一种基于数据增强与深度网络的皮肤病变分割方法技术

本发明专利技术属于图像识别技术领域，具体涉及一种基于数据增强与深度网络的皮肤病变分割方法，包括下列步骤：数据集分割：将数据集分为训练集、验证集、测试集；数据色彩增强；数据形态增强，对数据集进行翻转与平移，减少网络对于位置特征的学习；模型构建；模型训练；模型评价。本发明专利技术通过对RGB数据集各通道色彩系数的调整，模拟不同自然情况下的数据，并对数据形态进行改变，对数据集进行了有效的扩充，极大的提升了模型的泛化能力并减少了模型的过拟合，模型训练采用了迁移学习的方法，极大的缩短了模型训练时间。本发明专利技术用于皮肤病变图像的分割。分割。

【技术实现步骤摘要】
一种基于数据增强与深度网络的皮肤病变分割方法


[0001]本专利技术属于图像识别
，具体涉及一种基于数据增强与深度网络的皮肤病变分割方法。

技术介绍

[0002]由于病变图像获取的条件不一样，得到的病灶图像通常差异较大，具有不同的特征信息，而现有方式由于数据样本不足，致使网络泛华性能较差，无法对不同条件下获取的病灶图像进行有效的分类。
[0003]现有技术存在的问题或者缺陷：目前的皮肤病变区域分割方法鲁棒性较差，且分类效果不佳。

技术实现思路

[0004]针对上述目前的皮肤病变区域分割方法鲁棒性较差且分类效果不佳的技术问题，本专利技术提供了一种分类效果好、识别效果强、训练时间短的基于数据增强与深度网络的皮肤病变分割方法。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于数据增强与深度网络的皮肤病变分割方法，包括下列步骤：
[0007]S1、数据集分割：将数据集分为训练集、验证集、测试集；
[0008]S2、数据色彩增强：基于数据集将三通道RGB图像数据每个通道的色彩值根据阈值进行调整，以模拟不同环境光情况下的数据，对于不同数量通道色彩的修改设定不同大小的阈值；
[0009]S3、数据形态增强：对数据集进行翻转与平移，减少网络对于位置特征的学习；
[0010]S4、模型构建：模型采用EfficientNet-B7，其初始化参数采用ImageNet参数，减少网络训练训练时间；
[0011]S5、模型训练：将训练数据输入网络，进行迭代训练，待模型损失值不再下降，停止训练，使用验证集进行验证，保证模型已达到最佳识别效果；
[0012]S6、模型评价：使用模型对测试集进行分类预测，之后根据分类结果对模型进行评价。
[0013]所述S1中，将数据集以7：1：2的比例分为训练集、验证集与测试集；所述训练集用于训练模型，所述验证集用于验证模型参数已达最优状态，所述测试集用于测试模型效果。
[0014]所述S2中数据色彩增强的方法为：所述数据集为RGB三通道图像数据，每条数据以D
i
＝{β
R
,β
G
,β
B
}表示D
i
表示第i条数据，β
R
,β
G
,β
B
分别表示R,G,B三个通道的色彩矩阵，对三个通道的色彩系数进行调整以模拟不同光照环境下的数据，在进行数据色彩增强时，对单个通道数据进行调整时，其调整幅度不超过40％，β
′
＝β(1
±
θ)，0＜θ＜40％；对两个通道进行调整时，其调整幅度不超过30％，β
′
＝β(1
±
δ)，0＜δ≤30％；对三个通道同时调整时，其调整幅度不超过20％，β
′
＝β(1
±
φ)，0＜φ≤20％，所述β
′
为调整幅度，所述θ、δ、φ为调整参
数。
[0015]所述S3中对数据集进行翻转与平移的方法为：翻转包括上下翻转与左右翻转，平移方式为沿水平轴与垂直轴10％的平移。
[0016]所述S5中模型训练的方法为：模型验证使用验证集数据再次训练已训练完成的模型，若模型损失无降低，保存模型，若模型损失下降，调整模型参数，继续使用训练集对模型进行训练。
[0017]所述S6中模型评价的方法为：所述模型评价通过模型使用TOP-1准确率与TOP-3准确率进行评价；待模型训练完成后，使用其对测试集数据进行分类识别，根据识别结果进行模型评价。
[0018]本专利技术与现有技术相比，具有的有益效果是：
[0019]本专利技术通过对RGB数据集各通道色彩系数的调整，模拟不同自然情况下的数据，并对数据形态进行改变，对数据集进行了有效的扩充，极大的提升了模型的泛化能力并减少了模型的过拟合，模型训练采用了迁移学习的方法，极大的缩短了模型训练时间。
附图说明
[0020]图1为本专利技术的主要步骤示意图；
[0021]图2为本专利技术的逻辑框图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]一种基于数据增强与深度网络的皮肤病变分割方法，包括下列步骤：
[0024]步骤1、数据集分割：将数据集分为训练集、验证集、测试集；本模型训练使用HAM10000数据集，HAM10000包含了7种类型的皮肤病变(黑素瘤、基底细胞癌、黑素细胞痣、光化性角化病、良性角化病、皮肤纤维瘤、血管病变)，共1015张图像。
[0025]步骤2、数据色彩增强：基于原始数据，将三通道RGB图像数据每个通道的色彩值根据阈值进行调整，以模拟不同环境光情况下的数据，对于不同数量通道色彩的修改设定不同大小的阈值；
[0026]步骤3、数据形态增强：基于原始数据，对其进行翻转与平移，减少网络对于位置特征的学习；
[0027]步骤4、模型构建：皮肤病变分类网络基于EfficientNet-B7构建，初始参数迁移其在ImageNet训练集上的训练参数，以加快训练速度，保证识别性能。
[0028]步骤5、模型训练：将训练数据输入网络，进行迭代训练，待模型损失值不再下降，停止训练，使用验证集进行验证，保证模型已达到最佳识别效果；
[0029]步骤6、模型评价：使用模型对测试集进行分类预测，之后根据分类结果对模型进行评价；
[0030]进一步，步骤1中，将数据集以7：1：2的比例分为训练集、验证集与测试集；训练集
用于训练模型，验证集用于验证模型参数已达最优状态，测试集用于测试模型效果。
[0031]进一步，步骤2中数据色彩增强，所用数据集为RGB三通道图像数据，每条数据以D
i
＝{β
R
,β
G
,β
B
}表示D
i
表示第i条数据，β
R
,β
G
,β
B
分别表示R,G,B三个通道的色彩矩阵。对三个通道的色彩系数进行调整以模拟不同光照环境下的数据。为保证数据合理性，在进行数据色彩增强时，对单个通道数据进行调整时，其调整幅度不超过40％，β
′
＝β(1
±
θ)，0＜θ＜40％；对两个通道进行调整时，其调整幅度不超过30％，β
′
＝β(1
±
δ)，0＜δ≤30％；对三个通道同时调整时，其调整幅度不超过20％，β
′
＝β(1
±
φ)，0＜φ≤20％。对原数据集进行单通道、双通道、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强与深度网络的皮肤病变分割方法，其特征在于：包括下列步骤：S1、数据集分割：将数据集分为训练集、验证集、测试集；S2、数据色彩增强：基于数据集将三通道RGB图像数据每个通道的色彩值根据阈值进行调整，以模拟不同环境光情况下的数据，对于不同数量通道色彩的修改设定不同大小的阈值；S3、数据形态增强：对数据集进行翻转与平移，减少网络对于位置特征的学习；S4、模型构建：模型采用EfficientNet-B7，其初始化参数采用ImageNet参数，减少网络训练训练时间；S5、模型训练：将训练数据输入网络，进行迭代训练，待模型损失值不再下降，停止训练，使用验证集进行验证，保证模型已达到最佳识别效果；S6、模型评价：使用模型对测试集进行分类预测，之后根据分类结果对模型进行评价。2.根据权利要求1所述的一种基于数据增强与深度网络的皮肤病变分割方法，其特征在于：所述S1中，将数据集以7：1：2的比例分为训练集、验证集与测试集；所述训练集用于训练模型，所述验证集用于验证模型参数已达最优状态，所述测试集用于测试模型效果。3.根据权利要求1所述的一种基于数据增强与深度网络的皮肤病变分割方法，其特征在于：所述S2中数据色彩增强的方法为：所述数据集为RGB三通道图像数据，每条数据以D
i
＝{β
R
,β
G
,β
B
}表示D
i
表示第i条数据，β
R<...

【专利技术属性】
技术研发人员：潘晓光，尚方信，宋晓晨，王小华，姚珊珊，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：