【技术实现步骤摘要】
一种黑色素瘤图像分割方法
[0001]本专利技术涉及计算机辅助诊断
,具体涉及一种黑色素瘤图像分割方法
。
技术介绍
[0002]全球每年大约有2~3百万例皮肤癌被确诊,其中黑色素瘤是皮肤癌中常见的一种恶性肿瘤,占所有恶性肿瘤的
1%
~
3%。
黑色素瘤
(melanoma) 是起源于神经嵴黑素细胞的上皮恶性肿瘤,即恶性变化的色素斑痣
。
[0003]近年来,黑色素瘤发病年龄呈年轻化趋势,在世界范围内的发病率与死亡率呈明显增加趋势,以
6%
~
7%
的增长速度逐年递增,为发病率增长最快的恶性肿瘤之一
。
全球每年新增黑色素瘤患者
23.2
万人,其中新增死亡人数
5.5
万,是皮肤癌中病死率最高的肿瘤
。
中国黑色素瘤诊治指南
(2015
版
)
中指出中国的黑色素瘤发病人群,每年新增2万余人,近年来也呈现递增趋势
。
黑色素瘤已成为严重危害我国人民健康的疾病之一
。
[0004]皮肤恶性黑色素瘤临床发现较晚,恶性程度高,具有高度的侵袭性,预后较差,严重影响人类健康
。
过去5年的研究显示,晚期黑色素瘤患者的五年生存率仍然低于
15%
,而早期黑色素瘤患者的五年生存率则超过了
95%
,这就证明了早期发现这种疾病的重要性
。 >恶性黑色素瘤早期精准诊断极其重要,能延长患者存活时间,有效降低死亡率
。
如何在皮肤镜图像复杂的检测背景下实现稳定
、
准确的病变分析成为专业医师和相关学者的重点研究方向
。
技术实现思路
[0005]本专利技术的目的在于提供一种黑色素瘤图像分割方法,利用手机摄像头为包含黑色增生组织的皮肤区域拍摄照片,得到黑色增生组织位于图像中央的待分割图像,利用黑色素瘤图像分割模型对待分割图像进行黑色素瘤分割;其中,所述黑色素瘤图像分割模型为根据黑色素瘤特征设计的无监督机器学习模型,且该模型机器学习所用的黑色素瘤图像为一定数量的标注有皮肤上黑色区域所属类型的图像
。
[0006]优选的,所述黑色素瘤图像分割模型为针对黑色素瘤特征进行优化的
K
‑
means
无监督学习分割模型
。
[0007]优选的,所述黑色素瘤图像分割方法,包括以下具体步骤:1)数据采集:通过手机摄像头为包含黑色增生组织的皮肤区域拍摄照片,得到黑色增生组织位于图像中央的待分割图像;2)数据预处理:对步骤1)所得图像上的毛发进行检测和去除;对图像进行去噪操作,去除噪声干扰;然后调整图像大小,以适应后续图像的特征检测与提取操作;3)数据增强:对步骤2)所得图像进行数据增强处理,数据增强处理包括随机翻转
、
随机调整亮度和对比度等,以提高模型的泛化能力和训练效果;4)模型优化:采用针对黑色素瘤特征进行优化的
K
‑
means
无监督学习分割模型,快速且准确的分割出病灶区域;同时在分割过程中不断调整参数,最终得到具有最佳分割性
能的模型;5)结果可视化:使用移动端设备拍摄黑色素瘤病灶区域图像,模型(黑色素瘤图像分割模型)自动识别并分割,将分割后的图像返回给医生,提供清晰可见的病灶区域,帮助医生更准确地诊断黑色素瘤
。
[0008]优选的,步骤2)中,对步骤1)所得图像上的毛发进行检测和去除时,将图像转为灰度图像,选择
64
×
64
的黑帽变换滤波器从图像中分离出毛发,然后用
Inpainting
方法使用相邻像素修补去除的毛发区域
。
[0009]优选的,步骤2)中,对图像进行去噪操作时,采用小波变化去除图像中的噪声
。
[0010]优选的,步骤2)中,调整图像大小时,将图像尺寸压缩至
256
×
256。
[0011]优选的,步骤4)中,模型优化时,将二维空间,变成一维空间,避免后面计算距离时使用双层循环,加快分割速度;设置初始聚类中心数量为2,一个选择图像左上角,一个选择图像中心位置;根据实验效果,迭代次数选择为
15
次,即可达到一个好的分割效果
。
[0012]本专利技术的优点和有益效果在于:本专利技术提供了一种快速
、
准确且运算量低的黑色素瘤图像分割方法;通过一系列图像预处理操作,实现了对黑色素瘤图像的高效分割
。
[0013]本专利技术的黑色素瘤图像分割方法,其采用无监督机器学习方法分割黑色素瘤图像,能够对黑色素瘤图像中的病灶区域进行快速准确的分割,应用于黑色素瘤诊断领域具有良好的产业化前景
。
实施方式
[0014]下面结合实施例,对本专利技术的具体实施方式作进一步描述
。
以下实施例仅用于更加清楚地说明本专利技术的技术方案,而不能以此来限制本专利技术的保护范围
。
[0015]本专利技术具体实施的技术方案如下:本专利技术提供一种黑色素瘤图像分割方法,包括如下步骤:1)数据采集:采用上海市第一人民医院皮肤科专家提供的使用移动端设备拍摄的
34
张黑色皮肤肿瘤图像和
76
张黑色素痣图像共计
110
张黑色素瘤图像,进行无监督学习;原始图像尺寸为
3024
×
4032
,为统一图像尺寸并加速图像分割,以黑色素瘤或者黑色素痣为中心人工截取尺寸为
500
×
500
的图像;2)数据预处理:对步骤1)所得图像中的毛发进行检测并去除:将图像转为灰度图像,选择
64
×
64
的黑帽变换滤波器从图像中分离出毛发,然后用
Inpainting
方法使用相邻像素修补去除的毛发区域;采用小波变化去除图像中的噪声,以提高后续分割的精确性;将图像尺寸压缩至
256
×
256
,加快分割速度,适应后续图像的特征检测与提取操作;3)数据增强:对步骤2)所得图像进行数据增强处理,数据增强处理包括随机翻转
、
随机调整亮度和对比度等,以提高模型的泛化能力和训练效果;4)模型优化:使用
K
‑
means
模型对图像进行分割:将二维空间,变成一维空间,避免后面计算距离时使用双层循环,加快分割速度;设置初始聚类中心数量为2,一个选择图像左上角,一个选择图像中心位置;根据实验效果,迭代次数选择为
15
次,即可达到一个好的分割效果;5)结果可视化:使用移动端设备拍摄黑色素瘤病灶区域图像,模型(黑色素瘤图像
分割模型)自动识别并分割,将分割后的图像返回给医生,提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种黑色素瘤图像分割方法,其特征在于,利用手机摄像头为包含黑色增生组织的皮肤区域拍摄照片,得到黑色增生组织位于图像中央的待分割图像,利用黑色素瘤图像分割模型对待分割图像进行黑色素瘤分割;其中,所述黑色素瘤图像分割模型为根据黑色素瘤特征设计的无监督机器学习模型,且该模型机器学习所用的黑色素瘤图像为一定数量的标注有皮肤上黑色区域所属类型的图像
。2.
根据权利要求1所述的黑色素瘤图像分割方法,其特征在于,所述黑色素瘤图像分割模型为针对黑色素瘤特征进行优化的
K
‑
means
无监督学习分割模型
。3.
根据权利要求1所述的黑色素瘤图像分割方法,其特征在于,包括以下具体步骤:
1)
数据采集:通过手机摄像头为包含黑色增生组织的皮肤区域拍摄照片,得到黑色增生组织位于图像中央的待分割图像;
2)
数据预处理:对步骤
1)
所得图像上的毛发进行检测和去除;对图像进行去噪操作,去除噪声干扰;然后调整图像大小,以适应后续图像的特征检测与提取操作;
3)
数据增强:对步骤
2)
所得图像进行数据增强处理,以提高模型的泛化能力和训练效果;
4)
模型优化:采用针对黑色素瘤特征进行优化的
K
‑
means
无监督学习分割模型,快速且准确的分割出病灶区域;同时在分割过程中不断调整参数,最终得到具有最佳分割性能的模型;
5)
结果可视化:使用移动端设备拍摄黑色素瘤病灶区域图像,模型自动识别并分割,将分割后的图像返回给医生,提供清晰可见的病灶区域,帮助医生更准确地诊断黑色素瘤
。4.
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。