基于深度学习的寻常型银屑病智能诊断方法的研究*

陈宇翔，王磊，闫峻，周冬梅

(1. 北京中医药大学，北京 100029；2. 首都医科大学附属北京中医医院，北京 100010；3. 医渡云(北京)技术有限公司，北京 100083)

1 引 言

寻常型银屑病是一种红斑鳞屑性皮肤病，该病病程长，易复发，是常见的慢性皮肤病，对其进行早期的诊断与长期的疾病管理非常重要。银屑病的诊断主要通过肉眼观察，在无法确定病因时，需要进行皮肤镜分析或活检。在肉眼观察下，其皮损与其他疾病(如湿疹等)具有较高的相似性，有一定的诊断难度。在我国，寻常型银屑病患者数量大、病程长，为了更好地对银屑病患者进行长期的治疗管理，需要寻找一种易于在基层推广且准确率高的诊断方法。深度学习在二维临床图像识别和疾病分类方面，展示出了巨大的潜力[1]，在皮肤科领域，深度学习算法在黑色素瘤、色素痣、基底细胞癌、甲真菌病等疾病识别的应用中能够与皮肤科医师相媲美[2-8]。由于深度学习技术，特别是卷积神经网络在分类任务方面取得的显著成绩，利用机器学习方法对基层诊疗赋能成为了可能。

在皮肤病的识别中，对皮损区域进行分割与提取是一个重要的步骤[9-12]。通过对皮肤影像中皮损区域进行分割与提取，模型对皮损的病变程度与趋势具有相对客观的评估，且对智能辅助诊断的准确率有一定的提升。但其在实际应用过程中仍存在一些问题，由于皮损图片边缘相对模糊、皮损的颜色与形状分布不规律、皮损与背景的对比度较低等，会影响皮损分割的准确性，因此，对皮损分割的技术提出了更高的要求。由于各类皮肤病的特点不同，针对不同类型皮肤病需要不同的算法设计，这给皮肤科疾病识别模型的构建带来较大难度。

本研究将皮损分割与否作为条件，对寻常型银屑病进行皮损识别，并对皮损分割在可肉眼识别的皮肤病中的必要性进行探讨，以期降低皮肤科智能诊断模型的开发成本。

2 材料与方法

2.1 数据集

本研究资料来源于首都医科大学附属北京中医医院皮肤科，包含了2017年9月至2018年6月期间皮肤科门诊或住院部就诊的各类皮肤病患者830例，共计13 409张皮损图片。其中寻常型银屑病344例6 571张，其它各类型的皮肤病数据详情见表1。

表1 数据集中各类型皮肤病的情况

2.2 诊断标准

西医诊断标准:根据《中华医学会.临床诊疗指南—皮肤病与性病分册》(北京:人民卫生出版社:2006.1)、《中国临床皮肤病学》(南京:江苏科学技术出版社:2001.4)制定。

2.3 拍摄设备

尼康D7100数码相机、索尼DSC - WX500、LG LTE2手机、小米6手机、IPhone7手机等各类便携式摄像设备，见表2。

表2 设备与像素

2.4 拍摄方法

选取安静、私密性好的室内，要求患者采取坐位或站位，取患者躯干、四肢、头面部、颈部、头皮、黏膜、掌趾部等处皮损行一般观察，并使用各类摄像设备对皮损在不同距离、不同角度进行拍摄。

2.5 皮损图片的分割标注

收集图片后，由至少2位主治医师对图片进行检查，同时使用LabelImg为图片框选出皮损区域并标注疾病名，生成XML文件以备模型训练。

3 模型架构

自2012年AlexNet在ImageNet比赛中取得了优异成绩后，卷积神经网络(convolutional neural network, CNN)在图像识别任务中得到了广泛的应用和深入的发展。相关研究人员先后提出了ResNet[13]，DenseNet[14]等新的网络结构来提升图像识别的性能。其中Huang等[14]在2017年提出的DenseNet因良好的性能和泛化能力，在多项图像分类任务中均获得了最优结果。DenseNet继承了ResNet跳跃连接的思路，使得训练深层网络更加容易。此外，DenseNet采用了密集连接机制，使得任意两层网络都可以直接相连，这样既可以充分发挥跳跃连接的优势，又可以实现特征复用，减少网络的参数量，防止过拟合。本研究的寻常银屑病识别系统是基于169层的DenseNet，将原始ImageNet 最后一层的1 000分类全连接层替换成二分类的全连接层，并重新训练网络的权重以适应本研究的寻常银屑病分类任务。

DenseNet主要由Dense Block，Transition层和分类层组成，见图1。

图1 寻常型银屑病的DenseNet示意图

其中每个Dense Block由多层密集连接的卷积层组成，见图2。

图2 5层的密集连接的Dense Block模块

传统的前向卷积层直接将前一层(第i层)的输出Xi作为下一层(第i+1层)的输入，则下一层的输出Xi+1=Hi+1(Xi)。而DenseNet的密集连接结构是将前边所有层(第0-i层)的输出拼接起来作为下一层(第i+1层)的输入，此时下一层的输出变为Xi+1=Hi+1([X0,X1,…,Xi+1,Xi])。该密集连接结构有以下优点：(1)将前边层的信息直接传递到后边层，减少了信息损失；(2)复用前边层的特征，减少了模型参数；(3)能够将任意层与最终的损失层直接相连，实现深度监督；(4)能够实现正则化的效果，提升模型的泛化能力。在任意两个Dense Block之间是Transition层，它由的卷积层和的池化层组成。Transition层在连接两个Dense Block的同时，还可以减小图片尺寸和模型参数，降低网络的计算量。最终的分类层使用二分类的Softmax来预测图像是否为寻常型银屑病。

本研究基于Pytorch实现寻常银屑病识别的DenseNet网络。首先使用ImageNet预训练的权重初始化网络参数，然后在银屑病训练集上微调各层的网络权重。实验中网络学习率设置为0.0001，每个batch的大小为64，使用Adam优化器，momentum为0.9，权重衰减系数0.0001。

4 实验结果

本研究将830例患者的13 409张图片按患者维度随机划分为训练集、验证集和测试集，比例为8∶1∶1。本研究输入的图片为相机直接拍摄的照片，而非人工裁剪出的病灶区域图像，省略了复杂的人工裁剪步骤，实现全自动的银屑病识别系统。但该情况下，照片会包含更多的背景噪声，甚至某些照片的病变区域只占整幅图像的很小一部分，这对模型的识别能力提出了巨大挑战。同时按患者维度切分训练集、验证集和测试集，即同一个患者的不同图片不会同时作为训练图片和测试图片。以上是本研究与以往研究的两点不同。

实验中，将原始照片统一缩放为大小输入到DenseNet网络中训练，并根据验证集的识别准确率，挑选最优的模型参数。实验中采取随机水平翻转和垂直翻转，图像灰度归一到0～1，并减去均值除以方差等数据增强方法。最优模型最终在测试集合上的准确率为84.098%，AUC值0.91。

为了对比自动识别全图与人工裁剪出病变区域后再识别的方法的差别，本研究将图像中的病变区域裁剪出来，统一缩放为大小，构建出裁剪图像的训练集，验证集和测试集，使用与前述相同的方式训练出一个针对裁剪图像的DenseNet识别网络。该情况下模型的准确率为87.812%，AUC值0.94。图像与预测结果示例见图3。

图3 图像示例与预测结果

通过对比发现，直接识别原图比识别裁剪图难度更大，但考虑该方式可以节省大量的人工标注，且3%左右的精确损失可以被接受。两种方法的ROC曲线见图4。

图4 两种训练方法下的ROC值对比

5 讨论

基层医疗机构的医师，尤其是非皮肤科医师对皮肤病的诊断准确率具有较大的提升空间。使用客观的智能诊断手段，可减少主观因素对诊断结果的影响。因此，建立一个易于使用并具有较强鲁棒性的模型，能够提升基层医疗机构与非皮肤科医师对皮肤病的诊断准确率。

通过构建具有较大背景噪音的数据集，使模型的训练图像与真实应用场景下拍摄的图像能够具有较高的一致性，从而使模型具有更强的应用性，更利于其推广。

由于本研究仅使用了数据集中的80%来训练算法，在较多的背景噪音的前提下，已经取得了较满意的结果，此结果能够通过增加数据集的大小而得到进一步的提升[15]。此外，使用皮损分割数据后的模型与全图识别模型有些微识别准确率的差别，其原因可能为模型对图片的关注区域仍存在偏差。例如，对于带有较强干扰因素的图像，皮肤科医师能够轻易的忽略干扰因素，将注意力集中在皮损上，而模型可能会将这些不相关的因素作为训练特征的一部分。该错误可通过图像预处理进行消除，但是预处理后的图像偏离了真实的分布情况，在自动分类过程中会造成更大的问题。因此，增加数据集大小，让模型通过训练能够忽略该部分干扰因素，是一个较好的处理方式。

6 结论

本研究应用深度神经网络算法对银屑病进行识别。使用皮损分割数据的图像识别准确率为87.812%，AUC值0.94；全图识别准确率为84.098%，AUC值0.91。具有较好的应用价值，能够在一定程度上提升对寻常型银屑病的诊断准确率。数据表明，不使用皮损分割与使用皮损分割仅有3%的识别准确率差距，而该差距可通过进一步扩大数据集来解决。不进行皮损分割而对银屑病进行识别，取得了良好的效果，而该方式节省大量的标注、算法适配时间，能够进一步提升皮肤病智能诊断系统的效率。

在后续研究中，我们将在保证贴近真实数据分布的前提下，进一步加大数据集的大小，使模型能够正确地忽略干扰因素。同时将模型由二分类升级为多分类，进一步扩大覆盖病种数量，使模型能够对更多的皮肤病进行诊断。此外，还将在现有基础上对皮肤病的中医证型尝试进行分类，为中医证型的标准化诊断提供证据。