皮肤病变黑色素瘤预测与医学图像分割算法研究

### 皮肤病变黑色素瘤预测与医学图像分割算法研究 #### 1. 皮肤病变黑色素瘤预测研究 皮肤病变是皮肤的异常状况，有多种类型的皮肤病和相关分类疾病。在过去十年，考虑到温度和气候变化，皮肤护理变得尤为重要。目前仍有一些未知的皮肤病变未被分类，相关研究正在进行中。黑色素瘤皮肤病变可分为24组，包含良性和恶性肿瘤。皮肤病变预测的重要性在于通过对细菌感染和相关问题进行分类，找到确切的治疗方法，还可用于自动分割预测以及解释不同温度变化下皮肤颜色变化的原因。 在医疗保健领域，皮肤病变分类预测是热门研究方向。此前，已有多种机器学习算法用于黑色素瘤分类，如逻辑回归算法预测准确率达77%，基于ResNet - 50的深度学习算法分类器准确率为87%，传统图像处理方法分类的ROC曲线下面积准确率为79%，使用35张基底细胞癌（BCC）病变图像通过基于神经网络的机器学习算法分类准确率达到80.2%。然而，现有研究使用支持向量机（SVM）机器学习算法从皮肤病变数据集预测分类黑色素瘤类型皮肤癌的最高准确率为81%。为提高预测准确率，引入卷积神经网络（CNN）机器学习算法到皮肤病变数据集，旨在通过CNN算法与SVM算法对比，实现更高的准确率和更低的损失。 ##### 1.1 材料与方法 - **样本确定**：研究在钦奈Saveetha工程学院计算机科学与工程系的人工智能实验室进行。使用SVM算法和CNN算法两组，每组样本大小通过g - power工具（版本3.1.10）预测，得到104个样本，g - power值为80%，阈值设为0.05，置信区间为95%。但为使算法产生不同结果，将数据大小限制为每组10个样本。 - **数据集**：从Kaggle网站下载了名为HAM10000_metadata - new的皮肤病图像数据集，该数据集共有10016行，最后更新于2020年11月。数据集包含“lesion_id”（数据集行标识）、“image_id”（病变编号）、“dx”（病变类型，如黑色素瘤血管、基底细胞癌等）、“dx_type”（组织病理学病变类型）、“age”、“sex”和“localization”（病变位置）等列。 - **算法伪代码**： - **SVM算法伪代码**： ```plaintext candidateSV = { closest pair from opposite classes} while there are violating points do Find a violator candidateSV = U candidate SVS violator if any ap < 0 due to addition of c to S then candidateSV = candidateSVP repeat till all such points are pruned end if end while ``` - **CNN算法伪代码**： ```plaintext for (1=0;1<L;1++){ for (m=0;m<M;m++){ for (n=0;n<N;n++){ sum=bias[1]; for (k=0;k<K;k++){ for (s1=0;s1<S1;s1++){ for (s2=0;s2<S2;s2++){ sum+=weight[k] [1] [s1] [s2] × input[k] [m+s1] [n+s2]; } } } output [1] [m] [n] = activation_func (sum); } } } ``` - **实验设置**：硬件方面，需要英特尔酷睿3处理器、50GB硬盘容量和4GB随机存取内存。软件方面，可使用任何带有Python应用程序的操作系统或Anaconda（spyder版本4.1.5）。首先，将SVM算法应用于数据集，训练集占70%，测试集占30%，并通过改变数据大小和行数重复十次并记录结果。然后，将CNN算法以同样的训练集和测试集比例应用于数据集，对十个样本进行测试并记录结果。最后，将两组算法的结果应用于统计软件包SPSS进行分析。 ##### 1.2 结果 在应用机器学习算法之前，需要对皮肤病变数