aberto
da competição ISIC 2018 "Skin Lesion Analysis Awards Melania Detection". Além das
imagens de dermatoses rotuladas usadas em experimentos de classificação, 2.594 4.4.2. Experimento de extração de lesão de máscara R-CNN
imagens de dermatoses médicas e suas correspondentes imagens de máscaras reais Para treinar a rede DenseNet-145 com os mesmos dados de treinamento
também são fornecidas no conjunto de dados. mencionado acima, e use a rede Mask R-CNN para extrair o
9
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Tabela 10
Comparação entre os resultados de amostragem descendente e imagens de fusão.
Abaixo 1367 imagens de fusão Imagens de fusão de 2050 2734 imagens de fusão
critério amostragem
valor Comparação valor Comparação valor Comparação
10
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Tabela 13
Resultados do teste de aprendizagem do Ensemble.
Tabela 14
[4] M. Binder, M. Schwarz, A. Winkler, A. Steiner, A. Kaider, K. Wolff, H. Peham-berger, Microscopia de
Resultado de comparação de Mask-DenseNet+. epiluminescência. uma ferramenta útil para o diagnóstico de lesões cutâneas pigmentadas para
dermatologistas formalmente treinados, Arch. Dermatol. 131
DenseNet-121 Mascarar-
(3) (1995) 286–291.
critério DenseNet+
[5] ME Vestergaard, P. Macaskill, PE Holt, SW. Menzies, Dermoscopia comparada
Dados originais Amostragem descendente 1:1 Dados MSLP-MR
com exame a olho nu para o diagnóstico de melanoma primário: uma meta–
Precisão 0,8805 Sensibilidade 0,8378 0,9049 0,9061 análise de estudos realizados em ambiente clínico, o Ir. J. Dermatol. 159 (3)
0,4867 Especificidade 0,9687 0,8400 0,6933 0,7800 (2008) 669–676.
Pontuação F1 0,5984 AUC 0,8373 0,9522 0,9343 [6] KKL Wong, et al., Uma Perspectiva Geométrica para o Problema de Negociação [J],
0,9157 0,6545 0,7273 0,7524 PLoS One 5 (4) (2010), doi:10.1371/journal.pone.0010331.
0,9242 0,9279 0,9502 [7] C. Barata, JS Marques, J. Rozeira, Avaliação de pontos-chave e características baseadas em cores
para a classificação de melanomas usando o modelo bag-of-features, em:
Anais do Simpósio Internacional de Computação Visual, Berlim, Hei-delberg, Springer, 2013, pp.
[18] A. Menegola, J. Tavares, M. Fornaciali, et al. Titãs RECOD no desafio ISIC 2017.
Declaração de interesse concorrente Pré-impressão do arXiv arXiv:1703.04819, 2017.
[19] N. Codella, J. Cai, M. Abedini, et al., Aprendizado profundo, codificação esparsa e SVM para
reconhecimento de melanoma em imagens dermatoscópicas, em: Workshop Internacional sobre
Nenhum potencial conflito de interesses foi relatado pelos autores. Aprendizado de máquina em imagens médicas, Springer, Cham, 2015, pp.
[20] K. Wong, Unindo a teoria dos jogos e o problema da mochila: uma abordagem teórica
mulação, J. Eng. Matemática. 91 (1) (2015) 177–192.
Agradecimentos [21] J. Kawahara, A. BenTaieb, G. Hamarneh, Recursos profundos para classificar lesões de pele,
em: Anais do 13º Simpósio Internacional de Imagens Biomédicas do IEEE (ISBI), IEEE, 2016, pp.
Este estudo é parcialmente apoiado pela Fundação Nacional de Ciências Naturais [22] V. Pomponiu, H. Nejati, NM. Cheung, Deepmole: redes neurais profundas para a pele
da China sob a concessão No.71671152, Longyan classificação de lesões moles, em: Proceedings of the IEEE International Conference
em Processamento de Imagens (ICIP), IEEE, 2016, pp.
Projeto de Ciência e Tecnologia sob Concessão No.2019LYF7005
[23] J. Deng, W. Dong, R. Socher, et al., Imagenet: uma imagem hierárquica em grande escala
e Ciência e Tecnologia de Quanzhou Projeto sob concessão banco de dados, em: Proceedings of the IEEE Conference on Computer Vision and Pattern
Nº2019FZ55. Recognition, IEEE, 2009, pp.
[24] K. He, G. Gkioxari, P. Dollár, et al., Mask R-CNN, em: Proceedings of the IEEE
Conferência Internacional sobre Visão Computacional, 2017, pp.
Referências [25] Y. Li, L. Shen, Análise de lesões cutâneas para detecção de melanoma usando profundidade
rede de aprendizagem, Sensores 18 (2) (2018) 322.
[26] G. Huang, Z. Liu, L. Van Der Maaten, et al., Convolucional densamente conectado
[1] A. Mahbod, G. Schaefer, I. Ellinger, R. Ecker, A. Pitiot, C. Wang, Fusing fine–
redes, em: Anais da conferência IEEE sobre visão computacional e reconhecimento de padrões,
recursos profundos ajustados para classificação de lesões de pele, Comput. Med. Imagem
2017, pp.
Gráfico. 71 (2019) 19–29.
[27] Sr. Berseth. ISIC 2017 - Análise de lesões cutâneas para detecção de melanoma.
[2] A. Esteva, B. Kuprel, RA Novoa, J. Ko, SM Swetter, HM Blau, S. Thrun, Classificação de câncer de
2017.
pele em nível de dermatologista com redes neurais profundas, Nature
[28] P. Tschandl, C. Rosendahl, H. Kittler, conjunto de dados HAM10000, uma grande coleção de imagens
542 (7639) (2017) 115–118.
dermatoscópicas de múltiplas fontes de lesões cutâneas pigmentadas comuns
[3] CM Balch, JE Gershenwald, SJ Soong, JF Thompson, MB Atkins, DR Byrd,
[DB/OL], Ciência. Dados 5 (2018) 180161, doi:10.1038/sdata.2018.161.
AC Buzaid, AJ Cochran, DG Coit, S. Ding, AM Eggermont, KT Fla-herty, PA Gimotty, JM Kirkwood,
[29] F. Perez, C. Vasconcelos, S. Avila, et al., Aumento de dados para análise de lesões cutâneas, em:
KM McMasters, MC Mihm, DL Morton,
OR 2.0 Context-Aware Operating Theatres, Computer Assisted Robotic
MI Ross, AJ Sóbrio, VK. Sondak, versão final do estadiamento do melanoma AJCC 2009
e classificação, J. Clin. Oncol. 27 (36) (2009) 6199–6206.
11
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174
Endoscopia, procedimentos clínicos baseados em imagens e análise de imagens da pele, Springer, [32] M. Nasir, MA Khan, M. Sharif, et al., Detecção e classificação de melanoma usando análise
Cham, 2018, pp. computadorizada de sistemas dermatoscópicos: uma revisão, Curr. Med. Imagem (2020).
[30] Y. Jung, Validação cruzada de previsão múltipla K-fold para seleção de modelo, J. Non-
parâmetro. Estado. 30 (1-2) (2018) 197–215. [33] M. Acosta, L. Tovar, MB Garcia-Zapirain, et al., Diagnóstico de melanoma usando
[31] A. Rehman, MA Khan, Z. Mehmood, et al., Detecção microscópica de melanoma técnicas de aprendizagem profunda em imagens dermatoscópicas, BMC Med. Imagem 21 (1)
e classificação: uma estrutura de fusão baseada em pixels e recursos multiníveis (2021).
redução, Microsc. Res. Tecnologia. 83 (11) (2020).
12