[发明专利]应用于皮肤癌识别的深度学习训练系统

权利要求书

1.一种应用于皮肤癌识别的深度学习训练系统，其特征在于：包括数据集输入与筛选模块、分隔模块、BP模块以及权重输出模块，其中，

所述数据集输入与筛选模块：用于对输入图像单元数据集的完整性进行检查，再根据设定的清晰度指标以及尺寸大小指标对图像单元进行鉴别，如果图像单元的清晰度以及尺寸未达到设定值，该图像单元被筛选除去；然后得到最终待处理的图像训练数据集进入分隔模块；

所述分隔模块：将图像训练数据集通过分隔算法根据分类树划分为训练集，并从分隔树顶端开始，自上往下的迭代过程中确保了每个训练集包含的数据点都具有病理与图像的近似性；

所述BP模块：从训练集中抽取进入BP模块的数据点走正向传播通路，得到的特征图进入全连接层得到具体分类，并代入激活函数求值，得到判断疾病的概率结果；再进行反向传播途径，根据求得的值对上一层各个权重进行链式求导作为新的权重，直到各层都完成求导并得到对应的权重值为止；

所述权重输出模块：将得到的一系列权重进行分层整理，每一层的一系列权重整理为一个权重矩阵，得到不同层的权重矩阵成权重矩阵包，再从权重输出模块传输至皮肤癌识别系统，以供皮肤癌识别系统使用。

2.根据权利要求1所述的应用于皮肤癌识别的深度学习训练系统，其特征在于：所述输入的图像数据集最小单位为一个图像文件及其图像标签，每个图像都有对应标签，标签需要包括对该张图像的最终诊断。

3.根据权利要求1所述的应用于皮肤癌识别的深度学习训练系统，其特征在于：所述完整性进行检查包含整体完整性检查与单元完整性检查。

4.根据权利要求1所述的应用于皮肤癌识别的深度学习训练系统，其特征在于：所述正向传播通路包含将图像抽象为一系列像素点，进行线性化处理后根据预设的初始权重对多个像素点组合成的矩阵进行矩阵乘法运算，得到特征图并进行max pooling，特征图进入隐藏层，隐藏层再与该层对应的权重进行矩阵乘法，得到下一层的特征图；经过多层隐藏层后得到的特征图进入全连接层得到具体分类。

5.根据权利要求4所述的应用于皮肤癌识别的深度学习训练系统，其特征在于：所述反向传播途径包含将得到的判断结果作为反向传播途径中的一个参数，使用成本函数求出一个值代码计算值与真值的误差，根据链式法则将该成本函数计算出来的值对上一层的各个权重进行链式求导，求出来的导数作为新的权重，求完该层权重后将成本函数计算出来的值对再上一层进行求导，以此类推，直到各层都完成求导并得到对应的权重值为止。