轻量级卷积神经网络在皮肤疾病分类中的应用

发布时间：2021-04-23 20:36

　　皮肤疾病种类繁多,但许多疾病外观相似,颜色相似,尤其是色素性皮肤疾病,通常类间差异细微且类内差异大。普通人想要辨认出其不同子类的可能性不大,而依靠领域专家又速度慢且人力成本高,所以这种细粒度图像分类任务相比传统的大尺度图像分类任务更难也更值得研究。卷积神经网络模型在大尺度图像分类任务中表现优异,但在细粒度分类中的应用还需要进一步研究,需要针对特定的数据集训练特定的模型。与此同时,移动设备普及,移动端应用发展迅速,如何与深度学习技术有效结合,是一个新的尝试。本文以ISIC 2018色素性皮肤疾病数据集中的皮肤镜图像作为研究对象,开发了一款基于轻量级卷积神经网络的移动端色素性皮肤疾病分类系统。首先,对VGG-16、Inception V3、Res Net-50、Xception、Mobile Net V1、Mobile Net V2等几种经典的卷积神经网络模型进行分析,使用K折分层交叉验证模型训练评估方法,从网络模型参数量、分类准确率、敏感度和F1-score等角度进行评估,选取参数量小、准确率、精度和F1-score值等性能值也合适的轻量级卷积神经网络Mobile Net V2作为本文的... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景
    1.2 国内外研究现状
        1.2.1 传统皮肤疾病识别分类现状
        1.2.2 卷积神经网络在图像分类领域研究现状
        1.2.3 卷积神经网络在皮肤疾病分类中的研究现状
    1.3 本文研究的主要内容
第2章 色素性皮肤疾病分类卷积神经网络选型
    2.1 卷积神经网络
        2.1.1 网络结构
        2.1.2 损失函数
        2.1.3 Softmax分类器
    2.2 卷积神经网络模型选择
        2.2.1 VGG-16
        2.2.2 Inception V3
        2.2.3 Res Net-50
        2.2.4 Xception
        2.2.5 MobileNetV1
        2.2.6 MobileNetV2
    2.3 K折分层交叉验证
    2.4 实验结果
        2.4.1 皮肤疾病数据集
        2.4.2 评价指标
        2.4.3 直接训练各网络实验结果
    2.5 本章小结
第3章 基于改进MobileNetV2 的色素性皮肤疾病分类模型
    3.1 数据增强和迁移学习
        3.1.1 数据增强
        3.1.2 基于迁移学习的改进MobileNetV2 分类模型
    3.2 数据不均衡处理
        3.2.1 数据集角度
        3.2.2 算法角度
    3.3 改进Focal Loss损失函数解决数据不均衡
    3.4 实验结果
        3.4.1 基于数据增强和迁移学习的改进MobileNetV2 分类结果
        3.4.2 基于改进Focalloss损失函数实验结果
        3.4.3 改进损失函数超参数选取实验结果
    3.5 本章小结
第4章 Android端色素性皮肤疾病分类模型的实现
    4.1 Android平台介绍
    4.2 Android上实现皮肤疾病分类
    4.3 应用开发工具
    4.4 开发环境搭建
    4.5 功能模块设计
        4.5.1 界面模块
        4.5.2 数据库模块
        4.5.3 相册/拍照模块
        4.5.4 模型调用模块
    4.6 实验结果
        4.6.1 实验环境
        4.6.2 系统功能测试
        4.6.3 识别结果展示
    4.7 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文及获得成果
致谢


【参考文献】：
期刊论文
[1]随机森林算法研究综述[J]. 吕红燕,冯倩.  河北省科学院学报. 2019(03)
[2]基于深层卷积残差网络集成的黑色素瘤分类方法[J]. 胡海根,孔祥勇,周乾伟,管秋,陈胜勇.  计算机科学. 2019(05)
[3]基于深度卷积神经网络的色素性皮肤病识别分类[J]. 何雪英,韩忠义,魏本征.  计算机应用. 2018(11)
[4]“Al+医疗”人工智能的下一个风口?[J]. 丁毓.  上海信息化. 2017(03)
[5]基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法[J]. 罗蔓,黄靖,杨丰.  科学技术与工程. 2014(31)
[6]基于国人皮肤镜黑素细胞肿瘤图像的智能化分类与识别研究[J]. 孟如松,孟晓,姜志国,谢凤英,刘玮,罗卫,郭广进,蔡瑞康.  中国体视学与图像分析. 2012(03)
[7]神经网络技术及其在医学图像处理中的应用[J]. 李清梦,聂生东.  中国医学影像技术. 2011(06)

硕士论文
[1]基于卷积神经网络的特定场景下人脸识别研究[D]. 彭鑫.西安理工大学 2019
[2]黑色素瘤图像特征提取算法研究[D]. 胡言广.电子科技大学 2015



本文编号：3155999