[发明专利]一种基于注意力机制与迁移学习的黑素瘤检测方法

权利要求书

1.一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：包括下列步骤：

S1、数据集构建：将ISIC2020数据集中的黑素瘤样本提取出，对其进行数据增强工作，扩充样本数量，利用增强后的数据进行数据集重组；

S2、数据划分：将模型分为训练集、验证集与测试集，用于模型的训练，模型损失稳定验证与分类效果测试；

S3、分类模型构建：模型卷积网络部分基于EfficientDet网络构建，通过EfficientDet网络对ImageNet数据分类的参数作为网络初始化参数，通过注意力机制增加模型可解释性，增加模型的安全性，提升模型分类准确率；

S4、模型训练；

S5、模型验证。

2.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S1中数据集构建的方法包括：图片旋转、图片翻转与添加噪声，所述图片旋转的方法为：在(0,360)中随机选取5个值作为旋转角度，将数据按照对应角度进行旋转；所述数据翻转的方法为：以图片中线为轴，将所有数据进行上下、左右两个方向的翻转；所述添加噪声的方法为：向图片数据中增加方差为0.5的高斯噪声。

3.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S1中数据集重组的方法为：将经数据增强后获得的所有黑素瘤图片样本与ISIC2020数据集中正常的皮肤样本随机混合，构建新数据集，此数据集中黑素瘤样本为原数据集的36倍。

4.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S2中数据划分的方法为：将重组后数据集中所有数据缩放为224*224大小，之后将其按照7：2：1的比例划分为训练集、验证集与测试集。

5.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S3中分类模型构建的方法包括识别卷积网络模型与注意力机制，

所述识别卷积网络模型为EfficientDet模型，将EfficientDet作为模型主网络，通过ImageNet数据对模型主网络进行预训练，以其最终的模型参数作为黑素瘤皮肤分类任务的初始参数；

所述注意力机制为Residual Attention机制，将Residual Attention机制作为主模型分配注意力，所述注意力机制通过两次下采样对数据特征进行提取，再通过两个上采样还原图片，得到注意力分配权重，从而帮助主网络更好的提取数据特征。

6.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S4中模型训练的方法为：将训练集数据输入分类模型中，模型初始参数为预训练得到的参数，使用训练集数据对模型进行迭代训练，待到模型损失不再下降，停止训练，保存模型。

7.根据权利要求1所述的一种基于注意力机制与迁移学习的黑素瘤检测方法，其特征在于：所述S5中模型验证的方法为：使用验证集数据再次对模型进行训练，若模型损失稳定，则保存模型，若损失下降，再次使用训练集数据对模型进行训练，重复上述过程，直到模型损失稳定。