基于深度学习的皮肤病辅助诊断系统

摘  要

随着社会的进步和科技的发展，医疗领域也迎来了新的挑战和机遇。皮肤病在全球范围内广泛存在，皮肤病的诊断对于患者的治疗和管理至关重要。近年来，深度学习技术在图像识别和医学影像分析领域取得了显著的成就。传统的皮肤病诊断可能需要较长时间，而深度学习系统能够在短时间内对大量图像进行快速分析，实现高效的诊断过程。本文介绍了一种基于深度学习的皮肤病辅助诊断系统。

该系统利用了大规模的皮肤病图像数据集，其中包含了各种常见和罕见皮肤病的图像样本。通过采用卷积神经网络（CNN）等深度学习模型，系统能够学习和理解图像中的特征，并自动进行分类和诊断。在系统的训练阶段，使用了数据增强技术和迁移学习方法，以提高模型的泛化能力和准确性。为了评估系统的性能，进行了一系列实验和验证。结果表明，该系统在诊断常见皮肤病和少见病例方面表现出色，其诊断准确性和稳定性明显优于传统的诊断方法。此外，该系统还具有良好的实时性和可扩展性，可以在临床实践中为医生提供及时准确的诊断辅助。

综上所述，基于深度学习的皮肤病辅助诊断系统为医生提供了一种全新的诊断工具，有望在临床实践中广泛应用，提高皮肤病诊断的准确性和效率，为患者提供更好的服务。

关键词：深度学习，皮肤病，卷积神经网络

A Skin Disease Assistant Diagnosis System Based on Deep Learning

Abstract

With the advancement of society and technology, the medical field faces new challenges and opportunities. Skin diseases are prevalent globally, and accurate diagnosis is crucial for patient treatment and management. In recent years, deep learning technology has made significant strides in image recognition and medical image analysis. Traditional skin disease diagnosis may require considerable time, whereas deep learning systems can quickly analyze large volumes of images, facilitating efficient diagnosis. This paper introduces a deep learning-based skin disease auxiliary diagnosis system.

  The system utilizes a large-scale dataset of skin disease images, including samples of various common and rare skin diseases. By employing convolutional neural networks (CNNs) and other deep learning models, the system can learn and understand features in images, automatically classifying and diagnosing them. During the training phase, data augmentation techniques and transfer learning methods were utilized to enhance the model's generalization ability and accuracy. A series of experiments and validations were conducted to assess the system's performance. The results demonstrate that the system excels in diagnosing both common skin diseases and rare cases, with significantly improved diagnostic accuracy and stability compared to traditional methods. Additionally, the system exhibits good real-time performance and scalability, providing timely and accurate diagnostic assistance to physicians in clinical practice.

  In conclusion, the deep learning-based skin disease auxiliary diagnosis system provides physicians with a novel diagnostic tool, with the potential for wide application in clinical practice. It aims to enhance the accuracy and efficiency of skin disease diagnosis, thereby improving patient care.

Key words: Deep learning, dermatology, convolutional neural networks

目  录

摘  要............................................. I

Abstract.................................... II

第1章　绪  论............................. 1

1.1 论文研究主要内容............................. 1

1.2 国内外现状.......................................... 2

第2章　关键技术介绍.................. 3

2.1 MobileUnet语义分割....................... 3

2.2 MobileNetV2图像分类.................... 4

2.3模型评估和优化.................................. 5

2.4 ONNX................................................... 6

第3章　系统分析......................... 7

3.1 构架概述.............................................. 7

3.1.1 功能构架............................................ 7

3.1.2 图像分类模块.................................... 7

3.1.3 图像分割模块.................................... 7

3.1.4 模型性能评估模块............................ 8

3.1.5 单张预测模块.................................... 8

3.1.6 模型转换模块.................................... 8

3.1.7 界面搭建模块.................................... 8

3.2 系统开发环境...................................... 9

3.3 系统任务的可行性分析..................... 9

3.3.1 技术可行性........................................ 9

3.3.2 系统安全性分析................................ 9

第4章　系统设计........................ 10

4.1 图像分类模块设计........................... 10

4.2 图像分割模块设计............................ 11

4.3 模型性能评估模块设计................... 12

4.4 单张预测模块设计........................... 12

4.5 模型转换模块设计........................... 13

4.6 界面搭建模块设计........................... 14

第5章　系统实现........................ 15

5.1 开发环境配置.................................... 15

5.2 图像分类模型训练实现................... 15

5.3 图像分割模型训练实现................... 17

5.4 模型性能评估实现........................... 18

5.5 单张预测实现.................................... 19

5.6 模型转换实现.................................... 20

5.7 界面搭建实现.................................... 21

第6章　系统测试........................ 22

6.1 图像分类模块测试........................... 22

6.2 图像分割模块测试........................... 22

6.3 模型转换模块测试........................... 23

6.4 界面搭建模块测试........................... 24

6.5 图像处理模块测试........................... 25

6.6 系统总测试........................................ 27

第7章　结　论............................ 30

参考文献....................................... 31

致  谢........................................... 32

第1章　绪  论

皮肤病在医学领域占有重要地位，其种类繁多，临床诊断常常依赖于医生的经验和专业知识。由于皮肤病的多样性和复杂性，传统的诊断方法存在一定的局限性，容易受到医生主观判断和个体差异的影响，导致诊断的不确定性和主观性。随着深度学习技术的迅速发展，特别是卷积神经网络（CNN）等深度学习模型在图像识别领域的成功应用，让我们有机会通过引入深度学习技术，提高皮肤病诊断的准确性和效率[1]。

第2章　关键技术介绍

2.1 MobileUnet语义分割

MobileUNet 是一种轻量级的语义分割网络，是基于UNet结构进行改进和优化而来的。UNet是一种经典的全卷积网络结构，用于解决图像分割任务，它具有编码器（Encoder）和解码器（Decoder）之间的对称结构，能够捕获不同尺度的特征并保留高分辨率的信息。MobileUNet通过一系列设计和改进，使得UNet网络适用于移动设备和嵌入式系统上的语义分割任务，具有轻量化和高效性的特点[8]。

轻量化设计：MobileUNet 主要针对移动设备和嵌入式系统的资源限制进行了优化，以确保在保持高效性的同时降低了模型的复杂性和参数量。这使得它可以在资源有限的设备上实现实时的语义分割。

UNet结构：MobileUNet是一种基于UNet结构的轻量级变体，专为移动端和嵌入式设备设计。与传统UNet相比，MobileUNet采用了一些优化措施，以在资源受限的环境下实现更高的效率和性能。引入通道注意力机制帮助模型更有效地学习重要的特征通道，提升了模型的性能和泛化能力。采用模型压缩技术如剪枝、量化等来减少模型的参数量，提高推理速度和模型的部署效率。UNet网络结构图如下图2.1所示：

图2.1 UNet网络结构图

深度可分离卷积：是一种卷积神经网络中的特殊卷积操作，由深度卷积和逐点卷积组成。深度可分离卷积将输入的每个通道单独进行空间卷积操作（深度卷积），然后再进行逐点卷积，将各通道的特征图进行线性组合，在保持模型性能的同时，显著减少了参数数量和计算成本，因此在轻量级模型设计和资源受限环境下具有重要意义下面是深度可分离卷积的计算公式：

深度卷积的计算方式为2-1所示：

           Yⅆ=depthwiseconvX,Kd=c=1Cinx:,:,c*KⅆC          （2-1）

其中，X是输入特征图，Kd是深度卷积核，Yⅆ是深度卷积的输出特征图，*表示逐点相乘（element-wise multiplication），x:,:,c*KⅆC​表示输入特征图的第c个通道，KⅆC                    ​​表示深度卷积核的第c个通道。

逐点卷积的计算方式为2-2所示：

                 YP=pointwiseconvYd,KP=C=1CoutYd*KPc            （2-2）

其中，Yd是深度卷积的输出特征图，KP是逐点卷积核，YP​是逐点卷积的输出特征图，KPc表示逐点卷积核的第c个通道。

跨尺度信息融合：为了提高分割结果的准确性，MobileUNet通过跳跃连接实现了跨尺度的信息融合[9]。这意味着解码器层可以从编码器层中获取不同尺度的特征，从而更好地理解图像的语义信息。

深度可调性：MobileUNet具有一定程度的深度可调性，即可以通过增加或减少层数来平衡性能和模型大小。这使得它可以根据不同应用场景进行灵活调整。

训练和部署：MobileUNet可以使用常规的语义分割数据集进行监督式训练，并且由于其轻量化的特性，适合在移动设备上进行实时的语义分割任务。训练后，可以将模型部署到移动应用程序或嵌入式系统中进行推断。

2.2 MobileNetV2图像分类

MobileNetV2通常使用交叉熵损失函数作为模型的损失函数，用于衡量模型输出的概率分布与真实标签的差异[11]。交叉熵损失函数的计算公式为2-3所示：

                      CEp,q=-ipilog⁡(qi)                    （2-3）

其中，p是真实标签的分布，q是模型预测的分布。这个损失函数可以用来指导模型学习更准确的分类结果。

2.3模型评估和优化

模型评估和优化是基于深度学习的皮肤病辅助诊断系统中至关重要的一环。将拥有标签的皮肤图像数据集划分为训练集、验证集和测试集，选择合适的深度学习模型作为基础架构，使用训练集对所选模型进行训练。

在训练过程中，采用合适的损失函数（如交叉熵损失函数）、优化器（如Adam、SGD）和学习率调度器（如学习率衰减）进行模型优化。使用验证集评估模型在未见过的数据上的性能表现，通过计算准确率、精确率、召回率、F1值等指标来评估模型的性能，并根据验证集的表现调整模型的超参数。

准确率的公式如2-4所示：

                          ACC=TP+TNTP+FP+FN+TN                      (2-4)

精确率的公式如2-5所示：

                           precision=TPTP+FP                       (2-5)

召回率的公式如2-6所示：

                            recall=TPTP+FN                         (2-6)

F1值的公式如2-7所示：

                         F1=2*precision*recallprecision+recall                     (2-7)

其中：

TP（True Positives）表示真正例数，即模型正确预测为正例的样本数量。

TN（True Negatives）表示真负例数，即模型正确预测为负例的样本数量。

FP（False Positives）表示假正例数，即模型错误预测为正例的样本数量。

FN（False Negatives）表示假负例数，即模型错误预测为负例的样本数量。

根据模型在验证集上的表现进行调优，可以通过调整模型结构（如添加或删除层）、改变损失函数、优化器参数调整等方法来提高模型性能。

在测试集上对经过调优的模型进行评估，通过与专家或其他辅助诊断工具进行比较，评估模型的准确性、灵敏性和特异性等指标，对模型进行解释性分析，以便医生理解模型的决策过程。

2.4 ONNX

3.1 构架概述

3.1.1 功能构架

本系统的系统体系框架包含：图像分类模块、图像分割模块、模型性能评估模块、单张预测模块、模型转换模块、界面搭建模块，如图3.1所示。

基于深度学习的皮肤病辅助诊断系统

图像分类模块

图像分割模块

模型性能评估模块

单张预测模块

模型转换模块

界面搭建模块

图3.1 系统体系结构

5.1 开发环境配置

        PyCharm Community Edition 2022.2.2

本系统使用PyCharm Community Edition 2022.2.2为开发环境，以Python为开发语言在PyCharm Community Edition Installer下载安装即可

硬件环境：AMD Ryzen 7 4800H with Radeon Graphics   2.90 GHz

软件环境：Windows10，Python3.8

Pytorch安装：在PyTorch官网（https://pytorch.org/）找到适合你需求的安装代码，并粘贴到命令行中。按提示输入 y 完成安装，显示“done”。如图5.1所示：

图5.1 寻找安装命令代码

5.2 图像分类模型训练实现

     图像分类模块的功能是用于实现本系统中，不同种皮肤病的图像分类任务，通过训练深度学习模型，设置数据集、模型结构、优化器、损失函数等参数，以及整合分布式模式和多GPU支持等功能，完成了模型的训练过程，将训练的最优模型保存用于后期的模型转换，并部署到应用中。实现过程如下：

首先，必要的Python模块被导入，包括argparse、os、time等。使用argparse.ArgumentParser创建了一个解析器，用于解析命令行参数，这些参数将决定模型的训练配置。随后，定义main函数，main函数是整个脚本的核心，负责模型训练的主要逻辑，通过misc.init_distributed_mode(args)初始化分布式模式，这是为了在多GPU或多节点上进行训练，然后打印参数并设置设备。接着，设置随机种子以确保结果的可重复性，构建训练和验证数据集，并根据参数设置是否禁用验证集，设置布式数据采样器，以及日志记录器，构建数据加载器用于加载训练和验证数据。

如果启用了模型指数移动平均（EMA），则创建一个ModelEma对象，并将模型加载到指定设备上，打印模型的结构和可训练参数数量。创建优化器，并根据参数设置是否应用层级学习率衰减，根据是否启用混合样本增强，设置相应的损失函数。

进入训练循环，读取预设的训练周期，调用train函数对模型进行训练。如果开启了验证模式，进行模型评估，并记录最佳准确率，如果开启了EMA评估模式，同样进行模型评估，并记录最佳EMA准确率。

记录训练和验证指标，将其写入日志文件，并记录整个训练过程的时间，并打印出来。图像分割模型训练的过程如下图5.2所示：

图5.2 图像分类模型训练过程

训练过程中各个参数的含义如表5.1所示：

表5.1 训练参数意义

参数	意义
Epoch	整个训练数据集的一次完整遍历
[ 0/156]	当前epoch中的批次进度
eta	预估剩余的训练时间
lr	当前的学习率
loss	当前批次的损失值
min_lr weight_decay time data max mem	最小学习率 权重衰减 当前批次的训练时间 当前批次数据加载所花费的时间 显示当前进程所使用的最大内存量

5.3 图像分割模型训练实现

     图像分割模块，是用于本系统对皮肤病图像肿瘤区域进行提取分割，模型训练过程如下：

首先，定义训练和验证数据的转换和加载方式，包括图像增强、归一化等。使用了torch.utils.data.DataLoader来加载数据，并采用了分布式采样器torch.utils.data.DistributedSampler，确保每个进程获取不同的数据子集。

定义一个图像分割模型mobileunet，并将其移动到指定的设备上。使用AdamW优化器对模型参数进行优化，其中使用了不同的学习率来更新编码器和解码器的参数。

若参数中指定了分布式训练，则使用torch.nn.parallel.DistributedDataParallel将模型包装在分布式数据并行模型中，以便在多个GPU上进行训练。

进入训练模式后，读取预设的训练周期，并计算每个训练周期的损失，使用反向传播更新模型参数。每当一个训练周期结束后，使用验证集来评估模型，计算像素准确率和平均交并比（MIoU）。同时，记录并更新最佳MIoU的模型参数，并在需要时保存模型的状态。

使用Tensorboard记录训练过程中的一些指标，并将这些信息写入日志文件中，方便后续分析和可视化。

使用argparse.ArgumentParser解析命令行参数，并调用main函数开始训练过程。

图像分割模型训练的过程如下图5.3所示：

图5.3 图像分割模型训练过程

记录的日志文件信息如下图5.4所示：

图5.4 日志文件信息

5.4 模型性能评估实现

评估图像分类或图像语义分割模型的性能，实现过程如下：

使用argparse.ArgumentParser解析命令行参数，包括任务类型（图像分类或图像语义分割）、批处理大小、输入图像大小、模型权重路径等。调用main函数开始评估过程。

对于图像分类任务（args.task == 'cls'）：

选择使用MobileNetV2模型进行推断，并计算预测结果与真实标签之间的分类报告，输出到DataFrame中。

对于图像语义分割任务（args.task != 'seg'）：

选择使用MobileUNet模型进行推断，在训练过程中，评估预测结果与真实标签的语义分割指标，包括像素准确率和平均交并比（mIoU）。

根据命令行参数指定的设备类型，将模型和输入数据移动到相应的设备（GPU或CPU）上进行计算。使用加载的模型对图像进行推断，得到分类结果或语义分割结果。

图像分割任务评估结果如图5.5所示：

图5.5 图像分割任务评估结果

图像分类任务评估结果如图5.6所示：

图5.6 图像分类任务评估结果

5.5 单张预测实现

此模块是实现了一个通用的图像分类和语义分割模型评估脚本，通过命令行参数指定不同的任务和模型权重路径，可以方便地对图像进行分类或语义分割，并输出相应的结果。实现过程如下：

使用argparse.ArgumentParser解析命令行参数，这些参数包括任务类型（图像分类或图像语义分割）、批处理大小、输入图像大小、模型权重路径等，调用main函数开始评估过程。对输入图像进行了一系列预处理操作，包括大小调整和像素值标准化。

对于图像分类任务（args.task == 'cls'）：

加载MobileNetV2模型对图像进行推断，并使用Softmax函数计算类别概率，输出预测结果，预测类别及其对应的概率。

对于图像语义分割任务（args.task != 'seg'）：

加载MobileUNet模型对图像进行推断，得到语义分割结果，将分割结果保存为图像文件。

模型加载：通过实例化相应的模型类，并加载预训练权重。

推断过程：对输入图像进行预处理后，将其输入到加载的模型中进行前向传播，得到模型的输出结果。图像分类任务单张预测结果如图5.7所示：

图5.7 图像分类任务单张预测结果

图像分割任务，分割结果的图像文件如图5.8所示：

图5.8 分割结果的图像文件

5.6 模型转换实现

此模块是用于将PyTorch模型导出为ONNX格式的脚本，以便在其他平台上进行推理或部署。实现过程如下：

使用argparse.ArgumentParser解析命令行参数，包括任务类型（图像分类或图像语义分割）、输入图像大小、模型权重路径等，调用main函数开始导出过程。

根据任务类型（图像分类或图像语义分割）选择加载对应的模型（MobileNetV2或MobileUNet），加载指定的模型权重，并加载到模型中，将模型设置为评估模式，创建一个随机输入张量 x 作为示例输入，调用torch.onnx.export函数实行模型转换，转换为ONNX文件以便在其他平台上进行推理或部署。

表5.2 Matplotlibtorch.onnx.export函数参数意义

参数	意义
model	要导出为ONNX格式的PyTorch模型
x	用于确定输入的形状和数据类型
args.onnx_path	导出的ONNX文件的保存路径
export_params=True	指示是否导出模型的参数（权重）
training=torch.onnx.TrainingMode.EVAL input_names output_names opset_version=13	指定导出模型时的训练模式，此处为评估模式 模型输入的名称 模型输出的名称 指定导出的ONNX模型所使用的操作集版本

5.7 界面搭建实现

界面搭建模块的实现所使用的工具是PyQt5（Python Qt5），用户通过注册登录功能创建属于自己的账号，对系统进行操控与应用。实现过程如下：

首先，加载必要的库和框架，以及初始化界面布局和配置。打开程序后会显示一个登录界面，在此界面上有一个注册选项，点击后用户可以创建自己的账号，记住自己所注册的账号和密码，返回登录自己的账号，登录成功后进入主界面。在主界面设置部分，用户可以上传皮肤病图片，可以对上传的图片进行图像处理，处理内容包括：去除毛发噪声、平滑处理、边缘检测等，并可以将处理后的皮肤病图片进行保存，对处理后的图片进行预测，显示模型的诊断结果和相关信息。允许用户可以通过摄像头拍摄皮肤病图片，点击截图，所拍摄的图片会存储到指定的文件夹内，选择文件夹内所拍摄的图片，将图片传入到系统中，调用模型预测并显示诊断结果。

在主界面上有一个查询按键，点击后会进入到历史记录和疾病信息查询界面，历史记录是用户之前所识别的皮肤病图像记录，这些信息会保存在数据库中，数据库所用的是sqlite轻量级数据库，选择要查看的疾病，单击后即可查看当前疾病的简要介绍，以及参考图片。

第6章　系统测试

6.1 图像分类模块测试

在将训练好的图像分类模型部署到应用中后，在应用中选择用户想要检测的皮肤病图片，点击识别按钮，将触发检测线程，图像分类线程使用的是训练好的模型 (./weights/cls_sim.onnx) 对输入图像执行检测任务，它对输入图像进行预处理，运行模型，处理输出以获取检测结果和置信度分数，检测信息连同一些元数据（检测时间、图像内容）存储在 SQLite 数据库中，通过信号发出包含检测结果的消息，显示到分类结果区域。图像分类检测过程如下图6.1所示：

图6.1 图像分类检测

6.2 图像分割模块测试

在将训练好的图像分割模型部署到应用中后，在应用中选择用户想要检测的皮肤病图片，对其进行病变区域分割。勾选分割肿瘤区间选项，类似于检测线程，这个线程使用另一个预训练模型 (./weights/seg_sim.onnx) 执行分割任务，过程包括对输入图像进行预处理，将其输入模型运行，然后对输出进行后处理以获得分割掩码。图像分割结果如下图6.2所示：

图6.2 图像分割结果

6.3 模型转换模块测试

     此模块是将之前训练好的图像分类模型和图像分割模型转换为ONNX格式，以便于部署到系统程序中。转换结果如下图6.3所示：

图6.3 模型转换结果

6.4 界面搭建模块测试

界面搭建主要分为三个部分，分别为登录注册界面、主界面以及信息查询界面。用户登录和注册功能的实现是基于PyQt5和SQLite数据库。

在登录注册界面上所实现的功能分别为登录和注册，通过注册创建账号，账号会自动保存到数据库中，点击取消界面会返回到登录窗口，输入账号和密码，系统会自动查询数据库中是否存在此账号以及密码是否正确，若密码错误或无此账号，系统将弹出提醒。

登录和注册界面如下图6.4和6.5所示：

图6.4 登录界面

图6.5 注册界面

登录成功后，将会进入到主界面，主界面是用于对整个系统的功能选取与实现。主界面如下图6.6所示：

图6.6 主界面

最后是信息查询界面，此界面的功能是对用户之前所诊断的信息进行保存与查询，可以通过日期查询，还可以查看疾病信息与参考图片。信息查询界面如下图6.7所示：

图6.7 信息查询界面

6.5 图像处理模块测试

图像处理是在主界面中用户可以对选的想要检测的图片进行图像处理，处理内容包括：去除毛发噪声、平滑处理、伽马矫正、均衡化、亮度调节、边缘检测，经过正确处理后的图片有助于提升对后续图像分割和图像分类识别的准确率。图像处理结果如下图6.8所示：

(a) 原图                      （b）毛发处理后图

(c) 伽马矫正后图                   （d）平滑处理后图

(e) 均值化后图                     （f）亮度调节后图

  (g) 边缘检测后图

图6.8 图像处理((a) 原图、（b）毛发处理后图、(c) 伽马矫正后图、（d）平滑处理后图、(e) 均值化后图、（f）亮度调节后图、(g) 边缘检测后图)

6.6 系统总测试

首先，进入到系统后点击注册按钮创建账号，如下图6.9和图6.10所示

图6.9 注册账号

图6.10 登录账号

提示注册成功后，返回登录界面，输入注册成功后的账号，进入到系统主界面后，选择文件夹，选择想要检测的图片，点击识别，识别结果会在右下角显示，如下图6.11所示：

图6.11 识别检测

如果想通过实时拍摄选取图片，点击视频拍摄按键，进入后选择打开摄像头，拍摄相片，相片会自动保存到相应的文件夹内，如下图6.12所示：

图6.12 摄像头截取图片

点击查询按键，系统会弹出历史记录，在这里可以查询之前所检测的图片，按照日期选取想要查询的某一天的某一张图片，还可以在疾病信息处，查询七种疾病的具体信息和参考图片。如下图6.13所示：

图6.13 历史记录和疾病信息查询

参考文献

[1] 杨敏.利用云数据库技术建设皮肤病患者信息管理系统[J].中医药管理杂志,2021,29(15):194-195

[2] 李家琛,刘彦,王一诺等.基于U型结构的多尺度皮肤病分割算法[J].计算机工程与设计,2023,44(01):59-65

[3] 白雪飞,靳智超,王文剑等.融合边缘增强与多尺度注意力的皮肤病变分割[J].计算机科学,2023,50(04):96-102

[4] 陈大千,张凡,郝鹏翼等.结合多尺度通道注意力和边界增强的2D医学图像分割[J].计算机辅助设计与图形学学报,2022,34(11):1742-1752

[5] 熊喜喜,鲁严.人工智能在皮肤病学中的应用及展望[J].实用老年医学,2023,37(09):878-881

[6] 杨晓娟,范瑞芳,刘继军等.基于移动医疗APP的皮肤病与性病咨询信息特征分析[J].皮肤性病诊疗学杂志,2021,28(05):367-370

[7] 代闯闯,栾海晶,杨雪莹等.基于卷积神经网络的皮肤病诊断多二分类器研究[J].高技术通讯,2022,32(10):1025-1035

[8] 李海燕,马艳,李海江等.基于改进AlexNet的可变形卷积皮肤病变识别算法[J].北京理工大学学报,2022,42 (03):297-303

[9] 方世哲.小波去噪在皮肤病图像识别中的应用[J].电脑知识与技术,2022,18 (10):91-94

[10] 谭鸿,巴伟,李承新.深度学习在皮肤图像识别中的应用[J].实用皮肤病学杂志,2020,13 (06):348-351

[11] 万承北.基于卷积神经网络的皮肤病检测方法研究[D].南京邮电大学,2022

[12] 李承旭.基于皮肤影像的皮肤病辅助决策系统:调查、创研与应用[D].北京协和医院,2021

[13] Akram A ,Rashid J ,Jaffar A M , et al.Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things[J].Skin Research and Technology,2023,29(11):e13524-e13524