[发明专利]一种基于深度学习的皮肤病图片病变类型分类方法

摘要

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。

主权项

1.一种基于深度学习的皮肤病图片病变类型分类方法，其特征在于，该方法具体包括以下步骤：步骤1、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，对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；步骤2、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；步骤3、将步骤2扩增后的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；步骤4、针对数据样本分布不平衡的问题，采用损失函数加权的方式解决，损失函数的加权值为每一类样本出现频率的倒数；步骤5、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；步骤6、将步骤2中采样出的样本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；步骤7、通过反向传播算法对模型权重进行训练；步骤8、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诊断。