人体的皮肤是直接暴露在空气和阳光下的,因为皮肤是人的身体防御有害物质的第一道防线,所以它可能由于多种原因(例如环境,食物和遗传因素)导致皮肤癌变。皮肤上的肿瘤呈恶性被称为皮肤癌症,按照不一样肿瘤细胞,定义不同类型的皮肤癌,包括表皮、皮肤软组织、黑素细胞、皮肤淋巴网状组织和造血组织等等。就目前的诊断来说,皮肤癌的死亡率还是依旧居高不下,所以开发基于ResNet的皮肤癌诊断平台可以进行早期的诊断以及后续去医院的治疗,这样可以降低皮肤癌的死亡率。但是现有的技术仍然难以在大规模数据集上取得良好的效果,我们以此来进行探讨,这在医学领域有着重大意义。卷积神经网络(CNN)的特征检测层会从训练集的样本中学习,因此在使用卷积神经网络(CNN)时,需要去掉显式的特征提取,而从训练数据中进行隐式地学习。本文中,我们使用的是:皮肤病变分类中单个深度卷积神经网络,该网络只是使用疾病标签作为输入,直接在图像中端到端的训练。ResNet:深度残差网络(Residual Network,下文简写为ResNet),本质上与VGG网络相比,此网络利用avg pool代替全连接,节省大量参数。它学习输入和输出之间的残差表示方法使用的是identity mapping,与一般CNN网络(如Alexnet/VGG等)不同的是,其不使用卷积层来直接尝试进行输入和输出之间的映射。实验表明,与直接学习输入、输出间映射相比较,前者要容易(收敛速度更快),也有效(可通过使用更多的层分类来达到更高的级别)。为了取得良好的效果,我们采用了ResNet网络架构进行皮肤癌变性的诊断与研究,首先将作为网络输入的皮肤癌变的图像的面积调整为适合网络的小块,训练网络的同时,通过调整通道数、图像层数和训练的样本数量达到最优。有可能存在的过拟合问题,本文实验将对各种数据选择和测试,对于不是一个类型的数据集实验对应个体化的归一方法。研究表明,本文的诊断方法比其他方法效果好。