面向高躁和类不平衡的皮肤癌图像检测框架

作     者：罗未 张海清 李代伟 任李娟 陈金京 唐聃 

作者机构：成都信息工程大学软件工程学院 四川省信息化应用支撑软件工程技术研究中心 

出 版 物：《微电子学与计算机》 (Microelectronics & Computer)

年 卷 期：2024年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100214[医学-肿瘤学] 10[医学] 

基　　金：欧盟项目(598649-EPP-1-2018-1-FR-EPPKA2-CBHE-JP) 国家自然科学基金项目(61602064) 四川省科技厅项目(2021YFH0107,2022YFS0544,2022NSFSC0571) 成都信息工程大学科技创新能力提升计划项目(KYQN202223) 

主　　题：皮肤癌图像分类 噪声处理 数据增强 动态损失函数 

摘      要：随着全球皮肤癌发病率的持续上升，早期检测显得尤为重要，能显著提高患者的生存率。尽管深度学习技术开辟了自动皮肤病变分类的新途径，但在处理图像噪声、类别不平衡及多尺度特征方面，现有方法性能受到限制。针对以上挑战，提出了一种整合了多种技术策略的新框架。首先采用基于小波变换的预处理技术，有效消除病变图像中的毛发干扰，从而揭示图像中的病变微观细节，为模型提供高质量的输入图像。其次，引入了一种新的随机数据增强策略，通过扩展图像的多样性，显著提升了模型对不同类型皮肤病变的识别能力。此外，提出了一种动态焦点损失函数针对类别不平衡问题提供了有效的解决方案，通过调整权重增强了对少数类病变的识别准确性。最后，应用金字塔预测技术，整合了不同尺度的特征信息，提高了模型对病变区域大小差异的适应性和准确性。在ISIC2018和ISIC2019数据集上的实验结果显示，相比于Densenet169网络，该框架的平均准确率分别提升了8.1%和4.34%，准确率分别提升了3.18%和3.37%，证明其在处理图像多样性和类别不平衡方面的优势，为皮肤癌的早期诊断和自动分类提供了一种新的高效途径。