基于深层卷积残差网络集成的黑色素瘤分类方法

作     者：胡海根 孔祥勇 周乾伟 管秋 陈胜勇 HU Hai-gen;KONG Xiang-yong;ZHOU Qian-wei;GUAN Qiu;CHEN Sheng-yong

作者机构：浙江工业大学计算机科学与技术学院杭州310024 天津理工大学计算机科学与工程学院天津300384 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2019年第46卷第5期

页      面：247-253页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：浙江省自然科学基金(LY18F030025) 国家自然科学基金(61802347 U1509207 31640053) 中国微系统技术重点实验室基金(6142804010203)资助 

主　　题：黑色素瘤 数据增强 卷积残差网络 集成学习 

摘      要：针对黑色素瘤分类识别任务中存在对比度低、肉眼难以区分、信息干扰大、数据量偏少以及数据不均衡等诸多问题,文中提出了一种基于掩盖的数据增强与深度卷积残差网络相结合的集成分类方法。首先根据皮肤病图像的特点,在前人数据增强研究的基础上,提出了两种基于掩盖训练图像部分区域的数据增强方式;其次以这两种数据增强方式为基础,采用深度卷积残差50层(ResNet-50)网络进行特征提取;然后以提取到的特征来构建两个具有一定差异性的分类结构模型,并对其进行集成;最后以国际皮肤影像协作组织(ISIC)2016挑战赛所公布的皮肤病图像数据集为对象,通过一系列实验对提出的方法进行了验证测试。实验结果表明,所提出的集成分类结构模型能弥补单一卷积残差网络在黑色素瘤分类任务中的缺陷,该模型能够在训练样本较少的皮肤病数据集上取得较好的分类结果,多项评估指标均优于ISIC2016挑战赛的前5名。