CN110399916A - 一种基于图像增强和Inception网络的皮肤癌图像分类方法 - Google Patents
一种基于图像增强和Inception网络的皮肤癌图像分类方法 Download PDFInfo
- Publication number
- CN110399916A CN110399916A CN201910669476.7A CN201910669476A CN110399916A CN 110399916 A CN110399916 A CN 110399916A CN 201910669476 A CN201910669476 A CN 201910669476A CN 110399916 A CN110399916 A CN 110399916A
- Authority
- CN
- China
- Prior art keywords
- added
- layer
- image
- setting
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像增强和Inception网络的皮肤癌图像分类方法,首先读取皮肤癌图片和标签数据,对标签数据进行one‑hot编码,对皮肤癌图像进行归一化处理。再划分训练集、验证集、测试集。然后对图像进行图像增强,接着使用训练集训练基于Inception网络的深度神经网络。当需要识别皮肤癌图像种类时,加载训练好的深度神经网络模型,对数据归一化处理后,训练好的模型对图片进行分类,得到皮肤癌图片的种类。本发明弥补了现有图像分类方法在数据量不够丰富时易过拟合的状况,有效的提高了皮肤癌图像分类的准确性。
Description
技术领域
本发明属于图像分类方法技术领域,特别涉及一种基于图像增强和Inception网络的皮肤癌图像分类方法。
背景技术
图像分类技术在近些年不断发展,且研究方向也不断扩展。由最初的人工筛选特征为主的机器学习到以卷积神经网络(CNN)为主体的深度学习,图像分类算法无论是准确度还是处理能力都有了巨大的发展。医疗行业由于天然具有数据量大、数据大多带标签等优势,与深度学习等新技术相结合更容易。
冯万利,朱全银等人已有的研究基础包括:Wanli Feng.Research of themestatement extraction for chinese literature based on lexicalchain.International Journal of Multimedia and Ubiquitous Engineering,Vol.11,No.6(2016),pp.379-388;Wanli Feng,Ying Li,Shangbing Gao,Yunyang Yan,JianxunXue.A novel flame edge detection algorithm via a novel active contourmodel.International Journal of Hybrid Information Technology,Vol.9,No.9(2016),pp.275-282;刘金岭,冯万利.基于属性依赖关系的模式匹配方法[J].微电子学与计算机,2011,28(12):167-170;刘金岭,冯万利,张亚红.初始化簇类中心和重构标度函数的文本聚类[J].计算机应用研究,2011,28(11):4115-4117;刘金岭,冯万利,张亚红.基于重新标度的中文短信文本聚类方法[J].计算机工程与应用,2012,48(21):146-150.;朱全银,潘禄,刘文儒,等.Web科技新闻分类抽取算法[J].淮阴工学院学报,2015,24(5):18-24;李翔,朱全银.联合聚类和评分矩阵共享的协同过滤推荐[J].计算机科学与探索,2014,8(6):751-759;Quanyin Zhu,Sunqun Cao.ANovel Classifier-independent FeatureSelection Algorithm for Imbalanced Datasets.2009,p:77-82;Quanyin Zhu,YunyangYan,Jin Ding,Jin Qian.The Case Study for Price Extracting of Mobile PhoneSell Online.2011,p:282-285;Quanyin Zhu,Suqun Cao,Pei Zhou,Yunyang Yan,HongZhou.Integrated Price Forecast based on Dichotomy Backfilling and DisturbanceFactor Algorithm.International Review on Computers and Software,2011,Vol.6(6):1089-1093;朱全银,冯万利等人申请、公开与授权的相关专利:冯万利,邵鹤帅,庄军.一种智能冷藏车状态监测无线网络终端装置:CN203616634U[P].2014;朱全银,胡蓉静,何苏群,周培等.一种基于线性插补与自适应滑动窗口的商品价格预测方法.中国专利:ZL2011 1 0423015.5,2015.07.01;朱全银,曹苏群,严云洋,胡蓉静等,一种基于二分数据修补与扰乱因子的商品价格预测方法.中国专利:ZL 2011 1 0422274.6,2013.01.02;李翔,朱全银,胡荣林,周泓.一种基于谱聚类的冷链物流配载智能推荐方法.中国专利公开号:CN105654267A,2016.06.08;朱全银,辛诚,李翔,许康等人,一种基于K-means和LDA双向验证的网络行为习惯聚类方法.中国专利公开号:CN106202480 A,2016.12.07。
Incepetion网络结构:
以往的卷积神经网络结构为纵向结构,Incepetion网络结构除了纵向结构,更主要的是横向结构。其横向结构,采用的不同尺寸的卷积层或池化层和卷积层的结合,最后连接一个卷积滤波器级联。
卷积神经网络:
卷积神经网络的特点是包含有卷积结构,由于卷积结构本质是一种非全连接神经网络,卷积结构比全连接神经网络占用更少的资源。而训练过程又抛弃了无关的神经元,提高了准确度。其三个关键的操作,其一是局部感受野,其二是权值共享,其三是pooling层,有效的减少了网络的参数个数,缓解了模型的过拟合问题。
相关专利:
一种基于深度学习的皮肤癌黑色素瘤的图像识别方法:107909566A,该方法对样本使用扩充技术和防止过拟合,在预处理阶段,加入图像增强,随后进行两个深度卷积神经网络级联,再将在自然图像上预训练出的现成特征迁移学习到识别网络中,最后利用分类器进行分类的预测。该方法神经网络深度低,模型准确度低。基于t-SNE的皮肤癌图像识别可视化模块:107403194A,获取矩阵单元、线性化单元、t-SNE计算单元以及作图单元,获取矩阵单元与线性化单元连接,线性化单元与t-SNE计算单元连接,t-SNE计算单元与作图单元连接,获取矩阵单元用于获取皮肤癌图像识别系统中最后一个卷积层进行卷积后所得并记载在矩阵数据表中的矩阵。该方法仅使用了一层卷积神经网络,获取图片特征不具有说服力。一种皮肤癌种类识别方法、系统、计算机设备和存储介质:109712111A,先使用U-Net分割图像,再使用DenseNet进行图像分类,步骤较繁琐,出现错误排查错误较困难。
发明内容
发明目的:针对上述问题,本发明提供基于一种基于图像增强和Inception网络的皮肤癌图像分类方法,在测试集和训练集上的泛化能力强,能满足皮肤癌图像分类需求。
技术方案:本发明提出一种基于图像增强和Inception网络的皮肤癌图像分类方法,包括如下步骤:
(1)读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理;
(2)搭建单层Inception网络;
(3)搭建基于Inception网络的深度神经网络模型;
(4)使用处理好的图像矩阵和图像标签训练神经网络模型;
(5)训练模型用于皮肤癌图像分类。
进一步的,所述步骤(1)中读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理的具体步骤如下:
(1.1)将图片数据集按4∶1的比例划分训练集x_train和测试集x_test;
(1.2)将数据集归一化处理,设训练集和测试集的平均值分别为x_train_mean和x_test_mean设训练集和测试集的标准差分别为x_train_std和x_test_std,则归一化过程如下:x_train=(x_train-x_train_mean)/x_train_std,x_test=(x_test-x_test_mean)/x_test_std;
(1.3)将测试集和训练集标签进行one-hot编码,得到标签分别为y_train和y_test;
(1.4)将训练集数据再划分为训练集x_train和验证集x_validate两部分,两部分比例为9∶1;
(1.5)使用图像增强将训练集数据进行处理,设置随机放大幅度为0.1,随机水平偏移幅度为0.1,随机竖直偏移幅度为0.1,随机旋转角度为15度。
进一步的,所述步骤(2)中搭建单层Inception网络的具体步骤如下:
(2.1)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该两层结构为branch1x1;
(2.2)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该四层结构为branch3x3;
(2.3)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加两层补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该五层结构为branch3x3x2;
(2.4)添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加最大池化层,设置池化尺寸为3x3,步长为1x1;添加标准化层,设置归一化轴为3;定义该四层结构为branchpool;
(2.5)将branch1x1、branch3x3、branch3x3x2、branchpool结构横向拼接。
进一步的,所述步骤(3)中搭建基于Inception网络的深度神经网络模型的具体步骤如下:
(3.1)定义循环变量为t,并赋初值t=1;
(3.2)当t<=2执行步骤(3.3),否则执行步骤(3.6);
(3.3)添加补零卷积层作为输入层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;
(3.4)添加最大池化层,设置池化尺寸为3x3,步长为2x2;
(3.5)t=t+1;
(3.6)添加Dropout层,设置概率为0.25;
(3.7)定义循环变量为k,并赋初值k=1;
(3.8)当k<=3执行步骤(3.9),否则执行步骤(3.13);
(3.9)添加两个Inception网络;
(3.10)添加最大池化层,设置池化尺寸为3x3步长为2x2;
(3.11)添加Dropout层,设置概率为0.25;
(3.12)k=k+1;
(3.13)添加两个Inception网络;
(3.14)添加平均池化层,设置池化尺寸为3x3步长为2x2;
(3.15)添加Dropout层,设置概率为0.4;
(3.16)添加Flatten层,将多维数据一维化;
(3.17)添加全连接层,设置神经元数量为1000,激活函数为ReLU;
(3.18)添加输出层,设置神经元数量为7,激活函数为softmax。
进一步的,所述步骤(4)中使用处理好的图像矩阵和图像标签训练神经网络模型的具体步骤如下:
(4.1)定义循环变量为j,并赋初值j=1;
(4.2)当j<=400执行步骤(4.3),否则执行步骤(4.10);
(4.3)将图像矩阵分批,每批包含20个处理好的图片,设图像矩阵为Sk;
(4.4)定义循环变量为k,并赋初值k=1;
(4.5)当k<=1015执行步骤(4.6),否则执行步骤(4.2);
(4.6)矩阵Sk经过基于Inception网络的深度神经网络;
(4.7)设经过基于Inception网络的深度神经网络计算的结果矩阵为y’;
(4.8)计算图片真实标签y*和y’之间的损失,更新神经网络连接函数的权值;
(4.9)k=k+20;
(4.10)j=j+1;
(4.11)模型训练完毕。
进一步的,所述步骤(5)中训练模型用于皮肤癌图像分类的具体步骤如下:
(5.1)将图片转化为矩阵,将图片尺寸修改为神经网络输入要求尺寸;
(5.2)将图像矩阵进行归一化处理;
(5.3)将处理好的图片矩阵投入训练好的神经网络中;
(5.4)获得图片的类别。
本发明提出一种先将图片进行图像增强等预处理,再搭建基于Inception网络的深度神经网络并训练,最后实现分类的皮肤癌图像分类的算法。该算法在测试集和训练集上的泛化能力强,能满足皮肤癌图像分类需求。
本发明采用上述技术方案,具有以下有益效果:
本发明弥补了现有图像分类方法在数据量不够丰富时易过拟合的状况,有效的提高了皮肤癌图像分类的准确性。
附图说明
图1为本发明的总体流程图;
图2为具体实施例中图片数据预处理流程图;
图3为具体实施例中搭建单层Inception网络流程图;
图4为具体实施例中训练神经网络模型流程图;
图5为具体实施例中皮肤癌图像类别识别流程图;
图6为具体实施例中训练模型用于皮肤癌图像分类的流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1~5所示,本发明所述的一种基于图像增强和Inception网络的皮肤癌图像分类方法,包括如下步骤:
如图1所示,读取皮肤癌图片和标签数据。对标签数据进行one-hot编码,对皮肤癌图像进行归一化处理,再划分训练集、验证集、测试集,接着使用训练集训练基于Inception网络的深度神经网络,当需要识别皮肤癌图像种类时,加载训练好的深度神经网络模型,对数据归一化处理后,训练好的模型对图片进行分类,得到皮肤癌图片的种类;其中,包括读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理步骤101、搭建单层Inception网络步骤102、搭建基于Inception网络的深度神经网络模型步骤103、使用处理好的图像矩阵和图像标签训练神经网络模型步骤104、训练模型用于皮肤癌图像分类步骤105;
如附图2,读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理步骤步骤101从步骤201到步骤205:
步骤201:将图片数据集按4∶1的比例划分训练集x_train和测试集x_test;
步骤202:将数据集归一化处理,设训练集和测试集的平均值分别为x_train_mean和x_test_mean设训练集和测试集的标准差分别为x_train_std和x_test_std,则归一化过程如下:x_train=(x_train-x_train_mean)/x_train_std,x_test=(x_test-x_test_mean)/x_test_std;
步骤203:将测试集和训练集标签进行one-hot编码,得到标签分别为y_train和y_test;
步骤204:将训练集数据再划分为训练集x_train和验证集x_validate两部分,两部分比例为9∶1;
步骤205:使用图像增强将训练集数据进行处理,设置随机放大幅度为0.1,随机水平偏移幅度为0.1,随机竖直偏移幅度为0.1,随机旋转角度为15度;
如附图3,搭建单层Inception网络步骤102从步骤301到步骤305:
步骤301:添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。定义该两层结构为branch1x1;
步骤302:添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。定义该四层结构为branch3x3;
步骤303:添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。添加两层补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。定义该五层结构为branch3x3x2;
步骤304:添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1。添加标准化层,设置归一化轴为3。添加最大池化层,设置池化尺寸为3x3,步长为1x1。添加标准化层,设置归一化轴为3。定义该四层结构为branchpool;
步骤305:将branch1x1、branch3x3、branch3x3x2、branchpool结构横向拼接。。
如附图4,搭建基于Inception网络的深度神经网络模型步骤103从步骤401到步骤418;
步骤401:定义循环变量为t,并赋初值t=1;
步骤402:当t<=2执行步骤403,否则执行步骤406;
步骤403:添加补零卷积层作为输入层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;
步骤404:添加最大池化层,设置池化尺寸为3x3,步长为2x2;
步骤405:t=t+1;
步骤406:添加Dropout层,设置概率为0.25;
步骤407:定义循环变量为k,并赋初值k=1;
步骤408:当k<=3执行步骤409,否则执行步骤413;
步骤409:添加两个Inception网络;
步骤410:添加最大池化层,设置池化尺寸为3x3步长为2x2;
步骤411:添加Dropout层,设置概率为0.25;
步骤412:k=k+1;
步骤413:添加两个Inception网络;
步骤414:添加平均池化层,设置池化尺寸为3x3步长为2x2;
步骤415:添加Dropout层,设置概率为0.4;
步骤416:添加Flatten层,将多维数据一维化;
步骤417:添加全连接层,设置神经元数量为1000,激活函数为ReLU;
步骤418:添加输出层,设置神经元数量为7,激活函数为softmax;
如附图5,使用处理好的图像矩阵和图像标签训练神经网络模型步骤104从步骤501到步骤504;
步骤501:定义循环变量为j,并赋初值j=1;
步骤502:当j<=400执行步骤503,否则执行步骤510;
步骤503:将图像矩阵分批,每批包含20个处理好的图片,设图像矩阵为Sk;
步骤504:定义循环变量为k,并赋初值k=1。
步骤505:当k<=1015执行步骤506,否则执行步骤502;
步骤506:矩阵Sk经过基于Inception网络的深度神经网络;
步骤507:设经过基于Inception网络的深度神经网络计算的结果矩阵为y’;
步骤508:计算图片真实标签y*和y’之间的损失,更新神经网络连接函数的权值;
步骤509:k=k+20;
步骤510:j=j+1;
步骤511:模型训练完毕;
如附图6,使用处理好的图像矩阵和图像标签训练神经网络模型步骤105从步骤601到步骤603;
步骤601:将图片转化为矩阵,将图片尺寸修改为神经网络输入要求尺寸;
步骤602:将图像矩阵进行归一化处理;
步骤603:将处理好的图片矩阵投入训练好的神经网络中;
步骤604:获得图片的类别;
表1步骤201到205变量表
变量定义 | 变量名称 |
x_train | 训练集 |
x_test | 测试集 |
x_train_mean | 训练集平均值 |
x_test_mean | 测试集平均值 |
x_train_std | 训练集的标准差 |
x_test_std<sub>n</sub> | 测试集的标准差 |
表2步骤301到305变量表
变量定义 | 变量名称 |
branchlx1 | 1x1补零卷积层和标准化层组合结构 |
branch3x3 | 3x3补零卷积层和标准化层组合结构 |
branch3x3x2 | 1x1补零卷积层和两个3x3补零卷积层组合结构 |
branchpool | 3x3最大池化层、标准化层和1x1补零卷积层组合结构 |
表3步骤401到418变量表
变量定义 | 变量名称 |
t | 循环变量 |
k | 循环变量 |
表4步骤501到511变量表
变量定义 | 变量名称 |
j | 循环变量 |
k | 循环变量 |
y’ | 经过基于Inception网络的深度神经网络得到的标签 |
y<sup>*</sup> | 图片真实的标签 |
为了更好的说明本方法的有效性,通过对kaggle平台的skin-cancer-mnist-ham10000数据集进行测试,对比了使用基于图像增强和Inception网络的皮肤癌图像分类方法、仅使用本Inception网络和普通CNN图像分类方法,实验结果表明,基于图像增强和Inception网络的皮肤癌图像分类方法在图像数据量在10000的情况下,种类识别准确度明显高于其它两种方法,也没有出现过拟合情况。
本发明可与计算机系统结合,从而自动完成皮肤癌种类识别。
本发明创造性的提出了一种基于图像增强和Inception网络的皮肤癌图像分类方法,本发明首先读取皮肤癌图片和标签数据。对标签数据进行one-hot编码,对皮肤癌图像进行归一化处理。再划分训练集、验证集、测试集。然后对图像进行图像增强,接着使用训练集训练基于Inception网络的深度神经网络。当需要识别皮肤癌图像种类时,加载训练好的深度神经网络模型,对数据归一化处理后,训练好的模型对图片进行分类,得到皮肤癌图片的种类。
以上所述仅为本发明的实施例子而已,并不用于限制本发明。凡在本发明的原则之内,所作的等同替换,均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。
Claims (6)
1.一种基于图像增强和Inception网络的皮肤癌图像分类方法,其特征在于,包括如下步骤:
(1)读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理;
(2)搭建单层Inception网络;
(3)搭建基于Inception网络的深度神经网络模型;
(4)使用处理好的图像矩阵和图像标签训练神经网络模型;
(5)训练模型用于皮肤癌图像分类。
2.所述步骤(1)中读取皮肤癌图片内容和对应标签,并对图片进行图像增强等预处理的具体步骤如下:
(1.1)将图片数据集按4:1的比例划分训练集x_train和测试集x_test;
(1.2)将数据集归一化处理,设训练集和测试集的平均值分别为x_train_mean和x_test_mean设训练集和测试集的标准差分别为x_train_std和x_test_std,则归一化过程如下:x_train=(x_train-x_train_mean)/x_train_std,x_test=(x_test-x_test_mean)/x_test_std;
(1.3)将测试集和训练集标签进行one-hot编码,得到标签分别为y_train和y_test;
(1.4)将训练集数据再划分为训练集x_train和验证集x_validate两部分,两部分比例为9:1;
(1.5)使用图像增强将训练集数据进行处理,设置随机放大幅度为0.1,随机水平偏移幅度为0.1,随机竖直偏移幅度为0.1,随机旋转角度为15度。
3.所述步骤(2)中搭建单层Inception网络的具体步骤如下:
(2.1)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该两层结构为branch1x1;
(2.2)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该四层结构为branch3x3;
(2.3)添加补零卷积层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加两层补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;定义该五层结构为branch3x3x2;
(2.4)添加补零卷积层,设置卷积核尺寸为3x3,激活函数为ReLU,步长为1x1;添加标准化层,设置归一化轴为3;添加最大池化层,设置池化尺寸为3x3,步长为1x1;添加标准化层,设置归一化轴为3;定义该四层结构为branchpool;
(2.5)将branch1x1、branch3x3、branch3x3x2、branchpool结构横向拼接。
4.所述步骤(3)中搭建基于Inception网络的深度神经网络模型的具体步骤如下:
(3.1)定义循环变量为t,并赋初值t=1;
(3.2)当t<=2执行步骤(3.3),否则执行步骤(3.6);
(3.3)添加补零卷积层作为输入层,设置卷积核尺寸为1x1,激活函数为ReLU,步长为1x1;
(3.4)添加最大池化层,设置池化尺寸为3x3,步长为2x2;
(3.5)t=t+1;
(3.6)添加Dropout层,设置概率为0.25;
(3.7)定义循环变量为k,并赋初值k=1;
(3.8)当k<=3执行步骤(3.9),否则执行步骤(3.13);
(3.9)添加两个Inception网络;
(3.10)添加最大池化层,设置池化尺寸为3x3步长为2x2;
(3.11)添加Dropout层,设置概率为0.25;
(3.12)k=k+1;
(3.13)添加两个Inception网络;
(3.14)添加平均池化层,设置池化尺寸为3x3步长为2x2;
(3.15)添加Dropout层,设置概率为0.4;
(3.16)添加Flatten层,将多维数据一维化;
(3.17)添加全连接层,设置神经元数量为1000,激活函数为ReLU;
(3.18)添加输出层,设置神经元数量为7,激活函数为softmax。
5.所述步骤(4)中使用处理好的图像矩阵和图像标签训练神经网络模型的具体步骤如下:
(4.1)定义循环变量为j,并赋初值j=1;
(4.2)当j<=400执行步骤(4.3),否则执行步骤(4.10);
(4.3)将图像矩阵分批,每批包含20个处理好的图片,设图像矩阵为Sk;
(4.4)定义循环变量为k,并赋初值k=1;
(4.5)当k<=1015执行步骤(4.6),否则执行步骤(4.2);
(4.6)矩阵Sk经过基于Inception网络的深度神经网络;
(4.7)设经过基于Inception网络的深度神经网络计算的结果矩阵为y’;
(4.8)计算图片真实标签y*和y’之间的损失,更新神经网络连接函数的权值;
(4.9)k=k+20;
(4.10)j=j+1;
(4.11)模型训练完毕。
6.所述步骤(5)中训练模型用于皮肤癌图像分类的具体步骤如下:
(5.1)将图片转化为矩阵,将图片尺寸修改为神经网络输入要求尺寸;
(5.2)将图像矩阵进行归一化处理;
(5.3)将处理好的图片矩阵投入训练好的神经网络中;
(5.4)获得图片的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669476.7A CN110399916A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669476.7A CN110399916A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110399916A true CN110399916A (zh) | 2019-11-01 |
Family
ID=68325906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910669476.7A Pending CN110399916A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399916A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832424A (zh) * | 2020-06-22 | 2020-10-27 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN112115943A (zh) * | 2020-09-16 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于深度学习的票据旋转角度检测方法 |
CN112132813A (zh) * | 2020-09-24 | 2020-12-25 | 中国医学科学院生物医学工程研究所 | 基于改进的UNet网络模型的皮肤超声影像分割方法 |
CN112233061A (zh) * | 2020-09-07 | 2021-01-15 | 中国人民解放军海军军医大学第一附属医院 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
CN114140731A (zh) * | 2021-12-08 | 2022-03-04 | 西南交通大学 | 一种牵引变电所异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109524111A (zh) * | 2018-12-06 | 2019-03-26 | 杭州电子科技大学 | 一种应用于手机的七类皮肤肿瘤检测方法 |
WO2019091509A1 (de) * | 2017-11-09 | 2019-05-16 | FotoFinder Systems GmbH | Verfahren zur auswertung des hautbildes eines menschen im rahmen der hautkrebs- vorsorgeuntersuchung sowie vorrichtung zu dessen betrieb |
-
2019
- 2019-07-24 CN CN201910669476.7A patent/CN110399916A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091509A1 (de) * | 2017-11-09 | 2019-05-16 | FotoFinder Systems GmbH | Verfahren zur auswertung des hautbildes eines menschen im rahmen der hautkrebs- vorsorgeuntersuchung sowie vorrichtung zu dessen betrieb |
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109524111A (zh) * | 2018-12-06 | 2019-03-26 | 杭州电子科技大学 | 一种应用于手机的七类皮肤肿瘤检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832424A (zh) * | 2020-06-22 | 2020-10-27 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN111832424B (zh) * | 2020-06-22 | 2023-10-03 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN112233061A (zh) * | 2020-09-07 | 2021-01-15 | 中国人民解放军海军军医大学第一附属医院 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
CN112115943A (zh) * | 2020-09-16 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于深度学习的票据旋转角度检测方法 |
CN112132813A (zh) * | 2020-09-24 | 2020-12-25 | 中国医学科学院生物医学工程研究所 | 基于改进的UNet网络模型的皮肤超声影像分割方法 |
CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
CN112332866B (zh) * | 2020-10-28 | 2024-04-30 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
CN112884001B (zh) * | 2021-01-15 | 2024-03-05 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
CN114140731A (zh) * | 2021-12-08 | 2022-03-04 | 西南交通大学 | 一种牵引变电所异常检测方法 |
CN114140731B (zh) * | 2021-12-08 | 2023-04-25 | 西南交通大学 | 一种牵引变电所异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399916A (zh) | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 | |
Li et al. | Partial discharge recognition with a multi-resolution convolutional neural network | |
He et al. | A bearing fault diagnosis method based on wavelet packet transform and convolutional neural network optimized by simulated annealing algorithm | |
Zheng et al. | Insulator-defect detection algorithm based on improved YOLOv7 | |
Fu et al. | Rolling bearing fault diagnosis based on 2D time-frequency images and data augmentation technique | |
CN105224937B (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
Wang et al. | Partial discharge pattern recognition of gas-insulated switchgear via a light-scale convolutional neural network | |
CN109472784A (zh) | 基于级联全卷积网络病理图像有丝分裂细胞的识别方法 | |
Yang et al. | Fault diagnosis of electric motors using deep learning algorithms and its application: A review | |
Balzategui et al. | Anomaly detection and automatic labeling for solar cell quality inspection based on generative adversarial network | |
Li et al. | Adversarial domain adaptation of asymmetric mapping with CORAL alignment for intelligent fault diagnosis | |
CN109002492A (zh) | 一种基于LightGBM的绩点预测方法 | |
CN109034370A (zh) | 一种基于特征映射剪枝的卷积神经网络精简方法 | |
Li et al. | Deep domain adaptation with adversarial idea and coral alignment for transfer fault diagnosis of rolling bearing | |
Ning et al. | Conditional generative adversarial networks based on the principle of homologycontinuity for face aging | |
Zhao et al. | Image quality assessment based on complementary local feature extraction and quantification | |
Zhu et al. | A survey on objective evaluation of image sharpness | |
Bai et al. | Research on diesel engine fault diagnosis method based on stacked sparse autoencoder and support vector machine | |
CN114913379A (zh) | 基于多任务动态对比学习的遥感图像小样本场景分类方法 | |
Wang et al. | An image recognition method for coal gangue based on ASGS-CWOA and BP neural network | |
Farady et al. | Hierarchical Image Transformation and Multi-Level Features for Anomaly Defect Detection | |
Chi et al. | Damage location diagnosis of frame structure based on wavelet denoising and convolution neural network implanted with Inception module and LSTM | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |