皮肤病变分割、特征检测与分类的深度学习方法综述

### 皮肤病变分割、特征检测与分类的深度学习方法综述 #### 1. 皮肤痣分割方法的先进技术对比 在皮肤痣分割领域，不同的深度学习方法在不同数据集上展现出了各异的性能。以下是在ISIC 2017测试集和PH2数据集上的性能对比。 ##### 1.1 ISIC 2017测试集性能对比 | 方法 | 准确率 | Dice系数 | Jaccard指数 | 灵敏度 | 特异度 | | --- | --- | --- | --- | --- | --- | | Yuan et al. | 0.934 | 0.849 | 0.765 | 0.825 | 0.975 | | SegNet | 0.918 | 0.821 | 0.696 | 0.801 | 0.954 | | U - Net | 0.901 | 0.763 | 0.616 | 0.672 | 0.972 | | Yu et al. | 0.949 | 0.897 | 0.829 | 0.911 | 0.957 | | FrCN | 0.940 | 0.870 | 0.771 | 0.854 | 0.967 | | Goyal et al. | 0.941 | 0.871 | 0.793 | 0.899 | 0.950 | 从表中可以看出，Yu et al.的方法在准确率、Dice系数、Jaccard指数和灵敏度方面表现最佳，整体性能较为突出。 ##### 1.2 PH2数据集性能对比 | 方法 | 准确率 | Dice系数 | JSI | 灵敏度 | 特异度 | | --- | --- | --- | --- | --- | --- | | FCN - 16s | 0.917 | 0.881 | 0.802 | 0.939 | 0.884 | | DeeplabV3 1 | 0.923 | 0.890 | 0.814 | 0.943 | 0.896 | | Mask R - CNN | 0.937 | 0.904 | 0.830 | 0.969 | 0.897 | | Goyal et al. | 0.938 | 0.907 | 0.839 | 0.932 | 0.929 | 在PH2数据集上，Goyal et al.的方法取得了最好的综合性能。 总结来看，全自动和端到端的皮肤病变分割可为病变诊断决策提供有力的推断依据。不过，未来仍面临诸多挑战，例如设计能适应不同皮肤类型和伪影（如毛发、毛囊以及周围皮肤颜色）的鲁棒算法。不同的数据增强技术或许是一个可行的解决方案，已有研究表明其在提升深度学习算法性能方面展现出了良好的效果。 #### 2. 深度学习算法对局部和全局模式的检测 皮肤镜特征（即皮肤镜标准）在评估皮肤痣时是重要的统计指标。这些标准包含全局模式和局部特征，不同的皮肤病变类型会呈现出相应的全局和局部模式。 ##### 2.1 局部特征 - 非典型血管模式 非典型血管模式是一个重要的局部标准，其优势比为7.42，是指示皮肤痣恶性程度的三大重要特征之一，有助于区分良性病变和黑色素瘤。该模式于1994年由Fineberg和Rosen提出，表现为与其他局部结构相关的线性不规则或点状血管。 不同研究团队针对血管结构的检测提出了多种解决方案： - **Kharazmi等人**：实现了一组稀疏自动编码器，基于原始数据的特征计算和选择来检测皮肤血管，对不同血管模式的检测准确率达到95.4%。 - **Betta等人**：描述了一种识别非典型血管的方法。由于获取具有血管模式的相关可靠数量的落射光显微镜（ELM）图像存在困难，他们对训练集进行了增强。在HSL颜色空间中进行像素分类，通过计算HSL颜色空间的分量并使用频率直方图进行分类，但该方法特异性较低。 - **Fabbrocini等人**：基于纹理分析提出了一种血管模式检测算法，在200张皮肤镜图像上进行测试，灵敏度和特异度分别达到80%和78%。 - **Kharazmi等人（最新研究）**：使用独立成分分析将图像分解为黑色素和