A classification and recognition method for melanoma skin diseases based on depth learning is proposed. The original image, the image cut by class activation graph and the binary mask image of the diseased area manually segmented by the doctor are preprocessed separately. The last layer is combined by the image classification network, and the three training sets are separated. Input these three networks, picture forward input network, and update the weight through the back-propagation minimization cost function to find the best combination of the first category of non-value-added skin lesions classification effect; first use the joint network 1 to classify the first category of skin lesions separately, and then use the joint network 2 to classify the second category of skin lesions in the remaining data. The remaining is malignant skin diseases, get the classification accuracy of skin diseases 1; then get the classification accuracy of skin diseases 2; get the classification accuracy of skin diseases 3; the highest accuracy as the final result. The invention can effectively improve the classification and recognition rate of melanoma dermatosis.
【技术实现步骤摘要】
一种基于深度学习的黑色素瘤皮肤病的分类识别方法
本专利技术涉及一种新型的黑色素瘤皮肤病识别方法,该方法通过联合多种深度学习网络模型,旨在提高黑色素瘤皮肤病识别的正确率,具体来说是根据不同的深度网络模型对不同类别的皮肤病分类识别具有不同的效果,通过联合不同的网络模型采取二次分类步骤,并采用多种特征图来进一步提高黑色素瘤皮肤病分类识别率的方法。
技术介绍
黑色素瘤(melanoma,MM),又称恶性黑色素瘤,是来源于黑色素细胞的一类恶性肿瘤,常见于皮肤,亦见于黏膜、眼脉络膜等部位。黑色素瘤是皮肤肿瘤中恶性程度最高的瘤种,容易出现远处转移,是致命的一种皮肤病,其病因和发病机制尚不明确。由于该病临床及病理类型较多,易与色素痣(nevus,NS)、脂溢性角化病(seborrheickeratosis,SK)等相混淆。并且部分色素痣与黑色素瘤发生发展也有一定关系,因此色素痣尤其获得性色素痣与黑素瘤难以鉴别,盲目活检和手术切除造成很多不必要的创伤,因此,寻求无创性从色素痣、脂溢性角化病等鉴别出黑色素瘤的方法具有重要的意义。临床上,无创性的鉴别一般是皮肤科医生通过观察患者皮肤患病处的状况帮助进行诊断,而诊断的准确率完全有赖于经验的积累,但由于经验丰富的医生相对较为匮乏。随着计算机技术的快速发展,基于图像的诊断技术成为无创性视诊的重要替代方案。一些基于机器学习和计算机视觉技术的传统分类识别方法相继被提出来,但由于存在特征提取等诸多问题,效果不尽理想。深度学习是机器学习中一种基于对数据进行表征学习的方法,通过使用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取 ...
【技术保护点】
1.一种基于深度学习的黑色素瘤皮肤病的分类识别方法,其特征在于,所述方法包括以下步骤:步骤1:采用类激活图的方法,找到图像中对网络分类结果影响比较大的区域,并将该部分进行裁剪;步骤2:将医生手动分割的病变区域的二值掩膜图像作为一种单独的训练数据;步骤3:将原始图像、采用类激活图剪切的图像、医生手工分割的病变区域二值掩膜图像分别进行数据预处理;步骤4:采用图像分类网络,将它们最后一层进行联合,步骤3中三种训练集图片分别输入这三个网络,图片正向输入网络,并通过反向传播最小化代价函数更新权值,求出对第一类非增值性损伤皮肤病分类效果最优组合,命名为联合网络1;步骤5:同理求出对第二类良性但对健康有害的细胞增值和第三种恶性肿瘤网络最优组合方式,分别命名联合网络2、联合网络3;步骤6:先采用联合网络1对第一类皮肤病单独分类,再使用联合网络2将剩余数据中的第二类皮肤病分类出来;剩余的就是恶性皮肤病,得到皮肤病分类准确率1;步骤7:先采用联合网络2对第二类皮肤病单独分类,再使用联合网络1将剩余数据中的第一类皮肤病分类出来;剩余的就是恶性皮肤病,得到皮肤病分类准确率2;步骤8:直接使用联合网络3对第三类 ...
【技术特征摘要】
1.一种基于深度学习的黑色素瘤皮肤病的分类识别方法,其特征在于,所述方法包括以下步骤:步骤1:采用类激活图的方法,找到图像中对网络分类结果影响比较大的区域,并将该部分进行裁剪;步骤2:将医生手动分割的病变区域的二值掩膜图像作为一种单独的训练数据;步骤3:将原始图像、采用类激活图剪切的图像、医生手工分割的病变区域二值掩膜图像分别进行数据预处理;步骤4:采用图像分类网络,将它们最后一层进行联合,步骤3中三种训练集图片分别输入这三个网络,图片正向输入网络,并通过反向传播最小化代价函数更新权值,求出对第一类非增值性损伤皮肤病分类效果最优组合,命名为联合网络1;步骤5:同理求出对第二类良性但对健康有害的细胞增值和第三种恶性肿瘤网络最优组合方式,分别命名联合网络2、联合网络3;步骤6:先采用联合网络1对第一类皮肤病单独分类,再使用联合网络2将剩余数据中的第二类皮肤病分类出来;剩余的就是恶性皮肤病,得到皮肤病分类准确率1;步骤7:先采用联合网络2对第二类皮肤病单独分类,再使用联合网络1将剩余数据中的第一类...
【专利技术属性】
技术研发人员:胡海根,王海洋,苏一平,管秋,肖杰,陈胜勇,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。