《Neurocomputing》:Skin Lesion Identification Using Carpet Weaving Fossa Algorithm based Convolutional Neural Network with Transfer Learning and Tversky Loss-U-Net++ Based Segmentation
编辑推荐:
本文提出基于Carpet Weaving Fossa Algorithm(CWFA)的CNN-TL模型,通过Wiener滤波预处理图像,结合Tversky损失优化的UNet++实现精准分割,并利用Gannet Devil优化算法提升训练效率,最终在SIIM-ISIC数据集上达到93.476%的准确率及多项高诊断指标。
Vineet Kumar Dubey | Apoorva Sharma | Vandana Dixit Kaushik
计算机科学与工程系,Harcourt Butler 技术大学,坎普尔,北方邦,208017,印度
摘要
皮肤病变是可能致命的疾病,影响所有年龄段的人。在智能系统中可靠且早期地检测皮肤癌在很大程度上依赖于对皮肤病变的准确分割和分类。自动皮肤病变诊断受到多种挑战的阻碍,包括伪影、图像质量低以及病变边界不明确等问题。在这项研究中,我们设计了一种基于 Carpet Weaving Fossa 算法的卷积神经网络(CWFA_CNN-TL)用于皮肤病变识别。首先获取皮肤图像,然后使用 Wiener 过滤器进行预处理。接下来,使用 Tversky loss-UNet++ 对皮肤病变进行分割,并通过 Gannet Devil 优化算法(GDO)进行训练。之后提取合适的特征以识别皮肤病变。最后,利用 CNN-TL 进行皮肤病变识别,其中 Carpet Weaving Fossa 算法(CWFA)用于优化训练过程。CWFA 是通过结合 Carpet Weaving 优化(CWO)和 Fossa 优化算法(FOA)而开发的。实验结果表明,CWFA_CNN-TL 的准确率约为 93.476%,阴性预测值(NPV)约为 88.757%,阳性预测值(PPV)约为 90.469%,真阴性率(TNR)约为 94.81%,真阳性率(TPR)约为 93.765%;同时 Tversky loss-UNet++ 的分割准确率也达到了 93.905%。
引言
不规则皮肤细胞发展的分析在很大程度上依赖于临床成像技术。使用成像技术评估痣对于及时识别和治疗慢性疾病至关重要。观察细胞和生物组织可以提供关于人体器官疾病的见解。人体器官通过多种临床成像方式进行分析,如 X 光、心电图(ECG)、免疫组化(IHC)图像和正电子发射断层扫描(PET),这些是医生和临床专家的重要诊断工具。这些医学成像方式用于评估各种器官的生理功能和解剖结构 [1],[2]。此外,血液癌、肺癌、脑癌和皮肤癌等不同类型的癌症通常通过计算机断层扫描(CT)进行评估和识别。皮肤病变也是通过这些医学成像技术来识别的 [2],[3],[4],[5]。皮肤是人体最大的器官,由多层组成,最外层是表皮,中间是真皮,最内层是皮下组织。一些常见的皮肤疾病包括湿疹、痤疮、银屑病和皮肤癌,每年影响超过 150 万人 [6]。皮肤病变通常被分为三类:由液体形成的病变、类似固体的肿块以及皮疹 [7]。
皮肤上的红色或深色斑块被认定为皮肤病变 [8],[2]。皮肤病变分为两种类型:先天性病变从出生时就存在,而继发性病变是由于细胞异常行为引起的。癌症或肿瘤是指由细胞异常生长导致的皮肤病变。细胞异常变化加上不受控制的生长会导致癌症的形成。皮肤癌分为非黑色素瘤和黑色素瘤 [2]。皮肤表面或以下的异常也被归类为皮肤病变。进一步分类将皮肤病变分为良性病变和恶性病变 [9]。良性病变如囊肿或痣(nevi)对身体没有特别危险。而基底细胞癌、鳞状细胞癌和黑色素瘤等恶性病变则具有显著的健康风险。尽管皮肤病变很常见,但对其进行特征描述仍然具有挑战性,从皮肤镜图像中自动检测恶性癌症仍然是一个难题。因此,使用高效的机器学习(ML)方法对于可靠的皮肤病变检测至关重要。深度学习(DL)在图像分类任务中最近受到了重视,因为它能够自动从图像中学习特征。将 DL 应用于皮肤病变识别是一个有效的研究领域。因此,使用经过深度训练的模型对于获得最佳性能至关重要 [10],[11]。在皮肤病变的医学检查中,健康区域和病变区域之间的关系可能会干扰光学观察,从而导致诊断不准确。
近年来,医生们在医院中使用皮肤镜技术来提高黑色素瘤的筛查效率 [12],[13]。这一过程增强了手动诊断,例如在皮肤癌检查中。虽然以前耗时较长,但自动化的计算机化技术现在可以帮助医生更快地做出决策 [13]。由于皮肤病变形状多样、颜色各异、大小不一且边界不明确,手动识别皮肤病变具有挑战性。在早期阶段检测皮肤病变有助于降低医疗成本,自动化的 CNN 方法可以进一步减少误诊并提高预测的准确性 [14],[15],[16],[17]。自动化的计算机技术包括多个步骤,其中病变分割和特征提取是复杂的过程,因为病变之间、皮肤状况的变化以及病变的异常性导致了这些复杂性。不准确的病变分割和不当的特征提取会降低分类准确性。目前,已经开发了多种病变分割方法,如随机合并分割、支持向量机(SVM)支持的病变分类、均值漂移算法支持的分割以及极限学习机支持的识别。此外,DL 为研究人员提供了在 ML 中提高识别和分类性能的焦点 [13]。DL 包含多种架构,如 CNN、循环神经网络(RNN)、生成对抗网络(GAN)、长短期记忆网络(LSTM)、深度信念网络(DBN)、自动编码器(AE)、多层感知器(MLP)和受限玻尔兹曼机(RBM)[10],[18],[19],[20]。然而,由于临床成像中良性病变和黑色素瘤之间的相似性差异较小,CNN 的分类准确性较低。因此,需要进行最佳的微调以提高准确性 [13]。
本研究的主要目标是设计 CWFA_CNN-TL 用于皮肤病变的识别。皮肤病变的识别在皮肤诊断中非常重要,因为它可以通过突出医学专业人员的关注区域来支持手动和自动诊断。现有的皮肤病变检测方法面临许多挑战,例如类别不平衡导致对小病变的检测效果较差和假阴性率较高。一些方法在分类前未能提取关键特征,影响准确性;而其他方法则需要大型标记数据集,限制了可扩展性。过拟合也会降低对未见数据的泛化能力。许多技术仅限于二元分类,无法进行多类检测,并且存在过分割或欠分割的问题,从而降低准确性。所提出的方法通过结合 Tversky loss-UNet++ 来解决这些问题,以改进分割效果,有效处理类别不平衡并提高小病变的准确性。使用 CNN-TL 可以利用预训练模型和优化的超参数,减少对大型标记数据集的依赖。CWFA 确保了更快的收敛速度和鲁棒性,防止过拟合和欠拟合。此外,该方法支持多类分类,能够检测各种皮肤病变并最小化分割问题,提供更可靠和全面的解决方案。本研究使用的输入图像来自 SIIM-ISIC 黑色素瘤分类数据集。输入的皮肤图像首先使用 Wiener 过滤器进行增强和预处理。然后使用 UNet++ 对皮肤病变进行分割,其中损失函数基于 Tversky 损失进行修改。Tversky loss-UNet++ 通过结合 Gannet 优化算法(GOA)和塔斯马尼亚恶魔优化算法(TDO)进行优化训练。随后提取统计特征、形状局部二值纹理(SLBT)特征、CNN 特征、局部三元模式(LTP)、局部最优定向模式(LOOP)和灰度共生矩阵(GLCM)特征。最后,使用 CNN-TL 进行皮肤病变识别,其中 CNN 使用从 CapsNet 获取的超参数进行优化。此外,CNN-TL 还通过结合 CWO 和 FOA 进行了进一步调整。
重要贡献如下:
提出的 Tversky loss-UNet++ 用于皮肤病变分割:皮肤病变的分割在早期皮肤癌检测中起着关键作用。在这项工作中,使用 UNet++ 对皮肤病变进行分割,这是一种先进的语义分割架构。损失函数采用 Tversky 损失进行修改,该损失对类别不平衡更为敏感,特别是在皮肤病变检测中尤为重要,因为病变区域可能远小于周围皮肤。这一改进确保模型在具有挑战性的不平衡数据集上表现更好,减少了假阴性并提高了分割准确性。
提出的 Tversky loss-UNet++ 和 CWFA_CNN-TL 用于皮肤病变识别:准确识别皮肤病变在组织学分析和持续皮肤癌监测中至关重要。为此,提出了一种使用 CNN-TL 的混合方法。通过使用从 CapsNet 获取的超参数对 CNN 进行增强,从而改善特征提取并提高模型的泛化能力。进一步使用 CWO-FOA 混合优化方法对 CNN-TL 进行训练,提高了收敛速度和鲁棒性,实现了更准确的皮肤病变识别。
本文的结构如下:第 2 节回顾了相关文献并指出了相关局限性,第 3 节介绍了 CWFA_CNN-TL 方法,第 4 节展示了结果,第 5 节总结了研究 findings。
部分摘录
动机
皮肤病变的识别面临重大挑战,因为它们的独特特征和形成方式,特别是在早期黑色素瘤中,使得检测变得困难。这促使我们通过收集各种现有的皮肤病变分割和分类方法来引入一个皮肤病变识别模型。本节介绍了传统模型及其在检测皮肤病变方面的缺点。
提出的基于 Carpet Weaving Fossa 算法的卷积神经网络与迁移学习用于皮肤病变识别
为了解决皮肤病变分析中的常见问题,包括类别不平衡、小病变的分割不精确、特征提取复杂以及深度学习中的过拟合问题,我们提出了一种全面的 CWFA_CNN-TL 方法用于可靠的皮肤病变识别。为了实现精确的分割,首先应用 Wiener 过滤器来增强皮肤图像,去除噪声并提高对比度。然后使用基于 Tversky 损失的 UNet++ 对预处理后的图像进行分割
结果与讨论
本节讨论了提出的 Tversky loss-UNet++ 和 CWFA_CNN-TL 在皮肤病变分割和检测方面的结果。
结论
通过手动观察和视觉检查来评估皮肤病变图像以诊断皮肤癌一直很麻烦。手动处理皮肤病变以检测黑色素瘤既繁琐又耗时。随着技术的进步和计算资源的迅速增加,出现了多种用于皮肤病变识别的 ML 和 DL 方法。这些方法的结果非常显著,尽管使用这些方法评估皮肤图像仍存在一些问题
CRediT 作者贡献声明
SHARMA APOORVA:可视化。
KAUSHIK VANDANA DIXIT:监督。
DUBEY VINEET KUMAR:写作——审阅与编辑,原始草稿撰写,可视化,验证,软件,资源管理,方法论,研究,资金获取,正式分析,数据管理,概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
Vineet Kumar Dubey“我是 Vineet Kumar Dubey 博士,毕业于北方邦坎普尔的 HARCOURT BUTLER 技术大学计算机科学专业,获得博士学位。目前我在 UPRVUNL 担任助理工程师。”