【技术实现步骤摘要】
一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法
[0001]本专利技术涉及人工智能与智慧医疗领域,尤其涉及一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法。
技术介绍
[0002]皮肤病变具有分布人群广和分布年龄广的特点,全世界30%—70%的人口有与皮肤相关的健康问题。黑色素瘤等恶性皮肤癌,恶化速度快,死亡率高,对人类的生命安全造成很大威胁。黑色素瘤的早期诊断和及时治疗可以使患者的生存率提高到90%。因此,提高皮肤病变识别的准确性与效率具有重要的现实意义。借助卷积神经网络(Convolutional Neural Networks,CNN),可实现基于图像的皮肤病的自动识别分类,提高诊断的效率和准确率。
[0003]当前主流CNN架构对皮肤病变识别准确率不足的主要原因在于,CNN设计存在缺陷,无法建模预测相关的不确定性,模型的输出通常为预测概率。预测概率代表了模型的置信度,但是置信度难以客观地反映模型的不确定性。因此,当前主流的CNN模型只能给出测试数据与训练数据拟合的偏差和置信度,但无法进一步提高CNN的预测准确率。而深度贝叶斯可以量化模型的不确定性,因此需要引入深度贝叶斯提高CNN的预测准确率。
[0004]当前,CNN辅助的识别皮肤病变类别,尤其是恶性皮肤病变识别,与贝叶斯深度学习结合的方案,主要分为优化超参数方法与优化结构方法。
[0005]优化超参数的方法:该类方法虽然在一定程度上缓解了由于CNN无法量化不确定性的缺陷导致的精度缺失问题,利用贝叶斯优化模型的超参数从而提高检测精度 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法,其特征在于,包括以下步骤:步骤1、采集皮肤病变图像作为样本,对所述皮肤病变样本进行标注并构建皮肤病变样本集;步骤2、将所述皮肤病变样本作为输入,构建基于深度残差金字塔多尺度编码网络的深度贝叶斯网络模型;通过先验分布刻画所述深度贝叶斯网络模型不确定性,同时基于似然函数对所述不确定性进行建模推导从而推导后验分布;步骤3、所述深度贝叶斯网络模型包括教师模型及学生模型,基于知识蒸馏对所述深度贝叶斯网络模型进行压缩,构建学生模型拟合教师模型输出。2.根据权利要求1所述的一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法,其特征在于,所述基于深度残差金字塔多尺度编码网络的深度贝叶斯网络模型,包括输入层、卷积层、激活层、池化层、瓶颈层与输出层;所述模型针对的不确定性包括偶然不确定性和认知不确定性,对于偶然不确定性,采用k折交叉验证法对数据进行训练;对于认知不确定性,采用深度贝叶斯蒸馏网络拟合训练数据模型。3.根据权利要求2所述的一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法,其特征在于,采用k折交叉验证法对数据进行训练的具体步骤为:步骤2
‑1‑
1、预处理病变样本D,同时设置交叉验证子样本划分次数k,设置循环次数N并初始化N=0;步骤2
‑1‑
2、本轮迭代开始,当N<k时表示交叉验证没有执行完,进行迭代交叉验证,否则跳出迭代;步骤2
‑1‑
3、采用深度贝叶斯网络模型,以第N个子样本作为验证集,其余N
‑
1个样本作为训练集,进行模型训练,输出评估指标J
N
,;步骤2
‑1‑
4、迭代计数k=k+1;步骤2
‑1‑
5、本轮迭代结束,判断是否满足迭代停止条件,满足则停止迭代,否则重复步骤2
‑1‑
2到步骤2
‑1‑
4;步骤2
‑1‑
6、输出评估结果的平均值N表示循环计数器,k表示交叉验证计数器。4.根据权利要求2所述的一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法,其特征在于,采用深度贝叶斯蒸馏网络拟合训练数据模型的具体步骤为:步骤2
‑2‑
1、预处理病变样本D,同时设置交叉验证子样本划分次数k,设置循环次数N并初始化N=0;步骤2
‑2‑
2、本轮迭代开始,当N<k时表示交叉验证没有执行完,进行迭代交叉验证,否则跳出迭代;步骤2
‑2‑
3、采用深度贝叶斯网络模型,以第N个子样本作为验证集,其余N
‑
1个样本作为训练集,进行模型训练,输出评估指标J
N
,求解样本的不确定分数I,对每个样本的多次预测先取平均再计算熵,求得H[y|x,D],对每个样本的多次预测先计算熵再取平均,求得E
θ~p(θ∣D)
H[y|x,θ],基于I调整训练,更新训练模型;D为标注样本,H为当前模型熵,θ为求解目标模型参数,x为网络输入,y为网络输出;
步骤2
‑2‑
4、迭代计数k=k+1;步骤2
‑2‑
5、本轮迭代结束,判断是否满足迭代停止条件,满足则停止迭代,否则重复步骤2
‑
4;步骤2<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。