[发明专利]一种基于人工智能的黑色素瘤辅助诊断方法

说明书

本发明提供一种基于人工智能的黑色素瘤辅助诊断方法，涉及医学影像处理及诊断技术领域。该方法首先对黑色素瘤的皮肤镜图像进行图像预处理和增强，然后对比传统机器学习的分割方法、分类算法及深度学习方法的各个模型，选择出对于黑色素瘤的人工智能诊断，传统机器学习中最优的分割算法，分类算法以及深度学习模型，从而为黑色素瘤的人工智能诊断选择最优方法。本发明基于同一数据集，根据不同的性能指标来对现有黑色素瘤分割方法和分类方法进行对比的技术，最终得出针对黑色素瘤诊断的最优机器学习方法并得到目标图像的分类输出概率。

技术领域

本发明涉及医学影像处理及诊断技术领域，尤其涉及一种基于人工智能的黑色素瘤辅助诊断方法。

背景技术

在已有研究中，黑色素瘤的人工智能诊断方法主要有传统机器学习和深度学习。

近几年传统机器学习，即在深度神经网络之前的机器学习，在医学领域取得了令人满意的表现，是未来发展的趋势。且由于黑色素瘤多发于人体表皮，且具有一定的颜色和形态学特征，因此采用机器学习技术进行黑色素瘤早期诊断的方法得到国内外学者的广泛关注。从2001年至2015年，传统机器学习方法对黑色素瘤的诊断精度由73％提高至97.5％。

此外，以神经网络为代表的人工智能技术，在黑色素瘤诊断方面也取得了显著性成果，例如2017年，Andre Esteva等人收集了近13万张与皮肤病变相关的图像训练GoogleInceptionV3网络，最终的结果与21名皮肤科医生进行皮肤癌识别结果对比，两者的表现基本处在同一水平。

在已有的基于传统机器学习的黑色素瘤诊断的相关研究中，主动轮廓模型是分割黑色素瘤效果比较好的一种方法。而Grabcut算法是近年比较流行的分割算法，是一种优良的基于图论的目标提取算法，操作简单，可直接分割彩色图像，适合分割黑色素瘤图像。但少有研究人员使用相同图像集比较不同分割算法。

针对黑色素瘤的分类诊断，SVM、KNN、逻辑回归、决策树和神经网络等是目前常用的人工智能诊断的分类方法。传统机器学习和深度学习各有优缺点，缺乏基于同一数据集分别对传统机器学习和深度学习的分类器进行对比分析的研究，以推断两者的优缺点，传统机器学习的最优分类器或最优分割算法以及深度学习的最优模型。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于人工智能的黑色素瘤辅助诊断方法，基于同一数据集，根据不同的性能指标来对现有黑色素瘤分割方法和分类方法进行对比的技术，最终得出针对黑色素瘤诊断的最优机器学习方法并得到目标图像的分类输出概率。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于人工智能的黑色素瘤辅助诊断方法，包括以下步骤：

步骤1：图像预处理和增强：利用黑色素瘤的皮肤镜图像，进行色彩空间转换，并利用图像直方图对对比度进行调整，增强黑色素瘤图像的对比度；

步骤2：图像分割：采用具有代表性的传统机器学习的分割算法对预处理和增强后的黑色素瘤的皮肤镜图像进行处理，提取出感兴趣区域，并比较各分割算法的处理结果，选取最优的分割结果；所述的分割算法包括主动轮廓模型、Grabcut、区域增长、阈值分割；

步骤3：特征提取：提取出感兴趣区域后，通过特征提取将其转换为具有代表性的计算机可识别的向量，从原始数据中获取最相关的信息；刻画黑色素瘤皮损区域图像的特征包括形状特征、颜色特征以及纹理特征；