基于部分迁移学习的皮肤病图像分类

作者：陈明海; 贺建峰^*

来源：生物医学工程与临床, 2022, 26(03): 272-277.

DOI：10.13339/j.cnki.sglc.20220421.002

• 图像分类
• 部分迁移学习
• 选择性对抗网络
• 皮肤病

目的 皮肤病医生采用计算机辅助诊断系统对皮肤病进行诊断时，由于不同皮肤病彩色图像有着极强的相似性，导致皮肤病诊断的准确度不高。为了提高对皮肤病诊断的准确度，提出一种基于部分迁移学习的皮肤病图像分类算法。方法 实验采用的数据集是由国际皮肤成像协会（ISIC）提供的ISIC2018和ISIC2019数据集。ISIC2018数据集光化角化病（AKIEC）图像327幅，良性角化病（BKL）图像1 099幅，基底细胞癌（BCC）图像514幅，皮肤纤维瘤（DF）图像115幅，黑色素瘤（MEL）图像1 113幅，黑色素细胞痣（NV）图像6 705幅，血管病变（VASC）图像142幅，鳞状细胞癌（SCC）图像0幅，合计10 015幅。ISIC2019数据集AKIEC图像867幅，BKL图像2 624幅，BCC图像3 323幅，DF图像239幅，MEL图像4 522幅，NV图像12 875幅，VASC图像253幅，SCC图像628幅，合计25 331幅。通过选出仅存于源域中的数据样本类别，使其不参与迁移，只迁移源域中和目标域共有的数据样本类别，从而减少了负迁移的发生，同时通过最大化匹配源域和目标域共有的标签空间，促进了正向迁移。结果 在ISIC2018数据集上对该算法进行测试，其精确度、灵敏度、特异度和准确度的结果分别是99.24%、97.73%、99.56%、97.32%。混淆矩阵中可以清楚地看出每一类图像的分类结果。结论 从实验结果可以看出，部分迁移学习算法在降低负迁移的效果上优于传统的迁移学习算法。

• 单位
  自动化学院; 昆明理工大学