基于Inception深度残差网络的皮肤黑色素癌图像分类算法

摘要：

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点, 采用深度残差网络可以有效解决训练过程中过拟合问题, 提高识别准确率. 但是深度残差网络模型的训练参数多, 时间复杂度高. 为了提高训练效率, 提高识别准确率, 首先从理论上分析了深度残差网络模型的结构, 通过修改网络结构, 利用Inception结构代替残差网络中的卷积层、池化层, 减少模型的训练参数数量, 降低时间复杂度. 在此基础上, 提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network, IDRN), 用Inception结构代替残差网络中的卷积池化层, 用SeLU激活函数代替传统的ReLU函数. 之后, 在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证. 理论和实验表明, 与传统的卷积神经网络ResNet50相比, 本文提出的新的分类算法降低了时间复杂度, 提高了识别准确率.

关键词：深度残差网络、Inception结构、SeLU激活函数、医疗影像识别、皮肤黑色素癌分类

所属期刊栏目：30

分类号：TP391.41;TP181;TN957.52

资助基金：河北省重点研发计划19210105D

在线出版日期：2021-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：142-149