黑色素瘤癌症阶段分类方法

沙特国王大学学报黑色素瘤癌症分期检测Sreepathi Bellary， Rashmi Patil印度卡纳塔克邦Bellary VTU RYMEC计算机科学与工程系阿提奇莱因福奥文章历史记录：收到2020年2020年7月24日修订2020年9月4日接受2020年9月9日网上发售关键词：分类神经网络皮肤癌，厚度A B S T R A C T黑色素瘤是一种危险的皮肤癌，传播速度非常快。因此，它是最致命的皮肤癌，导致大多数死亡。癌症阶段的分类是一项非常繁琐的任务，并且在患者被诊断时非常重要。在手术治疗时诊断癌症主要取决于癌症的阶段或肿瘤厚度。在本文中，设计了两种方法来分类黑色素瘤癌症阶段。第一个系统将黑素瘤分类为1期和2期。第二系统将黑素瘤分类为1期、2期或3期黑素瘤。该系统使用卷积神经网络（CNN）算法，以文本处理的相似性度量（SMTP）作为损失函数。给出了不同损失函数的实验结果，并与提出的SMTP损失函数进行了比较.所提出的算法是更有效的比其他几个损失函数，专门设计的分类问题。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍黑色素瘤是一种非常致命的皮肤癌，在世界各地迅速增加。这是一种非常危险的皮肤癌，因为它迅速扩散到淋巴结，甚至在确定癌症之前。2016年，美国预计新的黑色素瘤病例为76，380例，预计死亡人数为10，130例。 这在美国每小时夺去一个以上的生命。因此，黑色素瘤的发生在全球范围内正在增加（Pehamberger等人，1987年）。早期发现和诊断可以完全治愈黑色素瘤黑色素瘤的基本危险因素，就所有皮肤恶性生长而言，是对普通和防伪明亮（UV）光的引入皮肤癌可以通过晒黑或遗传而发展黑色素瘤转移是这种疾病最值得注意的死亡原因。仔细检查病变的皮肤镜照片。首先需要区分色素性病变和非色素性病变。然后，如果是色素性病变，则需要检查是非黑素细胞性病变还是黑素细胞性病变。此外，如果*通讯作者。电子邮件地址：rashmiashtagi@gmail.com（R.Patil），sreepathib@gmail.com（S.Bellary）。沙特国王大学负责同行审查认为它是黑色素细胞病变，在这一点上看看它是否慷慨或黑色素瘤。如果公认的皮肤病变是黑色素瘤，那么医生应该在最早的时间开始诊断黑色素瘤，否则它会导致最多的死亡。黑色素瘤的分期在手术治疗时对癌症的诊断主要取决于癌症的阶段或肿瘤厚度。肿瘤的大小和分期是诊断患者的关键参数。皮肤恶性黑色素瘤分期：通过病理学检查，采用Clark评分法和Breslow指数法测量肿瘤厚度和深度。这些方法只能在可疑病变行切开或切除手术后使用。克拉克量表测量黑色素瘤生长深度和受影响的皮肤水平。在此，有五个级别的分类，严重程度随着级别的增加。Breslow指数（Breslow，1970）分为5个阶段，有助于了解手术切缘的宽度。SMTP（Chim和Deng，2010）区分元素的出现和不出现，这被视为比区分与当前元素相关的质量更随着与当前元素相关的2个品质之间的区别减小，接近度增加。重要的事情的承诺通常是有尺度的。相似性随着本质缺席凸显量的增加而减小一个缺失的组件对亲密度没有承诺。所提出的算法的关键贡献是基于肿瘤厚度对黑素瘤癌症阶段进行分类，而无需任何侵入性方法。https://doi.org/10.1016/j.jksuci.2020.09.0021319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comR. 帕蒂尔，S。贝拉里沙特国王大学学报3286≥≥≥≥病变分割技术是模式识别算法的基本方法，用于在最快的阶段区分黑色素瘤皮肤恶性生长的患者，在任何情况下，在进一步的阶段，它得到最致命的疾病之一，其死亡率极高。因此，基于使用SMTP损失函数来识别和诊断皮肤镜图像，提出了精确的黑素瘤阶段检测方案，皮肤镜图像使用具有SMTP的CNN基于黑素瘤的阶段对其进行分类提出了两种分类系统，它们都使用相同的算法。根据黑色素瘤皮肤癌的厚度，分期如下：表1显示了基于其厚度的黑色素瘤皮肤癌的阶段识别。它分为两个阶段，将黑色素瘤分为1期和2期。这将黑素瘤分为两类，第一阶段肿瘤厚度为0.76 mm，第二阶段肿瘤厚度为0.76 mm。表2显示了基于其厚度的黑色素瘤皮肤癌的阶段识别。有三个阶段，第一阶段，第二阶段和第三阶段。第一个系统将黑素瘤分为两类，肿瘤厚度为0。第一期肿瘤厚度为76 mm，第二期肿瘤厚度为0.76 mm。第二系统将黑素瘤分类为三个类别或阶段，肿瘤厚度0.76 mm为第一阶段，肿瘤厚度0.76 mm至肿瘤厚度1.5 mm为第二阶段，肿瘤厚度> 1.5mm为第三阶段。对于分类，提出了一种新的算法，使用CNN和SMTP进行阶段分类。有许多方法可以使用皮肤镜图像来识别黑素瘤通过从皮肤镜图像检查黑色素瘤的厚度来识别黑色素瘤癌症的在使用一些非侵入性方法鉴定黑色素瘤癌症的阶段或类型方面进行的工作非常少癌症的分期对患者的预后非常重要。在Sáez和Sánchez-Monedero（2016）中，作者研究了基于肿瘤厚度检测癌症分期的非侵入性方法。所提出的框架基于肿瘤厚度检测癌症阶段，并产生比现有系统更好的结果所提出的系统的主要优点是它以更高的准确性对癌症的阶段进行与所有其他损失函数相比，所提出的SMTP损失函数产生非常少的损失，这被证明非常有利于提高灵敏度、特异性和准确性。2. 文献调查有许多方法可以识别黑色素瘤。黑色素瘤需要在早期阶段进行分类，并尽早开始对患者进行诊断有许多方法和技术可以对黑素瘤和良性皮肤病变进行分类（Sangve和Patil，2014）。许多表1根据厚度将黑色素瘤分为2个阶段。载物台厚度（mm）第一阶段0.76II期≥0.76表2根据厚度将黑色素瘤分为3个阶段。载物台厚度（mm）第一阶段0.76II期≥0.76且1.5III期>1.5存在从皮肤镜检查图像并使用皮肤镜检查图像的特征来识别黑素瘤和良性皮肤病变的自动系统。根据肿瘤的厚度对黑色素瘤进行分期的工作很少。肿瘤厚度对黑色素瘤患者的预后判断非常关键和重要。病理学家通过进行切开或切除活检来检查皮肤病变，可使用侵入性方法。需要无创自动方法来识别疑似病变的分期或厚度，以预后黑色素瘤患者（Patil和Bellary，2017）。Barata等人（2014）提出了两种不同的系统来检测皮肤镜图像中的黑色素瘤检测。一是利用全局特性，二是利用局部特性。这些系统分类病变是良性还是黑色素瘤。主要利用颜色和纹理特征进行特征提取和分类。使用的数据集是PH2（Hospital Pedro Hispano），最后他们确定颜色特征比纹理特征获得更好的结果。在这个过程中，只使用了颜色和纹理特征。全局方法可能无法识别对象是否复杂。Ma和Tavares（2016）提出了一种用于分割皮肤镜图像中感染皮肤病变的系统，该系统基于可变形模型。预期的算法加入皮肤镜图片中包含的数据，并表征依赖于精细度的快速能力，沉浸和阴影数据，其是发展弯曲被定向为在病变的极限处停止数据库是PH2。可变形模型是半自动的。Apriaghleh等人（2015）提出了用于早期识别和避免黑色素瘤的无创连续计算机化皮肤病变检查框架的2个重要部分。主要部分是一个持续的警报，使客户能够避免皮肤消耗所带来的阳光，新的方程，计算理想的机会，皮肤消耗是沿着这些线。随后的部分是自动图像调查单元，其包括图像获取、毛发识别和剔除、病变分割、突出部分提取和分类。该框架利用PH2图像数据库。Sáez和Sánchez-Monedero（2016）提出了一种自动化框架，用于评估皮肤病图片中的黑色素瘤厚度。提出了2种监督分类框架。在第一个方案中是用两个类别将黑色素瘤分为薄或厚。两项分类区分原位黑色素瘤（厚度0.76 mm）和厚黑色素瘤（厚度0.76 mm）。第二个方案是三个类，分为厚，薄，和中间。在三级方案中，黑色素瘤被认为是三个阶段的深度：薄（厚度0.76毫米），中间（厚度0.76-1.5mm）和厚（厚度>1.5 mm）。使用LIPU模型的逻辑回归是逻辑回归与神经系统的混合。它保持了令人印象深刻的精确度。结果表明，LIPU模型得到了准确的结果，为两个类以及三个类的问题的变体。Jaworek-Korjakowska等人（2019）提出了一种基于肿瘤厚度识别黑色素瘤癌症分期的系统。使用VGG16 CNN的迁移学习该系统将黑素瘤分为三个阶段，准确率为87.2%（见表3）。Reshma和Shan（2017）提出了一种基于皮肤镜总评分的系统，以识别黑色素瘤的分期。采用rgb 2灰度转换和中值滤波对图像进行去噪预处理。采用Sobel边缘识别算法。不对称、边界不规则、颜色变化、差异结构是用于计算皮肤镜总评分的特征。Rubegni（2010）提出了一种系统，该系统基于黑色素瘤的厚度将肿瘤分为薄黑色素瘤和厚黑色素瘤两类。数字皮肤镜分析利用数字图像的计算机化探索，R. 帕蒂尔，S。贝拉里沙特国王大学学报3287···ðf gÞðtÞ ¼-1表3文献调查。参考编号拟议系统的方法局限性优势（克服拟议系统中的限制）（Sáez和Sánchez-Monedero，2016）使用初始变量的和产品单位。准确性相对较低。准确性更高。（Jaworek-Korjakowska等人， 2019）迁移学习和VGG19 CNN。准确性相对较低。CNN与SMTP是更有效的条款准确性、灵敏度、特异性、召回率、精确度、F-测量。（Reshma和Shan，2017）用于图像预处理的Rgb2gray，sobel使用边缘检测算法并计算总皮肤镜评分效率不高效.（Rubegni，2010）数字图像的计算机化检查，并提供了对色素性皮肤病变的形态学部分进行参数研究的机会。薄而厚的黑素瘤。在2个阶段以及3个阶段更准确地进行建模。病变的形态学特征。黑色素瘤图像评估了49种不同的属性，如颜色，结构，纹理，以及这些属性的整合使用了141个黑色素瘤图像，准确率为86.5%108例中有97例为薄型，33例中有25例为厚型。Gong等人（2020）提出了一种基于许多预训练CNN的决策融合技术。这主要解决了CNN的泛化问题。StyleGAN使用ISIC 2019数据集进行训练，这提高了分类精度。Wang等人（2020）提出了一种提取特征的双向皮肤镜特征学习方案。通过对特征传播的控制，提高了图像分析能力。提出了多尺度一致性决策融合方案，提高了融合的一致性和可靠性。Wei等人（2020）提出了从皮肤镜图像中检测和分割皮肤癌。它基于轻量级深度学习网络。该技术可以提取有区别的病变特征，也提高了模型的识别性能。Zhang等人（2020）提出了一种使用改进的鲸鱼优化算法来优化CNN的方案。该优化算法用于最优选择的权重和偏置，以减少网络结果和期望结果的误差。3. 系统架构图1示出了黑素瘤系统的癌症阶段识别的架构。首先，使用训练数据集训练系统，然后执行测试。训练数据集是用于学习系统的训练数据文件。的测试数据集是不依赖于训练数据集的数据集，但它遵循训练数据集的相同概率分布。然后，应用CNN分类算法对数据进行分类，以检测患者黑色素瘤分期。CNN用于分类-4. 该算法4.1. 使用CNN和SMTP算法进行阶段分类：所提出的具有SMTP的CNN算法是用以下架构构建的。体系结构中的不同层是：(1) 输入(2) 卷积(3) 修正线性单元（ReLU）(4) 池化(5) ReLU完全连接(6) Softmax完全连接(7) 损失函数步骤1：输入层BMX由n个条目组成每个条目都符号化为d维稠密向量，以这种方式，x被符号化为维度d{n}的特征图。接下来是卷积，用于描述从下降的w-gram中获得的信息对于具有n个条目的输入序列：x1;x2; ;xn，其中n是数据集中的总特征，x是特征。步骤2：卷积运算最初我们的攻击计划是卷积运算。在这个过程中，我们将重点介绍特征检测器，它本质上是神经网络ωdefZ1由于数据集由大量记录组成，因此需要太多的时间来分类，因此通过应用CNN，很容易在更短的时间内对庞大的数据集进行分类器将每个对象分配给一个类。这种分配通常是不理想的，对象可能被分配到一些不正确的类。为了估计一个分类器，正确的对象类别应该是众所周知的.为了计算分类器质量，将分类器分配的类与正确的类进行比较。这允许将对象分为以下几类：(1) TP：分类器适当地预测正类。(2) TN：分类器适当地预测负类。(3) FP：分类器错误地预测了正类。(4) FN：分类器错误地预测负类。卷积等线性过程的收益率是通过非线性激活函数来传递的最广泛认可的非线性激活函数利用执行以下功能的ReLU：f（x）= max（0，x）步骤3：ReLU层然后引入了线性校正单元作为激励函数。本质上，在神经网络的隐藏层中执行。A（x）= max（0，x）.如果x为正，则等式输出为x，否则输出0。●fsgt-sds1R. 帕蒂尔，S。贝拉里沙特国王大学学报3288P>>：F d1d 2¼第1页1J2JFig. 1. 系统架构。ReLU比sigmoid tanh小，计算成本更高，因为它包含的数值任务难度较小一次只需要两个神经元就可以实现稀疏生产系统，计算简单。4.合并池化操作包括在特征图的每个通道上滑动二维滤波器，并总结通道保护区域中存在的特征。第五步：完全连接在这个阶段，我们在本节中所涉及的所有内容都将合并在一起。前面描述的两个过程，即卷积和池化，可以被认为是一个特征提取器，然后我们将这些特征，通常作为一行的整形向量，进一步传递到网络中，例如，一个要训练用于分类的多层神经网络。6. SoftMax它是一个函数，类似于一种sigmoid函数，但可以转换为输出：- Softmax用于CNN分类器的输出层，我们试图在其中进行计算并获得指定每个输入的类第7步：损失函数损失函数计算实际值和预测值之间的差异。这里，使用建议的SMTP。SMTP的特点如下：特征的存在或不存在比特征之间的区别更重要。品质相关到的当前特征相似度应增加，特定特征的两个非零估计之间的区别减小。相似度应随着存在或缺失特征数量的增加而减小函数F被给出为：Pm N ω。d1j;d2j;D;d在我们试图处理分类问题的时候标准（单位）第1页softmax函数如下：8比0比5。1个工作日，1个工作日，2个工作日，如果.d1jxd2j>0eziN . D德吉 <尔rzi¼K第1页ezj 对于i< $1;···;Kandelz<$1;···;zk<$2RK<$2ω1j;2j如果d1j<$0且d2j< $0，则为<$0-k;否则用途：当有两个以上的类时使用这产能将在某个地方挤压每个类别的收益率，Pehamberger et al.（1987）的范围，并同样通过产量的总和进行分离。N[. d1j;d2j0的整数;如果d1j<$0和d2j< $01;否则ð4Þð5Þ●●●●●●- 是的¼ð3ÞR. 帕蒂尔，S。贝拉里沙特国王大学学报32891克朗¼¼n均方误差Yi-Yi相对;平方误差n1/1第一季第1集ð15Þ% sSMTP服务器%d %1;% d%2服务器%d %1; %d% 2服务器%kð6Þ5.3. 评价指标性能参数为：其中d1是真实标签的概率，d2是预测标签的概率。J：特征数量。准确度TPð7Þr：所有非零值的标准差。k：在0.01和0.0001感觉活力 1/4真实概率-特异性 真负率（True Negativ e Rate）4.2. 伪代码：使用CNN和SMTP算法进行阶段分类(1) 将输入黑素瘤数据集读入数组。精度TP��data = read_data（malenoma.csv）labels = data[“labels”]。values num_classes =len（labels）召回TPTP2ω召回率ω精度ð11Þ(2) 创建占位符以将数据输入网络。F1分数¼召回x = tf.placeholder（tf.float32，[None，4]）y = tf.placeholder（tf.float32，[None，1倍。1/1b/2(3) 将数据分为测试和训练。x_train，y_train，x_test，y_test = split（数据）均方根误差vut1X。ffiffiffiffiffiffiffiffiffiffiffi ffiffibffiffiffiffiΣffiffiffi2ffiffi(4) 创建网络，添加1D-CNN层，因为您不处理图像，即2D矩阵[W，H]，因此1D-CNN将正常工作因为它将返回1D矩阵。 此外，1D卷积n1/1Yi-YiPn .Y-Yb2ð14Þ意味着沿着一个方向应用卷积添加最大值-合伙conv_1 = tf.nn.conv1d（x，filters，stride，padding）pool_1 = tf.layers.max_pooling1d（conv_1，pool_size，其中Zbi=1Pn ZiPn .Z-Zbβ2填充）(5) 应用损失函数，计算成本，然后应用优化器以最小化成本。loss = tf.losses.smtp_error（labels，pred，labels）optimizer = tf.train.AdamOptimizer（learning_rate）.minimize（loss）5. 结果和讨论5.1. 数据集描述在 黑 素 瘤 数 据 集 上 进 行 实 验 ， 所 述 黑 素 瘤 数 据 集 是 从https://www.uco.es/grupos/ayrna/ieeet-mi2015 下 载 的 数 据 集（Sáez和Sánchez-Monedero，2016）。该数据集被划分为具有81个属性或特征的二进制和多类数据集。总共有250个黑色素瘤癌症的图像：167个黑色素瘤0.76 mm，54个黑色素瘤在0.76 mm和0.76mm之间。1.5 mm，29个黑素瘤> 1.5 mm。我们使用从这些图像中提取的从这些图像中提取了81个特征5.2. 实验装置实验案例在Java中使用IntelliJ IDEA社区版工具、技术、算法和具有多种损失函数方法的分类策略实现拥塞，并在具有Intel Core i5-6200U，2.30 GHz Windows 10（64位）机器配置的系统环境中执行，具有8 GB RAM。ð13ÞR. 帕蒂尔，S。贝拉里沙特国王大学学报3290Bn是训练数据集的数量。i表示第i个训练数据集。我是真正的阶级。Y i是预测类。5.4.分析该算法在具有多个测试和训练文件数据集的黑色素瘤10倍上进行训练和测试，并与图二. 黑色素瘤1期和2期误差参数比较图。R. 帕蒂尔，S。贝拉里沙特国王大学学报3291算法，例如具有不同损失函数的CNN，例如Loss Hinge，Loss KL，Loss MSE，Loss Cosine，Loss Cross entropy和Loss SMTP。 结果在图1A和1B中示出。2 -47- 9 图图2和图7示出了2级和3级系统的误差性能参数比较。 图 3和8显示了2阶段和3阶段系统的灵敏度和特异性比较图。 图图4和图9示出了2阶段和3阶段系统的精确度、召回率、F测量和准确度比较图。 图图5、6、10和11示出了不同算法与所提出的算法的性能参数比较。该算法优于其他损失函数，表明该算法具有更好的精度和更小的MSE，RMSE和RSE误差与其他损失函数相比图三.黑色素瘤1期和2期特异性和敏感性比较图。表4显示了用于生成图1所示图形的误差性能参数比较读数。 二、表5显示了黑素瘤1期和2期特异性和敏感性比较读数，其用于生成图11所示的图。3.第三章。表6示出了黑素瘤1期和2期的精确度、召回率、f-测量和准确度比较读数，其用于生成图1所示的图。 四、表7示出了用于生成图1所示的图的算法读数的黑素瘤阶段1和阶段2性能比较。 五、图五、黑色素瘤1期、2期，性能参数对比图与算法。见图4。黑色素瘤1期和2期精度、召回率、F-测量和准确度比较图。见图6。黑色素瘤1期和2期，特异性和敏感性比较图w.r.t.算法R. 帕蒂尔，S。贝拉里沙特国王大学学报3292见图7。黑色素瘤1、2、3期误差性能参数对比图。见图9。黑色素瘤1、2和3期，精确度、召回率、F-测量和准确度比较图。见图8。 黑色素瘤1、2、3期敏感性和特异性比较图。见图10。黑色素瘤1、2和3阶段，精确度、召回率、F-测量和准确度比较图SVM、CNN和CNN + SMTP算法。表8示出了用于生成图1所示的图的算法读数的黑素瘤1期和2期灵敏度和特异性比较。 六、表9显示了黑色素瘤1期和2期敏感性以及与SVM、CNN和CNN +SMTP算法读数的特异性比较，这些算法读数用于生成图1所示的图。7.第一次会议。表10示出了黑素瘤1期、2期和3期的灵敏度和特异性与各种损失函数参数的比较，表读数用于生成图1所示的图。8.第八条。表11示出了黑色素瘤1期、2期和3期的精确度、召回率、f-测量和与各种损失函数参数的比较，表读数用于生成图1所示的图。9.第九条。表12示出了黑色素瘤1期、2期和3期的精确度、召回率、f-测量和与各种算法参数的比较，表读数用于生成图1所示的图。 10个。表13示出了使用各种算法参数的黑素瘤1期、2期和3期灵敏度和特异性比较，表读数用于生成图13所示的图。 十一岁R. 帕蒂尔，S。贝拉里沙特国王大学学报3293表8黑色素瘤1期和2期，SVM，CNN和CNN + SMTP算法的特异性和敏感性比较表。灵敏度特异性SVM84.283.33CNN84.790CNN + SMTP96.0396.33表9黑色素瘤1期和2期，SVM、CNN和CNN + SMTP算法的特异性和灵敏度比较表。MSERMSERSE铰链0.120.34640.5514KL0.080.28280.3676MSE0.0850.29260.3934MCXENT0.1080.32910.4979余弦0.0850.29230.3928SMTP0.0350.18710.161图十一岁黑色素瘤1、2、3期敏感性和特异性比较图SVM、CNN和CNN + SMTP算法。表4错误性能参数对比表。表10黑色素瘤1期、2期和3期特异性和敏感性比较与各种失功能。灵敏度和特异性MSERMSERSE铰链53.3384.16铰链0.22360.47281.0277KL64.4488.33KL0.18550.43070.8526MSE75.5587.5MSE0.17130.41390.7874MCXENT84.790MCXENT0.1610.40130.7403余弦86.6691.66余弦0.1250.35360.5746SMTP96.0398.33SMTP0.08540.28580.5124表5黑色素瘤1期和2期特异性和敏感性比较表。表11黑色素瘤1、2和3期精确度、召回率、f-测量和准确度与各种损失函数的比较。灵敏度和特异性铰链62.581.35精度召回F-measure精度KL7582.35铰链72.553.3375.9580MSE62.584.11KL83.1664.4468.1584MCXENT7588MSE9575.5682.388余弦87.588.23MCXENT87.9684.7186.0388SMTP86.6691.66余弦96.4986.6789.8192SMTP94.4498.0495.9696表6黑色素瘤1期和2期精确度、召回率、f-测量和准确度比较表。精度召回F1测量精度铰链72.43 72.43 62.5 76表12黑色素瘤阶段1、2和阶段3与各种算法的精确度、召回率、f-测量和准确度比较。精度召回F测量精度表7黑素瘤1期、2期性能参数对比表。表13黑色素瘤1期、2期和3期灵敏度和特异性与各种算法的比较。精度召回F-measure精度灵敏度特异性SVM83.98483.384SVM61.0377.66CNN81.6281.627584CNN84.790CNN + SMTP93.69292.292CNN + SMTP96.0396.33KL77.0878.6870.5980MSE83.7778.3171.4384SVM82.57670.476MCXENT81.6281.627584CNN87.9684.7186.0388余弦85.7687.8782.3588CNN + SMTP94.4498.0495.9696SMTP93.69292.292R. 帕蒂尔，S。贝拉里沙特国王大学学报32946. 结论黑色素瘤皮肤癌是非常危险的，转移非常快。需要确定癌症的阶段才能开始诊断。皮肤镜图像的阶段的分类被认为是具有挑战性的任务之一。癌症分期的分类是一项非常繁琐的任务，并且在考虑患者诊断时非常重要。本文提出了黑色素瘤皮肤癌的无创分期系统。本文介绍了两种系统;第一，两阶段分类系统，其将黑色素瘤分类为第一阶段黑色素瘤和第二阶段黑色素瘤，以及三阶段分类系统，其将黑色素瘤分类为三个不同阶段。我们利用改进的CNN神经网络架构，该架构利用SMTP作为损失函数，同样，模型包含许多本地过滤器，并具有卷积层，激活函数，最大化池层，批量归一化层，sigmoid层和损失函数，以实现可接受的数据集特征学习和测试划分结果。我们利用来自黑色素瘤-10倍数据集的评估计划来评估我们的算法，与地面实况进行比较，并计算了几个参数，如特异性，灵敏度，准确度，MSE，RMSE和RSE。我们证明了该策略比现有框架实现了更高的准确性、特异性和灵敏度，并且与其他类似方法（损失函数）相比，它具有更低的RAE和RRES百分比。将该方法与支持向量机和细胞神经网络进行了比较，结果表明该方法具有更好的性能。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Aeguaghleh，O.，Barkana，B. D.，Faezipour，M.，2015.用于黑色素瘤早期检测的非侵入性实时自动皮肤病变分析系统预防4300212IEEEJ.Eng.HealthMed.3，1-12。https://doi.org/10.1109/JTEHM.2015.2419612。巴拉塔角Ruela，M.，弗朗西斯科，M.，Mendonça，T.，Marques，J.S.，2014.两制用于使用纹理和颜色特征检测皮肤镜检查图像中的黑素瘤。IEEE Syst. J.，965-979Breslow ， A. ， 1970. 皮 肤 黑 色 素 瘤 的 厚 度 、 截 面 积 和 浸 润 深 度 对 预 后 的 影 响 。Ann.Surg.172（5），902-908。Chim，H.，Deng，X.，2010年。基于短语的高效文档相似度聚类。IEEE Trans. Knowl. Data Eng.20（9），1217Gong，A.，Yao，X.，林伟，2020.基于StyleGANs和决策融合的IEEE Access 8，70640-70650。https://doi.org/10.1109/ACCESS.2020.2986916.Jaworek-Korjakowska，J.，Kleczek，P.，Gorgon，M.，2019.黑色素瘤厚度预测基于卷积神经网络与VGG-19模型转移学习，在：2019年IEEE/CVF计算机视觉和模式识别研讨会（CVPRW），长滩，加利福尼亚州，美国，pp.2748http://dx.doi.org/10.1109/CVPRW.2019.00333妈，Z.，塔瓦雷斯，J.M.R.S. 2016.一种基于可变形模型的皮肤镜图像中皮肤病灶分割新方法。IEEE J. Biomed.健康信息。20（2），615-623。帕蒂尔，R. R.，Bellary，S.，2017.综述：&基于皮肤镜图像厚度的黑色素瘤检测分类。IJCTA 10（8），821-825。Pehamberger，H.，Steiner，A.，Wolff，K.，1987.色素性皮肤病损的活体表皮发光显微镜检查。色素性皮肤病损的模式分析。J. Am. Acad. Dermatol. 17（4），571-583。Reshma，M.，Shan，B.P.，2017.两种方法用于识别阶段和不同类型的黑色素瘤检测，在：2017年新兴设备和智能系统会议（ICEDSS），Tiruchengode，2017年，第111页。257dx.doi.org/10.1109/ICEDSS.2017.8073689Rubegni，Pietro等人，2010.通过数字皮肤镜分析评估皮肤黑色素瘤厚度：一项回顾性研究。Melanoma Res. 20，212- 217.Sáez ， Aurora ， Sánchez-Monedero ， Javier ， Gutiérrez ， Pedro Antonio ， Hervás-Martínez，César，2016. 皮肤镜图像黑色素瘤厚度的二值和多类分类的机器学习方法。IEEE Trans.Med. Imaging 35，1036-1045.Sangve，S.M.，帕蒂尔，R. R.，2014.皮肤镜图像中黑色素瘤检测的竞争分析。IJERT 3（6），351-354.王，X.，江X，丁，H.，刘杰，2020年。双向皮肤镜特征学习与多尺度一致决策融合皮肤病变分割。IEEE传输图像处理。29，3039https://doi.org/10.1109/TIP.2019.2955297.韦湖，加-地丁，K.，Hu，H.，2020. 基于集成轻量级深度学习网络的皮肤镜图像皮肤癌自动检测。参见：IEEE Access第8卷，99633http://dx.doi.org/10.1109/Zhang，Ni，Cai，Yi-Xin，Wang，Yong-Yong，Tian，Yi-Tao，Wang，Xiao-Li，Badami，Benjamin，2020.基于优化卷积神经网络的皮肤癌诊断人工智能医学102，101756。https://doi.org/10.1016/j的网站。2019.101756.