[发明专利]一种基于特征数据及维度缩放的黑色素瘤分类方法

说明书

本发明公开了一种基于特征数据及维度缩放的黑色素瘤分类方法，包括：对图像进行增强处理；将增强处理后的图像进行数据提取，获得目标图像数据；对增强处理后的图像进行数据特征提取，获得特征数据,其中，特征数据至少包括：性别数据和年龄数据；将获得的目标图像数据和特征数据进行数据连接,获得融合后的图像数据；对融合后的图像数据进行分类处理。应用本发明实施例，将与黑色素瘤发病率影响较大的特征数据和能够缩放调整的Efficient网络相融合，使得构造的网络的性能和准确率都有了明显的提升。

技术领域

本发明涉及计算机图像识别技术领域，尤其涉及一种基于特征数据及维度缩放的黑色素瘤分类方法。

背景技术

以往经验丰富的医生都是运用皮肤镜的识别方法来进行黑色素瘤的诊断。这样诊断有很大的不足和局限性。从客观的角度看，图像上的毛发干扰和光线的影响等都会严重影响肉眼的判断。从主观的角度看，每个医生都会根据自己的经验进行判断，主观色彩较强。加上对皮肤图像的长时间观测导致的视觉疲劳导致诊断结果的差异性较大，可重复性较差，确诊率较低。

随着计算机硬件GPU的普及和计算机视觉领域的高速发展，Yasuhiro Fujisawa和Sae Inoue(Y.Fujisawa,S.Inoue,and Y.Nakamura,“The possibility of deeplearning-based,computer-aided skin tumor classifiers,”Frontiers Med.,vol.6,p.191,Aug.2019.)等人将深度学习应用于皮肤镜图像的黑色素瘤分类，发现其中一些基于神经网络的深度学习算法的分类能力已经达到了一个经验丰富的医生的水准，有些甚至优于医生的判断。Nasiri,S.,Helsper等人(Nasiri,S.,Helsper,J.,Jung,M.et al.DePicTMelanoma Deep-CLASS:a deep convolutional neural networks approach to classifyskin lesion images.BMC Bioinformatics 21,84(2020).https://doi.org/10.1186/s12859-020-3351-y)将在ImageNet上预训练好的Inception V3模型进行微调，然后通过人工神经网络的密集层来融合手工功能和深度学习功能。这个特征融合模型的诊断准确率达到82.02％。在ISBI 2016面向黑色素瘤检测挑战数据集的皮肤病变分析中，Vinay B N等人(Vinay B N,Shah P J,Shekar V,et al.Detection of Melanoma using Deep LearningTechniques[C]//2020International Conference on Computation,Automation andKnowledge Management(ICCAKM).IEEE,2020:391-394.)采用U-Net进行图像分割，然后再用深度残差网络进行分类，准确率达到了88.7％。然而卷积神经网络的深度不断地增加出现了诸如过拟合、数据计算量过大、梯度消失、梯度爆炸等问题。

胡海银和王海洋等人提出了一种联合多种深度学习网络模型的模型(专利申请公布号：CN108427963A)，其准确率提升不大，但是计算量却增长过多。针对目前黑色素瘤识别网络深度增加和联合学习所导致的计算量过大、准确率提升不大，在训练集上容易出现过拟合等缺点。这里提出了一种将识别对象的年龄和性别等特征数据和多维度缩放网络Efficient网络相融合的神经网络Efficient-Mix来对黑色素瘤进行分类，相较于Restnet50本网络的识别准确率提升了5％。

发明内容

本发明的目的在于提供一种基于特征数据及维度缩放的黑色素瘤分类方法，旨在解决现有技术中的计算量过大、准确率提升不高，在训练集上容易出现过拟合等问题。

为了实现上述目的，本发明提供一种基于特征数据及维度缩放的黑色素瘤分类方法，包括：

对图像进行增强处理；