基于改进密集卷积网络的皮肤肿瘤分类方法

皮肤癌是人类最常见的癌症之一，其诊断受医生个人主观影响较大。而现有的神经网络皮肤癌诊断研究，大多停留在图像层面，没有考虑患者的临床数据，为了进一步提高皮肤癌诊断的准确率，提出一种融合皮肤肿瘤临床患者元数据的密集卷积网络实现皮肤肿瘤的分类模型。首先把DenseNet-169在ImageNTrained immunityet数据集上的预训练GSK126采购模型在皮肤癌数据集上进行调参训练，并提取图像隐含的高层次特征；其次引入MetaNet模块，通过元数据来控制DensAZD1152-HQPA浓度eNet-169网络的每个特征通道的特定部分，从而获得加权特征；与此同时引入MetaBlock模块，利用元数据来增强从图像中提取出的特征，即根据元数据信息引导图像选择最相关的特征输出；最后通过降维、扩张等操作，将MetaNet和MetaBlock两个模块的特征融合构建MD-Layer（MetaData Layer），输入分类器，获得分类结果。实验结果表明，融合该模块的DenseNet-169网络模型在平衡准确率指标上达到81.4%，诊断正确率相较于已有工作的精度提升约8%～15.6%，并且解决了少数皮肤肿瘤类别诊断精度不高的问题。