一种基于机器学习的黑色素瘤特征提取方法技术

本发明专利技术公开了一种基于机器学习的黑色素瘤特征提取方法，本发明专利技术采用机器学习的方法提取黑色素瘤的对称性

【技术实现步骤摘要】
一种基于机器学习的黑色素瘤特征提取方法


[0001]本专利技术涉及一种基于机器学习的黑色素瘤特征提取方法
。

技术介绍

[0002]黑色素瘤是一种由异常黑色素细胞过度增生引发的肿瘤，常见于皮肤，临床上分良性黑色素瘤和恶性黑色素瘤
。
恶性黑色素瘤的发病率在皮肤恶性肿瘤中排第三位，且在全球范围内持续上升
。
[0003]据世界卫生组织统计，全球范围内每年新增约
13.2
万例黑色素瘤病例
。
皮肤恶性黑色素瘤恶性程度高，转移发生早，死亡率高
。
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%。
因此，及早发现黑色素瘤并干预治疗极其重要
。
[0004]在临床诊断中，医生主要通过肉眼观察皮肤镜图像的皮损区域特征来诊断黑色素瘤，这对医生的临床经验要求很高
。
由于痣和黑色素瘤具有相似的外观和症状，诊断耗时费力且准确率低，经验丰富的医生也可能会出现误诊
。
[0005]恶性黑色素瘤通常伴随不规则的形状
、
锯齿状的边界
、
复杂多样的颜色
、
大于
6mm
的直径
。
本专利技术可以提取黑色素瘤的不对称性
、
边界
、
颜色特征，辅助临床上黑色素瘤的诊断，提升准确率的同时提高诊断效率
。
[0006]随着科学着人工智能技术的发展，人工智能在医疗辅助诊断中起着越来越重要的作用
。
探索基于机器学习算法的黑色素瘤特征识别技术，并运用到实际诊断中，可以降低人工诊断的误诊率
、
提升检测效率，在黑色素瘤的临床诊断中具有举足轻重的作用和重大的现实意义
。

技术实现思路

[0007]为了解决目前临床上诊断黑色素瘤费时费力且错误率高的问题，本专利技术提供一种基于机器学习的黑色素瘤特征提取方法，包括如下步骤：1）读取黑色素瘤图像；2）图像预处理：针对图像中的气泡
、
血管
、
毛发会干扰特征提取结果的问题，先定位并删除图像中的毛发，并采用相邻的像素填充被删除区域，然后采用小波变换对图像做降噪处理；3）数据增强：针对训练集中黑色素瘤和非黑色素瘤样本不均衡的问题，对数量较少的黑色素瘤样本应用随机翻转
、
随机旋转
、
平移的数据增强方法，生成多样化的训练样本，扩充数据集；4）图像分割：分割黑色素瘤图像，仅提取出皮损区域；5）特征提取：提取出皮损区域的对称性
、
边界
、
颜色特征；所提取的特征是对黑色素瘤图像的基本描述，包含了大量有效信息，为黑色素瘤的诊断提供了基础保障；6）特征等级分类：根据特征提取算法得到的量化结果对提取到的对称性
、
边界
、
颜
色特征进行二分类
。
[0008]优选的，步骤4）中，采用大津阈值算法分割出黑色素瘤图像的皮损区域
。
[0009]优选的，先将原图像转换为灰度图像，依据图像的像素灰度值的分布情况设置最佳的阈值，使得皮损区域和正常皮肤区域之间的差异最大化，最终获取皮损区域
。
[0010]优选的，步骤5）中的对称性特征为形状不对称性
。
[0011]优选的，提取形状不对称性作为对称性特征，以质心为中心的直角坐标系将皮损区域依次划分为
A1、A2、A3、A4
四个区域，分别计算灰度图像中（
A1+A2
）和（
A3+A4
）
、
（
A1+A4
）和（
A2+A3
）中对称点的像素差的绝对值之和，然后根据得到的量化值将全部图像分为对称
、
不对称两类
。
[0012]优选的，步骤5）中的边界特征为边界不规则性
。
[0013]优选的，提取边界不规则性作为边界特征，用边界各点到质心距离的方差衡量边界不规则性，再根据特征提取算法得到的量化值将数据集中的黑色素瘤图像分为边界规则
、
边界不规则两类
。
[0014]优选的，步骤5）中的颜色特征为颜色不规则性和颜色一致性
。
[0015]优选的，提取颜色不对称性
、
颜色一致性作为颜色特征；颜色不对称性是对特定的不同颜色通道下色彩不对称性的度量，计算方法和形状不对称性类似；颜色一致性是皮损区域在
RGB、HSL
颜色通道的像素值的方差之和；将颜色不对称性
、
颜色均一性的量化值按比例求和作为颜色特征的量化值，再根据得到的量化值将所有图像分为颜色单一
、
颜色复杂两类
。
[0016]优选的，步骤6）中，将称性
、
边界
、
颜色特征分类结果的定性描述反馈并显示在小程序端
。
[0017]本专利技术的优点和有益效果在于：本专利技术提供一种基于机器学习的黑色素瘤特征提取方法，本专利技术采用机器学习的方法量化黑色素瘤的对称性
、
边界
、
颜色特征后二分类，并将其应用到黑色素瘤计算机辅助诊断平台的智能小程序端，帮助病患更简单直观地了解病情，初步给出治疗建议，同时辅助医生诊断
。
[0018]本专利技术还具有如下特点：1）本专利技术提出了一种基于机器学习的黑色素瘤特征提取方法，该方法能够提取黑色素瘤的对称性
、
边界
、
颜色特征
。
[0019]2）本专利技术提出了将提取黑色素瘤特征和小程序端结合的智能诊断平台，将计算机视觉的相关知识应用到医疗诊断上来；患者可根据小程序端给出的初步诊断结果对黑色素瘤的形态特征有大致的了解，做出更为正确的就医选择
。
[0020]3）本专利技术提出的方法可应用于临床辅助医生诊断，医生简单操作小程序即可快速得到检测结果，节约问诊时间，同时提高诊断的准确率
。
实施方式
[0021]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
。
[0022]本专利技术具体实施的技术方案如下：一种基于机器学习的黑色素瘤特征提取方法，包括如下步骤：
1
）读取黑色素瘤图像；本专利技术中机器学习所采用的图像数据库是国家皮肤成像协会提供的
ISIC
数据集；
ISIC
是一个公开的医学图像数据集，包含训练集和测试集，训练集中的图像已被皮肤病专家标注；
ISIC
数据集是黑色素瘤等皮肤病研究和诊断的重要数据来源之一；图像尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的黑色素瘤特征提取方法，其特征在于，包括如下步骤：1）读取黑色素瘤图像；2）图像预处理：定位并删除图像中的毛发，并采用相邻的像素填充被删除区域，然后采用小波变换对图像做降噪处理；3）数据增强：对黑色素瘤样本应用随机翻转
、
随机旋转
、
平移的数据增强方法，生成多样化的训练样本，扩充数据集；4）图像分割：分割黑色素瘤图像，仅提取出皮损区域；5）特征提取：提取出皮损区域的对称性
、
边界
、
颜色特征；6）特征等级分类：对提取到的对称性
、
边界
、
颜色特征进行二分类
。2.
根据权利要求1所述的基于机器学习的黑色素瘤特征提取方法，其特征在于，步骤4）中，采用大津阈值算法分割出黑色素瘤图像的皮损区域
。3.
根据权利要求2所述的基于机器学习的黑色素瘤特征提取方法，其特征在于，先将原图像转换为灰度图像，依据图像的像素灰度值的分布情况设置最佳的阈值，使得皮损区域和正常皮肤区域之间的差异最大化，最终获取皮损区域
。4.
根据权利要求1所述的基于机器学习的黑色素瘤特征提取方法，其特征在于，步骤5）中的对称性特征为形状不对称性
。5.
根据权利要求4所述的基于机器学习的黑色素瘤特征提取方法，其特征在于，提取形状不对称性作为对称性特征，以质心为中心的直角坐标系将皮损区域依次划分为
A1、A2、A3、A4
四个区域，分别计算灰度图像中（
A1+A2
）和（
A3+A4
）

【专利技术属性】
技术研发人员：王海权，钱春花，王瑞，
申请(专利权)人：上海市第一人民医院，
类型：发明
国别省市：