摘要皮肤疾病的早期诊断对治疗效果具有重要影响。本文设计并实现了一个基于深度学习的皮肤疾病智能诊断系统用于辅助医生进行皮肤病变的自动分类和阶段评估。系统采用卷积神经网络CNN架构实现了恶性和良性病变的二分类以及恶性病变的中期、晚期二阶段分类。项目概览项目简介针对训练过程中出现的类别不平衡问题本文提出了基于过采样的数据平衡策略。通过将少数类样本数量增加至与多数类相同使训练数据达到完全平衡良性150张恶性150张从而解决了模型总是预测为恶性类别的问题。同时优化了训练参数包括降低学习率至0.00015、调整批次大小为32、减少Dropout强度至0.15-0.3并采用数据增强技术提高模型泛化能力。系统基于MATLAB App Designer开发了友好的图形用户界面采用三栏式布局设计。左栏为流程控制区包含五步操作流程中栏为四阶段图像同步展示区实时显示原始图像、灰度图像、滤波图像和分割图像右栏为诊断结果分析中心展示分类结果、性能指标和治疗建议。界面支持实时进度反馈、智能按钮状态管理并通过模型预加载技术提升响应速度70%以上。在包含300张皮肤病变图像的平衡数据集上进行实验主分类模型的验证准确率达到86.67%其中良性病变识别精确率为95.83%、召回率为76.67%恶性病变识别精确率为80.56%、召回率为96.67%。实际测试表明系统能够以89%-100%的置信度正确区分良性和恶性病变。阶段分类模型采用中期和晚期二分类方案预期准确率为65-75%相比三分类方案显著提升。本研究展示了数据平衡策略在解决类别不平衡问题中的有效性为小样本医学图像分类提供了实用的解决方案。系统具有界面友好、操作便捷、诊断准确的特点可作为皮肤疾病辅助诊断工具为临床医生提供参考依据。系统架构本系统采用三层架构设计数据层负责图像预处理灰度转换、中值滤波、形态学分割模型层包含主分类CNN恶性/良性二分类和阶段分类CNN中期/晚期二分类界面层基于MATLAB App Designer实现三栏式GUI集成图像展示、诊断结果、治疗建议于一体实现从图像输入到诊断输出的完整流程。图1 系统架构图技术创新创新点1针对小样本类别不平衡的数据平衡策略提出基于过采样的数据平衡方法将少数类样本增加至与多数类相同使验证准确率从70%提升至86.67%良性病变召回率从接近0%提升至76.67%。创新点2医学图像诊断系统的三栏式集成界面设计设计了集成流程控制、四阶段图像展示和诊断结果分析的三栏式界面通过模型预加载技术使响应速度提升70%以上。快速开始在MATLAB中打开项目文件夹运行 SkinDiagnosisApp 启动系统依次点击”加载图像→灰度转换→图像滤波→病灶分割→智能诊断”完成皮肤病变诊断。环境要求需要MATLAB R2021a或更高版本安装Deep Learning Toolbox和Image Processing Toolbox推荐使用支持CUDA的NVIDIA GPU以加速训练和推理。运行展示运行SkinDiagnosisApp.m图2 系统主界面图3 良性病变图4 恶性病变-晚期图5 恶性病变-中期项目资源配套文件包括完整的项目源代码、演示视频、运行截图开箱即用。项目信息作者信息作者Bob (张家梁)项目编号AI-14-M原创声明本项目为原创作品