基于分层卷积神经网络的皮肤镜图像分类方法

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ResNet50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%。