一种基于深度学习的皮肤病图片病变类型分类方法   0    0

本发明公开了一种基于深度学习的皮肤病图片病变类型分类方法，本方法在现有ResNet50和InceptionV3网络的基础上设计了一种专门针对皮肤病变图片分类的模型算法，该模型在使用相关病变图片进行训练、调优之后能够对包括黑色素瘤、痣、基底细胞癌、光化性角化病、良性角化病、皮肤纤维瘤和血管瘤在内的七种皮肤病变进行分类诊断。使用该方法在与训练数据不同的测试数据图片库上进行测试，最终能够达到92.48％的准确率和86.76％的召回率，超过医生平均的准确率。

1.一种基于深度学习的皮肤病图片病变类型分类系统，其特征在于：
该系统先获取不同的皮肤病变图片；对皮肤病变图片进行数据预处理，预处理为将不同尺寸的皮肤病变图片进行缩放至设置好的两个固定尺寸；
该系统对皮肤病变图片数据扩增，对经过预处理的皮肤病变图片进行包括随机裁剪、随机翻转、随机旋转和随机形变在内的变换，所有的变换均有概率发生，即可能发生变换也可能不发生变换；
将扩增后的皮肤病变图像数据输入到卷积神经网络；所述的卷积神经网络为改进了ResNet50、InceptionV3网络，保留ResNet50平均池化层和InceptionV3平均池化层之前的部分，并对两个改进后的网络的输出张量在深度的维度上进行拼接，然后送入到分类器中；
所述的分类器包含两个全连接层，第一个全连接层用于整合之前的张量特征；第二个全连接层用于产生分类结果；
该系统采用损失函数加权的方式解决数据样本分布不平衡的问题，损失函数的加权值为每一类样本出现频率的倒数；
使用超大规模视觉图像挑战赛中的图片所训练的权重，通过该权重对卷积网络进行初始化；
将扩增后的数据通过模型的输入层送入模型，利用反向传播算法对模型进行优化训练；
通过反向传播算法对模型权重进行训练；
将模型训练后的权重保存，使用该权重对皮肤病变图片进行分类。