论文总字数：26913字

摘 要

近年来，机器学习，特别是深度学习，已经逐步成为一个最流行最有利的图像识别工具。卷积神经网络（Convolutional Neural Network）作为一种主流的方法已经被证明是生成高准确度图像识别模型的最好方法，本文阐述如何把这种方法应用到现实的皮肤病检测中。皮肤病通常是通过医生对病人的临床检测被确诊的，受地域资源和时间成本的局限，为了解决这方面问题，本文应用训练CNN的方法，将用不同相机捕获的皮肤疾病图像分为23个类别。之后，再将这个程序编写成为一个移动端应用，移植到移动端。一方面，患者用户可以得到AI算法提供的诊断以及医生提供的诊断及建议；另一方面，医生用户可以在线诊断病人，并追踪病例发展，也可以与其他医生会诊讨论，接触到更多的病例。与此同时，训练该网络的数据库，可以通过收集更多医生的诊断结果来训练参数，以提高诊断准确率。

通过在测试数据集上的运行结果，已经接近临床诊断的结果，最后的性能满足移植到移动端应用的要求，运行时间也可以缩短到一秒之内。

关键词：深度学习，皮肤病，卷积神经网络

Abstract

In recent years, machine learning, especially deep learning, has been gradually applied as one of the most popular and advantageous image recognition tools. Convolution Neural Network as a mainstream method has been proved to be the best way to generate high accuracy image recognition model. This paper takes the application of this method to the realize skin detection. Dermatosis is usually diagnosed by clinical examination of the patient, subject to the limitations of geographical resources and time costs. To solve this problem, a CNN algorithm with large data set training is applied to classify the skin disease images captured by different cameras into 23 categories. After that, the program is written as a mobile app. On the one hand, patient users can get the diagnosis provided by AI algorithm and the diagnosis, as well the suggestions provided by the doctor. On the other hand, doctors can diagnose patients online, track development of each case, and discuss with other doctors. At the same time, the database that trains the network can be trained by collecting more doctors' diagnostic results to improve diagnostic accuracy.

Through the test results on data sets, the accuracy is close to the results of the clinical diagnosis and the final performance meets the requirements of transplantation to the mobile terminal applications, and running time can shorten to one second.

KEY WORDS: Deep Learning, Dermatosis, Convolutional Neural Network

目录

摘要 I

Abstract II

第一章 绪 论 2

1.1 绪论结构 2

1.2 研究背景 2

1.3 研究概述 2

1.4 研究关键组成部分 4

1.5 文章结构 4

第二章 相关工作和理论基础 5

2.1 相关工作 5

2.2 理论背景 5

第三章 算法设计和实现 8

3.1 算法系统背景 8

3.2 算法定义 8

3.3 初步算法设计 11

3.3.1 主要思想 11

3.3.2 主要方法 12

3.3.3 数据结构 14

3.4 详细算法设计 15

第四章 算法的分析和评价 17

第五章 应用程序的设计和实现 18

致谢 22

参考文献 23

附录 25

程序代码 25

绪 论

绪论结构

为了介绍深度卷积神经网络的背景和情况，本章将按以下顺序组织内容。首先，将简要介绍研究背景，指出要解决的问题和研究的目标。其次，本文将通过国内外的情况来阐述和比较目前解决这一问题的方法。在此基础上，继续阐述该研究的关键组成部分，包括问题、方法和意义。本部分的最后一部分将介绍整篇文章的结构。

研究背景

本文研究课题的目的，是为了解决皮肤病临床诊断的地域资源限制和时间成本局限，设计自动诊断皮肤疾病的系统，病通过深度学习图像分类的方法，实现该问题的优化。

全球调查显示,有近五分之一的人，有至少一种皮肤疾病，其中有良性也有恶性。皮肤癌是人类常见的恶性肿瘤，美国每年有540万皮肤癌病例，甚至五分之一的美国人曾被诊断出皮肤恶性肿瘤。其中，虽然黑色素瘤占所有皮肤癌的不到5％，但它们约占所有皮肤癌死亡人数的75％，仅在美国，黑色素瘤每年就会导致超过10,000人死亡。尽早发现黑色素瘤对于患者存活率是非常重要的，如果患者被成功检测到早期黑素瘤，那么5年内存活率将会上升大约14％。

皮肤病学是比较依赖形态学特征的学科；皮肤病诊断由最初的望诊，发展到放大镜和显微镜辅助诊断，再到近年来数字影像学技术和智能分析。目前，以皮肤镜、皮肤超声、皮肤 CT 为代表的皮肤影像技术已成为临床皮肤病诊断的重要工具。皮肤镜对黑色素瘤有很多的诊断方法，包括 ABCD 法、模式识别法、七点检测法、三点检测法、CASH 法等，这些方法，指导我们对提取出来的特征进行分析。根据临床特征可以初步进行皮肤癌的筛查，再用活组织病理检查对皮肤恶性肿瘤进行分类以及治疗方法的选择，此外，利用人工智能（AI）诊断的方法，可以使患者能够主动跟踪皮肤病发展，并尽早发现和预防癌症。

由于皮肤疾病的普遍性,移动应用与皮肤病诊断功能的结合，很大程度上帮助患者解决医生资源紧缺，预防恶恶性肿瘤和尽早发现控制病情。另外，对于各地区医生资源的不均匀分配问题，在线诊断疾病并获得建议更有益于皮肤病的控制。

剩余内容已隐藏，请支付后下载全文，论文总字数：26913字