深度医疗(5) - 皮肤癌（黑素瘤）诊断识别

深度医疗是笔者基于深度学习的医学项目应用开发实践，经过整理输出了文档和本系列课程，希望通过分享可以和大家共同讨论、相互学习，探索更好的解决方案。笔者是一名普通的大数据和人工智能领域从业者，过程中如有错误和理解不到位的地方请广大同仁不吝赐教。笔者一直坚信深度学习和医学的有机结合一定能碰撞出性能强大的深度医疗系统，服务大众。

深度医疗(5) - 皮肤癌（黑素瘤）诊断识别

本文主要介绍了通过深度学习进行黑素瘤病变识别的应用，首先简单介绍了皮肤病变的医学背景和相关知识，接着介绍了公开的黑素瘤数据集，最后介绍了神经网络的实现方式和处理后的效果以及性能分析。

1.概述

背景

皮肤黑素瘤的发病率从1979起每年都在上升，是所有皮肤癌中最致命的一种。源于皮肤，粘膜，眼和中枢神经系统色素沉着区域的黑素细胞的恶性肿瘤，死亡率高，严重威胁着人们的生命健康。国内检出率呈上升趋势，每年新发病例约2万例。

检查

肿瘤为单一实性，常有包膜，颜色可黑色、红棕色，深浅程度不一，也可无色素性。当黑色素瘤被诊断为同时仍局限于皮肤外层时，单纯切除通常是治愈的，5年的相对生存率约为98%。不幸的是，尽管黑色素瘤易于通过简单的视觉检查早期诊断，许多患者仍被诊断为更晚期的疾病。另一方面，对黑色素瘤的筛查不当会导致许多不必要的活检和切除类似黑色素瘤的良性皮肤病变。

发病原因

发病原因尚不明，但部分病例存在遗传因素、色素痣的恶性病变、创伤及慢性刺激因素、免疫因素、部分原因是日光浴床和其他人工日光浴设备的使用增加。

诊断

虽然皮肤是肉眼可见的，早期黑色素瘤可能很难区分相似的外表皮肤良性病变。这导致很多黑色素瘤的误诊。皮肤科医师从事皮肤癌经常采用人体摄影和皮肤镜检查作为诊断工具和诊断黑色素瘤的检测。全身摄影能早期发现变化的病变和避免活检的病变。

2.数据集

数据集信息

数据集总共包含了23906张图片，其中有一部分是良性病变，一部分是恶性病变，另外还有一部分是没有确诊的病例。

总共包含9个数据库，HAM10000, MSK-1 , MSK-2 , MSK-3 , MSK-4 , MSK-5, SONIC, UDA-1和UDA-2，这些数据库主要是采集的信号来源不一样，参数等也不一样，比如年龄，采集的仪器，其中每个独立的数据库图片分辨率是一样的，数据库之间的图片分辨率是不一样的。

数据集下载以后总共对应上面提到的9个文件夹，每个文件夹里面一张图片对应一个json文件，json文件里面包含了这张图片的所有信息，包括一些年龄、性别、诊断结果等信息。

数据提取

下载地址

3.神经网络结构

网络处理中采用了Dense net结构，通过多层Dense net叠加进行处理。

4.结果分析和系统优化

误差收敛曲线

精度曲线

5.预测结果

模型训练结束后，通过模型预测的准确率，平均值是89.06%

6.存在的问题和后续优化方案

1.因为系统是识别良性和恶性，即为2分类问题，针对这种情况，深度学习网络不一定有SVM的性能好；另外还可以进一步对良性和恶性进行细分类；
2.通过其他网络结构进行优化，例如可以考虑引入更好的处理网络，例如dense net或residual net进行处理；
3.因为数据集数量有限，可通过裁剪、翻转、缩放、旋转等处理，增加数据集的训练数量。

7.彩蛋

ISIC每年都会有关于皮肤病变识别的比赛，大家一展身手。

报名地址