基于轻量化神经网络的皮肤病灶分割设计 毕业论文.docx

目录

TOC\o1-3\h\z\u1引言 1

1.1研究意义及背景 1

1.2国内外研究现状 2

1.2.1医学图像分割算法现状 2

1.2.2皮肤镜图像分割现状 2

2深度学习基础及皮肤病灶分割任务 2

2.1深度学习知识介绍 2

2.1.1深度学习概念 2

2.1.2神经网络基础 3

2.1.3卷积神经网络 4

2.1.4注意力机制 6

2.2皮肤病灶分割任务 8

2.2.1皮肤病分割任务流程 8

2.2.2分割评价指标 9

3软件程序设计 10

3.1软件平台 10

3.2数据集介绍 11

3.3模型搭建 11

3.3.1U-net结构 12

3.3.2算法结构 12

3.4模型损失函数 16

4结果分析 16

4.1数据集预处理 16

4.2训练和测试 17

4.2.1对比实验 17

4.2.2训练结果 17

5总结与展望 19

5.1总结 19

5.2展望 19

参考文献 19

致谢 21

附录 22

基于轻量化神经网络的皮肤病灶分割设计

摘要：本文借助深度学习的知识，设计了一种基于多种注意力机制的轻量化皮肤病灶分割模型。该模型依据MalUnet和Ege-Unet的特性在原有的U-net加入了四个功能模块，分别是对整体和部分特征进行融合的DGA、表征信息集合的同时增加特征图之间的关联的IEA、对多阶段信息进行提取融合的SCB和对输入特征进行分组求哈达玛积的GHPA。经实验测试表明，模型在确保分割精度的同时，相比于U-net，使参数量和计算复杂度降低了64倍和205倍，为未来在医疗移动设备的应用提供了理论基础。

关键字：深度学习；多种注意力机制；轻量化神经网络；皮肤病灶分割

DesignofSkinlesionsegmentationbasedonlightweight

neuralnetwork

Abstract:Basedondeeplearning,alightweightskinlesionsegmentationnetworkwhichfollowsmultiattentionmechanismisdesignedinthispaper.ThenetworkcombinesthecharacteristicsofMalUnetandEge-UnetbyaddingfourmodulestotheoriginalU-net:DGA,whichwasusedtoextractandfuseglobalandlocalfeatures;IEA,representingtheoveralldatasetwhileincreasingtheconnectionbetweensamples;SCBforextractingandfusingmulti-stagefeatures;GHPA,groupingtheinputfeaturestofindtheHasamardproduct.Theexperimentalresultsshowthatthemodelnotonlyensuresthesegmentationaccuracy,butalsoreducestheparameternumberandcomputationalcomplexityby64xand205xcomparedwithU-net,whichprovidesatheoreticalbasisforfutureapplicationinmedicalmobiledevices.

Keywords:Deeplearning;Multi-headattentionmechanism;Lightweightneuralnetwork;Skinlesionsegmentation

PAGE2

1引言

1.1研究意义及背景

皮肤病是一种很常见的疾病，常见的诱因有日常过度的紫外线照射、慢性炎症刺激、电离辐射和免疫力低下等，一些病毒甚至可能诱发皮肤癌症，如人乳头病毒。其中，很多皮肤病恶性度很高、转移极快，有的甚至危害生命，例如晚期的黑色素瘤。目前，虽然可以通过一些先进的手段进行治疗，如放射治疗和免疫治疗，然而随着病情的恶化，