一种基于深度学习的皮肤癌黑色素瘤的图像识别方法技术

本发明专利技术公开了一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，包括：皮肤病变皮肤镜图像数据库、数据预处理和质量评估筛选、级联深度卷积神经网络、引入迁移学习和分类器；在训练阶段，首先在原始数据上进行增强或筛除；再在输入正负样本后，进行样本扩充技术和防止过拟合，在预处理阶段，加入数据增强，随后进行两个深度卷积神经网络级联，再将在自然图像上预训练出的现成特征迁移学习到识别网络中，最后利用分类器进行分类的预测，根据网络收敛和预测情况再进行网络参数微调；本发明专利技术提高了皮肤病变分类的准确性，且避免了人工选取特征的局限性，适应能力更强，对于医疗皮肤疾病图像分析有一定意义。

【技术实现步骤摘要】
一种基于深度学习的皮肤癌黑色素瘤的图像识别方法
本专利技术涉及人工智能领域，更具体的说，它涉及一种基于深度学习的皮肤癌黑色素瘤的图像识别方法。
技术介绍
恶性黑色素瘤（Malignantmelanoma）是一种在皮肤表面的由人体黑色素细胞产生的异常增生诱发的恶性肿瘤，通常人们称之为皮肤恶性黑素瘤。皮肤恶性黑色素瘤前期的症状并不明显，容易被患者忽视，其早期诊断的难度较大，并且恶性程度极高，非常容易扩散，愈后不良，通常在患者被确诊之前癌细胞就已经扩散至某些组织和器官，甚至全身。因此，恶性黑素瘤的早期诊断与鉴别具有极其重要的社会意义和实用价值。目前，只有很少的机器学习算法被用于辨识其特征来检测黑素瘤。目前常用的方法是采用皮肤镜检查，皮肤镜检查是一种用于捕获皮肤图像的技术，并通过这些图像分析出不同类型的皮肤问题。皮肤成像的技术，在诊断黑色素瘤的过程中可以提高准确率，它使用了光学放大技术、膏状液体浸泡皮肤的方法和偏振光技术来获取肿瘤区域的图像。与传统的显微成像技术相比，经皮肤镜技术处理过的皮损区域将变成半透明状，让裸眼无法观察到的表皮结构更加清晰的呈现在图像中。但是，如果医生经验不足，诊断黑色本文档来自技高网...

【技术保护点】
一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，其特征在于，包括皮肤病变皮肤镜图像数据库、图像质量评估筛选模块、数据预处理模块、卷积神经级联网络、迁移学习模块、分类器和网络参数微调模块；具体调用步骤如下:101）数据筛选步骤：数据预处理模块将国际皮肤成像协作数据库内的皮肤病变图像和皮肤镜图像进行去冗余和尺寸归一化，并通过图像质量评估筛选模块对图像进行质量评估，从而筛选出清晰和质量合格的图像，裁剪出图像中合适目标检测区域；102）数据处理步骤：将步骤101）筛选后的图像数据，进行数据扩增，所述数据扩增包括加入高斯噪声、椒盐噪声、泊松噪声的噪声变换扩增数据和旋转、上下左右四个方向平移、镜像的几何变...

【技术特征摘要】
1.一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，其特征在于，包括皮肤病变皮肤镜图像数据库、图像质量评估筛选模块、数据预处理模块、卷积神经级联网络、迁移学习模块、分类器和网络参数微调模块；具体调用步骤如下:101）数据筛选步骤：数据预处理模块将国际皮肤成像协作数据库内的皮肤病变图像和皮肤镜图像进行去冗余和尺寸归一化，并通过图像质量评估筛选模块对图像进行质量评估，从而筛选出清晰和质量合格的图像，裁剪出图像中合适目标检测区域；102）数据处理步骤：将步骤101）筛选后的图像数据，进行数据扩增，所述数据扩增包括加入高斯噪声、椒盐噪声、泊松噪声的噪声变换扩增数据和旋转、上下左右四个方向平移、镜像的几何变换扩增数据；103）数据辨识分类步骤：对步骤102）扩增处理的数据由分类器进行分别存放，并由卷积神经级联网络进行多尺度的16层网络训练学习辨识图像细节；所述卷积神经级联网络采用两个VGGNet16层深度卷积神经网络级联，所述VGGNet拥有5段卷积，每一段内有2～3个卷积层，且每段尾部会连接一个最大池化层；104）：数据二次分类步骤：通过迁移学习模块将步骤103）的图像数据中辨识出皮肤上特有的特征和模型参数，提高在特有的特征上的属性辨识；对步骤103）已经分类的图像数据并进行添加标签后由网络参数微调模块对参数进行调整，所述调整为将误差自顶向下传输，由卷积神经级联网络的训练结果和在验证集合上的运行准确率进行可视化实时显示，从而根据验证集合上的准确值和损失值曲线进行卷积神经级联网络每一层的参数进行微调；且将分类调整后的图像数据、参数进行保存，并标识上相应标签名称恶性黑色素肿瘤、脂溢性角化、良性痣。2.根据权利要求1所述的一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，其特征在于，步骤101）中的皮肤镜图像分为训练样本、验证样本和...

【专利技术属性】
技术研发人员：王亚奇，周程昱，刘军，
申请(专利权)人：杭州电子科技大学，周程昱，
类型：发明
国别省市：浙江,33