李海燕，马艳，李海江，郭磊，李红松

（1. 云南大学 信息学院，云南， 昆明 650050；2. 云南交通投资建设集团有限公司，云南， 昆明 650000）

皮肤病是人类最常见的疾病之一. 皮肤科医生用肉眼诊断皮肤癌的准确率约为60%. 若配备皮肤镜，经过良好的训练，准确率可达到75%～84%. 然而皮肤镜检查极大依赖皮肤科医生的专业知识和经验[1].

传统的辅助检测手段，如：ABCD 规则(不对称、边界、颜色和差异结构的标准)、7 点检测、Menzies 方法和CASH（color, architecture, symmetry, and homogeneity），被用来提高临床医生诊断的准确性[2]. 此外，模糊逻辑计算分析、支持向量机、K 近邻等机器学习算法等在皮肤病变检测中可取得良好的效果，但这些研究涉及到图像预处理、手工特征提取和特征选择的繁重工作，手工提取的特征会导致不可见数据的泛化能力差.

皮肤病变具有类间相似度高、类内差异化大、数据类别不平衡等特点，因此其自动分类具有相当大的挑战性. 近年来，深度学习技术的发展为解决皮肤病变识别难题带来了契机， 通过充分利用深度学习中卷积神经网络被用于的分类能力[3]，且具较高的准确率不需要手工特征提取和特征选择等繁琐过程，成为皮肤病变自动识别的一个较好的解决方案.BALAZS[4]中涉及对原始图像旋转90°和270°扩充，再采用AlexNet 深度卷积网络对皮肤病变图像进行分类，并将传统AlexNet 完全连接层的4 096 个神经元改为1 024 个，避免过拟合，但无法解决皮肤病变数据集类别不平衡的问题. KWASIGROCH 等[5]随机选择原始图像，进行旋转、移动、缩放和翻转变换扩……