全文总字数：3102字

1. 研究目的与意义及国内外研究现状

近年来，由于环境问题日益严峻、气候也发生了很大的变化，导致各种各样的皮肤病产生频率越来越高。虽然皮肤癌可以通过直接检查来及早发现，但由于良性病变的视觉相似性使得这项任务变得困难。

由于可用数据集的局限性，过去的研究主要集中在黑素细胞病变（即黑素瘤和痣之间的差异），而忽视了非黑素细胞色素性病变，尽管它们在实践中很常见。尽管在实验环境中有出色的表现，但是可用训练数据的多样性与实际生活数据的多样性之间的不匹配导致了临床环境中自动配对诊断系统的适中性能。在构建分类器时，多元分类系统的发杂程度远远高于二元疾病分类系统。目前，可靠的多级预测仅适用于皮肤疾病的临床图像，但不适用于皮肤镜像。

为了促进对皮肤镜像自动诊断的研究，isic发布了ham10000（“10000个训练图像的人体对抗机器”）数据集。因此，有必要研究一种能够实现有效的自动分类的皮肤损伤分类系统。本次实验的主要目的是研究出一种基于深度网络的皮肤病变分类系统，通过该系统可以准确分辨出患者当下的皮肤病变的类别，进而给出合理的治疗建议。皮肤病变分类系统可以有效缓解技术以及经验不足等问题，可以很好的帮助医生快速有效的诊断出患者当前的皮肤病变状况，进而做到早发现，早治疗。

2. 研究的基本内容

到目前为止，大多数皮肤病的前期诊断都是通过医疗专家的亲自诊断，因此存在两个严重的问题：一是有经验的医疗专家的人数有限，而患皮肤病的人数在逐年增加，造成了严重的技术与需求的供不应求；二是有很多人对皮肤病的认识不够深刻，认为只是一点小小的皮肤问题，没必要去医院。由于现有数据集的局限性，过去的研究集中于黑素细胞病变。黑色素瘤和黑素瘤之间的差异，尽管在实践中很常见，但却忽视了非黑素细胞色素的损伤。尽管在实验环境中表现优异，但现有训练数据的小多样性与实际生活数据的多样性之间的不匹配导致了在临床设置中自动配对诊断系统的适度性能。多种疾病的分类系统的构建比二进制的要困难许多。目前，可靠的多类预测只能用于皮肤病的临床图像，但不适用于皮肤病的图像。

因此，为了解决以上问题，我们利用深度学习网络，densenet网络和alexnet网络设计出一个皮肤病变分类系统，让他们通过不断学习记住每一类皮肤病的特征，在诊断时可以快速有效的对病变皮肤进行检测。既可以减轻医生的工作量，还可以缓解患者尴尬，可以及时有效的告知患者结果，能够有效的提高早期皮肤癌的筛查覆盖率，为患者减轻病痛。

本次基于深度网络的皮肤病变图像的分类的算法主要实现三个目标：

3. 实施方案、进度安排及预期效果

1. 实施方案：对深度学习网络进行较，选择性能优越的网络。用老师提供的网络对选定的模型进行训练，不断地观察，调整网络的参数，是训练结果达到最优的测试精度。
2. 进度安排：

2018年1月-2018年2月 查阅相关文献

2018年3月-2018年4月初 构建论文结构框架

2018年4月初-2018年4月20日 通过对前期准备的分析以及查阅相关资料完成论文

4. 参考文献

1. World Cancer Report 2014. World Health Organization. 2014. pp. Chapter 5.14.
2. Dubas, LE; Ingraffea, A (February 2013). 'Nonmelanoma skin cancer'. Facial plastic surgery clinics of North America. 21 (1): 43–53.
3. J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei. Imagenet: A large-scale hierarchical image database. In CVPR, 2009.
4. S. Targ, D. Almeida, and K. Lyman. Resnet in resnet: Generalizing residual architectures. arXiv preprint arXiv:1603.08029, 2016.
5. Y. Zhang, K. Lee, and H. Lee. Augmenting supervised neural networks with unsupervised objectives for large-scale image classification. In ICML, 2016.
6. 李岳云，许悦雷，马时平等.深度卷积神经网络的显著性检测[J].中国图像图形学报，2016.
7. Zhou, B., et al. 'Learning deep features for discriminative localization'. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.
8. Jia, Y., et al. 'Caffe: Convolutional architecture for fast feature embedding'. in Proceedings of the 22nd ACM international conference on Multimedia. 2014. ACM.