基于深度学习的皮肤疾病识别方法研究

摘要

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效果，初步选定基础模型。 第四章主要介绍了对上一章所选模型的改进，包括激活函数、池化方式、网络结构的改进，实验证明，本文所采用的改进方法确实在数据集上有更好的识别效果。 第五章基于已训练完成的皮肤疾病识别模型建立了可视化界面识别系统，然后与医学相关人员进行了对比实验，证明了采用深度学习进行辅助诊断的研究意义。 第六章对本文的研究进行了概括性的总结并给出对应结论，同时分析探讨了研究中存在的许多问题，给出意见和建议。

目录

声明

致谢

摘要

第1章绪论

1．1课题研究背景及意义

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

1．2．2深度学习在皮肤疾病图像领域的研究现状

1．3论文主要研究内容及结构

第2章识别方法框架和图像库建立

2．1引言

2．2基于深度学习的皮肤疾病识别方法的框架

2．3皮肤疾病图像库

2．3．1皮肤镜图像集

2．3．2临床图像数据集

2．4图像预处理

2．4．1颜色空间变换

2．4．2基于中值滤波的图像去噪算法

2．4．3基于直方图均衡化的图像增强算法

2．5本章小结

第3章基于深度学习的皮肤疾病分类算法

3．1引言

3．2卷积神经网络

3．2．1基础网络结构

3．2．2卷积层

3．2．3差异化程度—损失函数

3．2．4正反向传播—参数更新

3．3深度学习框架选择

3．4卷积神经网络模型选择

3．4．1 AlexNet

3．4．2 VGGNet

3．4．3 GoogleNet

3．4．4 ResNet

3．4．5 DenseNet

3．4．6直接训练数据集结果对比分析

3．5训练方式改进——迁移学习

3．6迁移学习实验结果对比分析

3．7本章小结

第4章CNN模型训练优化和结果分析

4．1模型优化策略

4．1．1改进的激活函数

4．1．2防止过拟合

4．2空间金字塔池化

4．2．1池化层

4．2．2空间金字塔池化

4．3基于Inception改进的VGG模型结构

4．4支持向量机

4．4．1 SVM

4．4．2 SVM和softmax对比

4．5模型改进后实验结果对比分析

4．6本章小结

第5章基于CNN的皮肤疾病图片识别系统开发与验证

5．1系统模块设计

5．2系统模型实现

5．3系统验证及结果分析

5．4本章小结

第6章总结与展望

6．1工作总结

6．2工作展望

参考文献