摘要
黑色素瘤的早期诊断对提高患者的五年生存率至关重要.针对临床上使用皮肤镜检查黑色素瘤费时、费力的问题,提出一种基于迁移学习和改进的ResNet50模型的黑色素瘤分类模型MC-Net(Melanoma Classification-Net).首先,为了降低数据集样本分布不均匀以及毛发遮挡信息带来的影响,进行数据增强;对ResNet50的输入主干重新进行了设计,用常规卷积和深度可分离卷积的组合代替原来的7×7大卷积核;对残差块进行了优化,使用GELU函数替代ReLU函数,并将特征相加后的激活层移到残差块内部,同时去除了部分BN层和激活层;向网络中添加CA注意力机制,使得网络更加关注目标的关键信息,从而抑制其他无用信息;结合迁移学习,利用在ImageNet上预训练权重初始化网络并在数据集上进行微调训练,得到最终黑色素瘤分类模型.实验结果表明,所改进的结构对模型性能提升具有显著效果,MC-Net模型在准确率和F1指标上达到94.87％和95.01％,经过迁移学习得到的最终分类模型在数据集上进行测试,获得了95.4％的准确率和95.6％的F1值,均优于其他网络.
国家科技期刊平台
NSTL
维普
万方数据