通过深度学习技术处理皮肤癌医学影像进行癌症检测.docxVIP

通过深度学习技术处理皮肤癌医学影像进行癌症检测 摘要将神经网络深度学习算法应用于皮肤癌医学影像领域，使用DenseNet密连卷积神经网络模型并通过大量皮肤癌医学影像数据集对网络模型进行训练后得到具有皮肤癌识别能力的网络模型。研究实验结果表明，DenseNet密连卷积神经网络模型对皮肤癌医学影像数据分析能力较强，识别精度较高,能够高效快捷地对各类皮肤癌进行识别分析。 关键词DenseNet,皮肤癌，深度学习,卷积神经网络引言 深度学习卷积神经网络在计算机视觉领域当中作为主流的图像识别方法，出现了许多优秀的卷积神经网络模型，并在计算机视觉的各个领域取得了一定的成功。而DenseNet模型通过建立前面所有层与后面层的短路连接结构(Shortcuts)，实现了图像特征在Channel上的特征重用(Featurereuse)，使其拥有相较于其他神经网络模型更好的模型性能。 DenseNet密连网络模型2.1模型概述 DenseNet通过密连结构大大减少了每层网络的参数计算量，因此减轻了模型进行反向传播时梯度消失情况。该结构还使得图像特征能够重复利用，增强了不同层之间的信息的传递效率，保证了特征信息传递性。同时,DenseNet对各层之前的每一次输入进行的级联(Concatenation)与整合操作(Transformation)使得反向传播过程和误差校正项能更好地找到参数来源并调整参数。其模型结构以式(1)简化表示:作为输入，为连续操作的组合函数，其中第层将以式(1)方式产生输出。 (1)2.2DenseNet模型结构 DenseNet首先使用大小为7x7的卷积(Conv)与卷积步长长度为2的的大尺度卷积操作对输入图像进行卷积，然后再使用3x3的卷积(Conv),步长为2的最大池化。随后是密连块和整合操作的交替连结，最后连接一个含有7x7的全局平均池化层和含有1000个神经元的全连接层和softmax的分类层。 DenseNet中的稠密连接机制(密连结构)在一个稠密块(DenseBlock)中完成，当此过程结束后，稠密块中的所有层产生的特征图在通道数维度上进行合并，接着通过过渡层传输到下一个稠密块。DenseBlock中使用批量正则化(BN)和(ReLU)线性整流单元，并拥有一个3x3卷积(Conv)结构，之后均输出个特征图，即得到的特征图的通道个数为。若输入层的特征图的通道数为，那么通过密连结构可以得知层输入的通道个数为个。由于DenseNet特征重用的特性会使得DenseBlock的输入的参数数量会随着层数的增加而增加，因此DenseBlock中的内部采用瓶颈层(Bottlenecklayer)来减少计算量，即在每个DenseBlock的3x3卷积操作前都会进行一个1X1的卷积操作。这种组合结构称为DenseNet-B结构，它降低了特征数量，解决了较深层输入量剧增所带来的计算量过大所导致的梯度消失等问题。 而Transition层则连接两个相邻的密连块(DenseBlock),主要为了减少特征图的大小。Transition层同样使用批标准化(BN)和ReLU激活函数并包含一个1x1大小的卷积(Conv)和2x2的平均池化操作。 3.实验结果与分析 本实验选择DenseNet-121模型作为主要研究模型,并使用来源于Kaggle数据科学开源网站当中的HAM10000-SKIN皮肤癌医学影像数据集对DenseNet密连神经网络模型进行训练、验证、测试。 3.1数据集 本实验所使用到的数据集包含7种皮肤癌类别(黑色素瘤,基底细胞癌,鲍恩病，黑素细胞痣，皮肤纤维瘤，血管病变,良性角化病样病变)医学影像共10010张，本研究以6:2:2比例将原始数据集分割成训练集、验证集、测试集。 3.2实验设置 本实验统一使用Tensorflow机器学习库进行模型的搭建、训练、验证、测试。研究使用计算机配置:TU104-450GPU处理器，内存为16GB。采用的优化器是支持动量和学习率衰减的SGD(StochasticGradientDescent)梯度下降算法,初始学习率为0.001,动量参数为0.90,学习衰减率为1x10-6，迭代次数为15次(epoch),模型的批量大小BS(BatchSize)为16,图像输入大小统一为224x224大小的标准图像,颜色通道数为3,并将常用的数据增强方法引入训练集。并对所有影像进行不同角度的翻转,并对影像尺寸进行随机缩放、对称处理、裁剪。 3实验结果 从准确率折线图1当中可以看出训练早期阶段的epoch当中模型收敛速度较快，在后期epoch过程中，验证集准确率呈持平趋势。随着迭代次数的增加，若在验证集上误差呈上升趋势，终止训练(Earlystopping,ES),以防止模型过拟合，经过13轮迭代后在验证集上的最佳分