本發(fā)明涉及深度學(xué)習(xí)領(lǐng)域，具體涉及一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法。

背景技術(shù)：

1、皮膚病是全球范圍內(nèi)常見(jiàn)的健康問(wèn)題，及時(shí)、準(zhǔn)確的診斷對(duì)患者的治療和康復(fù)至關(guān)重要。然而，皮膚病灶的圖像樣本通常較少，特別是在某些罕見(jiàn)皮膚病的情況下，獲取大量高質(zhì)量的圖像樣本非常困難。此外，皮膚病灶不同類別之間的樣本數(shù)量分布不均衡，給分類方法的訓(xùn)練和性能帶來(lái)了很大挑戰(zhàn)，容易導(dǎo)致分類模型對(duì)少數(shù)類樣本的識(shí)別能力不足。

2、目前，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類任務(wù)中取得了顯著的效果，并被廣泛應(yīng)用于皮膚病灶圖像的分類中。然而，現(xiàn)有的許多卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜，參數(shù)量大，計(jì)算資源需求高。這種過(guò)大的模型雖然能夠在一定程度上提高分類精度，但同時(shí)也顯著增加了計(jì)算成本和時(shí)間開(kāi)銷。為了應(yīng)對(duì)這些問(wèn)題，輕量化卷積神經(jīng)網(wǎng)絡(luò)逐漸成為研究的熱點(diǎn)。輕量化模型通過(guò)減少參數(shù)量和計(jì)算量，能夠在有限的硬件資源下運(yùn)行，降低了醫(yī)療檢查的成本。然而，輕量化模型在減少計(jì)算資源消耗的同時(shí)，往往伴隨著分類精度的下降，尤其是在處理皮膚病灶樣本少且類別不平衡的數(shù)據(jù)集時(shí)，輕量化模型的表現(xiàn)難以達(dá)到實(shí)際應(yīng)用的要求。

3、針對(duì)此類問(wèn)題，本發(fā)明提出了一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，用于皮膚病灶圖像的分類任務(wù)當(dāng)中。該方法能夠在保持較低計(jì)算復(fù)雜度的前提下，提高分類的精度和魯棒性，具有較高的實(shí)用價(jià)值和推廣前景。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有方法存在的問(wèn)題和不足，本發(fā)明所要解決的技術(shù)問(wèn)題是：提供一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，在保持較低計(jì)算復(fù)雜度的同時(shí)，提高輕量化模型分類準(zhǔn)確度，確保了皮膚病灶圖像分類結(jié)果的可靠性和準(zhǔn)確性。

2、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用以下技術(shù)方案：一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，包含以下步驟：

3、步驟1，給定皮膚病灶數(shù)據(jù)集，數(shù)據(jù)集包括訓(xùn)練集、驗(yàn)證集和測(cè)試集，設(shè)定集成迭代訓(xùn)練次數(shù)t，初始化訓(xùn)練集的樣本權(quán)重參數(shù)；

4、步驟2，使用折交叉驗(yàn)證方法將訓(xùn)練集進(jìn)行折劃分，依次選取1個(gè)子數(shù)據(jù)集為折交叉驗(yàn)證子驗(yàn)證集，其余個(gè)子數(shù)據(jù)集為折交叉驗(yàn)證子訓(xùn)練集，獲得個(gè)子訓(xùn)練集和子驗(yàn)證集組合；

5、步驟3，通過(guò)折交叉驗(yàn)證方法，訓(xùn)練個(gè)輕量化卷積神經(jīng)網(wǎng)絡(luò)模型；

6、步驟4，選取在驗(yàn)證集上分類準(zhǔn)確率最高的模型，調(diào)整其折交叉驗(yàn)證子驗(yàn)證集的樣本權(quán)重；

7、步驟5，將經(jīng)過(guò)權(quán)重調(diào)整的折交叉驗(yàn)證子驗(yàn)證集與其余折子訓(xùn)練集進(jìn)行合并與亂序，構(gòu)建新訓(xùn)練集；

8、步驟6，重復(fù)步驟2~5，直至達(dá)到迭代訓(xùn)練次數(shù)，根據(jù)基學(xué)習(xí)器在驗(yàn)證集上的準(zhǔn)確率，從次迭代訓(xùn)練中選取在驗(yàn)證集上分類準(zhǔn)確率最優(yōu)的基學(xué)習(xí)器，通過(guò)加權(quán)和獲得最終的強(qiáng)學(xué)習(xí)器。

9、進(jìn)一步的，在步驟1中，還包括：

10、給定訓(xùn)練集：

11、

12、其中表示樣本，表示類標(biāo)簽，初始時(shí)，每個(gè)樣本的權(quán)重均等：

13、

14、其中。

15、進(jìn)一步的，在步驟3中，還包括：

16、輕量化卷積神經(jīng)網(wǎng)絡(luò)模型為ghostnet、shufflenetv2和mobilenetv3-large；

17、在每次迭代訓(xùn)練的折交叉驗(yàn)證過(guò)程中，從ghostnet、shufflenetv2和mobilenetv3-large當(dāng)中選取一種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型訓(xùn)練，在一次迭代完成后得到個(gè)獨(dú)立訓(xùn)練的模型。

18、進(jìn)一步的，在步驟4中，還包括：

19、折交叉驗(yàn)證子數(shù)據(jù)集樣本權(quán)重的調(diào)整，具體步驟為：

20、s1：在第輪集成迭代訓(xùn)練的個(gè)模型中，選取在驗(yàn)證集上的分類準(zhǔn)確率最高的模型作為第輪迭代學(xué)習(xí)的最優(yōu)基學(xué)習(xí)器；

21、s2：計(jì)算上述最優(yōu)基學(xué)習(xí)器在其折交叉驗(yàn)證子驗(yàn)證集上的加權(quán)分類誤差：

22、

23、其中，是指示函數(shù)，當(dāng)時(shí)，返回1，否則返回0；

24、s3：根據(jù)加權(quán)分類誤差計(jì)算該最優(yōu)基學(xué)習(xí)器的權(quán)重：

25、

26、其中表示最優(yōu)基學(xué)習(xí)器在強(qiáng)學(xué)習(xí)器中的權(quán)重；

27、s4：更新樣本權(quán)重，更新公式為：

28、

29、為保持權(quán)重的歸一化，對(duì)進(jìn)行歸一化處理：

30、

31、進(jìn)一步的，在步驟6中，還包括：

32、強(qiáng)學(xué)習(xí)器是所有迭代訓(xùn)練中最優(yōu)基學(xué)習(xí)器的加權(quán)和：

33、

34、其中是第次迭代訓(xùn)練中最優(yōu)基學(xué)習(xí)器的權(quán)重，是第次迭代訓(xùn)練中的最優(yōu)基學(xué)習(xí)器。

技術(shù)特征：

1.一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，其特征在于：

2.根據(jù)權(quán)利要求1所述的一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，其特征在于：在步驟1中，給定訓(xùn)練集,其中表示樣本，表示類標(biāo)簽，初始時(shí)，每個(gè)樣本的權(quán)重均等：

3.根據(jù)權(quán)利要求1所述的一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，其特征在于：步驟3中的輕量化卷積神經(jīng)網(wǎng)絡(luò)模型為ghostnet、shufflenetv2和mobilenetv3-large。

4.根據(jù)權(quán)利要求1所述的一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，其特征在于：步驟4中的交叉驗(yàn)證子數(shù)據(jù)集樣本權(quán)重的調(diào)整步驟為：

5.根據(jù)權(quán)利要求1所述的一種改進(jìn)adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，其特征在于：步驟6中的強(qiáng)學(xué)習(xí)器是所有迭代訓(xùn)練中最優(yōu)基學(xué)習(xí)器的加權(quán)和：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種改進(jìn)Adaboost與輕量化卷積神經(jīng)網(wǎng)絡(luò)的皮膚病灶分類方法，旨在皮膚病灶圖像樣本數(shù)量有限、樣本類別比例不平衡的條件下，解決現(xiàn)有大模型計(jì)算成本高、輕量化模型精度不足的問(wèn)題。本發(fā)明以輕量化卷積神經(jīng)網(wǎng)絡(luò)作為基學(xué)習(xí)器，通過(guò)改進(jìn)的Adaboost算法更新訓(xùn)練樣本的權(quán)重參數(shù)，令輕量化模型更加關(guān)注分類錯(cuò)誤的樣本，提升對(duì)少數(shù)類樣本的分類能力。該方法基于較低的運(yùn)行資源和硬件成本，在皮膚病灶公開(kāi)數(shù)據(jù)集上顯著提高了分類準(zhǔn)確度，為皮膚病灶的臨床診療提供智能、快速的篩查與判斷，適用于便攜式和移動(dòng)端醫(yī)療設(shè)備，具有良好的應(yīng)用前景。

技術(shù)研發(fā)人員：孫京誥,楊海濤,侯妍,嚴(yán)懷成
受保護(hù)的技術(shù)使用者：華東理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30