基于DCANet改进的医学图像分类方法研究.pdfVIP

摘要

基于DCANet改进的医学图像分类方法研究

近些年，利用计算机辅助诊断（CAD）技术进行医学图像的处理与分析得到了广泛

的关注。现代深度学习技术日新月异，将卷积神经网络（CNN）用于医学图像处理也成

为CAD领域的热门研究方向。由于CNN具有端到端地从图像数据中提取特征的特点，

因此在计算机视觉中得到广泛的使用，如语义分割、图像分类等，渐渐成为了深度学习

中最具影响力的方法之一，如今，它在医学图像分析的应用也在逐渐增多，渐渐成为了

医学图像分析的主流方法。

皮肤癌是当今一种非常普遍的疾病，所有年龄段的人都可能会发病。因其具有较为

繁琐的诊断过程，往往皮肤科医生先要通过观察来进行判断，然后使用显微镜来检查活

体组织切片，而且医生鉴定皮肤癌的可重复性比较差。同时，由于多种原因降低了诊断

准确性，例如，不规则和模糊的病灶边界，形状，颜色和大小变化，病灶与周围皮肤之

间的对比度低以及各种伪影。因此设计出更加精准的皮肤癌分类算法受到了许多研究人

员的关注。

本文对皮肤癌疾病和CNN在细粒度图像分类中的应用进行了研究，设计了一种基

于注意力机制的皮肤癌分类算法。本文分别在空间域和通道域上加入注意力模块，空间

域注意力更关注位置信息，而通道域注意力更关注内容。这种混合注意力模块可以有效

地强化或压抑中间特征的信息。本文在混合注意力模块的基础上，加入了深度连接注意

力结构（DCANet），它可以从前一个注意力模块中收集信息并传递给下一个注意力模

块，使注意力模块之间相互协作，在不改变CNN模型内部结构的情况下，增强了CNN

模型中的注意力模块，从而提高注意力模块的学习能力。本文还使用了一种新的池化方

法SoftPool，与其他池化方法，SoftPool在下采样的激活图中保留了更多信息。本文选

择ResNet作为基准网络，将混合注意力机制、深度连接注意力结构（DCANet）引入到

ResNet中，并将原始ResNet的conv2中的最大池化替换为SoftPool方法，构建了一套

完整的皮肤癌分类网络模型。

本文实验数据选择ISIC-2019挑战的数据集。以准确率、F1值、ROC曲线以及AUC

值作为评价标准，并使用Grad-CAM技术进行可视化分析，对皮肤癌分类算法的性能进

行评估。

本文针对医学图像领域中的皮肤癌分类问题，设计了一种基于CNN的方法。由于

皮肤癌类间相似度高、类内差异性大，而且有些种类的皮肤癌的病灶区域和健康区域的

区分度较低，边界不明显，甚至会有毛发遮挡住病灶区域的情况。为了解决这些问题，

使CNN更加关注于对识别有帮助的病灶区域，本文设计了注意力模块对网络进行了改

进，并引入SoftPool方法对网络进行优化。通过实验对比分析，表明了本文使用的混合

注意力机制、深度连接注意力结构（DCANet）和SoftPool方法均对网络精度的提升有

帮助。本文最终的模型在测试数据上的准确率为91.2%、F1值为0.9126，进而证明了本

文方法的有效性。

关键词：

医学图像，深度学习，皮肤癌，DCANet，SoftPool

Abstract

ResearchonMedicalImageClassificationMethodBasedonImprovedDCANet

Inrecentyears,theuseofComputer-AidedDiagnosis(CAD)technologyformedical

imageprocessingandanalysishasreceivedwidespreadattention.Moderndeeplearning

technologyischangingwitheachpassingday,andtheuseofconvolutionalneuralnetworks

(CNN)formedicalimageprocessinghasalsobecomeapopularresearchdirectioninthe

CADfield.BecauseCNNhasthechar