基于迁移学习的色素性皮肤病辅助诊断的研究与应用
发布时间：2021-08-19 19:51
随着人类生活环境的不断变化,皮肤病的种类也出现了多种变异。当前,皮肤病理学诊疗方式基本上以传统的临床视觉判别为主,这中检查方式的准确度很大程度上依赖于皮肤科专家的从医经验。由于皮肤组织损伤外观的细粒度变化,使用图像识别对皮肤组织损伤进行自动分类识别是一项艰巨的任务。随着在深度学习方面的进一步研究,深度卷积神经网络（Deep Convolutional Neural Network,DCNN）表现出在对大量细粒度对象进行类别分类和特征向量判别中执行一般任务和变化差异较大任务方面的优势,并将其应用在生物医疗工程领域里面的医学影像研究中变得越来越重要。构建一个专门针对皮肤科疾病图像自动分类识别的深度学习网络模型并将其应用在精准医疗的计算机辅助判别系统中,从而间接地帮助了皮肤科医生对皮肤组织细胞损伤问题的提前预估和对症用药具有重要的意义。本论文主要研究的重点是利用迁移学习的方法构建深度卷积神经网络模型实现对色素性皮肤病图像的自动分类识别,以及色素性皮肤病移动设备端的辅助诊断系统的设计与实现。通过对这两个关键部分的深入研究,首先,利用Java文件流的相关编码方式对原始皮肤镜像数据集ISIC201...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
ReLu函数图
安徽大学硕士学位论文23第三章基于迁移学习的色素性皮肤病图像的分类识别3.1深度神经网络模型的构建流程迁移学习是开发深度神经网络应用程序的重要方法之一。与深度神经网络模型的重新设计和构建相比，迁移学习能够更好地应用于样本数据量不是很大的数据集，并且能够在更短的期限内快速训练出完美的深度卷积神经网络模型。迁移学习方法使用训练有素的Inception-V3预先训练过的深度卷积神经网络模型，并把它作为用于学习新目标任务的起始点。预先训练过的深度卷积神经网络模型是已经被在数百万张图像上接受了训练，并学习了各种图像数据的抽象特征向量[52]。迁移学习方法可微调深度神经网络模型参数，使之能够在未知任务上适应自主学习。与通过随机从零初始化权重来训练网络模型相比，这通常更快，更容易，并且允许计算机快速将使用少量训练图像学习到的功能转移到新任务中。使训练网络模型的时间和计算资源大大减少。迁移学习已成为一种流行的深度神经网络模型训练方法并被广泛使用，其具体的网络模型构建流程步骤如下：（1）加载预先训练过的深度卷积神经网络模型。选择那些与新任务类似的预先训练过的相关神经网络模型。TensorFlow的深度学习工具可以调用多种预先训练过的深度卷积神经网络模型，本论文研究使用ImageNet预先训练过的Inception-V3网络模型作为迁移学习的起始点。可以从官网上下载开源的Inception-V3模型，模型的主要文件格式如图3.1所示。图3.1Inception-V3模型主要文件格式其中classify_image_graph_def.pb文件是已经被预先训练过的Inception-V3深度卷积神经网络模型；imagenet_synset_to_human_label_map.txt文件为能够分类识别的类别文件，其中共包含了2万多种的类别，主要内容如图3.2所示。
第三章基于迁移学习的色素性皮肤病图像的分类识别24图3.2Inception-V3模型分类识别的类别部分内容文件（2）替换新任务的分类层。可以根据图像识别的任务不同和目标数据集的大小情况选择对卷积层的参数进行微调，当拥有的数据库容量越大时，可进行微调的层数选择性就越大，因为较少的数据库容量在对层数进行微调时可能会导致网络模型的过度配置。本论文研究利用Inception-V3作为已经训练好的模型，移出网络的最终分类层（SoftMax），并将全连接层初始化成与目标数据集中的种类数量相同，对深度卷积神经网络模型的倒数第二层——瓶颈层（Bottlenecks）进行训练，这样仅需要几千张图像和普通中央处理器（CPU）就能够完成对网络模型的训练，而且重训练出来的模型精确度也不低。（3）在新任务的数据集上对神经网络模型进行重新训练。实验基于这种替换后的深度神经网络网络模型，利用新的数据集进行训练。能够发现全连接运算层和分类识别输出层的类别种类标签及数量都发生了改变，进而生成新的神经网络模型。3.2网络模型的评价指标为了更好地评估迁移学习方法训练后生成的深度卷积神经网络模型的性能情况，本论文研究采用总体准确率（Accuracy）和交叉熵损失函数（CrossEntropyCostFunction）来对神经网络模型的测试标准[53]。3.2.1总体准确率总体准确率代表能够被卷积神经网络模型准确分类识别的样本数据集容量占整个的样本数据集容量的比例，具体的表达式如公式(3.1)所示。
【参考文献】：
期刊论文
[1]基于SpringBoot+SSM框架的Web应用系统搭建与实现[J]. 朱运乔. 电脑编程技巧与维护. 2019(10)
[2]基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 李欣菱,郭芳芳,周振,张番栋,王卿,彭志君,苏大同,范亚光,王颖. 中国肺癌杂志. 2019(06)
[3]基于Inception-v3模型的蛇类图像识别[J]. 张皓洋. 电子技术与软件工程. 2019(10)
[4]基于TensorFlow平台的卷积神经网络对OMR识别问题研究[J]. 鞠云霞,王希常,陈祥喜,郑伟. 无线互联科技. 2019(04)
[5]精准医疗趋势下健康管理系统的研究与设计[J]. 周正宇. 甘肃科技. 2019(01)
[6]基于深度学习的癌症计算机辅助分类诊断研究进展[J]. 肖焕辉,袁程朗,冯仕庭,罗宴吉,黄炳升. 国际医学放射学杂志. 2019(01)
[7]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[8]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[9]基于深度卷积神经网络的宫颈细胞涂片的病变细胞分类[J]. 胡卉,蔡金清. 软件工程. 2018(08)
[10]基于深度学习的医学计算机辅助检测方法研究[J]. 陶攀,付忠良,朱锴,王莉莉. 生物医学工程学杂志. 2018(03)
博士论文
[1]基于迁移学习的多模态脑图像分析及其应用研究[D]. 程波.南京航空航天大学 2015
硕士论文
[1]TensorFlow平台目标检测模型的设计与实现[D]. 韩卓.北京邮电大学 2019
[2]基于迁移学习的女性癌症医疗图像识别应用研究[D]. 胡卉.天津工业大学 2019
[3]基于迁移学习和卷积神经网络的肺结节检测方法研究[D]. 赵玥.东北财经大学 2018
[4]卷积神经网络在糖网病眼底图像分类中的应用研究[D]. 熊彪.深圳大学 2017
[5]基于B/S架构的健康管理系统的设计与实现[D]. 禹蒙蒙.郑州大学 2017
[6]基于深度卷积神经网络的医学图像肺结节检测方法研究[D]. 朱国策.江南大学 2017
[7]基于深度学习的海量高分辨率遥感图片的识别与分类[D]. 李帅.陕西师范大学 2017
[8]基于深度学习的人脸识别算法[D]. 龙海强.广东工业大学 2016
[9]色素性皮肤病图像的特征提取与识别[D]. 宋帅领.电子科技大学 2016
[10]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
本文编号：3352036
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
ReLu函数图
安徽大学硕士学位论文23第三章基于迁移学习的色素性皮肤病图像的分类识别3.1深度神经网络模型的构建流程迁移学习是开发深度神经网络应用程序的重要方法之一。与深度神经网络模型的重新设计和构建相比，迁移学习能够更好地应用于样本数据量不是很大的数据集，并且能够在更短的期限内快速训练出完美的深度卷积神经网络模型。迁移学习方法使用训练有素的Inception-V3预先训练过的深度卷积神经网络模型，并把它作为用于学习新目标任务的起始点。预先训练过的深度卷积神经网络模型是已经被在数百万张图像上接受了训练，并学习了各种图像数据的抽象特征向量[52]。迁移学习方法可微调深度神经网络模型参数，使之能够在未知任务上适应自主学习。与通过随机从零初始化权重来训练网络模型相比，这通常更快，更容易，并且允许计算机快速将使用少量训练图像学习到的功能转移到新任务中。使训练网络模型的时间和计算资源大大减少。迁移学习已成为一种流行的深度神经网络模型训练方法并被广泛使用，其具体的网络模型构建流程步骤如下：（1）加载预先训练过的深度卷积神经网络模型。选择那些与新任务类似的预先训练过的相关神经网络模型。TensorFlow的深度学习工具可以调用多种预先训练过的深度卷积神经网络模型，本论文研究使用ImageNet预先训练过的Inception-V3网络模型作为迁移学习的起始点。可以从官网上下载开源的Inception-V3模型，模型的主要文件格式如图3.1所示。图3.1Inception-V3模型主要文件格式其中classify_image_graph_def.pb文件是已经被预先训练过的Inception-V3深度卷积神经网络模型；imagenet_synset_to_human_label_map.txt文件为能够分类识别的类别文件，其中共包含了2万多种的类别，主要内容如图3.2所示。
第三章基于迁移学习的色素性皮肤病图像的分类识别24图3.2Inception-V3模型分类识别的类别部分内容文件（2）替换新任务的分类层。可以根据图像识别的任务不同和目标数据集的大小情况选择对卷积层的参数进行微调，当拥有的数据库容量越大时，可进行微调的层数选择性就越大，因为较少的数据库容量在对层数进行微调时可能会导致网络模型的过度配置。本论文研究利用Inception-V3作为已经训练好的模型，移出网络的最终分类层（SoftMax），并将全连接层初始化成与目标数据集中的种类数量相同，对深度卷积神经网络模型的倒数第二层——瓶颈层（Bottlenecks）进行训练，这样仅需要几千张图像和普通中央处理器（CPU）就能够完成对网络模型的训练，而且重训练出来的模型精确度也不低。（3）在新任务的数据集上对神经网络模型进行重新训练。实验基于这种替换后的深度神经网络网络模型，利用新的数据集进行训练。能够发现全连接运算层和分类识别输出层的类别种类标签及数量都发生了改变，进而生成新的神经网络模型。3.2网络模型的评价指标为了更好地评估迁移学习方法训练后生成的深度卷积神经网络模型的性能情况，本论文研究采用总体准确率（Accuracy）和交叉熵损失函数（CrossEntropyCostFunction）来对神经网络模型的测试标准[53]。3.2.1总体准确率总体准确率代表能够被卷积神经网络模型准确分类识别的样本数据集容量占整个的样本数据集容量的比例，具体的表达式如公式(3.1)所示。
【参考文献】：
期刊论文
[1]基于SpringBoot+SSM框架的Web应用系统搭建与实现[J]. 朱运乔. 电脑编程技巧与维护. 2019(10)
[2]基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 李欣菱,郭芳芳,周振,张番栋,王卿,彭志君,苏大同,范亚光,王颖. 中国肺癌杂志. 2019(06)
[3]基于Inception-v3模型的蛇类图像识别[J]. 张皓洋. 电子技术与软件工程. 2019(10)
[4]基于TensorFlow平台的卷积神经网络对OMR识别问题研究[J]. 鞠云霞,王希常,陈祥喜,郑伟. 无线互联科技. 2019(04)
[5]精准医疗趋势下健康管理系统的研究与设计[J]. 周正宇. 甘肃科技. 2019(01)
[6]基于深度学习的癌症计算机辅助分类诊断研究进展[J]. 肖焕辉,袁程朗,冯仕庭,罗宴吉,黄炳升. 国际医学放射学杂志. 2019(01)
[7]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[8]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[9]基于深度卷积神经网络的宫颈细胞涂片的病变细胞分类[J]. 胡卉,蔡金清. 软件工程. 2018(08)
[10]基于深度学习的医学计算机辅助检测方法研究[J]. 陶攀,付忠良,朱锴,王莉莉. 生物医学工程学杂志. 2018(03)
博士论文
[1]基于迁移学习的多模态脑图像分析及其应用研究[D]. 程波.南京航空航天大学 2015
硕士论文
[1]TensorFlow平台目标检测模型的设计与实现[D]. 韩卓.北京邮电大学 2019
[2]基于迁移学习的女性癌症医疗图像识别应用研究[D]. 胡卉.天津工业大学 2019
[3]基于迁移学习和卷积神经网络的肺结节检测方法研究[D]. 赵玥.东北财经大学 2018
[4]卷积神经网络在糖网病眼底图像分类中的应用研究[D]. 熊彪.深圳大学 2017
[5]基于B/S架构的健康管理系统的设计与实现[D]. 禹蒙蒙.郑州大学 2017
[6]基于深度卷积神经网络的医学图像肺结节检测方法研究[D]. 朱国策.江南大学 2017
[7]基于深度学习的海量高分辨率遥感图片的识别与分类[D]. 李帅.陕西师范大学 2017
[8]基于深度学习的人脸识别算法[D]. 龙海强.广东工业大学 2016
[9]色素性皮肤病图像的特征提取与识别[D]. 宋帅领.电子科技大学 2016
[10]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
本文编号：3352036
本文链接：https://www.wllwen.com/yixuelunwen/pifb/3352036.html
最近更新
教材专著
