文摘

皮肤癌是最常见的癌症之一,有时是困难的医生和专家诊断。无创性dermatoscopic方法是一种很流行的方法,观察和诊断皮肤癌。因为这个方法是基于眼推理,皮肤癌皮肤科医生的诊断是很困难的,尤其是在疾病的早期阶段。人工智能是一个适当的补充工具,可以使用与专家增加诊断的准确性。在目前的研究中,引入了一个新的计算机辅助方法的诊断皮肤癌。深度学习的方法设计了基于组合和新引进metaheuristic算法,即角马群优化(世卫组织)算法。该方法使用一个初始卷积神经网络初始特征的提取。之后,世卫组织算法已用于选择有用的特性来降低时间复杂度分析。然后执行一个方法isic - 2008皮肤癌的数据集。最终结果的特征选择的基础上,提出了与其他三个算法相比,结果显示系统的良好效果。 Finally, the total diagnosis system has been compared with five other methods to indicate its effectiveness against the studied methods. Final results showed that the proposed method has the best results than the comparative methods.

1。介绍

皮肤癌是最常见的恶性肿瘤的身体1]。这种癌症是由不受控制的和皮肤细胞的异常生长。从阳光和紫外线晒黑灯导致皮肤细胞的细胞核基因变化(2]。如果人体的免疫系统无法修复,皮肤细胞开始快速增长,无拘无束,最初出现快速增长的摩尔数与出血,肿瘤,或伤口不愈合,如果不治疗,它传播到其他地区(转移)3]。

最危险的一种皮肤癌黑色素瘤。黑色素瘤是最致命的一种皮肤癌。黑色素瘤通常开始于一个古老的变化或正常摩尔或突然出现在皮肤上黑色或深棕色区域。早期检测是非常重要的4]。这是早期诊断的重要点。通常是没有对称的皮肤病变,和一个一半的损伤不同于另一个。病灶的边缘是不清楚,不是很能引起周围皮肤健康。病变可能在几个不同的颜色。棕色和黑色更常见,红色,白色,和蓝色是不太常见的5]。病变的直径通常是超过6毫米。最后一个重要的症状是肉质现货的区别或一个棕色的点和其它地方的身体,通常开始改变形状和颜色或引起瘙痒和出血6]。

黑色素瘤皮肤癌之一,负责50%的死亡与皮肤癌有关。这种疾病的来源是在皮肤的表皮和真皮层(7]。这种疾病是由黑色素颗粒的积累,并扩散到皮肤的最外层。自确定病变的程度和在某种程度上提取准确的病变和背景之间的界限是一个最具影响力的参数在临床诊断恶性病变的方法,因此,提供病变诊断方法是非常重要的8]。

高盛第一发明了dermatoscope评估疾病条件下改变肤色。皮肤科医生使用这种装置作为一个合适的和非侵入性工具观察皮肤损伤。近年来随着科学的发展,数字dermatoscope已经取代了传统dermatoscopes捕获和储存的皮肤图像的能力。因此,可以提供商业软件包帮助诊断一些皮肤损伤,创建数据库,并创建一个为每个病人医疗的简历(9]。

黑素瘤诊断通过现代智能设备,在其形成的早期阶段,是一个非常重要的问题,涉及到许多研究人员(10]。同时,黑素瘤由于其高患病率已经吸引了大量的研究。例如,Razmjooy等人提出了一个新的组织良好的技术从dermoscopy图像诊断黑色素瘤。首先,额外的鳞片被使用边缘检测和平滑。然后,数据被分割和数学形态学作为后处理部分。他们也使用了一种优化的多层感知器(MLP)最终的分类。优化是基于世界杯优化(海关组织)算法。仿真结果表明系统的高精度基于作者的解释(11]。

Pathan等人提出了一个自动系统的诊断黑色素瘤。该方法包含一组连续的阶段。2 d伽柏过滤器用于检测色素网络的面具。基于规则的机器学习当时生产的色素网络面具来检测典型和非典型色素网络模式。该方法PH2数据集上实现。该方法也与一些先进的技术从文献显示方法的有效性12]。

许等人提出另一个自动的基于cad技术黑色素瘤的早期诊断。的方法,输入图像的噪声是首先减少了中值滤波。然后,一种新的优化方法感兴趣的区域的分割,提出了基于卷积神经网络(CNN)。提高CNN的效率,是优化基于缎蓝园丁鸟优化(SBO)算法。之后,该地区的主要特点为下一步提取感兴趣的。因为大量的功能,一个优化的基于SBO的特征选择算法也被利用。最后,图像分类基于支持向量机(SVM)。最终结果是美国癌症协会数据库上实现的,结果是与一些先进的方法来显示方法相比优势(13]。

可以观察到从文学、数和不同的技术提出了诊断皮肤癌。然而,提供最优的技术诊断系统不是太简单了,和他们每个人都有其优点和不足。此外,使用深度学习为此也太有用了。然而,使用这些作品的组合并不提供或可能太罕见。因此,本文提出了一种新的诊断方法对黑色素瘤检测。的方法提取特征图像的帮助CNN,完成从黑色素瘤dermoscopic图像。后来,水黾算法(WSA)是唯一的相关特性的最优选择。这里,我们利用WSA作为一个功能选择器从深特性由CNN和生成大量冗余。结果表明,这一过程可以开发黑色素瘤的诊断准确性。第二部分本文组织如下。 In Section2、主要材料和方法解释道。本节包含CNN和CNN的结构可用于特征提取。部分3描述定义的角马群优化算法。节4利用数据集被描述。部分5包括仿真结果和讨论结果。本文在部分已经结束6。

2。卷积神经网络

2.1。CNN-Based特征提取

本文使用一个卷积神经网络(CNN)建立黑色素瘤dermoscopic图像的特征提取。CNN的pretrained模型一直在训练数据集,包括多个图像在不同的类。所以,学习已经被转移实现重量转移已经训练和保留pretrained模型的结构,像《盗梦空间》,在这篇文章中。三个主要参数对CNN:滤波器尺寸,跨步,马克斯池。本研究使用大小2过滤器,大小2步参数和2×2马克斯池过滤受聘。卷积层的主要目标是提供一个适当的从输入图像特征提取。在这里,我们使用不同的卷积层,实现了提取各种功能,如纹理、边缘,高亮模式和颜色的图片。

三个完全连接层然后用于分类。我们也使用Softmax激活函数提供一个二进制输出(积极的黑色素瘤和消极的黑色素瘤)。最后连接层,包括提取的特征一直保持,和上面层平、辍学,后来的致密层执行分类已被移除。权重被RMSprop更新优化器,交叉熵损失函数和学习速率设置为1e−4。的输入形状特征提取器(《盗梦空间》)(225、225、3)。图1概述了《盗梦空间》的网络(14]。

pretrained模型的一个重要缺点像《盗梦空间》是他们的建设需要一个大的内存和存储能力,使得系统的高时间复杂度。因此,一些统计操作添加到忽略物质的特性。在下面,这些特性已经简要地给(14]。

2.1.1。树分类器

这个特性是一个最受欢迎的方法推进分类比率。除了精度高、简单、健壮。决策树,节点重要性评估了基尼系数的重要性,这是由于在以下公式: 在哪里表明加权的样本数量到达节点 , 描述了节点的重要性 , 定义了污染的价值节点,和代表从左和右子节点分裂的节点,分别。然后评估功能的重要性。 在哪里描述的重要性节点和描述功能的重要性 。

规范化区间[0,1]中的值除以所有功能重要性值的总和,也就是说,

最后,重要值之和的功能树求值,然后除以总数量的树木,也就是说, 在哪里描述的重要性功能,评估从所有树木,描述了归一化特性的重要性功能的树和定义了树的总数。

2.1.2。卡方

这个功能已经植入消除相关性高的特性值通过评估他们的依赖性。这是评估在所有类之间的特性: 在哪里和分别代表了真正的和预期的特性值。

在这里,建立卡方后,已经最小化了数据集的特征向量。

3所示。角马群优化算法

优化的主要目标是提供最理想的解决问题的办法,考虑到其局限性和其他特性。许多解决方案介绍了求解一个优化问题。以前,古典方法像Pontryagin极大值原理(15)和分布式牛顿法(16)被用于这一目的。然而,增加的复杂性问题,经典的方法已经被削弱,他们没有在解决一些np难问题。这使得研究人员走向并提供更新的方法来解决传统优化方法的问题。Metaheuristic算法最近有些新的优化算法,广泛用于这一目的。近年来,很多不同版本metaheuristic算法介绍了,例如,蝠鲼觅食优化(MRFO) [17[],世界杯优化(海关组织)算法18),蝗虫群优化(缩孔)算法(19),和角马群优化(世卫组织)算法(20.]。

在这项研究中,角马群优化(世卫组织)算法(20.)被用于优化我们的网络。选择这个算法的主要原因是它太最近在不同类型的metaheuristic算法。也,其结果基准函数的基础上,论文提供了更好的结果。这使得我们使用这种metaheuristic技术提高的效率提出了CNN。世卫组织已经从食物的行为启发搜索算法的牛羚。牛羚社会哺乳动物动物旅行寻找食物来源。雄性的挑战与其他竞争对手获得交配的雌性。

角马群优化(世卫组织)算法首先随机初始化的人口(牛羚)候选人。低(之间的人口是有限的 ),和更高的( )边界,即 在哪里 。

铣削行动然后用于当地角马个人的行动。建模的阶段是通过考虑一个一致的号码( )随着轻微的随机运动的基础上,解决方案空间和继续找到最优位置。一个随机相位一直受雇于候选人职位应该经常寻找小随机相位的位置。可调长度是通过一个随机步长候选人。因此,当地的实验阶段得到以下公式: 在哪里说明了学习速率变量,描述了考号 , 代表一个随机均匀值介于0和1之间,和定义了一个随机的单位向量。

这时,一个常数( )小随机评估候选人,角马更新它的位置得到一个最优随机位置,也就是说, 在哪里和描述的变量导致当地运动领袖的候选人。

最后一个阶段是模型群牛羚的本能。这是模拟一旦其他候选人定位在一个位置适当的食物来源,也就是说, 在哪里定义了一个随机的候选人和和代表的变量导致当地运动领袖船员。

角马群优化算法,还有另一个词来避免候选人搬到空间与食物来源不足。这一项是数学建模如下: 在哪里描述了一个随机的单位向量。

另一个术语的算法是模拟拥挤的空间。人群中当有一个宽生育的草。这一项名为“个人的压力。“根据这一项,完成一个挑战和最强的候选人了其他人使用以下方程: 在哪里意味着一个阈值空间,避免拥挤描述可采部分数量接近最优解。

最后阶段是模拟群社会记忆提供更好的职位,叫做群社会记忆,是通过以下方程:

角马群的概念的组合优化算法的初始网络,提出系统的总方法已经确定如下:(1)从《盗梦空间》中提取深度特性。(2)角马群初始化解决方案。群遵循领导者在肥沃的草地上搜索源(解决方案)。(3)尝试角马赶上最好的肥沃的食物来源基于勘探开发方面的算法。(4)重复,直到所有阶段已经达到终止条件。

4所示。数据库

本研究使用国际皮肤成像协作(isic - 2008)进行验证。这个档案定义一个国际试图黑色素瘤诊断的研究进展这是国际社会支持的数码影像的皮肤(ISDIS)。这个数据集包括最大的dermoscopic广泛收集图像皮肤损伤。数据集包括超过13000个dermoscopic图片收集了来自国际临床中心,中心内收集到不同的设备。这个国际合作是保证收集正确的数据集。另外,图片已标记的一个子集的专家。图2显示了一些示例isic - 2008数据集(21]。

5。仿真结果

因为算法metaheuristic和随机特性,该算法的实现结果可能会改变在不同的执行。因此,在这项研究中,训练方法的算法已经被重复30次,最好的网络被用于分析。世卫组织算法和初始网络已经在MATLAB编程2019 b 64位版本和英特尔酷睿i7Intel处理器上执行的计算环境CPU 2.00 GHz, 2.5 GHz, 32 GB RAM和两个SLI GeForce泰坦gpu和64位操作系统。卷积神经网络被谷歌实验室网络。

部分确认和讨论的结果提出皮肤癌症诊断系统。该方法执行isic - 2008数据集。数据集,分段癌症已经评估的比较研究专家的地面实况图像。

评估的效率建议方法,最好这两个值的平均值和最坏值(Max)和标准差(Std)已被评估和计算时间。所有指标给出的数学定义如下: TP是真阳性,TN是真正的负面,FP是假阳性,FN是假阴性,ACC, SPC, SNS代表准确性,特异性和灵敏度。

和优化是基于以下方程: 在哪里描述了评估和的数量意味着适应度函数值。

一旦开始培养皮肤癌图片不断的时代,这些快速起伏逐渐减少在未来培训的部分。

特征提取根据《盗梦空间》之后,那些算法进行最优选择的特性和消除无用的功能。这里的结果提出WHO-Inception已经与一些先进的优化算法包括黑猩猩优化算法(ChOA) [22),Biogeography-Based优化器(偏硼酸钡)23],蝗虫群优化(LS) [24对特征选择)。利用优化算法的参数设置表1。

这里,特征选择方法已用于最优选择生成的特征向量从开始到提供有用的相关特性。的一些参数选择类似于公平的比较。所有的算法都有15迭代和30多的候选人。所有的算法运行35独立运行提供一致的结果。表2报告的结果之前提到的四个测量指标应用的优化算法对数据集的特征选择。

从表可以观察到2,该算法具有更高的效率向其他比较LS算法在所有四个指标,分别ChOA、偏硼酸钡,。最好的结果表明,提出的算法提供了最佳值的适应度函数对他人。同时,LS是放在第二排。图3显示了分析算法的运行时间。

可以看到从图3,该算法认为最快的结果在所有的算法相比ChOA和偏硼酸钡紧随其后,分别,而LS最慢的结果。图4展示了许多选择特性的仿真结果的基础上,研究比较算法。

可以看到从图4提出的算法与210功能提供更少的功能比其他算法。偏硼酸钡和LS是放置在第二和第三个与314年和352年选择特性,分别。已经被ChOA选择最大的特性。

在接下来的部分,图像相似度和统计措施骰子系数(DC)、准确性(ACC),特异性(SPC), PPV, NPV和敏感性(SNS)评估。给出了参数的数学模型如下: TP是真阳性,TN是真正的负面,FP是假阳性,FN假阴性。

最后的结果相比,从文学包括Dorj[5最先进的方法25,Linsangan [26,Thanh [6],汗的[2),Angurana [27]。表3报告建议方法的仿真结果与其他先进的方法。

图5显示了酒吧的情节分类率。可以观察到的结果,提出了方法论提供了与其他方法相比精度最高的文学。

从表可以观察到1,建议技术有96%的准确度提供了其他比较方法的效率。同样,Dorj的方法和Angurana与91%的第二等级的方法比较。同样,Linsangan,汗,Thanh方法的89%,88%,和87%,分别是在未来。同时,建议方法灵敏度为96%作为最高的价值对他人表示方法的比别人更高的一致性。此外,更高价值的PPV和NPV为建议的方法对其他指定其更高的条件发生处理测试识别癌症的可能性。此外,高特异性的结果建议技术指示其复杂occurrence-independent成就。

6。结论

皮肤癌是最常见的癌症之一。全球至少有40%的癌症是皮肤癌。这种癌症与一个可怕的趋势正在上升。百分之二十的美国人有疾病,其中有36000多是女性,被诊断出患有黑素瘤。因此,早期发现癌症可以发挥重要作用导致癌症和生存的危险。最近,减少专家的错误,图像处理技术已经用于这些目的。这些技术可以发挥互补作用与专家。因此,在目前的研究中,一个最优的计算机辅助诊断系统提出了基于深度学习的早期发现皮肤癌。这个想法是提出一个优化的版本的《盗梦空间》卷积神经网络特征提取的皮肤癌的图像。结果特性被修剪的角马群优化(世卫组织)算法作为特征选择技术。 Using the WHO algorithm is to select just the useful features and to neglect the irrelevant ones. After designing the method, it was applied to a standard dataset, namely, International Skin Imaging Collaboration (ISIC-2008) dataset with over 13,000 dermoscopic images. The simulation results of the proposed method were compared with Chimp optimization algorithm (ChOA), Biogeography-Based Optimizer (BBO), and Locust Swarm Optimization (LS) for defining the feature selection efficiency. The results indicated that the proposed method provides better effectiveness in terms of accuracy, minimizing the number of extracted features and the speed. The final diagnosis system were also compared with some well-known methods including Dorj’s, Linsangan’s, Thanh’s, Khan’s, and Angurana’s methods to show its dominance toward the studied methods. According to the results, the suggested method based on the EHO algorithm and Inception CNN provides the best results among all studied methods. However, the results showed the best results for the proposed WHO algorithm, and some other new metaheuristics can be testified to solve the problems like monarch butterfly optimization (MBO), earthworm optimization algorithm (EWA), elephant herding optimization (EHO), moth search (MS) algorithm, Slime mould algorithm (SMA), and Harris hawks optimization (HHO) which are a good motivation for the future work.

数据可用性

可以获得的数据集的数据https://www.isic-archive.com/。

的利益冲突

作者宣称没有利益冲突。