皮膚疾病種類繁多,但許多疾病外觀相似,顏色相似,尤其是色素性皮膚疾病,通常類間差異細(xì)微且類內(nèi)差異大。普通人想要辨認(rèn)出其不同子類的可能性不大,而依靠領(lǐng)域?qū)＜矣炙俣嚷胰肆Τ杀靖?所以這種細(xì)粒度圖像分類任務(wù)相比傳統(tǒng)的大尺度圖像分類任務(wù)更難也更值得研究。卷積神經(jīng)網(wǎng)絡(luò)模型在大尺度圖像分類任務(wù)中表現(xiàn)優(yōu)異,但在細(xì)粒度分類中的應(yīng)用還需要進(jìn)一步研究,需要針對(duì)特定的數(shù)據(jù)集訓(xùn)練特定的模型。與此同時(shí),移動(dòng)設(shè)備普及,移動(dòng)端應(yīng)用發(fā)展迅速,如何與深度學(xué)習(xí)技術(shù)有效結(jié)合,是一個(gè)新的嘗試。本文以ISIC 2018色素性皮膚疾病數(shù)據(jù)集中的皮膚鏡圖像作為研究對(duì)象,開發(fā)了一款基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的移動(dòng)端色素性皮膚疾病分類系統(tǒng)。首先,對(duì)VGG-16、Inception V3、Res Net-50、Xception、Mobile Net V1、Mobile Net V2等幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析,使用K折分層交叉驗(yàn)證模型訓(xùn)練評(píng)估方法,從網(wǎng)絡(luò)模型參數(shù)量、分類準(zhǔn)確率、敏感度和F1-score等角度進(jìn)行評(píng)估,選取參數(shù)量小、準(zhǔn)確率、精度和F1-score值等性能值也合適的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)Mobile Net V2作為本文的... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)皮膚疾病識(shí)別分類現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域研究現(xiàn)狀
        1.2.3 卷積神經(jīng)網(wǎng)絡(luò)在皮膚疾病分類中的研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容
第2章 色素性皮膚疾病分類卷積神經(jīng)網(wǎng)絡(luò)選型
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 損失函數(shù)
        2.1.3 Softmax分類器
    2.2 卷積神經(jīng)網(wǎng)絡(luò)模型選擇
        2.2.1 VGG-16
        2.2.2 Inception V3
        2.2.3 Res Net-50
        2.2.4 Xception
        2.2.5 MobileNetV1
        2.2.6 MobileNetV2
    2.3 K折分層交叉驗(yàn)證
    2.4 實(shí)驗(yàn)結(jié)果
        2.4.1 皮膚疾病數(shù)據(jù)集
        2.4.2 評(píng)價(jià)指標(biāo)
        2.4.3 直接訓(xùn)練各網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果
    2.5 本章小結(jié)
第3章 基于改進(jìn)MobileNetV2 的色素性皮膚疾病分類模型
    3.1 數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)
        3.1.1 數(shù)據(jù)增強(qiáng)
        3.1.2 基于遷移學(xué)習(xí)的改進(jìn)MobileNetV2 分類模型
    3.2 數(shù)據(jù)不均衡處理
        3.2.1 數(shù)據(jù)集角度
        3.2.2 算法角度
    3.3 改進(jìn)Focal Loss損失函數(shù)解決數(shù)據(jù)不均衡
    3.4 實(shí)驗(yàn)結(jié)果
        3.4.1 基于數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)的改進(jìn)MobileNetV2 分類結(jié)果
        3.4.2 基于改進(jìn)Focalloss損失函數(shù)實(shí)驗(yàn)結(jié)果
        3.4.3 改進(jìn)損失函數(shù)超參數(shù)選取實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 Android端色素性皮膚疾病分類模型的實(shí)現(xiàn)
    4.1 Android平臺(tái)介紹
    4.2 Android上實(shí)現(xiàn)皮膚疾病分類
    4.3 應(yīng)用開發(fā)工具
    4.4 開發(fā)環(huán)境搭建
    4.5 功能模塊設(shè)計(jì)
        4.5.1 界面模塊
        4.5.2 數(shù)據(jù)庫模塊
        4.5.3 相冊(cè)/拍照模塊
        4.5.4 模型調(diào)用模塊
    4.6 實(shí)驗(yàn)結(jié)果
        4.6.1 實(shí)驗(yàn)環(huán)境
        4.6.2 系統(tǒng)功能測(cè)試
        4.6.3 識(shí)別結(jié)果展示
    4.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及獲得成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]隨機(jī)森林算法研究綜述[J]. 呂紅燕,馮倩.  河北省科學(xué)院學(xué)報(bào). 2019(03)
[2]基于深層卷積殘差網(wǎng)絡(luò)集成的黑色素瘤分類方法[J]. 胡海根,孔祥勇,周乾偉,管秋,陳勝勇.  計(jì)算機(jī)科學(xué). 2019(05)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的色素性皮膚病識(shí)別分類[J]. 何雪英,韓忠義,魏本征.  計(jì)算機(jī)應(yīng)用. 2018(11)
[4]“Al+醫(yī)療”人工智能的下一個(gè)風(fēng)口?[J]. 丁毓.  上海信息化. 2017(03)
[5]基于多模態(tài)3D-CNNs特征提取的MRI腦腫瘤分割方法[J]. 羅蔓,黃靖,楊豐.  科學(xué)技術(shù)與工程. 2014(31)
[6]基于國人皮膚鏡黑素細(xì)胞腫瘤圖像的智能化分類與識(shí)別研究[J]. 孟如松,孟曉,姜志國,謝鳳英,劉瑋,羅衛(wèi),郭廣進(jìn),蔡瑞康.  中國體視學(xué)與圖像分析. 2012(03)
[7]神經(jīng)網(wǎng)絡(luò)技術(shù)及其在醫(yī)學(xué)圖像處理中的應(yīng)用[J]. 李清夢(mèng),聶生東.  中國醫(yī)學(xué)影像技術(shù). 2011(06)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的特定場景下人臉識(shí)別研究[D]. 彭鑫.西安理工大學(xué) 2019
[2]黑色素瘤圖像特征提取算法研究[D]. 胡言廣.電子科技大學(xué) 2015



本文編號(hào)：3155999