基于卷积神经网络的皮肤癌识别方法

发布时间：2021-04-07 13:52

　　为了解决色素性皮肤病类间相似度高、类内差异化大的特点导致的皮肤癌识别工作中的误判、准确率低等问题,在迁移学习的基础上,提出了一种基于卷积神经网络特征融合识别皮肤癌的方法。首先,为了防止出现数据不平衡以及样本小带来的过拟合问题,进行数据增强。然后将数据集分别在预训练后的DenseNet模型以及Xception模型进行训练,得到的特征进行融合,交叉利用特征信息,循环采用上次保留的最佳权重作为模型权重进行训练,进而实现皮肤癌图像的识别。实验结果表明,该方法的准确率和敏感性可分别达到91.42%、87.37%,相比未进行特征融合的模型,准确率和敏感性均有所提高,有效地解决了皮肤癌类间相似度高,类内差异大的问题,进而有效地改善临床医学诊断效率的问题。 

【文章来源】：计算机技术与发展. 2020,30(10)

【文章页数】：6 页

【部分图文】：

基于卷积神经网络的皮肤癌识别方法模型流程图

DenseNet结构

特征融合过程

【参考文献】：
期刊论文
[1]恶性黑色素瘤化疗研究进展[J]. 秦岚群,邹征云.  实用肿瘤学杂志. 2019(02)
[2]基于深度学习方法检测皮肤镜图像中黑色素瘤的研究进展与展望[J]. 张杰,赵惠军,李贤威,法振宗,王亚林.  医疗卫生装备. 2018(11)
[3]基于深度残差网络的皮肤镜图像黑色素瘤的识别[J]. 李航,余镇,倪东,雷柏英,汪天富.  中国生物医学工程学报. 2018(03)
[4]恶性黑色素瘤的皮肤镜特征研究进展[J]. 高菲,辛琳琳.  山东医药. 2018(01)



本文编号：3123612