Fourier分析在黑色素瘤诊断中的应用

Fourier分析在黑色素瘤诊断中的应用摘要：皮肤癌对人类健康有着影响。黑色素瘤是皮肤癌的其中一种疾病，始终威胁着人类健康，黑色素瘤的诊断对人类健康非常重要，因为黑色素瘤具有高死亡率和快速转移的特性。传统的活检技术虽然能提供一定的病理学依据，但是入侵式的检验存在着癌细胞扩散风险，操作成本较高。对于这些问题，寻找一个基于外观的非侵入式图像诊断方法成为临床研究的主要焦点。现有方法在真实场景中面临着皮肤病变在拍摄时的位置、角度和尺度在图片上难以标准化的挑战。针对上述问题，本文提出一种基于Fourier分析‌的图像处理框架，通过频域特征提取与变换，打破传统空间域方法的局限性，解决上述问题。关键词：黑色素肿瘤;卷积神经网络;Fourier分析;深度学习;早期诊断;皮肤病变ApplicationofFourierAnalysisintheDiagnosisofMelanomaAbstract:Skincancerhasanimpactonhumanhealth.Melanomaisoneofthediseasesofskincancerthatalwaysthreatenshumanhealth,andthediagnosisofmelanomaisveryimportantforhumanhealthbecausemelanomahasthecharacteristicsofhighmortalityandrapidmetastasis.Althoughthetraditionalbiopsytechniquecanprovideacertainpathologicalbasis,theinvasivetesthastheriskofcancercellspread,andtheoperationcostishigh.Fortheseproblems,thesearchforanon-invasiveimage-baseddiagnosticmethodhasbecomethemainfocusofclinicalresearch.Existingmethodsfacethechallengeofdifficultyinstandardizingtheposition,angle,andscaleofskinlesionsinrealscenes.Inordertosolvetheaboveproblems,thispaperproposesanimageprocessingframeworkbasedonFourieranalysis,whichbreaksthelimitationsoftraditionalspatialdomainmethodsthroughfrequencydomainfeatureextractionandtransformation.Keywords:melanomaloustumors;convolutionalneuralnetworks;fourieranalysis;deeplearning;earlydiagnosis;skinlesions

目录TOC\o"1-3"\h\u155381绪论 1263731.1研究背景与意义 1232761.1.1研究背景 1286141.1.2研究意义 2174041.2国内外研究现状 286341.3论文结构安排 43322相关理论与技术基础 482912.1黑色素肿瘤概述 4207802.2支持向量机模型介绍 5323392.3卷积神经网络 6151712.3.1关键部分及其作用 6282802.3.2Adam优化器 8126052.3.3激活函数 9175202.3.4交叉熵损失函数 10261742.4Fourier分析 11258052.4.1离散Fourier变换（DFT） 1168242.4.2Fourier变换示例 1231252.4.3频域分析物理意义 13182133实验数据集 14196453.1数据集介绍 14105373.2数据预处理 15232903.3实验环境与评价指标 1510834实验与分析 16206214.1基于支持向量机（SVM）的黑色素瘤检测 16181174.2基于Fourier分析的支持向量机（SVM）的黑色素瘤检测 16307874.3基于CNN的黑色素瘤检测 17302784.4基于Fourier分析模型的黑色瘤检测 1861404.4.1Fourier分析模型 1897404.4.2模型训练 2038264.5结果与比较 2153595研究结论与展望 2248915.1研究结论 22127005.2未来展望‌ 2328347参考文献 241绪论研究背景与意义1.1.1研究背景皮肤癌是各肤色种族中常见的疾病，按平衡寿命年估计，皮肤病约占全球疾病问题的1.79%REF_Ref8223\r\h[1]。皮肤癌因其复杂的病理学形态特征，临床诊断对医生的专业经验与鉴别能力要求较高，然而由于早期病变常呈现隐匿性临床表现，患者易因认知不足而延误最佳诊疗时机REF_Ref21924\r\h[2]REF_Ref21956\r\h[3]。进展期黑色素瘤患者五年生存率仅达17%临床数据，但当病变处于早期病理阶段时实施规范化干预治疗，临床治愈率可达98%以上REF_Ref22025\r\h[4]。基于皮肤癌进展的生物学特性，临床诊疗过程中实施早期筛查加上干预的防控策略，对改善患者症状加剧具有非常重要的临床意义。在皮肤疾病的临床诊断与鉴别诊断中，皮肤异常区域与健康组织的形态学特征常呈现一定的相似性，这种病理学特征的视觉重叠现象让传统视觉评估方法容易受到主观判断偏差的影响，可能引发假阳性或假阴性诊断风险。针对这些问题，医生会用一种叫做皮肤镜的工具来代替视觉检查，或者也可以采用活检的方法来代替。皮肤镜通过使用非入侵式的显微成像技术，这个技术的核心在于采用偏振光消融机制抑制角质层表面光散射效应，来实现对真皮层微血管模式及黑素细胞巢空间分布等亚表皮结构实时可视化解析，这种光学诊断模式显著提升了皮肤肿瘤边界界定与病理特征辨识的精准度REF_Ref22090\r\h[5]｡尽管与通过视觉筛查相比，皮肤镜在过去十年中确实能够提高黑色素瘤病灶识别的诊断性能，提高对于诊断的敏感性REF_Ref22139\r\h[6],有效降低发生率，但皮肤科医师透过皮肤镜检查影像进行检查，有主观因素影响，且费时多、费工多REF_Ref22191\r\h[7]｡如果采用活检的方法，可能会加速癌细胞扩散，导致病情加重，即使患者完成活检，后续的治疗难度也会增大。因此,构建一个用于黑色素瘤病变识别和分析的自动化分类诊断模型具有十分重大的意义,它能够为协助皮肤科医生对黑色素瘤诊断提供必要条件。对于皮肤肿瘤，传统医学对于皮肤癌的发现方法是具有代表性的方法是ABCDE法则REF_Ref22289\r\h[8]､孟氏法REF_Ref22338\r\h[9]和七点特征法REF_Ref22387\r\h[10]等。这说明黑色素瘤有肉眼可见的特征。当前基于深度学习的皮肤癌诊断模型依赖于大量标注数据与高度标准化的图像输入，但在实际应用中，病灶区域的随机分布（如手臂、背部等不同部位）导致模型泛化能力受限。在此之外，局部遮挡、旋转或缩放会显著降低传统卷积神经网络的识别精度。因此，如何从频域角度提取与位置无关的深层特征，并构建对噪声和增强鲁棒性的分类模型，成为提升诊断可靠性的关键。1.1.2研究意义本文针对皮肤癌黑色素肿瘤病灶位置敏感性与算法鲁棒性不足的问题，提出了基于傅里叶分析结合卷积神经网络模型的的解决方案，该方案在医学影像分析与智能诊断领域具有一定的研究价值。传统的医学图像诊断方法对空间域特征（如颜色、形状、纹理的空间分布）具有非常高的依赖性。本文将研究尝试首先对图片数据进行傅里叶转换，将‌频域特征解耦理论‌引入皮肤癌诊断，消除黑色素瘤在图片上位置不同对模型决策有影响的问题。通过对卷积神经网络模型引入傅里叶分析，提升非侵入性影像分析的可靠性，从而降低侵入式诊断的风险‌，在初筛阶段为老年患者及免疫缺陷人群提供更安全的诊断方式，改善临床的决策流程。该技术还能够有效克服模型对黑色素瘤病灶定位的偏差等问题造成的模型鲁棒性不高的问题，使卷积神经网络模型能够识别智能手机或便携式皮肤镜拍摄的非标准化图像，助力偏远地区对黑色素瘤的早期筛查，‌能够在真实的医疗场景中使用‌。在复杂干扰下卷积神经网络模型仍然能够保持较高精度，降低漏诊率，给医生提供稳定又可靠的决策依据，提高对黑色素瘤的诊断可靠性‌。国内外研究现状恶性皮肤癌是一种源于表皮及附属器细胞异常增殖的恶性病变，核心病理学特征表现为细胞周期调控机制失调引发的克隆性扩增，并且具备侵袭性生长及远处转移潜能‌。恶性皮肤癌的疾病谱系涵盖黑色素细胞源性肿瘤（如恶性黑色素瘤）和角质形成细胞源性肿瘤（包括基底细胞癌、鳞状细胞癌）等主要亚型，呈现出增长的趋势REF_Ref22462\r\h[11]。REF_Ref22462\r\h2012年度美国境内新确诊黑色素瘤病例就高达76,250例，初步估计该疾病共造成9,180例患者死亡REF_Ref22518\r\h[12]。在临床医学实践中，皮肤癌作为具有高度异质性的复杂性疾病，它的确诊过程要求多模态评估体系，目前皮肤恶性肿瘤有标准化诊疗路径，医疗规范明确要求实施三级诊断流程：首先通过视诊初筛可疑皮损，再采用皮肤镜成像系统进行皮肤纹理结构的显微形态学分析，最后则必须通过组织病理学检查获取细胞学证据以建立确定性诊断。在医疗影像分析领域，随着多模态医疗数据的指数级增长与深度学习架构的持续进化，让基于特征工程的医学图像解析正在快速的向数据驱动型诊断模型转型，全球顶尖机构像GoogleDeepMind、腾讯觅影和斯坦福大学人类智能研究中心都组建了专项实验室，主要研究如何建立基于卷积神经网络的端到端诊断框架，来解码皮肤肿瘤病理学特征与影像学标记间的非线性映射关系。经过临床实验性研究证实，通过对模型进行迁移学习优化的预训练，确实可以实现对皮肤肿瘤良恶性的判别，为构建全周期辅助决策体系奠定了算法基础。在目前国内也有许多研究者在皮肤恶性肿瘤早期筛查领域，利用深度学习技术让诊断性能显著得到提升。比如，郭文婷就提出基于迁移学习框架构建深度特征融合架构，实现了皮肤病变的智能化分类REF_Ref22917\r\h[13]；蔡宇锋学者进一步创新性地构建多模态融合诊断模型，其技术流程涵盖三个核心模块：首先采用ResNet50深度卷积网络提取皮肤镜影像的深层表征，再对临床元数据进行离散变量编码处理并借助多层感知机网络提取结构化特征，最终通过跨模态特征融合机制实现诊断信息的协同优化REF_Ref15986\r\h[14]。针对傅里叶分析对图像条带噪声的去除方法，即低通过滤波方法会造成图像的高频分量会被滤除，支丹丹等人提出了一种基于FFT的条带噪声去除方法REF_Ref15806\r\h[15]，该方法避免了由于地物的某系高频信息与条带噪声频谱混在一起而造成的高频信息丢失问题。就目前而言，对图片进行傅里叶分析的研究还在还没有系统的研究，本文则是将傅里叶分析融入到深度学习模型里面，帮助模型更好的识别图像特征，提高模型的准确率。本文主要采用的风险预测方法是Fourier分析，Fourier分析的核心是将复杂的信号或函数分解为一系列简单的正弦波（或余弦波）的叠加。通过这种方法，可以将一个在时间或空间域中看似不规则的信号，转化为频域中不同频率、振幅和相位的正弦波组合，从而揭示其内在的频率特征。这种从时域到频域的转换（如傅里叶变换）使得分析周期性、波动性和频谱特性变得更加直观。将通过对已有的黑色素肿瘤图片数据进行Fourier变换，将图像从空间域转换到‌频率域‌，这样就排除了黑色素瘤在图片位置上不能标准化的难点。再结合深度学习中的卷积神经网络模型分析图像中不同频率成分的分布特征，从而得到准确的黑色素肿瘤的预测。论文结构安排论文由五个章节构成，内容安排如下：绪论。本章节详细介绍了介绍了黑色素瘤研究的国内外现状，研究背景以及研究的目的和意义。对文章所做工作和内容进行了系统的的陈述。相关的技术理论和技术基础。具体描述黑色素瘤的早期和晚期症状，卷积神经网络的核心思想，原理及其功能，同时引出本文采用的傅里叶分析方法采用数据的介绍及其优势。详细描述文章采用的数据集，以及数据的优势。实验环境以及评价指标。深度解析卷积神经网络（DCNN）的架构特征与计算拓扑，重点探讨其参数优化机制与正则化策略的数学本质以及本研究融合了傅里叶分析方法，其聚集体的意义。总结研究结果及其意义。对此次模型的训练和研究方法在未来可能的发展做出期望。2相关理论与技术基础2.1黑色素肿瘤概述恶性黑色素瘤是一种源于表皮基底层黑素细胞的恶性增殖性疾病‌，皮肤细胞通过酪氨酸酶介导的氧化反应合成黑色素颗粒，然后黑色素颗粒通过调控角质形成细胞的吞噬作用参与到表皮光保护机制。在皮肤癌中黑色素肿瘤是最为致命的一种疾病，虽然它只占皮肤癌病例的少部分，但是转移性程度较高，容易转移到身体其他部位，导致转移后治疗难度较大。黑色素肿瘤还与紫外线（UV）暴露时间密切相关，在经过长期、强烈的阳光照射可能增加人类患病风险。不仅如此，遗传因素、某些遗传突变、免疫系统状况、皮肤类型，例如白皙皮肤的人群更容易患有黑色素肿瘤。根据肿瘤的临床表现分类可以分为早期黑色素肿瘤和晚期黑色素肿瘤。早期黑色素肿瘤如图2.1中（a）早期黑色素肿瘤，在形态学层面，黑色素瘤病灶多呈现边界模糊的类圆形或不规则斑块，边缘有毛刺状突起或浸润性锯齿结构，这种异形特征与肿瘤细胞的放射状侵袭性生长密切相关。黑色素瘤的色素分布表现多样，黑色素瘤的核心区域常聚集深黑色素沉着，外周逐渐变为灰褐色或蓝灰色弥散带，部分病例在病变时期可能会出现红色炎症反应区或白色退行性区域。早期黑色素瘤多表现为体积较小的局限性皮肤损害，表面保持相对平整但是接触能感知到基底硬化。随着病程进展，表皮层与真皮层交界处的肿瘤细胞进入活跃增殖期，临床可观察到黑色素瘤病灶横向扩展速率加快或垂直生长形成结节状隆起。部分病例在发展时期会出现表皮破溃同时伴有浆液性渗出，引发细菌感染并加速肿瘤细胞扩散。晚期黑色素肿瘤如图2.1中（b）晚期黑色素肿瘤，对于晚期的黑色素肿瘤的原发病灶周边或远隔皮肤区域可能有多发性异常色素斑块，这些病灶多与表皮层内肿瘤细胞的淋巴管渗透相关，在区域淋巴结受累时多呈进行性肿大，接触诊断的表现为质地坚硬、活动度显著降低，这表示癌细胞突破被膜形成包膜外浸润。（a）早期黑色素瘤（b）晚期黑色素瘤图2.1黑色素肿瘤2.2支持向量机模型介绍支持向量机是一种以结构风险最小化为理论基础的监督学习方法，该算法特别擅长解决二分类问题，支持向量机的核心思想是在保证样本被准确分类的前提下，通过最大化决策边界与最近样本点之间的几何间隔来增强模型鲁棒性。这种优化策略使SVM在小样本条件下依然具备优异的泛化性能。通过方法的非线性映射能力，该算法可将原始线性不可分的数据转换到高维可分空间，从而有效处理复杂模式的分类任务。如图2.2图2.2支持向量机2.3卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种深度学习模型，广泛用于计算机视觉任务。核心思想和优势为‌局部感知‌、‌参数共享‌和‌空间层次化特征提取‌，减少了模型的复杂度，提高了对图像的抽象能力。卷积神经网络是一种专门处理‌网格结构数据‌（如图像、视频、音频）的深度学习模型，相对于传统方法的优势在于端到端的学习、自动化的特征提取、更好的空间层级特征提取能力以及对大规模数据的适应性。突破了传统全连接网络的局限性。卷积神经网络主要由卷积层、池化层和全连接层构成。2.3.1关键部分及其作用(1)模型的卷积层：卷积层其实就是可学习的‌卷积核，通过用窗口滑动的方式遍历输入数据，计算局部区域与核的‌点积运算‌，生成特征图，同时每个核专注于特定模式，不同核提取不同维度的特征。卷积操作通过‌步长和‌填充控制特征图输出尺寸，配合非线性激活函数（ReLU）引入和增强模型的表达能力。相比全连接层，卷积层能够大幅的减少参数量并保留空间结构信息，为后续池化与深层抽象操作提供一定的基础，是图像、视频等网格数据特征学习的基石。卷积运算中，分别有卷积核尺寸、步长以及填充这三个参数。卷积核的数量决定了输出图像特征图的通道数，而步长可以决定输出图像的维度，填充则是为了保证卷积操作后输出特征图的尺寸在输入图像的周围增加像素。如图2.3所示，展示了卷卷积核大小3×3，无填充，步长为1的卷积运算。图23卷积运算示意图(2)模型的池化层：池化操作以固定步长滑动窗口，对每个窗口内的特征值取最大值从而突出数据的显著特征，主要功能是降低特征图的空间维度，减少参数数量有效提取图像特征，在保留关键信息的同时实现‌降维‌和增强‌平移鲁棒性，但是池化层不引入可学习参数，仅通过预设窗口的大小与步长控制模型的输出尺度，与卷积层交替堆叠，逐步扩大感受野并提升网络对输入几何变换的适应性，为深层次的抽象特征提取提供高效又稳定的数据基础。如图2.4，展示了步长为2，大小为2×2的池化操作。图2.4池化操作示意图2.3.2Adam优化器本论文采用的Adam优化器，它是一种自适应学习率的优化策略，将梯度的一阶矩估计和二阶矩估计相结合，实现对学习率的动态调整。Adam优化器采用双动量机制分别追踪参数的一阶矩估计和二阶矩估计，通过这两个统计量实现参数自适应的动态学习率调整。Adam核心特征在于针对神经网络中的每个可调参数，独立维护两个指数移动平均状态量公式（21）和（22）所示，基于梯度历史信息的矩估计值来自适应地确定各维度参数的最优更新步长，突破传统优化算法中全局统一学习率的限制。 mt= vt=其中mt是一阶矩估计，vt是二阶矩估计，β1、β2为衰减因子， mt= vt=然后再用修正后的一阶矩估计和二阶矩估计来更新参数，如式（25）： θt+1=其中α是学习率，ϵ是为了数值稳定性而添加的小常数，Adam的学习率机制对于不同参数的数据具有较好的适应性，减少了对学习率适应性的要求。2.3.3激活函数（1）Softmax函数：Softmax函数是一种归一化指数函数，其表达式为 f(x)=exi它能够将多个输入值映射为概率分布（输出总和为1且每个值在0到1之间），‌主要应用于多分类任务的输出层‌；‌优点‌包括输出结果具有明确的概率意义、可导性良好同时便于梯度优化，它的优点天然适配交叉熵损失函数。图2.5Softmax原理图图2.5Softmax原理图解释了应用Softmax函数的意义，指数让得分大的分类最终的概率更大，得分小的分类最终的概率更小，而得分为负数的分类，几乎可以忽略。Relu函数ReLU（RectifiedLinearUnit，修正线性单元）在深度学习中被广泛使用，其数学表达式为： f(x)=max(0,x) （2.7函数图像如图2.6。图2.6relu函数它是一种分段线性函数，将所有的负值都变为零，所有正值不变，使得神经网络中的神经元也具有了稀疏激活性。通过ReLU实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据。2.3.4交叉熵损失函数交叉熵损失函数公式表达式为： L=−i=1Cyi式（2.8）中C代表类别总数（例如图像分类中的类别数），yi代表真实标签的‌独热编码‌（One-HotEncoding），第i类的真实值为1，其他为0，pi代表着模型预测的第i类的概率。他的核心理论是信息论中的负对数似然准则，交叉熵函数主要是通过计算预测值p与真实分布q的KL散度从而实现误差度量，在前向传播时网络通过全连接层生成类别逻辑值（Logits），经Softmax算子归一化为概率度量后，交叉熵损失函数对正确类别的预测概率实施L=-log(pt)的严格单调映射，当p2.4Fourier分析傅里叶分析是由傅里叶于1807年提出，它是一种数学工具，被广泛应用于信号处理、图像处理、音频分析等多个领域。其核心思想是将复杂的周期信号分解为一系列简单的正弦和余弦波的线性组合，从而揭示信号中的频率成分Fourier分析建立在‌正交函数系‌的概念上，以正弦/余弦函数为基向量构建完备的希尔伯特空间。对于定义在区间[−L,L]上的函数f(x)，其Fourier级数展开式为： f(x)=a02+其中系数an,​bn分别表示余弦项和正弦项的傅里叶系数，通过正交投影计算 an=2L bn=2L通过傅里叶级数展开，可以将复杂信号转化为各个频率成分的组合。2.4.1离散Fourier变换（DFT）傅里叶变换（FourierTransform,FT）作为一种将信号从时域（空间域）转换到频域的数学工具，在信号处理、图像处理、语音识别、音频处理等多个领域都起到了至关重要的作用。傅里叶变换最初针对连续信号，但实际工程中信号常以‌离散采样‌形式存在（如数字信号处理），传统的连续傅里叶变换（CFT）和离散时间傅里叶变换（DTFT）难以直接应用，需引入有限长离散序列的频域分析方法‌。DFT通过将时域和频域均离散化，解决了无限长周期信号处理的问题。公式如： Ck=12N−1n=1 an=n=1N−1(2离散Fourier变换是将图像从空间域转换到频率域，这样做是为了方便卷积神经网络模型能够分析图像的频率成分。在空间域中，图像的像素值直接表示为灰度或着颜色信息，但是在频率域中，图像被表示为不同频率的正弦波和余弦波的一种组合。这种转换能有效的帮助卷积神经网络模型了解图像的结构和边缘、纹理的分布情况。2.4.2Fourier变换示例示例函数： f(x)=Ae−((x−其中A=255,y1中x0=30,y2图2.7时域图接下来分别对两个函数进行Fourier变换结果如图2.8频谱图：图2.8频谱图图2.8频谱图横坐标代表频率‌，单位为赫兹（Hz），纵坐标代表幅度或相位，物理意义表示各频率分量的‌强度（能量），该图展示了分别对y1，y2结合图2.7时域图和图2.8频谱图可以观察到在时域状态下同一个函数表达式由于初始x0的值不同，所显示出来的结果截然不同，2.4.3频域分析物理意义在物理层面上，傅里叶分析的核心基础是：任何复杂的信号如声音信号、电磁波、振动波形等，都可以看作是不同频率的正弦波和余弦波的叠加。通过将信号从时域转换到频域），可以更加直观地理解信号的结构和特征。能量守恒性：Parseval定理表明时域与频域能量等价，在满足平方可积条件下，一个信号在时域和频域中所包含的总能量是相等的，即 −∞∞|f(t)频域分析不仅保留了原始信号的全部信息，还提供了能量在各个频率分量之间的分布情况，有助于识别信号的主导频率和噪声能量。卷积定理‌：时域卷积等效于频域乘积，在时域视角，卷积运算描述信号通过线性时不变系统（LTI系统）后的响应。在频域视角，系统的频率响应直接调制输入信号的频谱，极大简化了线性系统分析.3实验数据集3.1数据集介绍本研究采用的数据集源自Kaggle平台，该数据集共包含良、恶黑色素肿瘤共3297张图片，其中良性黑色素肿瘤1800张，恶性黑色素肿瘤1497张。为训练模型提供了足够的数据集。如图3.1数据集展示。图3.1数据集展示相比于只有几百张图片的数据集，3297张图片在许多情况下可以为模型提供较为丰富的训练样本，在进行深度学习训练时，数据量对提高模型性能有很大的影响。相较于非常大的数据集（例如百万级别），3297张图片的规模适中，足够用于模型训练，同时既能提供足够的多样性，又不会导致计算资源消耗过大，适合中等规模的实验与开发。这3297张图片分别来自不同的场景、角度、光照和背景拍摄，它们可以帮助卷积神经网络模型从数据中获取到更多的图像特征，提高模型对未知数据的泛化能力。同时不同类别和不同条件下的图像会增加训练集的多样性，进一步提高模型的鲁棒性。如果数据集包括了较多不同质量的图像、不同摄像设备拍摄的图像，卷积神经网络模型可能更好地适应实际应用中的各种不同的图像。针对黑色素瘤诊断，3297张图片的数量对模型训练而言是充足的，在针对特定问题的应用场景下，不需要非常庞大的数据集就能得到非常不错的模型训练效果。通常小规模数据集会有较高的标注精度，数据质量可能会更高，这对于训练高质量的模型和提高模型的准确率非常有帮助。3.2数据预处理首先进行几何变换，先对图片进行缩放，调整图像分辨率至统一尺寸，避免输入维度差异。其次对图片标准化，本次规范主要用到的方法的是归一化：将原始像素值线性缩放到[0,1]区间如公式（3.1）。 标准化像素=像素值255 由于原始图像的像素值范围（如0-255）差异会引入量纲干扰，导致不同特征对模型的影响不均衡。现在通过对图片的每一个像素值应用公式3.1，将像素值归一化到[0,1]，这样可以消除量纲差异，使不同图像或通道的特征具有可比性‌。在深度学习中，归一化后的小范围数值（如0-1）可避免大整数对梯度传播的干扰，从而提升计算稳定性。‌3.3实验环境与评价指标本次实验环境采用的python3.12版本，数据转换到GPU运行。本文使用准确率，精确率，F1score和混淆矩阵作为评价指标，准确率的计算公式如式（3.2）所示： ACC=TP+TNTP+FP+TN+FN （其中TP表示在标签和预测值中都为良性的个数，TN表示在标签和预测值中都为恶性的个数，FP表示在标签为恶性但是在预测中为良性的个数，FN表示标签为良性但是在预测中为恶性的个数。精确率和F1的计算公式如式（3.3）、（3.4）所示： precision=TPTP+FP F1=2PRP+R 其中P为精确率，R为召回率。F1通过式（3.4）强制要求精确率和召回率共同优化避免单一指标过高，但是实际模型性能不均恒问题。4实验与分析4.1基于支持向量机（SVM）的黑色素瘤检测支持向量机采用SVC，将图片数据经过归一化后输入模型，通过构建支持向量机模型得到其混淆矩阵结果如图4.1所示：图4.1混淆矩阵由上述图4.1所示，通过该混淆矩阵结果可以得到SVM预测模型的评价指标结果，得到该预测模型准确率值为76.97%，精确率值为78.06%，F1分数值为70.88%。4.2基于Fourier分析的支持向量机（SVM）的黑色素瘤检测支持向量机采用SVC，将图片数据经过归一化后输入模型，通过构建支持向量机模型得到其混淆矩阵结果如图4.2所示：图4.2混淆矩阵由上述图4.2所示，通过该混淆矩阵结果可以得到SVM预测模型的评价指标结果，得到该预测模型准确率值为75.45%，精确率值为69.16%，F1分数值为73.27%。4.3基于CNN的黑色素瘤检测基于CNN的黑色素瘤检测采用的模型是卷积神经网络每一层的卷积核大小为3×3,输入的是3通道，尺寸为224×224的数据，即（3，224，244），每一层首先会通过ReLU()函数激活引入非线性，同时可以缓解梯度消失。然后在对其进行池化，目的是为了降低计算量和增强平移不变性。数据集和测试集按照8:2的比例设置，其中良性黑色素肿瘤标签为0，恶性黑色素肿瘤标签为1。损失函数采用的是交叉熵损失函数。优化器采用的Adam优化器，它通过‌结合动量方法与自适应学习率机制‌，动态调整各参数的学习率，在加速模型收敛的同时减少梯度更新震荡，实现高效稳定的训练过程，模型如图4.3：图4.3卷积神经网络传统模型读入的图片数据是没有经过Fourier变换的原始图片数据（迭代次数10次），通过训练得到的混淆矩阵和结果如图4.4混淆矩阵和4.5传统损失函数值变化图：图4.4混淆矩阵图4.5传统损失函数值变化图其中准确率为（Acc）85.76%，精确率（precision）为86.35%，F1score为85.80%。4.4基于Fourier分析模型的黑色瘤检测4.4.1Fourier分析模型对图片进行傅里叶变换的物理意义为图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅里叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅里叶变换就表示f的频谱。从纯粹的数学意义上看，傅里叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅里叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅里叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数如图4.6原始图片和4.7变换结果频谱图。图4.6原始图片（a）第一层卷积层结果（b）第二层卷积层结果（c）第三层卷基层结果图4.7变换结果频谱图‌‌图4.7展示了卷积神经网络模型中每一个卷积层的特征图中，权重最高的前十个频率的频谱图。通过傅里叶变换将图像从空间域转换到频域，让卷积神经网络模型能够分析图像频域中的成分。在频率域中，图像经过傅里叶变换被表示为不同频率的正弦波和余弦波的组合。这种转换能帮助了解图像的结构和特征，比如边缘、纹理等分布情况。4.4.2模型训练本文运用到的卷积神经网络每一层的卷积核大小为3×3，输入的是3通道，尺寸为224×224的数据，即（3，224，244），每一层首先会通过ReLU()函数激活引入非线性，同时可以缓解梯度消失。然后在对其进行池化，目的是为了降低计算量和增强平移不变性原理如图4.8卷积神经网络。损失函数采用的是交叉熵损失函数。数据集和测试集按照8:2的比例设置，其中良性黑色素肿瘤标签为0，恶性黑色素肿瘤标签为1。优化器采用的Adam优化器，它通过‌结合动量方法与自适应学习率机制‌，动态调整各参数的学习率，在加速模型收敛的同时减少梯度更新震荡，实现高效稳定的训练过程。图4.8卷积神经网络在对图片进行Fourier转换后，将转换后的数据放入自己创建的卷积神经网络模型中进行训练（迭代次数10次），通过训练得到的混淆矩阵和结果如图4.9混淆矩阵以及在训练期间损失函数的变化如图4.10傅里叶分析损失函数值变化图：图4.9混淆矩阵图4.10傅里叶分析损失函数值变化图其中准确率（Acc）为86.67%，精确率（precision）为86.68%，F1score为86.67%。图4.11损失值比较由图4.11损失值比较可以看出，应用了傅里叶分析的模型损失值下降更快，表明模型能够快速捕捉数据中的基本规律，缩短达到预期性能所需的时间，降低计算资源消耗‌。同时最终的损失值比传统模型的损失值要小，这也说明了应用傅里叶分析的模型能够更准确的对图片进行分类。4.5结果与比较对上述实验结果分别对模型的准确率、精确率以及F1值进行整理如下表4.1：表4.1各模型评价指标对比表模型准确率精确率F1值基于SVM的黑色素瘤检测76.97%78.06%70.88%基于Fourier分析的SVM的黑色素瘤检测75.45%69.16%73.27%基于CNN的黑色素瘤检测85.76%86.35%85.80%基于Fourier分析模型的黑色素瘤检测86.67%86.68%86.67%由于对支持向量机输入的图片是高维数据，展平后特征向量长度较大，直接输入支持向量机会导致计算复杂度激增，并且高维空间中数据稀疏性增强，模型难以捕捉有效分类边界，支持向量机区分能力不足导致模型的分类效果较差。‌根据表4.1分析在相同卷积神经网络模型的前提下，基于傅里叶分析模型对黑色素瘤预测的各项评价指标均高于传统卷积神经网络模型对黑色素瘤预测的评价指标。同时，在运用相同支持向量机模型的前提下，应用傅里叶分析的支持向量机模型对黑色素瘤预测的各项评价指标则没有传统支持向量机对黑色素瘤预测的评价指标高，这说明对数据进行傅里叶变换不适用于支持向量机模型。‌5研究结论与展望5.1研究结论本论文提出了一种基于Fourier变换与卷积神经网络融合的改进方案，该方案主要是通过将原始图像数据经过Fourier变换转换为频域进行表示，傅里叶变换有效的消除了黑色素瘤病灶的空间位置随机分布对模型学习特征的干扰，能够帮助模型精准的聚焦于具有病理诊断意义的全局纹理特征和形态学模式上。本篇论文的实验结果表明Fourier分析方法确实有效的提升了模型对黑色素瘤非标准化病灶的识别能力，在相同训练数据和相同的卷积神经网络模型架构下，卷积神经网络模型的测试集准确率从传统卷积神经网络模型的85.76%提升至86.67%，这验证了频域特征确实能够提高卷积神经网络模型的鲁棒性。但是在支持向量机中应用傅里叶分析的模型的效果没有传统的支持向量机模型效果好，说明傅里叶分析不适合应用在支持向量机模型上。本论文的研究证实，针对黑色素瘤病灶位置随机分布进而导致的传统神经网络鲁棒性不高的问题，傅里叶分析可以作为一种有效的补充策略，来辅助传统卷积神经网络模型对黑色素瘤的诊断。5.2未来展望‌在未来，我们可以进一步探索傅里叶变换与自注意力机制、选择轻量化网络设计的路径，增加对动态频段选择与空间加频域双分支特征融合策略，在降低计算复杂度的同时提高卷积神经网络模型对多种角度和不同尺度病灶纹理的敏感性，再对模型进行优化。针对高频噪声对模型的干扰问题，可以增加自适应频域滤波模块，结合黑色素瘤病灶形态学知识实现诊断关键频段的智能提取，提升模型对早期非典型病变的捕捉能力。在超声图像结节分割或病理切片组织分类任务中，通过构建频域特征与生物学标志物的关联规则库，进一步与开发多模态频域融合诊断系统，然后再联合医疗机构建立好覆盖不同设备参数、成像协议和人群特征的协作平台，系统的验证模型在真实临床环境中的稳定性与泛化能力，制定基于频域特征的医学影像质量评价标准，为模型的训制定规范化的要求。可以通过研发适配低算力终端的频域压缩推理框架，在保证诊断精度的首要前提下再实现模型在移动设备端的部署，为偏远地区提供高性价比的黑色素瘤筛查工具。随着联合学习与计算技术的发展，基于频域特征脱敏的多机构共同建模可能会打破医疗数据不相通的问题，助力推进高质量皮肤镜数据的共享，形成“算法迭代-数据协同-临床验证”的闭环，为全球皮肤癌防控体系的智能化升级提供技术支持。

参考文献ARORAG，DUBEYAK，JAFFERYZA，etal.Acomparativestudyoffourteendeeplearningnetworksformultiskinlesionclassification（MSLC）onunbalanceddata［J］.NeuralComputingandApplications，2023，35（11）：7989-80