隨著人類生活環(huán)境的不斷變化,皮膚病的種類也出現(xiàn)了多種變異。當(dāng)前,皮膚病理學(xué)診療方式基本上以傳統(tǒng)的臨床視覺判別為主,這中檢查方式的準(zhǔn)確度很大程度上依賴于皮膚科專家的從醫(yī)經(jīng)驗(yàn)。由于皮膚組織損傷外觀的細(xì)粒度變化,使用圖像識別對皮膚組織損傷進(jìn)行自動分類識別是一項(xiàng)艱巨的任務(wù)。隨著在深度學(xué)習(xí)方面的進(jìn)一步研究,深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network,DCNN）表現(xiàn)出在對大量細(xì)粒度對象進(jìn)行類別分類和特征向量判別中執(zhí)行一般任務(wù)和變化差異較大任務(wù)方面的優(yōu)勢,并將其應(yīng)用在生物醫(yī)療工程領(lǐng)域里面的醫(yī)學(xué)影像研究中變得越來越重要。構(gòu)建一個(gè)專門針對皮膚科疾病圖像自動分類識別的深度學(xué)習(xí)網(wǎng)絡(luò)模型并將其應(yīng)用在精準(zhǔn)醫(yī)療的計(jì)算機(jī)輔助判別系統(tǒng)中,從而間接地幫助了皮膚科醫(yī)生對皮膚組織細(xì)胞損傷問題的提前預(yù)估和對癥用藥具有重要的意義。本論文主要研究的重點(diǎn)是利用遷移學(xué)習(xí)的方法構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對色素性皮膚病圖像的自動分類識別,以及色素性皮膚病移動設(shè)備端的輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。通過對這兩個(gè)關(guān)鍵部分的深入研究,首先,利用Java文件流的相關(guān)編碼方式對原始皮膚鏡像數(shù)據(jù)集ISIC201... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

ReLu函數(shù)圖

安徽大學(xué)碩士學(xué)位論文23第三章基于遷移學(xué)習(xí)的色素性皮膚病圖像的分類識別3.1深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建流程遷移學(xué)習(xí)是開發(fā)深度神經(jīng)網(wǎng)絡(luò)應(yīng)用程序的重要方法之一。與深度神經(jīng)網(wǎng)絡(luò)模型的重新設(shè)計(jì)和構(gòu)建相比，遷移學(xué)習(xí)能夠更好地應(yīng)用于樣本數(shù)據(jù)量不是很大的數(shù)據(jù)集，并且能夠在更短的期限內(nèi)快速訓(xùn)練出完美的深度卷積神經(jīng)網(wǎng)絡(luò)模型。遷移學(xué)習(xí)方法使用訓(xùn)練有素的Inception-V3預(yù)先訓(xùn)練過的深度卷積神經(jīng)網(wǎng)絡(luò)模型，并把它作為用于學(xué)習(xí)新目標(biāo)任務(wù)的起始點(diǎn)。預(yù)先訓(xùn)練過的深度卷積神經(jīng)網(wǎng)絡(luò)模型是已經(jīng)被在數(shù)百萬張圖像上接受了訓(xùn)練，并學(xué)習(xí)了各種圖像數(shù)據(jù)的抽象特征向量[52]。遷移學(xué)習(xí)方法可微調(diào)深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)，使之能夠在未知任務(wù)上適應(yīng)自主學(xué)習(xí)。與通過隨機(jī)從零初始化權(quán)重來訓(xùn)練網(wǎng)絡(luò)模型相比，這通常更快，更容易，并且允許計(jì)算機(jī)快速將使用少量訓(xùn)練圖像學(xué)習(xí)到的功能轉(zhuǎn)移到新任務(wù)中。使訓(xùn)練網(wǎng)絡(luò)模型的時(shí)間和計(jì)算資源大大減少。遷移學(xué)習(xí)已成為一種流行的深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法并被廣泛使用，其具體的網(wǎng)絡(luò)模型構(gòu)建流程步驟如下：（1）加載預(yù)先訓(xùn)練過的深度卷積神經(jīng)網(wǎng)絡(luò)模型。選擇那些與新任務(wù)類似的預(yù)先訓(xùn)練過的相關(guān)神經(jīng)網(wǎng)絡(luò)模型。TensorFlow的深度學(xué)習(xí)工具可以調(diào)用多種預(yù)先訓(xùn)練過的深度卷積神經(jīng)網(wǎng)絡(luò)模型，本論文研究使用ImageNet預(yù)先訓(xùn)練過的Inception-V3網(wǎng)絡(luò)模型作為遷移學(xué)習(xí)的起始點(diǎn)。可以從官網(wǎng)上下載開源的Inception-V3模型，模型的主要文件格式如圖3.1所示。圖3.1Inception-V3模型主要文件格式其中classify_image_graph_def.pb文件是已經(jīng)被預(yù)先訓(xùn)練過的Inception-V3深度卷積神經(jīng)網(wǎng)絡(luò)模型；imagenet_synset_to_human_label_map.txt文件為能夠分類識別的類別文件，其中共包含了2萬多種的類別，主要內(nèi)容如圖3.2所示。

第三章基于遷移學(xué)習(xí)的色素性皮膚病圖像的分類識別24圖3.2Inception-V3模型分類識別的類別部分內(nèi)容文件（2）替換新任務(wù)的分類層�？梢愿鶕�(jù)圖像識別的任務(wù)不同和目標(biāo)數(shù)據(jù)集的大小情況選擇對卷積層的參數(shù)進(jìn)行微調(diào)，當(dāng)擁有的數(shù)據(jù)庫容量越大時(shí)，可進(jìn)行微調(diào)的層數(shù)選擇性就越大，因?yàn)檩^少的數(shù)據(jù)庫容量在對層數(shù)進(jìn)行微調(diào)時(shí)可能會導(dǎo)致網(wǎng)絡(luò)模型的過度配置。本論文研究利用Inception-V3作為已經(jīng)訓(xùn)練好的模型，移出網(wǎng)絡(luò)的最終分類層（SoftMax），并將全連接層初始化成與目標(biāo)數(shù)據(jù)集中的種類數(shù)量相同，對深度卷積神經(jīng)網(wǎng)絡(luò)模型的倒數(shù)第二層——瓶頸層（Bottlenecks）進(jìn)行訓(xùn)練，這樣僅需要幾千張圖像和普通中央處理器（CPU）就能夠完成對網(wǎng)絡(luò)模型的訓(xùn)練，而且重訓(xùn)練出來的模型精確度也不低。（3）在新任務(wù)的數(shù)據(jù)集上對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練。實(shí)驗(yàn)基于這種替換后的深度神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型，利用新的數(shù)據(jù)集進(jìn)行訓(xùn)練。能夠發(fā)現(xiàn)全連接運(yùn)算層和分類識別輸出層的類別種類標(biāo)簽及數(shù)量都發(fā)生了改變，進(jìn)而生成新的神經(jīng)網(wǎng)絡(luò)模型。3.2網(wǎng)絡(luò)模型的評價(jià)指標(biāo)為了更好地評估遷移學(xué)習(xí)方法訓(xùn)練后生成的深度卷積神經(jīng)網(wǎng)絡(luò)模型的性能情況，本論文研究采用總體準(zhǔn)確率（Accuracy）和交叉熵?fù)p失函數(shù)（CrossEntropyCostFunction）來對神經(jīng)網(wǎng)絡(luò)模型的測試標(biāo)準(zhǔn)[53]。3.2.1總體準(zhǔn)確率總體準(zhǔn)確率代表能夠被卷積神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確分類識別的樣本數(shù)據(jù)集容量占整個(gè)的樣本數(shù)據(jù)集容量的比例，具體的表達(dá)式如公式(3.1)所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于SpringBoot+SSM框架的Web應(yīng)用系統(tǒng)搭建與實(shí)現(xiàn)[J]. 朱運(yùn)喬.  電腦編程技巧與維護(hù). 2019(10)
[2]基于深度學(xué)習(xí)的人工智能胸部CT肺結(jié)節(jié)檢測效能評估[J]. 李欣菱,郭芳芳,周振,張番棟,王卿,彭志君,蘇大同,范亞光,王穎.  中國肺癌雜志. 2019(06)
[3]基于Inception-v3模型的蛇類圖像識別[J]. 張皓洋.  電子技術(shù)與軟件工程. 2019(10)
[4]基于TensorFlow平臺的卷積神經(jīng)網(wǎng)絡(luò)對OMR識別問題研究[J]. 鞠云霞,王希常,陳祥喜,鄭偉.  無線互聯(lián)科技. 2019(04)
[5]精準(zhǔn)醫(yī)療趨勢下健康管理系統(tǒng)的研究與設(shè)計(jì)[J]. 周正宇.  甘肅科技. 2019(01)
[6]基于深度學(xué)習(xí)的癌癥計(jì)算機(jī)輔助分類診斷研究進(jìn)展[J]. 肖煥輝,袁程朗,馮仕庭,羅宴吉,黃炳升.  國際醫(yī)學(xué)放射學(xué)雜志. 2019(01)
[7]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識別[J]. 龍滿生,歐陽春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞涂片的病變細(xì)胞分類[J]. 胡卉,蔡金清.  軟件工程. 2018(08)
[10]基于深度學(xué)習(xí)的醫(yī)學(xué)計(jì)算機(jī)輔助檢測方法研究[J]. 陶攀,付忠良,朱鍇,王莉莉.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(03)

博士論文
[1]基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究[D]. 程波.南京航空航天大學(xué) 2015

碩士論文
[1]TensorFlow平臺目標(biāo)檢測模型的設(shè)計(jì)與實(shí)現(xiàn)[D]. 韓卓.北京郵電大學(xué) 2019
[2]基于遷移學(xué)習(xí)的女性癌癥醫(yī)療圖像識別應(yīng)用研究[D]. 胡卉.天津工業(yè)大學(xué) 2019
[3]基于遷移學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測方法研究[D]. 趙玥.東北財(cái)經(jīng)大學(xué) 2018
[4]卷積神經(jīng)網(wǎng)絡(luò)在糖網(wǎng)病眼底圖像分類中的應(yīng)用研究[D]. 熊彪.深圳大學(xué) 2017
[5]基于B/S架構(gòu)的健康管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 禹蒙蒙.鄭州大學(xué) 2017
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像肺結(jié)節(jié)檢測方法研究[D]. 朱國策.江南大學(xué) 2017
[7]基于深度學(xué)習(xí)的海量高分辨率遙感圖片的識別與分類[D]. 李帥.陜西師范大學(xué) 2017
[8]基于深度學(xué)習(xí)的人臉識別算法[D]. 龍海強(qiáng).廣東工業(yè)大學(xué) 2016
[9]色素性皮膚病圖像的特征提取與識別[D]. 宋帥領(lǐng).電子科技大學(xué) 2016
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]. 葉浪.東南大學(xué) 2015



本文編號：3352036