基于深度学习的皮肤疾病识别方法研究

发布时间：2021-07-03 17:02

　　近年来,采用计算机辅助诊断技术对医学相关图像进行分析和处理已得到越来越多的应用,尤其是对皮肤疾病相关医学图像的辅助诊断。皮肤疾病的诊断过程复杂,并且准确的诊断需要医生多年的经验积累,因此更加准确有效的图像辅助诊断方法对于皮肤病的及时诊治有很大帮助。传统的皮肤疾病辅助诊断技术需要人工设计提取特征,依靠这些特征进行诊断往往很难达到确诊要求,采用深度卷积神经网络的方式则可以减少人工干预,让识别模型自主学习特征,提高识别准确率。本文旨在研究基于深度学习的皮肤疾病图像分类和预测方法,并在所选数据集上对分类模型作一定程度的优化,提高模型对皮肤疾病的分类能力。主要工作概括如下:第一章主要分析介绍了采用深度学习的方式辅助诊断皮肤疾病的背景和意义,并在章节最后给出了本论文的主要内容以及结构安排。第二章分析了采用深度学习来识别皮肤疾病图像的框架,并建立了两个皮肤疾病数据集,分别是皮肤镜图像数据集和临床图像数据集,介绍了对应的预处理方法,包括图像去噪和图像增强两种方式。第三章主要分析了卷积神经网络的基本结构以及相关训练基础,并选定了相关的深度学习框架,最后在皮肤镜图像数据集上对比了不同卷积神经网络模型的识别... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图１．１皮肤疾病样例??如图Ｍ所示为４种皮肤疾病的样例，从图中可以看出，仅凭肉眼很难去辨别，为了??

相比于传统的辅助检测手段，深度学习则能自动学习图像的典型特征，减少了手工设??计特征所带来的巨大工作量，近年来已逐渐替代传统方法，越来越多的被用于图像领域。??如图１．２为深度学习其中一种方法目标检测的样例，目标检测可以自动检测出图像中的人??或者物并给出相应概率。??ｐｅｒｓｏｎ?０?９９２??ｇｌｐｊｇ??图１．２目标检测祥例??所谓深度学习是相对于浅层学习模型而言，浅层学习模型如支持向量机、最大熵方法??等，这些模型的结构并不是多层结构，往往只有单层或者双层结构，因此被称为浅层模型。??而深度学习则是包含多个隐藏层，隐藏层与隐藏层之间通过非线性结构连接，因此可以表??示更加复杂的函数，学习到更加多样化的图像特征，其相比于浅层学习模型而言更能从数??据样本集中学习到数据的本质特征。??基于以上理论，采用深度学习辅助识别皮肤疾病在理论研究与实际应用方面都具有广??阔前景和深远意义。??１．２国内外研究现状??１．２．１深度学习在医学图像领域的研究现状??深度学习最早起源于感知机／?２０世纪５０年代，Ｆｒａｎｋ?Ｒｏｓｅｎｂｌａｔｔ提出感知机模型??感知机是具有单层计算网络的模型，对线性问题具有分类能力，但是无法解决非线性问题。??而多层感知机虽然通过增加隐藏层可以解决复杂的分类问题

图１．３训练布局??


本文编号：3262991