Machine Translated by Google

Métodos e programas de computador em biomedicina 207 (2021) 106174

Listas de conteúdos disponíveis em ScienceDirect

Métodos e Programas de Computador em Biomedicina

página inicial da revista: www.elsevier.com/locate/cmpb

Aplicação do método de máscara gerada baseado em Mask R-CNN na classificação

e detecção de melanoma

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

artigo informações abstrato

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.

© 2021 Elsevier BV Todos os direitos reservados.

1. Introdução
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
cancros da pele, o melanoma maligno é responsável por até 70% de todas as mortes
por cancro da pele. A cada ano, ocorrem 132.000 tipos de câncer de pele melanoma em
todo o mundo, e a incidência e a mortalidade do melanoma aumentaram constantemente
nos últimos 30 anos na maioria dos países desenvolvidos [1].
O melanoma maligno é causado pela síntese anormal de células de melanina. O
melhor tratamento atual é a realização de ressecção local após diagnóstico precoce.
Se diagnosticada precocemente, a taxa de sobrevivência dos pacientes em 5 anos pode
chegar a 95%, caso contrário as células malignas são
ÿ Autor correspondente.
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].
O melanoma maligno precoce pode ser facilmente confundido com um nevo
melanocítico benigno típico. Os nevos melanocíticos benignos resultam de crescimentos
cutâneos hiperpigmentados sem sinais provisórios de patologia, mas suas características
clínicas se assemelham ao melanoma, uma natureza que muitas vezes impede o
diagnóstico adequado do melanoma. A dermatoscopia é uma modalidade de diagnóstico
baseada em microscópio que produz uma imagem ampliada e iluminada da área da
pele, aumentando assim a clareza da área alvo [4]. Dermatologistas bem treinados e
experientes podem diagnosticar melanoma a partir de imagens dermatoscópicas com
até 80% de precisão [5], mas essa modalidade diagnóstica muitas vezes depende do
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

Endereço de e-mail: yangshuangyuan@xmu.edu.cn (S. Yang).

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
novo método para determinar a solução ótima de Pareto de números diferentes de zero
jogo de soma em 2010 [6]. Portanto, a análise inteligente de imagens dermatoscópicas
para auxiliar os dermatologistas a melhorar a discriminação e a eficiência do melanoma
precoce tornou-se um importante
interesse de pesquisa.
2. Revisão da literatura
Nos últimos anos, vários métodos de aprendizado de máquina têm sido
aplicado à tarefa de classificar a detecção de doenças de pele. Como
métodos comuns de aprendizado de máquina: Modelo Bag-of-Features [7],
Árvore de decisão [8], Classificação de conjunto [9], K-vizinho mais próximo
[10] e Máquina de Vetores de Suporte.
Em comparação com os métodos tradicionais de aprendizado de máquina, as
Redes Neurais Convolucionais (CNN) foram validadas para obter melhores resultados
em tarefas de classificação de imagens médicas, como Inception (GoogleNet) [11],
AlexNet [12], QuocNet [13 ], BN-Inception-V2 [14] e Inception-V3 [15] foram aplicados
ao problema
classificação de imagens dermatológicas. Menegola et al. [18] classificou melanoma e
outras doenças de pele com base no Inception-V4 [16],
ResNet-101 [17] e outros modelos, e a precisão da detecção
melanoma atingiu 87,20%, conquistando o primeiro lugar no concurso 2017
Desafio ISIC. Nos últimos anos, várias redes neurais convolucionais com capacidades
de aprendizagem hierárquica foram propostas
e aplicado à detecção de doenças de pele melanoma. Codela
e outros. [19] integraram CNN e SVM para classificar a dermatose do melanoma. Com
base no tratamento do clássico problema de negociação, Wong K propôs um método
para resolver o problema da mochila.
em 2015 [20]. Kawahara et al. [21] migrou AlexNet pré-treinado
CNN à imagem dermatológica para ajuste fino da rede, que
reduziu bastante o tempo de treinamento da rede. Ao mesmo tempo,
o modelo alcançou uma precisão de classificação de 81,8% em 1.300 imagens
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
rede neural profunda (DNN) foi aplicada como extrator de recursos
para diagnosticar malignidades em amostras de lesões de pele, ao mesmo tempo que
alivia o problema do pequeno tamanho da amostra. No entanto, este pré-treinamento
método tem algumas deficiências, que não podem resolver essencialmente o
problema de tamanho de amostra pequeno e dados de amostra desequilibrados,
porque as imagens naturais existentes (como ImageNet [23]) e
as imagens da doença de pele melanoma apresentam diferenças significativas na
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
técnica de Rede Neural tradicional, e uma segunda etapa baseada em um
Estrutura ResNet152. Os resultados mostraram que o modelo atingiu um
aumento na precisão e precisão balanceada de 3,66% e 9,96%, respectivamente.
Embora a especificidade e a sensibilidade tenham alcançado um alto
pontuação (superior a 0,8), ainda há espaço para melhorias.
Em resumo, existem alguns problemas típicos nos métodos de classificação acima.
A princípio, os dados amostrais de dermatoses são desequilibrados. Esses métodos
de classificação funcionam bem em um ambiente equilibrado
estado de cada categoria de dados, mas eles geralmente funcionam no
caso de desequilíbrio de dados. Há um desequilíbrio de dados no conjunto de dados
dermatológicos, ou seja, há mais dados para algumas condições dermatológicas
comuns do que para condições dermatológicas raras. Por exemplo, o número de
amostras de melanoma no conjunto de dados públicos ISIC
é inferior a 2.000, enquanto o nevo melanocítico chega a 6.000.
O segundo problema é a segmentação das lesões. Doença de pele
os pacientes apresentam diferentes condições de aparência, como cor da pele,
cabelo natural, vasos sanguíneos e textura. Se a área da lesão não for segmentada de
forma inteligente, essas condições de aparência afetarão seriamente o desempenho
de classificação do algoritmo de detecção. O
o terceiro é o transplante do modelo de rede. Na classificação de imagens, existem
alguns modelos de rede maduros com bom desempenho de classificação, como
AlexNet, ResNet-101 e Inception-V4. No entanto, essas aplicações de rede precisam
ser retreinadas, ajustadas de forma personalizada e até mesmo melhorada a estrutura
local, a fim de
alcançar melhores resultados. Além do mais, embora alguns pesquisadores
foram aplicadas Máscara R-CNN neste campo, e a taxa de precisão
atingiu um nível elevado, não resolveu o problema do desequilíbrio de dados. Além do
mais, não descobrimos que nenhum pesquisador tenha
aprendizagem em conjunto aplicada neste campo.
Portanto, este artigo utiliza o conjunto de dados aberto do dermatoscópio
imagens fornecidas pelo ISIC para projetar algoritmos de detecção inteligentes
relevantes e melhorar continuamente a precisão do algoritmo,
de modo a alcançar melhores fins de diagnóstico auxiliar.
3. Metodologia
3.1. Métodos
3.1.1. Estrutura básica baseada em CNN para detecção de melanoma
Para atingir o objetivo de detecção do melanoma, neste
seção, construímos uma estrutura de detecção de melanoma baseada em CNN em
combinação com CNN e simula a implementação de var-
Figura 1. Estrutura de detecção de melanoma baseada na CNN.

2
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al.
3.1.2. Algoritmo de geração de dados do MSLP-MR
visando expandir o número de melanomas em um pequeno número
3.1.3. Método de extração de área de lesão da Máscara R-CNN
Figura 2. Fluxograma do MSLP-MR.
Vários modelos clássicos de rede CNN, como Inception-V4, ResNet
[16] e DenseNet [26]. O fluxograma é mostrado na Fig .
Depois de inserir os dados da imagem, é necessário um pré-processamento em
duas etapas: (1) redimensionar a imagem para o tamanho de entrada especificado pela CNN
rede; (2) realizar a normalização dos dados. No processo de normalização de dados, o
escalonamento simples é usado para reajustar o valor de cada
Figura 3. Estrutura do algoritmo da Máscara R-CNN.
3
Métodos e programas de computador em biomedicina 207 (2021) 106174
dimensão da imagem, dimensionando o valor do pixel do intervalo [0, 255] para o
intervalo [0, 1]. A imagem é normalizada não apenas para
facilitar o processamento subsequente de dados, mas também para garantir mais rapidez
convergência durante o treinamento do modelo.
Como os dados de imagens dermatológicas são muito caros e requerem
com o apoio de médicos especialistas, propomos uma Lesão de Pele Mista
Método de geração de imagem baseado em Mask R-CNN (MSLP-MR) com um
de amostras, resolvendo assim o problema de desequilíbrio de dados.
Na perspectiva de mesclar as características de duas imagens reais, o MSLP-MR
utiliza a Máscara R-CNN para obter a máscara das imagens dermatológicas e depois
combina aleatoriamente as regiões da lesão
de duas imagens de acordo com a máscara para gerar uma nova imagem dermatológica.
O fluxograma específico é mostrado na Fig. 2. MSLP-MR
utiliza a Máscara R-CNN para obter a máscara da imagem dermatológica, em que 0
marca regiões normais da pele e 1 marca doenças
regiões da pele. Após gerar a máscara para as imagens dermatológicas, o MSLP-MR
primeiro extrai uma das imagens dermatológicas com
a máscara como primeiro plano, e depois pega outra dermatológica
imagem como plano de fundo. Então, os centros de gravidade da lesão
regiões nas imagens de primeiro plano e de fundo são calculadas
com base nas máscaras, e a imagem do primeiro plano é movida para que
os centros de gravidade das regiões lesionadas nas duas imagens se sobrepõem.
Finalmente, a imagem do primeiro plano é girada e cortada aleatoriamente,
e a imagem recortada é submetida ao desfoque gaussiano para saída
uma nova imagem dermatológica. A imagem gerada combina o
características das duas imagens dermatológicas, o que equivale a
melhorando a entrada de recursos para a rede de classificação.
Mask R-CNN é um algoritmo de segmentação de instâncias, que pode
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
com uma caixa; enquanto a segmentação de instância é para marcar a categoria para
a qual cada pixel da imagem pertence. Máscara R-CNN pode eficientemente
detecte alvos em imagens enquanto gera máscaras de segmentação de alta qualidade
para alvos.
Conforme mostrado na Figura 3, o algoritmo consiste principalmente em seis etapas.
(a) insere os dados originais, (b) executa a pré-
Machine Translated by Google
X. Cao, J.-S. Pan, Z. Wang et al.
Figura 4. Máscara R-CNN gerando resultados de máscara.
operações de processamento, (c) inserir a imagem em uma CNN pré-treinada
rede para extração de recursos para obter o recurso correspondente
mapa, (d) definir vários ROIs (regiões de interesse) para cada ponto em
o mapa de recursos para obter vários ROIs candidatos, (e) insira o candidato
ROIs na rede RPN para classificação binária (primeiro plano ou
plano de fundo) e regressão de fronteira, filtrar ROIs candidatos duplicados,
e realizar operações de alinhamento de ROI nos ROIs restantes, (f) o
O ROI está sujeito a classificação multicategoria, regressão de fronteira,
e operações FCN para gerar uma máscara.
A máscara gerada pela rede Mask R-CNN é mostrada na Fig .
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
O coeficiente de similaridade de Jaccard chega a 0,868. Experimentos mostram que
A máscara R-CNN pode detectar com precisão as lesões em imagens de doenças de
pele, e a imagem da máscara gerada pode atender aos requisitos de
MSLP-MR. Na Fig. 5, a imagem da doença de pele após a segmentação da máscara
remove efetivamente o ruído de fundo (como uma grande quantidade
de cabelos, marcas coloridas, etc.), o que permite que a rede de classificação se
concentre nas características da área lesionada e obtenha
melhor desempenho de classificação.
4
Métodos e programas de computador em biomedicina 207 (2021) 106174
3.1.4. Máscara-DenseNet+
Com base na rede de classificação original, Mask-DenseNet+
framework introduz a ideia de processamento de máscara e conjunto
aprendizado. O processo de Mask-DenseNet+ é mostrado na Fig .
podemos ver que Mask-DenseNet + primeiro usa Mask R-CNN para gerar
máscara da imagem original e, em seguida, extrai a área alvo da lesão com
máscara para obter novos dados de imagem de doenças de pele. Então, os novos dados
são amostrados aleatoriamente para obter n amostras, que são usadas para treinar
o DenseNet independentemente para obter n classificadores. Finalmente, n classificadores
são combinados por certas estratégias para obter o classificador forte final.
Conjunto de aprendizagem e ensacamento. A aprendizagem em conjunto constrói
vários alunos individuais e depois usa estratégias de combinação específicas para obter
um aluno forte. Os alunos individuais podem ser homogêneos ou heterogêneos, em
que os alunos individuais homogêneos podem ser divididos em duas categorias de
acordo com a dependência.
relação. Um tipo de dependência forte precisa ser gerado em série. O algoritmo
representativo é o algoritmo de reforço,
e o outro tipo pode ser gerado em paralelo sem forte dependência. Os algoritmos
representativos são bagging e Random
Machine Translated by Google

X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174

Figura 5. Gráfico de comparação do processamento de máscara.

Algoritmos florestais. tabela 1

Matriz de confusão.
n
Prever
P(x) = wipi(x) (1)
eu=1 Original Positivo/pcs Negativo/peças

positivo PT (verdadeiro positivo) FN (falso negativo)

Neste experimento, usamos algoritmo de ensacamento e bootstrap
Negativo FP (falso positivo) TN (verdadeiro negativo)
amostragem (amostragem aleatória com retorno) para obter n conjuntos de amostras, e
em seguida, treinei-os para obter n classificadores. Finalmente, usamos a média
ponderada para obter os resultados finais da predição dos N classificadores, como na Eq.
A entropia cruzada pode medir a distância entre os dados reais
(1).
distribuição e a distribuição de dados prevista, e ao mesmo
tempo, pode evitar o problema de que a taxa de aprendizagem da média
Ajuste da DenseNet. A rede DenseNet-121 inicialmente usada
a função de perda de erro quadrado diminui quando o gradiente cai. O
no experimento contém 4 blocos densos, e o número de
A definição da função de perda de entropia cruzada é mostrada na Eq. (2). Entre
1 × 1+3 × 3 convoluções conjuntas em cada bloco denso é 6, 12, 24
eles, y representa a distribuição de tags reais e ÿ representa
e 16, respectivamente. Para extrair informações mais abstratas e profundas
a distribuição dos rótulos previstos do modelo após o treinamento.
recursos, a rede DenseNet-121 foi aprofundada e o número de
convoluções articulares em cada bloco denso foram ajustadas para 6, 12, 28
e 24, e é aí que o DenseNet-145 é construído. A estrutura
C = ÿ1 [y ln a + (1 ÿ y)ln(1 ÿ a)] (2)
n
da rede DenseNet-145 após o ajuste é mostrado na Fig .
3.3. Critério de avaliação
3.2. Função de perda
3.3.1. Matriz de confusão
Como este artigo é um problema de classificação binária, a entropia cruzada A definição de matriz de confusão é mostrada na Tabela 1. Neste
clássica é usada como função de perda do experimento. estudo, TP é o número de amostras de melanoma corretamente previstas,

5
Machine Translated by Google

X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174

Figura 6. Fluxograma do Mask-DenseNet+.

7. Diagrama de estrutura da rede DenseNet-145 ajustada.

6
Machine Translated by Google

X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174

FN é o número de erros previstos em amostras de melanoma, TN é mesa 2

Distribuição do conjunto de dados.
o número de amostras de nevo melanocítico corretamente previstas,
e FP é o número de erros previstos no nevo melanocítico Categoria de imagem Melanoma/pcs Nevo de melanócitos/pcs
amostras. 1367 6035
Dados de treinamento

Testando dados 150 670

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

3.3.3. Sensibilidade Tabela 4

A sensibilidade representa a proporção de todas as amostras positivas que Matrizes de confusão do Inception-V4.
são classificados corretamente, também conhecido como recall, que é usado para medir
Original
a capacidade do classificador de reconhecer amostras positivas. A sensibilidade é Prever Melanoma/pcs Nevo melanocítico/pcs
definida na Eq. (4).
Melanoma 45 17
PT Nevo melanocítico 105 653
Sensibilidade = (4)
TP + FN

3.3.4. Especificidade 3.3.7. CUA

A especificidade representa a proporção de todas as amostras negativas AUC (área sob a curva), que é a área sob a curva ROC,
classificada corretamente, que é usada para medir a capacidade do classificador de está entre 0,1 e 1,0. Como valor numérico, AUC pode diretamente
reconhecer amostras negativas. A definição de especificidade é avaliar a qualidade do classificador. Quanto maior o valor da AUC,
mostrado na Eq. (5). maior será a precisão da classificação. E a AUC não é sensível a

TN se a categoria da amostra é equilibrada ou não.

Especificidade = (5)
TN + PF
4. Resultados

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

3.3.6. ROC 4.2.1. Experimento de simulação

ROC é a curva característica de operação do receptor, que é uma
índice abrangente de variáveis contínuas de sensibilidade e
especificidade. No experimento, como a saída final do classificador é o valor de
probabilidade de 0 a 1, todos os critérios acima geralmente usam 0,5 como limite para
dividir o valor do rótulo da amostra.
A curva ROC calcula a taxa positiva verdadeira (TPR) sob diferentes limites, definindo
uma série de limites, ou seja, sensibilidade,
e taxa de falsos positivos (FPR), ou seja, (1-especificidade). Então, a curva é
desenhado com taxa de classe verdadeira TPR como ordenada e negativo positivo
taxa de classe FPR como abscissa. Comparado com os critérios acima, ROC
curva tem boas características insubstituíveis: quando a distribuição
de amostras positivas e negativas no conjunto de teste são transformadas,
a curva ROC pode permanecer basicamente inalterada. No problema prático de
classificação binária, o desequilíbrio da classe da amostra ocorre frequentemente no
conjunto de dados, ou seja, a diferença entre o positivo e o positivo.
amostras negativas são grandes, e as amostras positivas e negativas em
o conjunto de dados de teste também pode mudar com o tempo. Neste caso, a
sensibilidade e a especificidade irão flutuar muito, mas a curva ROC pode
basicamente manter a aparência original.
Neste artigo, três modelos típicos de rede de classificação CNN,
Inception-V4, ResNet-152 e DenseNet-121 são selecionados para experimentos de
simulação.
Como a quantidade de dados experimentais não é grande o suficiente,
se todos os dados do trem forem usados para treinar o modelo de rede e estimar o erro
do modelo, é fácil levar ao sobreajuste. Portanto, nós
use validação cruzada K-fold para reduzir o overfitting. Mostra de experiência
que quando o valor de K está entre 5 e 10, a validação cruzada
o desempenho geralmente pode atingir um nível mais alto [30]. Neste experimento,
definimos K como 5.
O experimento compara os resultados de detecção de classificação de
Inception-V4, ResNet-152 e DenseNet-121 nos dados de teste, conforme
mostrado na Tabela 3. As matrizes de confusão dos três testes de rede
os resultados são mostrados na Tabela 4, Tabela 5 e Tabela 6, respectivamente. E
as curvas ROC dos resultados dos testes das três redes são mostradas
na Figura 8.
Da Tabela 3, a precisão das três redes eventualmente
atingiu mais de 85% e o DenseNet-121 tem a maior precisão de detecção de 88,05%.
As CUA das três redes também são

7
Machine Translated by Google

X. Cao, J.-S. Pan, Z. Wang et al. Métodos e programas de computador em biomedicina 207 (2021) 106174

Figura 8. Curvas ROC das três redes.

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.

Sensibilidade de precisão de aumento de dados de rede Especificidade AUC de pontuação F1

DenseNet- Não 0,8805 0,4867 0,9687 0,5984 0,9157

121 Sim 0,8902 0,5533 0,9657 0,6484 0,9250

Tabela 8
Resultados do teste após usar amostragem descendente.

Sensibilidade de precisão de proporção de amostras de rede Especificidade AUC de pontuação F1

DenseNet-121 1:1 0,8378 0,8400 0,8373 0,6545 0,9242

1:1,5 0,8829 0,8067 0,9000 0,7160 0,9358
1:2 0,8951 0,7333 0,9313 0,7190 0,9361

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

Precisão 0,8902 0,9049 +0,0147 0,9000 +0,0098 0,8976 +0,0074

Sensibilidade 0,5533 0,6933 +0,1400 0,6400 +0,0867 0,6667 +0,1134
Especificidade 0,9657 0,9522 -0,0135 0,9582 -0,0075 0,9493 -0,0164
Pontuação F1 0,6484 0,7273 +0,0789 0,7007 +0,0523 0,7042 +0,0558
CUA 0,9250 0,9279 +0,0029 0,9375 +0,0125 0,9390 +0,0140

Amostragem descendente. Além de usar o aumento de dados para expandir
No conjunto de dados, a amostragem descendente também é um dos métodos
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
melanocítico. A proporção de melanoma para nevo melanocítico foi definida
como 1:1, 1:1,5 e 1:2. O método de aumento de dados foi usado no
com base na amostragem descendente. Os resultados experimentais são mostrados em
Tabela 8.
Os resultados mostram que o método down sampling pode
aliviar o problema do desequilíbrio de dados. Comparado com os dados
método de aumento, a sensibilidade foi aumentada em 28,67%,
25,34% e 18,00% quando as proporções amostrais positivas e negativas
foram 1:1, 1:1,5 e 1:2, respectivamente, e o escore F1 melhorou em 0,61%, 6,76% e
7,06%, respectivamente. Especialmente quando o
a taxa de amostragem descendente é definida como 1: 1,5 e 1: 2, a AUC aumenta de
0,9250 a 0,9358 e 0,9361.
Através do método down sampling, a diferença numérica entre os dois tipos de
amostras foi reduzida, de modo que a AUC, pontuação F1
e a sensibilidade foram significativamente melhoradas, e a diferença entre sensibilidade
e especificidade foi significativamente reduzida, e o
capacidade de detecção da rede DenseNet-121 original para melanoma
foi aprimorado. Comparado com os resultados experimentais, verifica-se
que quando a proporção de amostras positivas e negativas é 1:2, o
o desempenho abrangente da classificação é o melhor.
De acordo com os resultados experimentais, ainda existem dois problemas que
precisam ser resolvidos. (1) A sensibilidade e especificidade do
os resultados dos testes ainda são bastante diferentes, e a pontuação F1 e os critérios
AUC precisam ser melhorados, o que indica que os métodos tradicionais, como
aumento de dados e amostragem descendente, não resolveram completamente o
problema de desequilíbrio de dados;( 2) A precisão de
o experimento não atingiu o objetivo esperado. Portanto, o
a estrutura da rede deve ser melhorada.
4.3. Experimento de classificação de imagem de fusão de MSLP-MR
Para obter a máscara de doenças de pele neste experimento,
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
imagens de dermatoses médicas e suas correspondentes imagens de máscaras reais
também são fornecidas no conjunto de dados.
O DenseNet-121 foi retreinado usando o expandido
amostras de melanoma e as amostras originais de nevo melanocítico.
2734; o número de amostras de nevo melanocítico é o mesmo que
as novas amostras de melanoma ou todo o nevo melanocítico original
amostras. Após adicionar diferentes números de imagens de fusão de melanoma, os
resultados experimentais de contraste usando apenas aumento de dados são mostrados
na Tabela 9; os resultados experimentais de contraste
usando amostragem descendente são mostrados na Tabela 10.
Os resultados mostram que, após adicionar a imagem de fusão do melanoma
dados gerados pelo MSLP-MR, alivia ainda mais o sobreajuste
problema causado pelo desequilíbrio de dados, portanto, tanto a pontuação F1 quanto a AUC são
melhorou muito. No entanto, como a imagem de fusão é combinada
com as características de dois pedaços de melanoma original, quando
adicionando muitas imagens de fusão, como 2050 e 2734, a fusão
imagens é mais do que as amostras originais de melanoma, o que
promova a CNN para aprender as características erradas do melanoma. Portanto,
em comparação com a adição de apenas 1367 imagens de fusão, a pontuação F1 e
AUC cairia novamente. Como resultado, quando os dados da imagem de fusão com
1 vez que as amostras originais de melanoma foram adicionadas, o desempenho
abrangente do experimento de classificação é o melhor.
4.4. Resultados experimentais do Mask-DenseNet+
4.4.1. Comparação de DenseNet-145 e DenseNet-121
Depois de ajustar o número de circunvoluções conjuntas em cada denso
bloco para DenseNet-121, a estrutura de rede DenseNet-145 é
construído. Os resultados da comparação experimental de DenseNet-145 e
DenseNet-121 são mostrados na Tabela 11. Podemos ver que
sob os mesmos dados de treinamento, os resultados do teste do DenseNet-145
foram melhorados em comparação com o DenseNet-121 nos critérios principais. A
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
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
pelo DenseNet-145 são mais abstratos e complexos.
4.4.2. Experimento de extração de lesão de máscara R-CNN
Para treinar a rede DenseNet-145 com os mesmos dados de treinamento
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

Precisão 0,8378 0,8878 +0,0500 0,8902 +0,0524 0,8890 +0,0512

Sensibilidade 0,8400 0,7933 -0,0467 0,7333 -0,1067 0,7267 -0,1133
Especificidade 0,8373 0,9090 +0,0717 0,9254 +0,0881 0,9253 +0,0880
Pontuação F1 0,6545 0,7212 +0,0667 0,7097 +0,0552 0,7055 +0,0510
CUA 0,9242 0,9405 +0,0163 0,9316 +0,0074 0,9329 +0,0087

Figura 9. Comparação dos principais indicadores de avaliação.

Tabela 11 área, os principais critérios de avaliação foram aprimorados devido ao

Resultados de comparação de DenseNet-145 e DenseNet-121.
remoção de grande quantidade de ruído de fundo, com aumento de 0,49% na precisão,
critério DenseNet-121 DenseNet-145 Resultados de comparação 0,23% na pontuação F1 e 0,37% na AUC.

Precisão 0,8878 Sensibilidade 0,8939 +0,0061

0,7933 Especificidade 0,9090 0,7533 -0,0400 4.4.3. Resultados experimentais de aprendizagem em conjunto Mask-DenseNet+
Pontuação F1 0,7212 AUC 0,9254 +0,0164
Neste experimento, para manter a proporção de resultados positivos
0,9405 0,7220 +0,0008
0,9420 +0,0015
e amostras negativas balanceadas, a autoamostragem foi realizada em
o conjunto de dados de nevo melanocítico para obter vários conjuntos de amostragem, e
o conjunto de dados original do melanoma foi aumentado com o melanoma
imagem de fusão gerada por MSLP-MR para manter um equilíbrio de
Tabela 12 amostras positivas e negativas. O conjunto de dados experimental contém
Comparação dos resultados do experimento de extração de lesões DenseNet -145.
1.367 imagens de melanoma fundido, 1.367 imagens originais de melanoma,
critério Dados originais Mascarar dados Resultados de comparação e 2.367 imagens originais de nevo melanocítico. Ao mesmo tempo,
0,8988 +0,0049 o processamento da máscara é adicionado para extrair a área da lesão e o
Precisão 0,8939 Sensibilidade
0,7533 Especificidade 0,9254 0,7267 -0,0266 DenseNet-145 é usado para melhor classificação. Vários classificadores são obtidos
Pontuação F1 0,7220 AUC 0,9373 +0,0119 treinando o DenseNet-145 com vários conjuntos de amostragem. O primeiro
0,9420 0,7243 +0,0023 três classificadores com melhor efeito de classificação são selecionados para
0,9457 +0,0037
aprendizagem em conjunto. Os resultados são mostrados na Tabela 13.
Os resultados do Mask-DenseNet+ são comparados com os acima
resultados experimentais, conforme mostrado na Tabela 14 e Fig. 9. Os resultados
mostram que o Mask-DenseNet+ pode resolver efetivamente o problema de desequilíbrio
área alvo da lesão em imagens de doenças de pele ao mesmo tempo. Os resultados de dados no conjunto de dados ISIC original. O método Mask-DenseNet+ melhora a
são mostrados na Tabela 12. Podemos ver que, para as mesmas amostras de precisão experimental de
treinamento, após adicionar processamento de máscara para extrair o paciente 88,05% a 90,61%; A pontuação F1 aumentou de 59,84% para 75,24%; CUA

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.

Número do classificador Sensibilidade de Precisão Especificidade AUC de pontuação F1

1 0,8988 0,7267 0,9373 0,7243 0,9457

2 0,8939 0,7533 0,9254 0,7220 0,9417
3 0,9000 Aprendizagem em conjunto 0,7333 0,9373 0,7285 0,9393
0,9061 0,7800 0,9343 0,7524 0,9502

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.

[8] LK Ferris, JA Harkes, B. Gilbert, DG Winger, K. Golubets, O. Akilov, M. Satya-narayanan, Classificação

aumentou de 0,9157 para 0,9502. A precisão, sensibilidade e
especificidade atende aos requisitos de detecção do melanoma, que
é semelhante ao nível de diagnóstico a olho nu dos médicos.
5. Conclusão
Este artigo usa o conjunto de dados de doenças de pele do ISIC para propor uma análise profunda
método de detecção de melanoma baseado em aprendizagem. Os resultados
experimentais na integração de dados mostram que após adicionar os dados da
imagem de fusão do melanoma gerados pelo MSLP-MR, alivia ainda mais o
problema de ajuste excessivo causado por desequilíbrio de dados, pode ser útil
para melhorar o desempenho da classificação, tanto a pontuação F1 quanto a AUC são
melhorou muito.
Depois de adicionar ideias de aprendizagem integradas e melhorar a estrutura da
rede DenseNet, os resultados finais mostram que Mask-DenseNet+ é um modelo de
previsão confiável, a precisão de detecção,
sensibilidade, especificidade e AUC atingem 90,61%, 78,00%, 93,43% e
0,9502, respectivamente. Os resultados do modelo proposto mostram que
o desempenho da detecção de classificação de lesões cutâneas tem sido
significativamente melhorado.
auxiliada por computador de lesões melanocíticas usando imagens dermoscópicas, J. Am. Acad.
Dermatol. 73 (5) (2015) 769–776.
[9] F. Xie, H. Fan, Y. Li, Z. Jiang, R. Meng, A. Bovik, classificação do melanoma em
imagens de dermatoscopia usando um modelo de conjunto de redes neurais, IEEE Trans. Med.
Imagens 36 (3) (2017) 849–858.
[10] T. Hastie, R. Tibshirani, Classificação adaptativa discriminante do vizinho mais próximo,
IEEE Trans. Padrão Anal. Mach. Intel. 18 (6) (1996) 607–616.
[11] C. Szegedy, W. Liu, Y. Jia, et al., Indo mais fundo com convoluções, em: Proceedings of the IEEE
Conference on Computer Vision and Pattern Recognition, 2015,
páginas 1–9.
[12] A. Krizhevsky, I. Sutskever, G. Hinton, Classificação ImageNet com Redes Neurais Convolucionais
Profundas [J], NIPS. 25 (2) (2012).
[13] QV Le, MA Ranzato, R. Monga, et al., Construindo recursos de alto nível usando
aprendizagem não supervisionada em grande escala, em: Proceedings of the IEEE International
Conferência sobre Acústica, Processamento de Fala e Sinais, Vancouver, BC, 2013,
pp.
[14] S. Ioffe, C. Szegedy Normalização em lote: Acelerando o treinamento de rede profunda por
reduzindo a mudança interna de covariáveis. Pré-impressão do arXiv arXiv:1502.03167, 2015.
[15] C. Szegedy, V. Vanhoucke, S. Ioffe, et al., Repensando a arquitetura inicial
para visão computacional, em: Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition, 2016, pp.
[16] C. Szegedy, S. Ioffe, V. Vanhoucke, et al., Inception-v4, inception-resnet e o
impacto das conexões residuais na aprendizagem, em: Proceedings of the Thirty-First
Conferência AAAI sobre Inteligência Artificial, 2017.
[17] K. He, X. Zhang, S. Ren, et al., Aprendizagem residual profunda para reconhecimento de imagem, em:
Anais da Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões, 2016, 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,
Cham, 2018, pp.
[30] Y. Jung, Validação cruzada de previsão múltipla K-fold para seleção de modelo, J. Non-
parâmetro. Estado. 30 (1-2) (2018) 197–215.
[31] A. Rehman, MA Khan, Z. Mehmood, et al., Detecção microscópica de melanoma
e classificação: uma estrutura de fusão baseada em pixels e recursos multiníveis
redução, Microsc. Res. Tecnologia. 83 (11) (2020).
[32] M. Nasir, MA Khan, M. Sharif, et al., Detecção e classificação de melanoma usando análise
computadorizada de sistemas dermatoscópicos: uma revisão, Curr. Med. Imagem (2020).
[33] M. Acosta, L. Tovar, MB Garcia-Zapirain, et al., Diagnóstico de melanoma usando
técnicas de aprendizagem profunda em imagens dermatoscópicas, BMC Med. Imagem 21 (1)
(2021).

12