基于目标检测算法的头部皮肤镜图像分析.pdfVIP

摘要

基于目标检测算法的头部皮肤镜图像分析

皮肤镜作为皮肤微观结构的呈现，在皮肤科对疾病的临床诊断中充当重要角

色，对于皮肤镜图像的分析成为对皮肤健康状况评估的重要手段，也可以为后续

的医学治疗提供重要的参考指标。在临床上对皮肤镜进行分析是最近几年发展起

来的一项新技术。以往国内外在临床上应用皮肤镜进行诊断大多围绕色素性皮损

的形态学观察与临床诊断的研究，而对皮表其它形态特征尤其是毛发特征的观察

与定量分析的研究报道较少。通过对头部皮肤镜的观察可以得到个体的毛囊、皮

肤纹理、头皮屑、肤色等信息。而在头部皮肤镜中，正常生长毛囊的个数在个体

脱发评价体系中尤为重要。

如果依赖医务工作人员对头部皮肤镜中的毛囊进行人工识别及计数，不仅耗

费大量的人力，而且由于头部皮肤镜中存在的毛发遮挡毛囊现象、以及头皮屑等

冗余背景信息，人工对毛囊识别计数的准确率也无法保障。对毛囊自动识别计数

属于图像识别领域的目标检测任务。目标检测分为基于机器学习的传统目标检测

和基于深度学习的目标检测。传统的目标检测算法其特征为人工构建，泛化性差、

自动化程度低。基于深度学习的目标检测算法可自动提取图像特征，无需人工干

预，现已取代基于机器学习的传统目标检测算法。由于头部皮肤镜数据集中存在

的毛囊遮挡、过多的冗余信息等现象，以及皮肤镜采集的角度和光照的不同，基

于深度学习的目标检测算法在头部皮肤镜中的毛囊检测任务中会存在漏检、误检、

以及检测框定位误差大等问题。

通过对几种常见的基于深度学习的目标检测算法的分析，本文选取FasterR-

CNN作为毛囊检测算法的基础，并根据头部皮肤镜在毛囊检测中存在的问题提

出有针对性的解决方案。本文主要工作如下：

1、针对采集到的头部皮肤镜图像，分析当前主流的目标检测算法，结合具

体的工程需求，选择了综合表现较好的FasterR-CNN模型。

2、通过对常用作目标检测算法特征提取模块的卷积神经网络进行分析以及

实验对比，选取出参数量更少、网络层次更深的深度残差网络作为目标检测算法

的特征提取网络，对输入到模型的原始图像进行特征提取，并在残差神经网络中

添加空间注意力机制和通道注意力机制，来提升网络提取到的特征图的质量。

3、对于FasterR-CNN算法的RPN网络部分，通过引入K-Means聚类算法

对头部皮肤镜数据集毛囊的边界框进行聚类，生成适合头部皮肤镜数据集中毛囊

尺寸的锚框大小，提升生成候选框的质量，将毛囊检测算法的mAP值从0.7357

提升至0.7405。

将改进后的FasterR-CNN算法在头部皮肤镜数据集上进行了实验，对实验

结果进行分析可知：（1）由于残差网络相较于普通的卷积神经网络有更少的参数

和更深的网络层次，使用残差网络对图片进行特征提取，同时在残差网络中加入

卷积注意力机制模块，使模型的检测准确率得到了提升；（2）在FasterR-CNN的

RPN网络模块引入聚类算法，生成适合头部皮肤镜数据集中毛囊检测的锚框尺

寸和数量，使模型的检测准确率得到了提升。

关键词：

头部皮肤镜，卷积神经网络，目标检测，注意力机制，K-Means

Abstract

Headdermoscopeimageanalysisbasedontargetdetection

algorithm

Dermatoscopy,asthepresentationofskinmicrostructure,playsanimportantrole

intheclinicaldiagnosisofdiseasesindermatology.Dermatoscopyimageanalysishas

becomeanimportantmeansofskinhealthassessment,andcanalsoprovidean

importantreferenceindexforsubsequentmedicaltreatment.Clinicalanalysisof

dermoscopyisa