基于改进的 ResNet50 网络的黑色素瘤分类方法

来源：计算机技术与发展杂志2023年第02期北京时间：

作者：邓辉;张洁

摘要：黑色素瘤的早期诊断对提高患者的五年生存率至关重要。 针对临床上使用皮肤镜检查黑色素瘤费时、费力的问题,提出一种基于迁移学习和改进的 ResNet50 模型的黑色素瘤分类模型 MC-Net( Melanoma Classification-Net) 。 首先,为了降低数据集样本分布不均匀以及毛发遮挡信息带来的影响,进行数据增强;对 ResNet50 的输入主干重新进行了设计,用常规卷积和深度可分离卷积的组合代替原来的 7×7 大卷积核;对残差块进行了优化,使用 GELU 函数替代 ReLU 函数,并将特征相加后的激活层移到残差块内部,同时去除了部分 BN 层和激活层;向网络中添加 CA 注意力机制,使得网络更加关注目标的关键信息,从而抑制其他无用信息;结合迁移学习,利用在 ImageNet 上预训练权重初始化网络并在数据集上进行微调训练,得到最终黑色素瘤分类模型。 实验结果表明,所改进的结构对模型性能提升具有显著效果,MC-Net 模型在准确率和 F1 指标上达到 94. 87% 和 95. 01% ,经过迁移学习得到的最终分类模型在数据集上进行测试,获得了 95. 4% 的准确率和 95. 6% 的 F1 值,均优于其他网络。

关键词：黑色素瘤;ResNet50;注意力机制;GELU;数据增强;迁移学习