基于卷積神經網絡的白癜風智能檢測研究

羅衛(wèi)，王學磊，劉健，陳杰，徐勁，朱琳

1. 空軍特色醫(yī)學中心 皮膚科，北京 100142；2. 北京網醫(yī)智捷科技有限公司，北京 100085；3. 北京科技大學，北京 100083

引言

人體最大的器官是皮膚，約占成年人體重總量的15%[1]，身體的內部通過皮膚與外部環(huán)境隔開。因此，皮膚是身體的重要防線，可以防止真菌、細菌、病毒感染和過敏等，并對體溫進行控制。許多皮膚病還會影響到人的外表以及身體健康，例如白癜風、痤瘡、銀屑病、濕疹、黑色素瘤等。在皮膚病的診治過程中，皮膚病的早期識別是非常重要的。

在醫(yī)學皮膚圖像處理過程中，通常使用圖像識別技術。傳統(tǒng)的圖像識別技術主要是通過分割邊緣和特征提取來對圖像進行識別，從而達到對皮膚圖像所包含的疾病進行識別的目的。然而，圖像分割和特征提取方法[2-5]高度依賴于圖像分析所設定的閾值，這需要大量的專家經驗作為基礎。如果閾值設定不合理，其泛化能力較差，容易導致識別效果不能令人滿意。卷積神經網絡（Convolutional Neural Network，CNN）具有很強的特征提取和圖像識別能力，在鑒別皮膚病方面具有重要意義。然而，當前缺少白癜風智能診斷和識別的研究。

白癜風是一種常見的色素性皮膚病。據不完全統(tǒng)計，世界上白癜風的發(fā)病率約為0.5%～2%[6-8]，其特征在于局部或全面喪失色素沉著，并形成白斑。當白癜風還處于早期階段時，由于白癜風病變部位的黑色素細胞的數量剛開始減少，通過治療可獲得比較顯著的恢復效果，治療費用也較低，因此白癜風的早期診斷非常重要。目前，尚沒有相關醫(yī)院通過計算機自動輔助診斷的方法進行白癜風的診斷，基本上都是依靠醫(yī)生多年的經驗進行診斷，所以白癜風智能診斷的意義重大。本文中，我們提出了一種基于CNN 的白癜風智能檢測模型，該模型的檢測成功率較高，有助于減少醫(yī)生的工作難度，并使患者能夠進行自我診斷及評價白癜風的復色情況。

1 基于CNN的白癜風檢測

1.1 數據準備

本文所使用的數據來源于空軍特色醫(yī)學中心皮膚科白癜風?？疲舶娜f張臨床白癜風皮膚圖片，為目前全球最大規(guī)模的白癜風?？茍D片庫，其數據還在不斷增加中。圖片庫中圖片的分辨率為768×576，包括兩類圖片：正常皮膚圖片和白癜風患者皮膚圖片，如圖1 所示。

圖1 臨床白癜風?？茍D片庫內圖片示例

1.2 數據預處理

在建立模型之前，我們需要對全部圖片進行預處理[9-11]，步驟如下：① 編寫一個用于縮小圖像尺寸的python 腳本文件，用于將數據集中的圖像的分辨率降為224×224；② 針對訓練集和測試集的數據，分別建立標注文件（此處的皮膚圖像標注是空軍特色醫(yī)學中心皮膚科白癜風?？频尼t(yī)生根據皮膚圖片的具體臨床特征進行的）；③ 分出數據集70%的圖片用于訓練模型，另外30%的圖片用于模型檢測。

1.3 CNN檢測模型建立

CNN 通常由兩部分組成：自動特征提取和全連接層，其中特征提取包括卷積層和池化層。在模型建立過程中，我們使用Keras-Framework[12]作為模型建立的框架，該框架具有多個預訓練的模型，可以縮短開發(fā)時間。我們通常選擇一些常用的CNN 模型，如Resnet50[13]、Vgg16[14]、Inception v2[15]等。經過初步實驗，Resnet50 的性能最優(yōu)，其多項指標優(yōu)于其他模型，更適合白癜風疾病的識別。ResNet（Residual Neural Network）是由微軟研究院的Kaiming He 等四名華人提出的，在ILSVRC2015 比賽中取得冠軍，在top5 上的錯誤率僅為3.57%。Resnet50 模型有殘余模塊，可以使整個結構在相同的方向上收斂映射，并確保隨著深度的增加最終錯誤率不會變得越來越高，因此我們將Resnet50 作為基線模型來使用。

為了提高識別白癜風的準確率，我們訓練3 個不同的CNN，對三個模型輸出的概率值取均值，并將該均值作為我們模型的判決輸入，如圖2 所示。具體的檢測流程如下：① 導入RGB 圖像，并將圖片對應的標簽變成one-hot 編碼；② 對數據進行預處理，并使用三個不同的CNN（Resnet50、VGG16、Inception v2）進行訓練；③ 取三個Resnet50 輸出概率值的均值，將該均值送入判決系統(tǒng)進行判決；④ 均值大于0.5，系統(tǒng)認為該圖像對應標簽的值更接近1，并將其判定為白癜風陽性；⑤ 均值小于或等于0.5，系統(tǒng)認為該圖像對應標簽的值更接近于0，并將其判定為白癜風陰性。

圖2 白癜風識別流程圖

2 結果

根 據 準 確 度（Accuracy，Acc）、 精 確 度（Positive Predictive Value，PPV）、靈敏度（Sensitivity，Sen）、特異性（Specifi city，Spe）和ROC 曲線下面積（Area Under the ROC Curve，AUC）[16]評估分類的性能。白癜風陽性，在標注文件中是標簽1；白癜風陰性，即正常皮膚，在標注文件中是標簽0。采用真陽性（True Positive，TP）、真陰性（True Negative，TN）、假陽性（False Positive，F(xiàn)P）和假陰性（False Negative，F(xiàn)N）這些常見指標進行評價，其相應的定義如下。

Acc=（TP+TN）/（TP+TN+FP+FN）

PPV=TP/（TP+FP）

Spe=N/（TN+FP）Sen=TP/（TP+FN）

詳細的指數分析如表1 所示。從表1 我們可以看到，在這三種不同的CNN 模型上的特異性都比較低，不超過80%，但對這三種模型的組合，其特異性能達到80.1%?；煜仃嚾鐖D3 所示。

表1 白癜風識別結果

圖3 CNN混合模型的混淆矩陣

白癜風是一種色素性疾病，病變區(qū)域在不同顏色空間轉換下具有較高的對比度，融合方法可有效識別病變區(qū)域，降低誤診率。同時，準確度、精確度和靈敏度這三個指標分別提高到86.3%、91.2%和90.5%?？傊?，我們的方法簡單有效，復雜度低，可以更好地應用于協(xié)助醫(yī)生診斷，也可以為其他有色人種的診斷提供研究思路。

3 臨床應用

基于以上理論模型，我們開發(fā)了應用于臨床上白癜風患者的智能分析系統(tǒng)。通過該系統(tǒng)，可以讓患者在完成白癜風首診之后，自行分析治療后的白癜風復色情況，可以精確地測量出白斑面積縮小和白斑復色灰度情況；同時，也可以將該分析結果傳給主治醫(yī)生，便于醫(yī)生分析白癜風病情和確定下一步的治療方案，從而有效提高白癜風患者治療的連貫性和提高治愈率。具體的白癜風患者治療后智能分析系統(tǒng)分析結果如圖4 所示。

圖4 白癜風患者治療前后智能分析系統(tǒng)分析結果截圖

4 結論

本文提出了一種基于CNN 模型融合的白癜風識別方法，與基于單個模型的圖像識別方法相比，該方法更有效、更穩(wěn)健。在不同模型的訓練結果下，從白癜風病變區(qū)域學習到的特征都不太一樣，因此三種模型具有一定的差異性，通過簡單的融合方法，可以得到性能的顯著提升。通過測試集對模型進行驗證，其AUC、準確性和特異性均具有較大優(yōu)勢。我們下一步的工作主要是，通過模型改進和訓練數據的增加，進一步提高算法的識別性能。總之，本論文的研究成果有助于醫(yī)生對白癜風疾病的有效識別，從而減少醫(yī)生工作難度，并能使患者進行自我診斷。