[发明专利]一种基于集成学习的黑色素瘤皮肤病图像分类方法

摘要

一种基于集成学习的黑色素瘤皮肤病图像分类方法，包括以下步骤：步骤1，使用基于随机掩盖大小固定的区域的数据增强方式来扩充训练样本；步骤2，建立多个卷积神经网络模型，使用的训练集包含黑色素瘤皮肤图像和非黑色素瘤皮肤图像；使用卷积残差50层网络；使用交叉熵损失函数；步骤3，卷积神经网络模型的集成：假定由训练集1训练得到的模型为分类模型1，训练集2训练得到的模型为分类模型2，对分类模型1和分类模型2分别使用测试集来测试其效果，然后每个模型会各自给出测试样本属于黑色素瘤的概率值p1，p2，集成的时候对于测试样本属于黑色素瘤的概率p＝(p1+p2)/2。本发明分类精度较高、数据均衡，提高黑色素瘤自动识别分类的性能。

主权项

1.一种基于集成学习的黑色素瘤皮肤病图像分类方法，其特征在于，所述方法包括以下步骤：步骤1，使用基于随机掩盖大小固定的区域的数据增强方式来扩充训练样本，过程如下：1.1依次从训练集中无放回取图片img，并获取它们的宽img_w和高img_h；1.2初始化掩盖区域的宽w＝s，高h＝s；1.3随机从(0，img_w‑s)中初始化掩盖区域的左上角横轴坐标x0，随机从(0，img_h‑s)中初始化掩盖区域的左上角纵轴坐标y0，掩盖区域的右下角坐标为(x0+s，y0+s)；1.4将区域(x0，y0，x0+s，y0+s)的像素值置为0；1.5保存增强后的图片；步骤2，建立多个卷积神经网络模型使用的训练集包含黑色素瘤皮肤病图像和非黑色素瘤皮肤病图像；2个训练集的组成分别如下：训练集1：原始训练集和对原始训练集进行随机掩盖的到的增强样本，其中增强过程中分别设定s＝150，s＝300；训练集2：原始训练集和对原始训练集进行随机掩盖的到的增强样本，其中增强过程中分别设定s＝150，s＝200，s＝250，s＝300；使用卷积残差50层网络：对输入图片使用64个卷积核，卷积核大小为7*7，从而得到第二个条形方块，然后再进行池化，池化区域大小为3*3，图2中后面的Res1‑3代表第1‑3个残差块，Input X_n‑1代表n‑1层的输出,同时也是残差块的输入，残差块中1*1conv代表卷积核大小为1*1，Batch Norm代表该层为归一化层，就是以Batch为单位，将里面的数据统一按照一定的方式缩放到一定的范围内，ReLU代表该层为激活函数层，该层使用的激活函数为ReLU，其函数表达式如下：然后Fl(Xn‑1)代表经过残差块的运算之后输入到输出之间的映射，侧边的shortcut连接迫使残差块学习到的映射更贴近于输入，Output Xn代表残差块的输出；目标函数：模型训练过程中采用交叉熵损失函数作为目标函数，其形式如下：P代表训练过程中模型输出的概率值，y代表图片的真实标签，黑色素瘤的标签为1，非黑色素瘤的标签为0；步骤3，卷积神经网络模型的集成假定由训练集1训练得到的模型为分类模型1，训练集2训练得到的模型为分类模型2，对分类模型1和分类模型2分别使用测试集来测试其效果，然后每个模型会各自给出测试样本属于黑色素瘤的概率值p1，p2，集成的时候对于测试样本属于黑色素瘤的概率p＝(p1+p2)/2。