彭建偉　譚政波　韓霖　莊艷　陳科　林江莉

摘要：皮膚癌早期診斷和篩查非常重要，但是皮膚癌識(shí)別難度較大，診斷準(zhǔn)確度一直偏低。在國(guó)際皮膚影像協(xié)會(huì)舉辦的最近一次多分類競(jìng)賽ISIC2019上，冠軍模型的平均準(zhǔn)確率僅為63.6%。目前亟須性能良好的策略來(lái)提升皮膚病智能分類的準(zhǔn)確性。經(jīng)研究使用EfficientNet網(wǎng)絡(luò)，并創(chuàng)新性提出非典型類數(shù)據(jù)平衡策略。用ISIC2019競(jìng)賽數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果顯示，八分類的平均準(zhǔn)確度高達(dá)82.4%。非典型類數(shù)據(jù)平衡策略為不均衡數(shù)據(jù)集的分類提供了一個(gè)新的方案。

關(guān)鍵詞：皮膚癌圖像；EfficientNet ；不均衡數(shù)據(jù)集；多分類；ISIC2019

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）01-0041-02

1 概述

根據(jù)世界衛(wèi)生組織2020年的數(shù)據(jù)，皮膚癌已經(jīng)成為發(fā)病率前五的癌癥，在1000萬(wàn)的死亡病例中皮膚癌約有120萬(wàn)例。

目前皮膚病的臨床輔助診斷手段主要是皮膚鏡技術(shù)，但是部分疾病的皮膚鏡圖像相似度高，臨床診斷困難[1]，近年來(lái)人工智能在皮膚病診斷領(lǐng)域顯示出優(yōu)越性能，研究發(fā)現(xiàn)，人工智能模型在皮膚鏡圖像上有著超過(guò)人類醫(yī)生的診斷準(zhǔn)確度[2-4]。但是由于皮膚癌圖像的“同病異影”和“同影異病”問(wèn)題嚴(yán)重（如圖1所示），皮膚癌智能診斷準(zhǔn)確度較低。ISIC2019競(jìng)賽上，針對(duì)黑色素瘤、鱗狀細(xì)胞癌等8種皮膚病的分類任務(wù)中，官方公布的冠軍模型的準(zhǔn)確率只有63.6%。

鑒于此，本文針對(duì)性提出皮膚癌智能診斷策略，致力于進(jìn)一步提升分類準(zhǔn)確率。

2 方法

2.1 數(shù)據(jù)集

研究數(shù)據(jù)來(lái)自ISIC2019競(jìng)賽，主要包括HAM10000，BCN20000，以及ISIC挑戰(zhàn)賽本身的數(shù)據(jù)。數(shù)據(jù)集共有25331張，包括八種病變[5]。分別是5類良性病變：NV：黑色素痣（12875張），BKL良性角化病（2624張），AK光化性角化?。?67張），VASC：血管源性病變（253張），DF皮膚纖維瘤（239張）；以及3類惡性病變：MEL黑色素瘤（4522張），BCC基底細(xì)胞癌（3323張），SCC鱗狀細(xì)胞癌（628張）。最多的黑色素痣有12875張，最少的皮膚纖維瘤， 僅有239張，樣本分布極不均衡。

2.2 數(shù)據(jù)平衡擴(kuò)增

為平衡各類樣本數(shù)量，首先采用傳統(tǒng)擴(kuò)充策略，即直方圖均衡，水平翻轉(zhuǎn)，旋轉(zhuǎn)30、90、150或180度，隨機(jī)擦除等方法進(jìn)行擴(kuò)增，使擴(kuò)增后每類的數(shù)量接近黑色素痣數(shù)量的二分之一左右。

2.3 非典型類數(shù)據(jù)平衡方法

傳統(tǒng)平衡擴(kuò)增之后，分類準(zhǔn)確率提升并不明顯，在此基礎(chǔ)上本文提出了一種全新的“非典型類”數(shù)據(jù)平衡擴(kuò)增方法。技術(shù)路線如圖2所示。

非典型類是指在傳統(tǒng)平衡擴(kuò)增數(shù)據(jù)集訓(xùn)練后錯(cuò)分到其他類別的圖片，就是FN（False Negative） 。通過(guò)大量擴(kuò)增非典型類圖像，達(dá)到數(shù)量分布趨于平衡。

2.4 EfficientNetB0網(wǎng)絡(luò)

EfficientNetB0是MingXing Tan等人在2019年提出的。網(wǎng)絡(luò)由 9個(gè)單元組成，主要模塊有MBConvBlock，MBConv，SepConv，使用了深度可分離卷積（DWConv） ，SE模塊等結(jié)構(gòu)。本文采用遷移學(xué)習(xí)改善此網(wǎng)絡(luò)訓(xùn)練過(guò)程中由過(guò)擬合和隨機(jī)初始化權(quán)重帶來(lái)的梯度消失問(wèn)題。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)設(shè)置和評(píng)價(jià)

訓(xùn)練過(guò)程中，輸入圖像大小為224×224pixels，并做隨機(jī)數(shù)據(jù)增強(qiáng)操作，最后歸一化轉(zhuǎn)為向量輸入網(wǎng)絡(luò)。Epoch為100，Batch Size為64，遷移學(xué)習(xí)的學(xué)習(xí)率為0.01，遷移學(xué)習(xí)之后的學(xué)習(xí)率為0.001，兩次訓(xùn)練均使用帶動(dòng)量的SGD優(yōu)化器，動(dòng)量為0.9，衰減速率設(shè)置為0.0001。對(duì)于識(shí)別結(jié)果，采用敏感度SEN，準(zhǔn)確率ACC，F(xiàn)1_Score進(jìn)行評(píng)估；并畫(huà)出ROC曲線計(jì)算AUC，來(lái)評(píng)價(jià)模型的可靠性。

3.2 實(shí)驗(yàn)結(jié)果

EfficientNetB0分類器使用非典型類數(shù)據(jù)平衡策略之后，模型的敏感度、準(zhǔn)確率和F1_Score都獲得最優(yōu)，結(jié)果如表1所示。

敏感度SEN代表著正樣本的檢出率，是醫(yī)生最關(guān)注的指標(biāo)。表2顯示了實(shí)驗(yàn)結(jié)果中各個(gè)類別的敏感度數(shù)據(jù)。可見(jiàn)，除NV和VASC略有下降，其他類別的靈敏度都有不同程度的提升，特別是黑色素瘤MEL的提升對(duì)臨床篩查有較大幫助。

分類器的ROC曲線和AUC如圖3所示，AUC值均高于90%，這說(shuō)明模型的分類結(jié)果非常可靠。

3.3 驗(yàn)證實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證非典型類數(shù)據(jù)平衡方法的有效性，實(shí)驗(yàn)選取了VGG，ResNet以及GoogLeNet進(jìn)行測(cè)試，測(cè)試結(jié)果如圖4?？梢?jiàn)，三個(gè)網(wǎng)絡(luò)在非典型類數(shù)據(jù)平衡策略下的F1分?jǐn)?shù)均取得了最優(yōu)的效果。

4 結(jié)束語(yǔ)

本研究針對(duì)皮膚癌圖像高度相似及數(shù)據(jù)不均衡的特點(diǎn)，提出一種全新的非典型類數(shù)據(jù)平衡方法，大幅提升了皮膚癌識(shí)別的準(zhǔn)確性，超過(guò)ISIC2019冠軍模型20%，為皮膚癌的早期篩查提供了有效策略，為不均衡數(shù)據(jù)集的分類提供了新的思路。

參考文獻(xiàn)：

[1] 邵虹，張鳴坤，崔文成.基于分層卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類方法[J].智能科學(xué)與技術(shù)學(xué)報(bào)，2021，3（4）：474-481.

[2] 埃斯特瓦，庫(kù)普勒，諾沃亞，等. 皮膚科醫(yī)生級(jí)皮膚癌的深度神經(jīng)網(wǎng)絡(luò)分類[J].自然，2017，542（7639）：115-118.

[3] 海恩斯勒，芬克，施耐德鮑爾，等. 人對(duì)機(jī)器：深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在皮膚鏡黑色素瘤識(shí)別中的診斷性能與58位皮膚科醫(yī)生的比較[J].腫瘤學(xué)紀(jì)事，2018，29（8）：1836-1842.

[4] 布林克爾，?？评眨骺?，等.在面對(duì)面皮膚鏡黑色素瘤圖像分類任務(wù)中，深度學(xué)習(xí)優(yōu)于157名皮膚科醫(yī)生中的136名[J]. 歐洲癌癥雜志，2019，113：47-54.

[5] 錢(qián)德?tīng)枺_森達(dá)爾，基特勒.HAM1000數(shù)據(jù)集：一個(gè)收集了大量常見(jiàn)色素性皮膚病變的多源皮膚鏡圖像的數(shù)據(jù)集[J].科學(xué)數(shù)據(jù)，2018，5（1）：1-9.

【通聯(lián)編輯：聞翔軍】