基于迁移学习的改进EfficientNet网络的皮肤病分类研究

针对目前皮肤病辅助分类技术所应用的网络模型参数量大、分类准确率不高的问题,提出了一种基于迁移学习的改进EfficientNet皮肤病分类方法。该方法应用迁移学习思想对轻量级深度卷积神经网络EfficientNet进行改进,具体包括添加全局平均池化层、冻结不同层数等对模型进行微调,形成TL-EfficientNet网络。实验结果表明,TL-EfficientNetB0在经类别权重预处理后的ISIC2018皮肤病数据集上的准确率达到85.07%,Macro_P达到0.82,网络参数只有4.49 M,适合部署到移动端。

融合动态数据增强与MACA的皮肤病分类方法

针对皮肤病数据集类别不平衡和类间样本相似度高导致不易区分的问题,提出了一种融合动态数据增强与MACA-MobileNet-V2的皮肤病分类方法。首先,设计了一种动态数据增强方法,根据模型表现情况动态地进行数据增强,更充分利用数据集中各类别已有信息,以减小类别不平衡带来的影响;其次,在坐标注意力的基础上提出了多尺度聚合坐标注意力,结合注意力搭建的网络(MACA-MobileNet-V2)可以捕获多尺度远程依赖信息;最后,引入Focal Loss函数和部分参数迁移学习,进一步优化模型。所提方法在皮肤病公开数据集八分类任务中平均准确率、精确度、召回率分别提高5.6%,6%,5%,减小了皮肤病数据集不平衡与类间样本相似度高给分类带来的影响。

基于DSception模块和注意力机制的皮肤病分类识别

为了解决皮肤病图像数据集类内差异大、类间差异小、样本数据集小而带来的过拟合问题,提出基于DSception模块和SE模块的轻量型模型。模型选择ResNet50作为基底结构,用DSception模块代替深度残差网络中的卷积池化层,有效地减少模型训练参数,降低时间复杂度,增加了网络的宽度;利用SE模块代替残差网络中的瓶颈结构,减少训练参数的同时,对图像通道维度重标定,强化特征图重要信息,抑制无用信息。实验表明所提模型准确率达到93.3%,对皮肤病的诊断分类有明显的效果。

评《国际皮肤病分类与名称》出版发行

在马振友等医师的精心组织下，经过世界卫生组织（WHO）疾病分类合作中心病案专家和国内外中医、西医、中西医结合数十位皮肤病学专家历时8年的共同努力、密切合作和辛勤工作，《国际皮肤病分类与名称》终于在2007年出版发行，这部200万字的巨著是该书作者们集体智慧的结晶。

规范使用国际和中国皮肤病分类编码及名称

目的规范皮肤病分类和名称。方法回顾国际皮肤病分类历史,中国执行皮肤病分类状况,中国皮肤病名称的现状及存在的问题。结果中国与国际皮肤病分类接轨,皮肤科医师没有参与,中国皮肤病名称有待规范。结论皮肤科医师必须学习国际皮肤病分类,皮肤病名称必须规范统一。

基于SAE框架的皮肤病变图像生成与分类

针对现有算法对于皮肤病变数据集形态复杂、各类样本不平衡导致分类精度低、特征提取能力不强等问题,提出了一种基于皮肤病变图像的风格对抗生成网络与设计的ECA-ConvNext分类网络结合的皮肤病变图像生成分类方法(SL-style-GAN2 and ECA-ConvNeXt Frame,SAE)。首先,对风格对抗生成网络中对生成器重新设计,并且对判别器部分进行重构,使判别器可以同时为生成器提供局部和全局信息,从而生成更好的样本图片以供后续分类模型得到更好的效果。之后选用ConvNeXt-T为分类基础网络,设计了深层特征提取模块(Deep information extraction module,DIEM)使通道和权值之间直接联系,提高网络特征提取能力,从而提高模型精度。最后,在ISIC 2018数据集上进行实验,实验结果表明,分类准确率达到94.0%,比原始ConvNeXt提高了4.5%。

基于深度卷积神经网络的色素性皮肤病识别分类

针对当前皮肤病识别分类面临的两个主要问题:一是由于皮肤病种类繁多,病灶外观的类间相似度高和类内差异化大,尤其是色素性皮肤病,使得皮肤病的识别分类比较困难;二是皮肤病识别算法模型设计存在一定的局限性,识别率还有待进一步提高。为此,以VGG19模型为基础架构,训练了一个结构化的深度卷积神经网络(CNN),实现了色素性皮肤病的自动分类。首先,采用数据增强(裁剪、翻转、镜像)对数据进行预处理;其次,将在Image Net上预训练好的模型,迁移至增强后的数据集进行调优训练,训练过程中通过设置Softmax损失函数的权重,增加少数类判别错误的损失,来缓解数据集中存在的类别不平衡问题,提高模型的识别率。实验采用深度学习框架Py Torch,在数据集ISIC2017上进行。实验结果表明,该方法的识别率和敏感性可分别达到71.34%、70.01%,相比未设置损失函数的权重时分别提高了2.84、11.68个百分点,说明该方法是一种有效的皮肤病识别分类方法。

深度卷积神经网络在皮肤病图像分类中的应用

图像分类识别技术在当今社会中的应用非常普遍,涉及工业、农业、医疗、军事、交通等各个方面。而深度卷积神经网络在近年来被证明在图像分类识别中表现优秀,本文就深度卷积神经网络在皮肤病图像分类中的应用进行研究和分析,选取两种较为流行的深度卷积神经网络算法对皮肤病图像进行分类实验,分析比较实验结果。

基于改进ResNet50的皮肤病变图像分类

为解决皮肤科医生人工识别皮肤癌过程中存在效率低、劳动强度大等问题,提出一种皮肤病变图像分类模型DS-ResNet50。该模型在ResNet50(深度残差网络)的基础上进行改进:设计了双尺度空洞卷积模块,通过级联不同空洞率的深度卷积核提取不同尺度的特征信息并进行融合;引入轻量型注意力模块SimAM,使模型更好地聚焦主体目标提炼关键特征。选用Focal Loss函数,调节损失权重,使模型更关注难分类样本,提高对难分类样本的分类准确率。DS-ResNet50模型在ISIC2017数据集上的分类准确率比ResNet50模型提升了0.88%,验证了此模型的有效性。

皮肤病名称辨析

介绍WHO国际疾病分类、国际皮肤病分类及中华人民共和国国家标准和审定皮肤病名称以及相关名称的规范和使用,对病与症、角化病与角化症、脱发与秃发、缺乏与缺陷等病名的应用提出见解,对若干WHO和国家名词提出修订意见。

宁洱县10500人次皮肤病患者情况分析

目的了解宁洱县(2015~2017)年3年内皮肤病流行情况,为皮肤病治疗策略制定提供依据。方法通过皮肤科每日诊治患者病种人次统计分析。结果3年内共诊治各类皮肤病10500人次,其中湿疹皮炎类2670人次,荨麻疹类1196人次,真菌性皮炎1113人次,三类疾病占所诊治皮肤病人次的47.42%。结论宁洱县医院皮肤科应以上述三类疾病为主,应加强落实相应诊治措施。

基于深度残差网络的皮肤癌黑色素瘤识别

作为皮肤癌黑色素瘤主要检查手段的皮肤镜图像存在显著性低、类内差异大和样本数据量少等问题,难以采用传统算法实现高准确的识别。深度学习算法引入皮肤癌症检测,提出了一种基于深度残差网络的黑色素瘤识别算法。该算法通过构建深度残差网络提取皮肤镜图像的高维特征,使用残差学习防止网络梯度退化、降低网络训练的难度,实现了黑色素瘤的有效识别。相关仿真实验结果表明:所提出的基于深度残差网络的黑色素瘤识别算法性能明显优于基于卷积神经网络传统的算法,具有更高的准确性、敏感性、特异性和鲁棒性。