59、深度学习模型在皮肤癌分类和视障辅助系统中的应用

深度学习模型在皮肤癌分类和视障辅助系统中的应用

1. 皮肤癌分类的深度学习模型

1.1 模型架构与参数设置

在皮肤癌分类的深度学习模型中，为了减少过拟合，在池化层之后引入了丢弃层，丢弃率设置为 0.5，这意味着在训练过程中 50%的神经元会被随机消除。卷积层采用 ReLU 激活函数。整个模型共有七个卷积神经网络（CNN）层，每层具有独特的节点权重，分别为 64、128、256、128、32 和 16。在将向量扁平化后，使用一个具有 ReLU 激活函数和节点权重为 16 的密集层来准确表示向量，最后这一层表现为全连接层。通过一个节点权重为 5 且采用“sigmoid”激活函数的额外密集层，输出恶性和良性分类结果。模型构建中使用了两个交叉熵损失函数，学习率设置为 0.0001。不过，在第 23 个训练周期时，模型会出现过拟合现象，无法再学习新信息。

1.2 性能评估指标

对分类器的性能评估采用了一系列指标，具体如下：
- 准确率（Ac） ：准确分类的总图像数量是衡量分类器整体准确性的指标。计算公式为：$Ac = \frac{TN + TP}{TN + TP + FN + FP}$
- 灵敏度（Sen） ：标记为异常的照片的百分比。计算公式为：$Sen = \frac{TP}{TP + FN}$
- 特异度（Spe） ：被正确分类为正常的照片的百分比。计算公式为：$Spe = \frac{TN}{TN + FP}$

其中，True Positive（TP）指分类器准确预测样本为阳性的次数；True