American cancer society
1
2018
... 皮肤恶性病变大概率会发生癌变.早期诊断和治疗癌前皮肤病变可以较好地预防癌症的发生.世界卫生组织(WHO, World Health Organization)的统计数据表明,全球每年发生200万至300万例非黑色素瘤皮肤癌和132万例黑色素瘤皮肤癌[1-2].一般来说,皮肤病变的诊断需要经验丰富的皮肤科专家对病变图像进行细致的人工检查.随着物联网的发展,人体传感器网络、人工智能、云计算和无线网络通信让认知医疗服务、远程健康监控、健康指导和反馈可以通过多种传感器进行数据融合帮助实现.本文提出一种基于计算机视觉技术的皮肤病实时诊断系统,该系统资源消耗较少,便于移植到移动设备上,患者可通过手机等智能设备实现皮肤病初诊,从而为皮肤病患者提供快捷可靠的物联网化公共医疗服务奠定了基础. ...
新版中国黑素瘤诊治指南解读
1
2012
... 皮肤恶性病变大概率会发生癌变.早期诊断和治疗癌前皮肤病变可以较好地预防癌症的发生.世界卫生组织(WHO, World Health Organization)的统计数据表明,全球每年发生200万至300万例非黑色素瘤皮肤癌和132万例黑色素瘤皮肤癌[1-2].一般来说,皮肤病变的诊断需要经验丰富的皮肤科专家对病变图像进行细致的人工检查.随着物联网的发展,人体传感器网络、人工智能、云计算和无线网络通信让认知医疗服务、远程健康监控、健康指导和反馈可以通过多种传感器进行数据融合帮助实现.本文提出一种基于计算机视觉技术的皮肤病实时诊断系统,该系统资源消耗较少,便于移植到移动设备上,患者可通过手机等智能设备实现皮肤病初诊,从而为皮肤病患者提供快捷可靠的物联网化公共医疗服务奠定了基础. ...
新版中国黑素瘤诊治指南解读
1
2012
... 皮肤恶性病变大概率会发生癌变.早期诊断和治疗癌前皮肤病变可以较好地预防癌症的发生.世界卫生组织(WHO, World Health Organization)的统计数据表明,全球每年发生200万至300万例非黑色素瘤皮肤癌和132万例黑色素瘤皮肤癌[1-2].一般来说,皮肤病变的诊断需要经验丰富的皮肤科专家对病变图像进行细致的人工检查.随着物联网的发展,人体传感器网络、人工智能、云计算和无线网络通信让认知医疗服务、远程健康监控、健康指导和反馈可以通过多种传感器进行数据融合帮助实现.本文提出一种基于计算机视觉技术的皮肤病实时诊断系统,该系统资源消耗较少,便于移植到移动设备上,患者可通过手机等智能设备实现皮肤病初诊,从而为皮肤病患者提供快捷可靠的物联网化公共医疗服务奠定了基础. ...
Classification of malignant melanoma and benign skin lesions:implementation of automatic ABCD rule
2
2016
... 传统的病灶检测方法主要靠人工的ABCDE规则(不对称、边界、颜色、皮镜结构和进化)[3]、3点检查表[4]、7 点检查表[5]、Menzies方法[6]和CASH (颜色、建筑、对称、均匀)[7]特征等方法进行特征提取. ...
... IR-VGG网络与其他相关算法模型对比
已有研究工作 | 分类模型 | 准确率 | 参数量 | 问题类型 |
文献[3]所提方案 | BN-CNN | 89.3% | / | 二分类问题 |
文献[12]所提方案 | MSM-CNN | 96.3% | 很大 | 多分类问题 |
文献[15]所提方案 | Resnet50 | 86.7% | 46 MB | 二分类问题 |
文献[13]所提方案 | Resnet152 | 86.28% | 117 MB | 二分类问题 |
文献[14]所提方案 | VGG16(迁移) | 91.07% | 138 MB | 多分类问题 |
本文模型 | | | | 多分类问题 |
4 结束语 为解决传统皮肤病诊断计算资源消耗大、实时性差的问题,提高公共医疗服务质量,实现数据共享互联的物联网医疗服务体系,本文提出一种基于IR-VGG 的多分类皮肤病实时诊断系统.在传统的VGG16分类算法中,引入反转残差块、边缘检测分割、全局和局部特征提取,不仅实现了皮肤病诊断准确率的提升,而且其网络的参数量比 VGG16 降低了90%.在数据集SkinData-1、SkinData-2上进行的实验结果表明,本文所提模型的准确率分别为94.71%、85.28%,比VGG16提升了9.69%、5.61%,而本文模型所消耗的计算资源仅为VGG16的1/10.表明本文模型在计算资源有限和实时性要求较高情况下,可以有效解决皮肤病实时诊断问题,为提高公共医疗服务质量提供了一种可行的解决方案.同时展望之后可以建立算力更充足的物联网计算基站,本文的计算设备作为边缘子节点,将采集的数据和初诊结果上传至物联网计算基站进行数据挖掘和分析,从而形成完备的物联网医疗服务体系. ...
Three-point checklist of dermoscopy
1
2004
... 传统的病灶检测方法主要靠人工的ABCDE规则(不对称、边界、颜色、皮镜结构和进化)[3]、3点检查表[4]、7 点检查表[5]、Menzies方法[6]和CASH (颜色、建筑、对称、均匀)[7]特征等方法进行特征提取. ...
Seven-point checklist of dermoscopy revisited
1
2011
... 传统的病灶检测方法主要靠人工的ABCDE规则(不对称、边界、颜色、皮镜结构和进化)[3]、3点检查表[4]、7 点检查表[5]、Menzies方法[6]和CASH (颜色、建筑、对称、均匀)[7]特征等方法进行特征提取. ...
A method for the diagnosis of primary cutaneous melanoma using surface microscopy
1
2001
... 传统的病灶检测方法主要靠人工的ABCDE规则(不对称、边界、颜色、皮镜结构和进化)[3]、3点检查表[4]、7 点检查表[5]、Menzies方法[6]和CASH (颜色、建筑、对称、均匀)[7]特征等方法进行特征提取. ...
The CASH (color,architecture,symmetry,and homogeneity) algorithm for dermoscopy
1
2007
... 传统的病灶检测方法主要靠人工的ABCDE规则(不对称、边界、颜色、皮镜结构和进化)[3]、3点检查表[4]、7 点检查表[5]、Menzies方法[6]和CASH (颜色、建筑、对称、均匀)[7]特征等方法进行特征提取. ...
Melanoma classification on dermoscopy images using a neural network ensemble model
1
2017
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
A systematic review of automated melanoma detection in dermatoscopic images and its ground truth data
1
2012
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Computerized analysis of pigmented skin lesions:a review
1
2012
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Comparative study of classification techniques used in skin lesion detection systems
1
2014
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Automatic melanoma detection via multi-scale lesion-biased representation and joint reverse classification
3
2016
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... 由表5可知,本文使用的IR-VGG分类器的准确率可达到94.71%,在6种分类模型中排名第二,准确率排名第一的是文献[12]所提方案使用的MSM-CNN特征分类器,准确率为96.3%.从参数量来看,IR-VGG 特征分类器所包含的参数量只有15 MB,在所有分类模型中数量最少;MSM-CNN特征分类器由于使用了多通道、多尺度的分类方法,导致其分类模型所包含的参数量非常巨大,无法适应计算量有限的便携式智能设备.由此可见,本文设计的分类模型可以在保证准确率的前提下,大大减少分类模型的参数量,是智能手机端实现皮肤病诊断的优先选择方案. ...
... IR-VGG网络与其他相关算法模型对比
已有研究工作 | 分类模型 | 准确率 | 参数量 | 问题类型 |
文献[3]所提方案 | BN-CNN | 89.3% | / | 二分类问题 |
文献[12]所提方案 | MSM-CNN | 96.3% | 很大 | 多分类问题 |
文献[15]所提方案 | Resnet50 | 86.7% | 46 MB | 二分类问题 |
文献[13]所提方案 | Resnet152 | 86.28% | 117 MB | 二分类问题 |
文献[14]所提方案 | VGG16(迁移) | 91.07% | 138 MB | 多分类问题 |
本文模型 | | | | 多分类问题 |
4 结束语 为解决传统皮肤病诊断计算资源消耗大、实时性差的问题,提高公共医疗服务质量,实现数据共享互联的物联网医疗服务体系,本文提出一种基于IR-VGG 的多分类皮肤病实时诊断系统.在传统的VGG16分类算法中,引入反转残差块、边缘检测分割、全局和局部特征提取,不仅实现了皮肤病诊断准确率的提升,而且其网络的参数量比 VGG16 降低了90%.在数据集SkinData-1、SkinData-2上进行的实验结果表明,本文所提模型的准确率分别为94.71%、85.28%,比VGG16提升了9.69%、5.61%,而本文模型所消耗的计算资源仅为VGG16的1/10.表明本文模型在计算资源有限和实时性要求较高情况下,可以有效解决皮肤病实时诊断问题,为提高公共医疗服务质量提供了一种可行的解决方案.同时展望之后可以建立算力更充足的物联网计算基站,本文的计算设备作为边缘子节点,将采集的数据和初诊结果上传至物联网计算基站进行数据挖掘和分析,从而形成完备的物联网医疗服务体系. ...
A robust hair segmentation and removal approach for clinical images of skin lesions
2
2013
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... IR-VGG网络与其他相关算法模型对比
已有研究工作 | 分类模型 | 准确率 | 参数量 | 问题类型 |
文献[3]所提方案 | BN-CNN | 89.3% | / | 二分类问题 |
文献[12]所提方案 | MSM-CNN | 96.3% | 很大 | 多分类问题 |
文献[15]所提方案 | Resnet50 | 86.7% | 46 MB | 二分类问题 |
文献[13]所提方案 | Resnet152 | 86.28% | 117 MB | 二分类问题 |
文献[14]所提方案 | VGG16(迁移) | 91.07% | 138 MB | 多分类问题 |
本文模型 | | | | 多分类问题 |
4 结束语 为解决传统皮肤病诊断计算资源消耗大、实时性差的问题,提高公共医疗服务质量,实现数据共享互联的物联网医疗服务体系,本文提出一种基于IR-VGG 的多分类皮肤病实时诊断系统.在传统的VGG16分类算法中,引入反转残差块、边缘检测分割、全局和局部特征提取,不仅实现了皮肤病诊断准确率的提升,而且其网络的参数量比 VGG16 降低了90%.在数据集SkinData-1、SkinData-2上进行的实验结果表明,本文所提模型的准确率分别为94.71%、85.28%,比VGG16提升了9.69%、5.61%,而本文模型所消耗的计算资源仅为VGG16的1/10.表明本文模型在计算资源有限和实时性要求较高情况下,可以有效解决皮肤病实时诊断问题,为提高公共医疗服务质量提供了一种可行的解决方案.同时展望之后可以建立算力更充足的物联网计算基站,本文的计算设备作为边缘子节点,将采集的数据和初诊结果上传至物联网计算基站进行数据挖掘和分析,从而形成完备的物联网医疗服务体系. ...
Model-based classification methods of global patterns in dermoscopic images
2
2014
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... IR-VGG网络与其他相关算法模型对比
已有研究工作 | 分类模型 | 准确率 | 参数量 | 问题类型 |
文献[3]所提方案 | BN-CNN | 89.3% | / | 二分类问题 |
文献[12]所提方案 | MSM-CNN | 96.3% | 很大 | 多分类问题 |
文献[15]所提方案 | Resnet50 | 86.7% | 46 MB | 二分类问题 |
文献[13]所提方案 | Resnet152 | 86.28% | 117 MB | 二分类问题 |
文献[14]所提方案 | VGG16(迁移) | 91.07% | 138 MB | 多分类问题 |
本文模型 | | | | 多分类问题 |
4 结束语 为解决传统皮肤病诊断计算资源消耗大、实时性差的问题,提高公共医疗服务质量,实现数据共享互联的物联网医疗服务体系,本文提出一种基于IR-VGG 的多分类皮肤病实时诊断系统.在传统的VGG16分类算法中,引入反转残差块、边缘检测分割、全局和局部特征提取,不仅实现了皮肤病诊断准确率的提升,而且其网络的参数量比 VGG16 降低了90%.在数据集SkinData-1、SkinData-2上进行的实验结果表明,本文所提模型的准确率分别为94.71%、85.28%,比VGG16提升了9.69%、5.61%,而本文模型所消耗的计算资源仅为VGG16的1/10.表明本文模型在计算资源有限和实时性要求较高情况下,可以有效解决皮肤病实时诊断问题,为提高公共医疗服务质量提供了一种可行的解决方案.同时展望之后可以建立算力更充足的物联网计算基站,本文的计算设备作为边缘子节点,将采集的数据和初诊结果上传至物联网计算基站进行数据挖掘和分析,从而形成完备的物联网医疗服务体系. ...
Automated color calibration method for dermoscopy images
2
2011
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... IR-VGG网络与其他相关算法模型对比
已有研究工作 | 分类模型 | 准确率 | 参数量 | 问题类型 |
文献[3]所提方案 | BN-CNN | 89.3% | / | 二分类问题 |
文献[12]所提方案 | MSM-CNN | 96.3% | 很大 | 多分类问题 |
文献[15]所提方案 | Resnet50 | 86.7% | 46 MB | 二分类问题 |
文献[13]所提方案 | Resnet152 | 86.28% | 117 MB | 二分类问题 |
文献[14]所提方案 | VGG16(迁移) | 91.07% | 138 MB | 多分类问题 |
本文模型 | | | | 多分类问题 |
4 结束语 为解决传统皮肤病诊断计算资源消耗大、实时性差的问题,提高公共医疗服务质量,实现数据共享互联的物联网医疗服务体系,本文提出一种基于IR-VGG 的多分类皮肤病实时诊断系统.在传统的VGG16分类算法中,引入反转残差块、边缘检测分割、全局和局部特征提取,不仅实现了皮肤病诊断准确率的提升,而且其网络的参数量比 VGG16 降低了90%.在数据集SkinData-1、SkinData-2上进行的实验结果表明,本文所提模型的准确率分别为94.71%、85.28%,比VGG16提升了9.69%、5.61%,而本文模型所消耗的计算资源仅为VGG16的1/10.表明本文模型在计算资源有限和实时性要求较高情况下,可以有效解决皮肤病实时诊断问题,为提高公共医疗服务质量提供了一种可行的解决方案.同时展望之后可以建立算力更充足的物联网计算基站,本文的计算设备作为边缘子节点,将采集的数据和初诊结果上传至物联网计算基站进行数据挖掘和分析,从而形成完备的物联网医疗服务体系. ...
Colour and contrast enhancement for improved skin lesion segmentation
1
2011
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
A methodological approach to the classification of dermoscopy images
3
2007
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... [17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... [17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Automated melanoma recognition
1
2001
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Melanoma classification on dermoscopy images using a neural network ensemble model
2
2017
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... [19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Toward a combined tool to assist dermatologists in melanoma detection from dermoscopic images of pigmented skin lesions
2
2011
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
... [20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Beyond bags of features:spatial pyramid matching for recognizing natural scene categories
1
2006
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Image representation optimization based on locally aggregated descriptors
1
2016
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Image classification with the fisher vector:theory and practice
1
2013
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
The devil is in the details:an evaluation of recent feature encoding methods
1
2011
... 近年来,计算机视觉在物联网医疗服务和医学影像智能诊断中开始获得应用.其自主检测病变的优势减少了对皮肤科医生的依赖.基于图像处理的皮肤病诊断包括:图像输入、病灶点特征提取和特征分类3部分.目前许多算法提出了自动皮镜图像分析.文献[8,9,10,11]全面总结了过去几十年的相关工作.总的来说,用计算机辅助分析模型通常包括以下4个步骤:1) 图像预处理,如去除毛发[12,13,14]和图像增强[15-16];2) 边界检测或分割[17];3) 特征提取,即颜色、纹理、边界梯度、形状相关描述符[17-19];4) 分类,如k-近邻(KNN, k-nearest neighbor)分类算法[18]、支持向量机(SVM, support vector machine)[17], AdaBoost分类器[20]等.现有的研究大多是进行特征提取工程和分类,并且假设输入图像中包含一个完整的、大小合适的病灶图像[19].但是皮肤镜图像有时无法捕获整个病灶区域,或病灶区域只占图像的一小部分.一些研究建议使用BOF(bag-of-feature)图像检索算法在复杂情况下检测局部病变特征[20].尽管BOF图像检索算法中的特征编码如基本直方图[21]、VLAD(vector of local aggregated descriptors)[22]特征方法和FV(fisher vector)[23]已经广泛应用于多图像分类任务中[24].但是这种手动提取特征的方式只能有限提高分类性能,此外这些方法复杂烦琐的操作步骤使其不适用于临床实践. ...
Accurate segmentation of cervical cytoplasm and nuclei based on multiscale convolutional network and graph partitioning
1
2015
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Deep residual learning for image recognition
1
2016
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
ImageNet classification with deep convolutional neural networks
1
2017
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Very deep convolutional networks for large-scale image recognition
1
2014
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Deep learning
1
2015
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Performance analysis of convolutional neural network (CNN) based cancerous skin lesion detection system
1
2019
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
基于深层卷积残差网络集成的黑色素瘤分类方法
1
2019
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
基于深层卷积残差网络集成的黑色素瘤分类方法
1
2019
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Automated melanoma recognition in dermoscopy images via very deep residual networks
1
2019
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Transfer learning using a multi-scale and multi-network ensemble for skin lesion classification
1
2020
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
基于深度残差网络的皮肤镜图像黑色素瘤的识别
1
2018
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
基于深度残差网络的皮肤镜图像黑色素瘤的识别
1
2018
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Convolutional neural network based skin lesion analysis for classifying melanoma
1
2019
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
AI-Skin:skin disease recognition based on self-learning and wide data collection through a closed-loop framework
1
2020
... 与手工提取特征不同,卷积神经网络(CNN, convolutional neural network)近来在图像识别领域中占据了主导地位[25,26,27,28].卷积神经网络的主要优势在于其可靠的视觉表示能力,能对给定的训练数据集进行识别和检测[29],Jayalakshmi等[30]在卷积神经网络中加入批标准化操作,减小了模型的过拟合,在皮肤损伤图像的二分类中获得较好的分类效果,对国际皮肤影像协作组织(ISIC, International Skin Imaging Collaboration)的良性和恶性皮肤损伤的识别精度达到89.3%.胡海根等[31]通过掩盖的数据增强与深度卷积残差网络相结合的集成分类方法对黑色素瘤的诊断进行预测,通过随机和非随机掩盖的数据增强法增加了训练数据集的数量,但是对提取病灶区域的关键信息意义不大,精度为86.7%.Yu 等[32]提出用于分割的全卷积神经网络和用于分类的深度残差网络,识别精度达到85.5%.Mahbod等[33]通过多尺度、多网络集成的迁移学习对皮肤损伤分类,该方法分别以多个尺寸作为网络特征输入,由3个网络通道作为特征提取器,最后获得分类结果,该方法仅通过少量的皮肤损伤图片的训练便可得到较好的分类效果.李航等[34]通过迁移学习将预训练的 ResNet-152 的残差神经网络用来提取皮肤病变的深度卷积层特征,然后利用 SVM 对提取的黑色素瘤特征进行分类.Guha 等[35]使用自定义的卷积神经网络和 VGG16 进行迁移学习对多种皮肤疾病进行分类,与直接使用卷积神经网络架构相比,该方法识别准确率更高.Chen 等[36]在云服务器端进行自主的深度学习,构建了一个基于深度学习的全方位皮肤病识别系统. ...
Skin lesion segmentation from dermoscopic images using convolutional neural network
1
2020
... 通过边缘检测,把病变严重的区域单独分割出来,减少边缘外区域的信息干扰,使得特征提取器能更加注重病变区域的特征提取[37].边缘检测与分割过程如图2所示,主要包括灰度化处理、二值化、阈值设定和涂色4个部分. ...
Gray-level transformations
1
2011
... 步骤1 对每个对象的像素进行灰度化处理[38]. ...
Handwritten digit recognition based on improved VGG16 network
1
2019
... 传统的 VGG16[39]卷积神经网络以 224×224×3的RGB图像作为输入,VGG16虽然网络结构简单,但是存在参数量庞大的问题,不适合在内存等资源受限的情况下使用.针对这一问题,本文设计了一种改进的VGG卷积神经网络IR-VGG. ...
Skin lesion analysis toward melanoma detection 2018:A challenge hosted by the international skin imaging collaboration (ISIC)
1
2019
... 由于ISIC提供的ISIC_2018[40]皮肤病图像数据集存在较严重的数据量不平衡问题,本文构建了一个中型皮肤病图像数据集SkinData,SkinData数据集的组成如表1所示,该数据集包括BCC、BKL、MEL、NV四大类,共计11 817张图片.每类皮肤病图像都分为训练集和测试集,按照4:1的比例划分,其中训练集样本数量为9 379张,测试集样本数量为2 438张. ...