一种半监督特征学习的黑色素瘤自动检测方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种半监督特征学习的黑色素瘤自动检测方法
本专利技术属于医学图像处理、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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术采用的技术方案是：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、本专利技术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、本专利技术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、本专利技术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为本专利技术半监督特征学习的黑色素瘤自动检测方法流程图；图2是本专利技术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专利技术作进一步详述：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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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(ConvolutionalNeuralNetwork，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：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D(αn,kn,θ,zn)＝-logP...

【专利技术属性】
技术研发人员：孙伟，徐慧，张小瑞，宋爱国，牛建伟，马瑞，占怡，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32