论文部分内容阅读
随着计算机的普及,计算机辅助系统被应用到各个领域,给人们带来极大便利。得益于计算资源的丰富以及各种数据的积累,深度学习展现出优越的性能,在很多领域取得突出成果。计算机辅助诊断系统是近年来研究的一个热点,本文主要研究基于图像的皮肤病辅助诊断系统。本文研究了以随机森林算法为基础的皮肤病辅助诊断系统,通过提取图像特征,进而进行皮肤病图像分类,文中对特征组合及决策树数目选择做了一定的探索。为了免去选择特征的麻烦,同时也可以提高模型表现,本文研究了基于残差网络ResNet的皮肤病辅助诊断系统,并通过对比实验展示了预训练模型对网络表现的大幅度提高。为了进一步提升深度网络的性能,本文提出了一种网络集成的框架,命名为Channel-ResNet。它利用合适的图像预处理,通过多个通道的网络集成,可以达到优于简单集成的效果。本文在皮肤镜图像和皮表照片图像两种数据上进行实验。在皮肤镜图像数据的实验中,涉及疾病包括黑色素瘤、黑色素痣、脂溢性角化病,采用的评价标准是“是否黑色素瘤”的AUC值和“是否脂溢性角化病”的AUC值的平均值。此问题中,随机森林算法可以实现AUC平均值0.7333,预训练ResNet可以达到0.8714,而我们的集成框架Channel-ResNet可以达到0.9168。在皮表照片数据的实验中,涉及疾病包括婴儿湿疹、婴儿热疹、幼儿急疹、幼儿水痘,采用的评价标准是四分类的准确率。此问题中,随机森林算法可以实现准确率63.2%,预训练ResNet可以达到79.2%,而Channel-ResNet可以达到83.2%。我们提出的网络集成框架对结果有明显提升。