基于改进CapsNet的色素性皮肤病识别的研究-AET-电子技术应用

基于改进CapsNet的色素性皮肤病识别的研究

2020年电子技术应用第11期

李励泽，张晨洁，杨晓慧，孙文斌，郭滨

长春理工大学电子信息工程学院，吉林长春130022

摘要： 皮肤病是医学上的常见的、多发性疾病，因此皮肤检测技术越来越受关注。卷积神经网络是常见的皮肤检测方法，其模型结构会丢失很多信息。CapsNet(胶囊网络)是在卷积神经网络之后的一种新的神经网络。CapsNet的矢量化特征能够较好地表达空间关联性，每一个capsule(胶囊)独立地服务各自的任务。分析了CapsNet的基本结构和主要算法，改进了网络模型从而避免过拟合现象发生，试图基于改进CapsNet针对预处理之后的皮肤图像进行识别，并与传统卷积神经网络的模型作对比。实验结果表明，使用改进CapsNet对色素性皮肤病进行识别可以有较好的识别效果，并且准确率比传统方法高出8%～10%。

关键词： 色素性皮肤病皮肤图像识别神经网络胶囊网络

中图分类号： TN98；TP391.4
文献标识码： A
DOI：10.16157/j.issn.0258-7998.200121
中文引用格式： 李励泽，张晨洁，杨晓慧，等. 基于改进CapsNet的色素性皮肤病识别的研究[J].电子技术应用，2020，46(11)：60-64.
英文引用格式： Li Lize，Zhang Chenjie，Yang Xiaohui，et al. Pigmented skin lesion recognition based on improved CapsNet[J]. Application of Electronic Technique，2020，46(11)：60-64.

Pigmented skin lesion recognition based on improved CapsNet

Li Lize，Zhang Chenjie，Yang Xiaohui，Sun Wenbin，Guo Bin

School of Electronics and Information Engineering, Changchun University of Science and Technology，Changchun 130022，China

Abstract： Dermatosis is a common and multiple disease in medicine, so skin detection technology has attracted more and more attention. Convolutional neural network is a common skin detection method, and its model structure will lose a lot of information. CapsNet is a new kind of neural network after convolutional neural network. The vectorization of CapsNet can better express the spatial relevance, with each capsule serving its own mission independently. This paper analyzed the basic structure and main algorithm of CapsNet, the network model was improved to avoid over fitting, and tried to identify the pre-processed skin image based on improved CapsNet, and compared it with the model of traditional convolutional neural network. Experimental results show that improved CapsNet can be used to identify pigmented skin diseases with good effect, and the accuracy is about 8～10 percent higher than the traditional method.

Key words : pigmented skin lesion；skin image recognition；neural network；CapsNet

0 引言

皮肤在身体上属于最大的器官，是对身体的第一层保护。据相关调查报告显示，存在与皮肤相关的身体健康问题的人类在全世界占据了30%～70%^[1]。色素性皮肤病的形成是因为黑素和黑素细胞出现异常，皮肤的颜色变化与病灶的而改变息息相关，因此识别难度较大。自从1987年对色素性皮肤病的分类研究^[2]出现之后，陆续出现了大量的皮肤病图像诊断技术的研究成果^[3-4]。在文献[5]的算法研究中，首先将图像进行预处理，然后将利用卷积神经网络提取出的人脸特征进行训练、分类。文献[6]利用深度卷积神经网络和支持向量机对皮肤图像进行分类和识别。文献[7]利用卷积网络的VGG16模型，采取3种不同的方法来实现皮肤镜二分法，其结果显著提升。在皮肤病诊断领域的算法研究较为复杂，而且国外的研究要比国内相对较多，如何用简单的算法结构完成精确的识别是皮肤病检测研究的主要问题。

在进行人脸图像检测时，传统的卷积神经网络只要能够检测出耳朵、眼睛、鼻子、嘴巴便认作为人的面部，此方式忽略了这些实例的空间位置信息，可能会导致一定的识别错误。目前CapsNet技术已经比较成熟，其应用也比较广泛。文献[8]中应用CapsNet在手语识别领域已经达到了令人满意的准确率。LI Y等人使用CapsNet识别无人飞行器拍摄的水稻图像，既可以预防害虫与疾病，又能实时观察水稻^[9]。AFSHAR Y等人采用CapsNet对在脑部的NMR中的脑肿瘤类型进行了分类研究，其预测精度比传统方法更高^[10]。文献[11]将CapsNet用于指静脉识别算法中，最终得到的精确度比VGG方法高出了13.6%。本文将使用胶囊网络对皮肤图像进行处理，减少算法叠加的重复性，为人脸皮肤图像处理领域打开新的大门，为后续的皮肤病诊断工作提供良好的基础。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003052

作者信息：

李励泽，张晨洁，杨晓慧，孙文斌，郭滨

(长春理工大学电子信息工程学院，吉林长春130022)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容