论文题目：基于改进DeepLab V3+的皮肤癌医学图像分割方法研究
摘要：皮肤癌及与皮肤相关的各种皮肤病正严重威胁着人类的健康。在大部分情况下,当皮肤癌患者在被确诊时,已经是皮肤癌晚期,此时,由于皮肤癌细胞极易发生病变,而且容易转移,因此,对于皮肤表面病变的及时诊断就显得至关重要。在医学领域中,人工智能与临床医学相结合进行病情诊断的案例越来越多,因此,通过计算机对皮肤镜采集到的皮肤癌医学图像进行分析研究具有重要的意义。本文的主要研究内容为:（1）通过阅读分析大量相关文献,发现基于传统机器学习算法的皮肤癌医学图像分割存在预处理工作过于繁琐,分割效果不佳等问题,无法有效辅助医生诊断,确定了本文研究方向为基于深度学习的皮肤癌医学图像分割算法。（2）设计并搭建了基于深度学习的皮肤癌医学图像分割框架,该框架包含皮肤癌医学图像采集模块、图像训练模块和图像检测模块。在图像训练模块中,首先设计UNet、Seg Net和DeepLab V3+三种深度学习图像分割网络,通过实验对比三种网络在皮肤癌医学图像分割中的分割效果。（3）通过上述对比分析,针对三种网络在实验中体现的问题,提出了基于DeepLab V3+网络改进的深度学习分割算法。通过加入Transformer模块等方法改进DeepLab V3+算法,最后将改进的Deeo Lab V3+算法的实验结果与DeepLab V3+进行对比分析。实验证明改进的DeepLab V3+分割算法相比于DeepLab V3+分割算法在皮肤癌医学图像的边界细节分割中更加出色,同时,改进DeepLab V3+分割算法的m IOU相比DeepLab V3+分割算法提升了1%。
关键词：皮肤癌;深度学习;卷积神经网络;图像分割算法;Transformer编码器
学科专业：电子与通信工程
摘要
abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于传统机器学习算法的医学图像分割研究现状
1.2.2 基于深度学习的皮肤癌医学图像分割研究现状
1.3 本文的主要研究工作
1.4 本文的结构设计
2 皮肤癌医学图像分割理论
2.1 卷积神经网络理论
2.1.1 人工神经网络概述
2.1.2 卷积神经网络结构
2.1.3 卷积神经网络训练过程
2.2 皮肤癌医学图像分割
2.2.1 基于传统机器学习算法的皮肤癌医学图像分割方法
2.2.2 基于深度学习的皮肤癌医学图像分割方法
2.3 基于深度学习的皮肤癌医学图像分割网络模型结构
2.3.1 基于深度学习的皮肤癌医学图像分割方法编码器
2.3.2 基于深度学习的皮肤癌医学图像分割方法解码器
2.4 本章小结
3 基于深度学习的皮肤癌医学图像分割模型搭建
3.1 皮肤癌医学图像分割问题分析
3.2 皮肤癌医学图像分割模型搭建
3.2.1 皮肤癌医学图像数据集
3.2.2 皮肤癌医学图像分割框架
3.2.3 皮肤癌医学图像分割算法的实现
3.3 模型评价指标
3.4 实验与分析
3.4.1 实验环境
3.4.2 实验参数配置
3.4.3 实验结果分析
3.5 本章小结
4 基于改进DeepLab V3+网络模型的皮肤癌医学图像分割
4.1 引言
4.2 Transformer模型
4.2.1 Transformer和 ViT网络结构
4.2.2 Transformer编码器
4.3 改进DeepLab V3+皮肤癌医学图像分割方法设计
4.3.1 网络模型整体改进思路
4.3.2 改进DeepLab V3+网络模型编码器设计
4.3.3 改进DeepLab V3+网络模型解码器设计
4.4 实验流程
4.5 实验结果分析
4.5.1 实验环境和实验参数配置
4.5.2 实验结果分析
4.6 本章小结
5 总结与展望
5.1 论文工作总结
5.2 展望
参考文献
致谢