【摘 要】针对皮肤镜图像数量不充足以及各类疾病之间影像数据不平衡的问题,提出一种融合类加权交叉熵损失函数和分层卷积神经网络的皮肤镜图像分类方法。首先对皮肤镜图像进行色彩恒常化处理,消除环境光源噪声;然后构建基于ResNet 50的分层卷积神经网络,并在迁移学习的基础上分别构建二分类和多分类卷积神经网络模型,根据皮肤镜图像的数量特点设置类加权交叉熵损失函数。实验结果表明,该方法具有较好的分类效果,分类准确率达到了85.94%,与未改进的分类模型ResNet 50相比,测试准确率提高了5.752%。
【关键词】ResNet50 ; 皮肤镜图像分类 ; 分层卷积神经网络 ; 过拟合
1 引言
皮肤病(也称皮肤色素性病变或者色素性皮肤病)是人类非常常见、高发的疾病之一,每天有数千万人受其困扰,其诊断大多采用专业的皮肤镜设备。皮肤镜成像是一种非侵入式的(相比于组织活检)成像技术,可以获取皮肤局部区域放大的、光照较好的图像,同时消除皮肤表面反射,增强皮肤病变斑块的成像清晰度。相比于传统的视觉诊断,这种皮肤镜的诊断方式可以大大提高准确率。
随着皮肤镜诊断方式的普及,皮肤镜图像数据猛增。现阶段依靠紧缺的皮肤科医生通过人工筛查皮肤镜图像来诊断疾病的方式耗时长、任务繁重、较为主观。皮肤镜的使用者需要具有一定的操作和临床经验,才能获得较好的效果。而据统计,我国皮肤科医生缺口已经达几十万名,并且皮肤病类型较多,若没有专业知识的指导,患者很难做出初步自我诊断。因此针对皮肤镜图像分类算法的研究迫在眉睫。
在计算机技术发展的早期出现了很多关于皮肤镜图像分类的方法,然而这些方法往往通过人工干涉来提取图像病变区域中的纹理、色彩和轮廓等特征,然后通过提取到的