[发明专利]一种基于深度学习的皮肤癌黑色素瘤的图像识别方法

摘要

本发明公开了一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，包括皮肤病变皮肤镜图像数据库、数据预处理和质量评估筛选、级联深度卷积神经网络、引入迁移学习和分类器；在训练阶段，首先在原始数据上进行增强或筛除；再在输入正负样本后，进行样本扩充技术和防止过拟合，在预处理阶段，加入数据增强，随后进行两个深度卷积神经网络级联，再将在自然图像上预训练出的现成特征迁移学习到识别网络中，最后利用分类器进行分类的预测，根据网络收敛和预测情况再进行网络参数微调；本发明提高了皮肤病变分类的准确性，且避免了人工选取特征的局限性，适应能力更强，对于医疗皮肤疾病图像分析有一定意义。

主权项

一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，其特征在于，包括皮肤病变皮肤镜图像数据库、图像质量评估筛选模块、数据预处理模块、卷积神经级联网络、迁移学习模块、分类器和网络参数微调模块；具体调用步骤如下:101）数据筛选步骤：数据预处理模块将国际皮肤成像协作数据库内的皮肤病变图像和皮肤镜图像进行去冗余和尺寸归一化，并通过图像质量评估筛选模块对图像进行质量评估，从而筛选出清晰和质量合格的图像，裁剪出图像中合适目标检测区域；102）数据处理步骤：将步骤101）筛选后的图像数据，进行数据扩增，所述数据扩增包括加入高斯噪声、椒盐噪声、泊松噪声的噪声变换扩增数据和旋转、上下左右四个方向平移、镜像的几何变换扩增数据；103）数据辨识分类步骤：对步骤102）扩增处理的数据由分类器进行分别存放，并由卷积神经级联网络进行多尺度的16层网络训练学习辨识图像细节；所述卷积神经级联网络采用两个VGGNet16层深度卷积神经网络级联，所述VGGNet拥有5段卷积，每一段内有2～3个卷积层，且每段尾部会连接一个最大池化层；104）：数据二次分类步骤：通过迁移学习模块将步骤103）的图像数据中辨识出皮肤上特有的特征和模型参数，提高在特有的特征上的属性辨识；对步骤103）已经分类的图像数据并进行添加标签后由网络参数微调模块对参数进行调整，所述调整为将误差自顶向下传输，由卷积神经级联网络的训练结果和在验证集合上的运行准确率进行可视化实时显示，从而根据验证集合上的准确值和损失值曲线进行卷积神经级联网络每一层的参数进行微调；且将分类调整后的图像数据、参数进行保存，并标识上相应标签名称恶性黑色素肿瘤、脂溢性角化、良性痣。