基于注意力网络的皮肤镜图像识别方法研究

发布时间：2024-03-13 03:51

　　皮肤是人体最大的器官。近年来,皮肤癌患者的人数逐年增加。如果及时发现并治疗,患者几乎可以完全治愈。目前,在医学领域对皮肤癌的诊断,主要依靠皮肤科医生观察皮肤镜图像中病灶的形状、颜色等特征做出相应的诊断。这种方式不仅费时费力,而且由于皮肤病之间相似性高,即使是训练有素的皮肤科医生也很容易误判。随着计算机视觉技术的巨大进步,计算机辅助医生诊断将成为未来发展的趋势。目前,计算机在对皮肤癌图像进行识别时,主要存在以下挑战。首先,皮肤癌中最为致命的是黑色素瘤。在皮肤镜图像中,黑色素瘤与非黑色素瘤有极大的相似性。其次,由于病变区域与正常皮肤之间对比度较低,导致界限不明显,容易忽略皮肤的病变。最后皮肤镜图片中会有毛发,气泡,尺子标记等模糊或遮挡皮肤病变区域,使得自动识别任务变得更加困难。针对以上问题,本文在前人工作的基础上,提出对皮肤癌识别的优化算法。本文的主要贡献总结如下:1.本文提出自适应注意力网络(SANet),解决分步训练网络中,分类结果容易受分割信息影响的问题。自适应注意力网络使高层特征引导底层网络自动关注于病变区域,减少模型底层病变信息的丢失。实验结果显示AUC达到0.8584,准确率达...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图1-1传统图像处理过程

华南理工大学硕士学位论文务变得更加困难。因此，对皮肤镜图像的识别仍然存在较大的挑战。近年来，人工智能（ArtificialIntelligence，AI）渗透在生活的方方面面，尤其是计算机视觉改变了生活方式。在计算机视觉中，卷积神经网络（ConvolutionalNeuralNe....

图2-1机器学习模型

第二章深度学习与度量学习理论基础第二章深度学习与度量学习理论基础机器学习的方法进行预测是指计算机对已有的数据建模，然后根据预测值与真实标签之间的误差，对分类器的参数进行调整。在遇到未知样本时，依据已有的信息提供相应的判断。模型的好坏取决于两个方面：数据提供信息的好坏和模型从数据中....

图2-2M-P神经元模型

第二章深度学习与度量学习理论基础图2-2M-P神经元模型感知机能够较好的解决线性可分问题。但是，现实中数据分布往往是非线性分布。由于感知机的学习能力有限，因此多层感知机（Multi-LayerPerceptron，MLP）被提出，又被称为多层前馈神经网络（图2-3）。每一层的神经....

图2-3多层前馈神经网络示意图

第二章深度学习与度量学习理论基础图2-2M-P神经元模型感知机能够较好的解决线性可分问题。但是，现实中数据分布往往是非线性分布。由于感知机的学习能力有限，因此多层感知机（Multi-LayerPerceptron，MLP）被提出，又被称为多层前馈神经网络（图2-3）。每一层的神经....

本文编号：3927143