CNN解決皮膚病分類問題

來自（未來的科技）煉丹小白師的專案，希望大家喜歡！

前言

提示：這里可以添加本文要記錄的大概內容：
例如：隨著人工智能的不斷發展，機器學習這門技術也越來越重要，很多人都開啟了學習機器學習，本文就介紹了機器學習的基礎內容，

提示：以下是本篇文章正文內容，下面案例可供參考

一、題目描述

皮膚作為人體免疫系統的第一道防線，對人體疾病防護有著非常重要的作用，現如今社會，由于環境，飲食等問題，皮膚病的發病率逐漸增高，病種也越來越多，目前已知的皮膚病有四千多種，而黑色素瘤、基底細胞癌等癌癥腫瘤類是惡性程度最高、發病率增長最快的，相比于其他物體瘤，其致死年齡更低，缺乏特效治療，因此，早期診斷和治療極其重要，所以當下皮膚檢測技術越來越受社會關注，然而，正確診斷一種皮膚病具有挑戰性，由于皮膚科專家的不同經驗，用皮膚病鏡像圖片鑒別的皮膚病可能是不準確的，在實踐程序中，專家通過對黑色素瘤皮膚病鏡像圖片的診斷準確率達到75%到84%之間，但是由于診斷具有嚴重的主觀性，不同的專家差異可能很大，導致專家診斷具有一定的局限性，
要求：
1、實作典型皮膚病識別，可根據采集的圖片選擇哪些典型的皮膚病綱入識別范圍，識別結果中應包含正常類別，
2、須包含圖片的預處理，并給出預處理操作對識別結果的影響分析，
3、要采用至少三種深度學習模型進行識別，其中至少一種為近5年提出的方法，識別準確率應高于85%，
4、要設計充分的實驗，例如模型引數的選擇、模型的魯棒性、各模型之間的對比、資料集的比較、模型對特殊圖片（模糊、暗光、臟污等）的識別效果等，并對結果進行詳細的分析，

二、資料庫

1. 公開資料集：kaggle競賽平臺提供Datasets,Skin Cancer: Malignant vs. Benign

每類資料樣本數不同采用20%的部分作為測驗，

2. 公開資料集：專案使用了阿里云天池資料集，該資料集包含ISIC 2019挑戰賽的訓練資料，它已經包含了前幾年（2018和2017）的資料，ISIC 2019的資料集包含25,331張影像，可用于對9種不同診斷類別中的皮膚鏡影像進行分類，每類資料樣本數不同采用20%的部分作為測驗，

沖鴨：——> 資料集傳送門

三、任務建模

本次任務建立一個用于分類皮膚病資料的模型，并以此為基礎去實作皮膚病種類識別，本次任務分為四個部分：

1.資料預處理部分

對于圖片精確獲取ROI區域，對比10類皮膚病樣本特征，我們本打算對其做影像級特征分析，經過前期分析，我們得到幾個強特征，如病變區域邊緣及內容，而強干擾特征如：毛發資訊等，
綜上所述，我們提出了一種采用ostu閾值自動分割的方法將毛發噪聲磨平，并借此將病變特征強化，并更強化深度學習模型，

2.模型選擇部分

我們的方法采用先易后難，采用FCNN、Faster-CNN、YOLO-v5深度學習模型作為基礎模型，首先檢驗效果，我負責FCNN的架構和訓練，效果訓練的準確率近乎于60%，不合于當前效果，故后期做了提升，

3.模型訓練部分

我們采用GPU機器進行訓練
采用的GPU型號如下：
NVIDIA Geforce RTX1050Ti
NVIDIA Geforce RTX2080Ti
NVIDIA Geforce RTX3080Ti
NVIDIA Geforce RTX3090Ti
隨著型號顯卡的升級，我們的訓練時間也相應縮短，從而提供給我們優化的基礎，

4.模型優化部分

模型優化我們采用增加一層帶權重的block層，從而大幅度降低梯度，更改預處理部分并且增強圖片內容特征，根據網路內部結構，從而使模型更為注意病變區域，從而將準確率提高了10%，前一階段的過擬合問題也得到了解決，

四、評價指標

Time 單批次運行時間
ACC 準確率
Val_accuracy 測驗集準確率
Loss 損失函式
Val_Loss 測驗集損失函式

五、實驗程序和討論分析

詳細架構如下：
采用Relu作為激活函式，防止出現梯度下降的情況，ReLu函式的改進就是它使得保證深層梯度傳遞到淺度，
采用Adam作為優化器，目的在于Adam在深度學習領域是一種很受歡迎的演算法，因為它能很快取得好的成果，實證結果表明：在實踐中，Adam的作業表現良好，并優于其他隨機優化方法，在原論文中，通過實證證明了該方法的收斂性滿足了理論分析的期望，Adam采用了邏輯回歸演算法，利用大型模型和資料集，Adam可以有效地解決實際的深度學習問題，邊緣特征和內容特征將在第一層之中得到Dropout收斂，并在flatten層壓縮特征，在dense層進行分類，

Adam 迭代公式程序如下：

分類結果如下：

根據trainacc與testacc的結果與train-loss與test-loss出現的結果，由此證明前期階段出現過擬合，故提出來改進方案，一個是提高準確率的方法，第二是削弱前期的過擬合問題，
基于OSTU閾值自動分割后，將訓練資料圖片分離三通道并減去OSTU閾值再合并，使圖片的特征更為明顯，由此增強了深度學習模型學習病變內容的特征學習效率，

          	原圖										

預處理后圖片

改進預處理部分的訓練效果如下：

2 基于ResNet-50分類

輸入同上，前期加載預訓練模型，池化層定義為平均池化，ResNet-50，數字代表的是網路的深度，50指定的是帶有權重的50層，包括卷積層和全連接層，不包括池化層和BN層，ResNet及其變體網路系列，對于一般的影像識別任務表現優異，要根據具體在皮膚病特征資訊，進行具體網路結構改進，如增加權重，更改激活函式等，但是考慮到梯度問題，而且對于訓練Resnet網路自身前期訓練就可以的到結果，[1]采用的resnet50方法及應用領域，在皮膚特征上也可使用，
Loss函式數學公式：

訓練效果如下：
在這里插入圖片描述

六、總結

1 Resnet50使用心得

梯度彌散（當使用反向傳播方法計算導數的時候，隨著網路的深度的增加，反向傳播的梯度（從輸出層到網路的最初幾層）的幅度值會急劇地減小，結果就造成了整體的損失函式相對于最初幾層的權重的導數非常小，這樣，當使用梯度下降法的時候，最初幾層的權重變化非常緩慢，以至于它們不能夠從樣本中進行有效的學習)和梯度爆炸（差梯度在網路訓練時被用來得到網路引數更新的方向和幅度，進而在正確的方向上以合適的幅度更新網路引數，在深層網路或遞回神經網路中，誤差梯度在更新中累積得到一個非常大的梯度，這樣的梯度會大幅度更新網路引數，進而導致網路不穩定，在極端情況下，權重的值變得特別大，以至于結果會溢位（NaN值，無窮與非數值），當梯度爆炸發生時，網路層之間反復乘以大于1.0的梯度值使得梯度值成倍增長），這兩點常常困擾著卷積神經網路的設計者和使用者，也成為人們不得不思考的問題，但是所幸的是，一些網路的出現很好的解決了這些問題，Resnet就有效的解決了這個問題，Resnet的提出目的并不是為了解決梯度彌散，有效的消除梯度彌散（意外識訓），卷積神經網路（CNN），導致depth隨著層數增加，就出現了學習退化的問題，

2 FCNN的使用心得

配合學習[4]的方法，啟發了我對傳統FCN的改進方法，對于傳統的CNN網路在卷積層后使用全連接層得到固定長度的特征向量進行分類（全連接層+SoftMax輸出）不同，FCNN網路可以接受任意尺寸的輸入影像，采用反卷積層對最后一個卷積層的feature map進行上采樣，使它恢復到與輸入影像想通的尺寸，從而可以對每個像素都產生了一個預測，同時保留了原始輸入影像的空間資訊，最后在上采樣的特征圖上進行逐像素分類，最后逐個像素計算softmax分類的損失，相當于每一個像素對應一個訓練樣本，

七、參考文獻

[1]宋京，段惠斌 . 基于改進卷積神經網路的手勢識別 [J]. 物聯網技 術，2020，10（7）：26-27.
[2] KRIZHEVSKY A，SUTSKEVER I，HINTON G. Imagenet classification with deep convolutional neural networks [J]. Advances in neural information processing systems，2012，25（2）.
[3] SIMONYAN K,ZISSERMAN A. Very deep convolutional networks for large-scale image recognition

歡迎大家學習交流，附上小白師的QQ

看到這里的您，為您準備了一顆大彩蛋

最近在Kaggle上打比賽，這是傳感器壓力預測的相關特征的展示圖！
采用樹模型分析的哦！詳細教程很快就和大家見面了！！！！！