1.摘要

        皮肤癌是人类最常见的恶性肿瘤，主要通过视觉诊断进行初步临床筛查。但是由于皮肤病变外观的细微变化性，使用图像自动分类皮肤病变是一项具有挑战性的任务。本文为了提高深度学习算法在皮肤病检测上的准确率，本文提出了基于Inception和ResNet深度残差网络架构的皮肤癌分类识别算法，并与基线模型进行了比较，实验表明, 与传统神经网络模型相比, 本文提出的新的分类算法降低了时间复杂度, 提高了识别准确率。最后，本文将训练好的模型参数应用到web系统中，实现了对上传图像的皮肤病检测，同时还能通过视频进行实时检测皮肤病，简化了检测皮肤肿瘤的流程，可有效辅助医生诊断，使得医生患者仅需简单操作Web端即可实时得到检测结果，以协助早期发现皮肤癌。

 2.数据集介绍

         该数据集收集了来自不同人群的皮肤镜图像，通过不同的方式获取和存储。最终数据集包含 10015 张皮肤镜图像，可用作学术机器学习目的的训练集。

该数据集名为： HAM10000 的公共数据集 。可以自行下载。

3. Inception-ResNet模型设计与实现

        该模型结合了 Inception 和残差网络的两种架构，以获得更稳定的性能，同时保持相对较低的计算成本。它由一个主干块、三组残差 Inception 块模块组成，分别为 [5,10,5] 个 Inception-ResNetA、Inception-RetNetB、Inception-RetNetC 模块块，随后在每组 Inception-ResNet 模块之后有池化层，这些都是按顺序连接的。卷积网络深度为 164 层。

核心实现代码如下：

base_model = InceptionResNetV2(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
for layer in base_model.layers:layer.trainable = True
x = base_model.output
x = GlobalAveragePooling2D()(x)
# x = Flatten()(x)
# x = Dense(4096, activation='relu')(x)
# x = Dropout(0.5)(x)
# x = Dense(512, activation='relu')(x)
# x = Dropout(0.5)(x)
x = Dense(128,kernel_regularizer='l2',activation='relu')(x)
x = Dropout(0.5)(x)
x = Dense(7, activation='softmax')(x)
tl_model = Model(inputs=base_model.input, outputs=x)
tl_model.summary()

在上述数据集进行训练，该模型的训练结果为：

与其他基线模型进行对比，其结果为：

4.系统应用实现

        为了与Web端结合,使得模型可以在用户熟悉的浏览器环境下正常快速运行,同时可视化模型结果，我们设计实现了web界面，该界面可以将得到的概率结果响应给客户端浏览器,浏览器进行渲染可视化,使得医生患者仅需简单操作Web端即可实时得到检测结果。

其界面如下：

可以选择上传图像进行检测，也可以打开摄像头进行实时检测。

我们在这里上传一张图片进行测试。 

测试结果如下：

继续测试其他图片： 

还能打开摄像头进行检测，此次略。

下载代码链接：https://download.csdn.net/download/weixin_40651515/89902941

里面包含上述实现的所有代码及基线对比模型等，但是不包含全部的训练数据集，需要数据集可以私信发送。