[发明专利]基于CycleGAN和BAFCNN的黑色素瘤分类方法及系统

权利要求书

1.一种基于CycleGAN和BAFCNN的黑色素瘤分类方法，其特征在于，该方法是通过条件图像合成数据集中代表性不足的样本用于平衡数据集，并利用基础辅助融合神经网络提取数据特征，将提取的数据特征映射到输出空间上进行黑色素瘤的处理与分类；具体如下：

条件图像合成：使用循环一致的CycleGAN网络合成条件图像；

提取补丁图像：采用像素块差值补丁策略提取补丁图像；

数据预处理：将原始皮肤图像的尺寸大小调整到224x224，将补丁图像的尺寸大小调整到128x128，并将补丁图像分别进行8倍和4倍上采样，再进行albumentations操作；

特征提取：使用基础辅助融合神经网络提取补丁图像以及原始皮肤图像的特征，并获取皮损图像的信息；

特征融合：使用权重融合策略对基础辅助融合神经网络输出的特征进行融合分类；

指标评估：使用不同的评测指标来评价黑色素瘤二分类预测结果。

2.根据权利要求1所述的基于CycleGAN和BAFCNN的黑色素瘤分类方法，其特征在于，条件图像合成具体如下：

将数据集中的非黑色素瘤图像和黑色素瘤图像分别定义为CycleGAN网络的X域和Y域；

将X域的非黑色素瘤图像和Y域的黑色素瘤图像分别送入一对博弈网络进行训练；其中，CycleGAN网络包括生成器G_XY、生成器G_YX、鉴别器D_XY和鉴别器D_YX；

生成器G_XY用于将X域图像合成与Y域样本相似的样本Y'；生成器G_YX用于利用Y域图像条件合成X域样本的X'域特征图；

鉴别器D_XY用于对Y域样本和样本Y'特征评分；鉴别器D_YX用于对X域样本和X'域特征图评分；

将对Y域样本和样本Y'特征评分及对X域样本和X'域特征图评分进行加和操作得出最终的损失；

根据评估结果更新生成器G，最终通过博弈达到平衡状态。

3.根据权利要求1所述的基于CycleGAN和BAFCNN的黑色素瘤分类方法，其特征在于，提取补丁图像具体如下：

将原始皮肤图像的两条中轴线平均分成T块像素块；

计算每个像素块中像素和值；

获取两个相邻像素块的差值，并判断相邻像素块的差值是否大于阈值

若是，则说明两个相邻像素块中发生了颜色的明显变化，即皮损图像的病变边界发生在这两个相邻像素块之间；

根据皮损图像的病变边界，选择差值大于阈值的像素块中远离病变组织的位置作为原始皮肤图像的切割线；

其中，原始皮肤图像的切割线获取具体如下：

将原始皮肤图像的两条中轴线平均划分为T块，分别为t₁、t₂·····t_n；

计算每相邻两个块像素和的差值；

从中轴线两端开始寻找差值大于阈值的像素点作为切片图像的边界线，公式如下：

其中，L、R、U、D分别表示目标补丁图像距离原始皮肤图像左边缘的距离、右边缘的距离、上边缘的距离及下边缘的距离；W、H分别表示原始皮肤图像的宽度和高度；T表示网格数量，T越大获得的补丁图像越精细；T_i表示第i个像素块；S(T_i)表示计算第i个像素块的和值；B表示返回两个像素块之间差值大于阈值的第一个或最后一个像素块的i值；

当切片图像的像素特征数量小于原始皮肤图像的四分之一时，使用几何切片补丁策略以弥补样本的缺陷。