融合改进的ResNet50与集成分类器的皮肤癌分类

doi:10.11772/j.issn.1001-9081.2025040513

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (4): 1354-1362.DOI: 10.11772/j.issn.1001-9081.2025040513

• 前沿与综合应用 • 上一篇

融合改进的ResNet50与集成分类器的皮肤癌分类

秦传东¹^,², 索志强¹()

^1.北方民族大学数学与信息科学学院，银川 750021
^2.宁夏智能信息与大数据处理重点实验室（北方民族大学），银川 750021

收稿日期:2025-05-09 修回日期:2025-07-09 接受日期:2025-07-11 发布日期:2025-07-15 出版日期:2026-04-10
通讯作者: 索志强
作者简介:秦传东（1976—），男，湖北广水人，教授，博士，主要研究方向：智能计算、大数据分析
基金资助:
宁夏高等教育机构基金资助项目(NYG2024093)

Skin cancer classification integrating improved ResNet50 with ensemble classifier

Chuandong QIN¹^,², Zhiqiang SUO¹()

^1.School of Mathematics and Information Sciences，North Minzu University，Yinchuan Ningxia 750021，China
^2.Ningxia Key Laboratory of Intelligent Information and Big Data Processing （North Minzu University），Yinchuan Ningxia 750021，China

Received:2025-05-09 Revised:2025-07-09 Accepted:2025-07-11 Online:2025-07-15 Published:2026-04-10
Contact: Zhiqiang SUO
About author:QIN Chuandong， born in 1976， Ph. D.， professor. His research interests include intelligent computing， big data analysis.
Supported by:
Fund of Ningxia Higher Education Institutions(NYG2024093)

摘要/Abstract

摘要：

皮肤癌是全球发病率持续攀升的恶性肿瘤之一，它的早期精准诊断对降低死亡率至关重要。针对现有模型难以满足临床要求及少数类别识别皮肤癌精度低的问题，提出一种融合改进ResNet50与集成分类器的模型。首先，通过灰度黑帽阈值处理和Telea算法去除毛发噪声，再使用合成少数过采样技术（SMOTE）平衡类别分布；其次，采用ResNet50模型提取深层特征，并引入融合空间与通道注意力的软注意力模块聚焦皮肤病变区域；最后，将随机森林、极限梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、K-近邻（K-NN）和支持向量机（SVM）作为集成分类器，通过软投票法进行集成，进行皮肤癌的早期诊断。在HAM10000、ISIC2019和ISIC2020数据集上的3次独立实验结果表明，所提模型将准确率分别提升到（98.33±0.03）%、（96.15±0.06）%和（99.19±0.02）%，相较于当前主流网络具有更优的特征提取与分类能力，有助于提升早期诊断效果。

关键词: 皮肤癌分类, ResNet50, 合成少数过采样技术, 集成学习, 注意力机制

Abstract:

As a malignant tumor with continuously rising incidence rates globally， skin cancer requires early and precise diagnosis to reduce the mortality rate. To address the challenges of insufficient model performance for clinical requirements and low diagnostic accuracy in minority categories of skin cancers， a model of an improved ResNet50 integrated with an ensemble classifier was proposed. Firstly， hair-induced noise was eliminated through grayscale black-hat threshold processing and Telea algorithm， and Synthetic Minority Over-sampling TEchnique （SMOTE） was used to balance class distribution. Secondly， the deep-level features were extracted using the ResNet50 model， with a soft attention module combining spatial and channel attention mechanisms introduced to focus on skin lesion regions. Finally， an ensemble classifier integrating random forest， eXtreme Gradient Boosting （XGBoost）， Light Gradient Boosting Machine （LightGBM）， K-Nearest Neighbor （K-NN）， and Support Vector Machine （SVM） via soft voting was employed， and the proposed model was applied for early diagnosis of skin cancers. The results of three separate experiments on the HAM10000， ISIC2019 and ISIC2020 datasets indicate that the proposed model improves the accuracy to （98.33±0.03）%，（96.15±0.06）% and （99.19±0.02）%， respectively. Compared with current mainstream networks， the proposed model exhibits superior feature extraction and classification capabilities， and is helpful to improve early diagnostic effects.

Key words: skin cancer classification, ResNet50, Synthetic Minority Over-sampling TEchnique (SMOTE), ensemble learning, attention mechanism

中图分类号:

TP391.4

秦传东, 索志强. 融合改进的ResNet50与集成分类器的皮肤癌分类[J]. 计算机应用, 2026, 46(4): 1354-1362.

Chuandong QIN, Zhiqiang SUO. Skin cancer classification integrating improved ResNet50 with ensemble classifier[J]. Journal of Computer Applications, 2026, 46(4): 1354-1362.

图/表 26

参考文献 29

[1]	SHAIKH M A， DUAN T， CHAUHAN M， et al. Attention based writer independent verification［C］// Proceedings of the 17th International Conference on Frontiers in Handwriting Recognition. Piscataway： IEEE， 2020： 373-379.
[2]	PADHY S， DASH S， KUMAR N， et al. Temporal integration of ResNet features with LSTM for enhanced skin lesion classification［J］. Results in Engineering， 2025， 25： No.104201.
[3]	NAWAZ K， ZANIB A， SHABIR I， et al. Skin cancer detection using dermoscopic images with convolutional neural network［J］. Scientific Reports， 2025， 15： No.7252.
[4]	ROTEMBERG V， KURTANSKY N， BETZ-STABLEIN B， et al. A patient-centric dataset of images and metadata for identifying melanomas using clinical context［J］. Scientific Data， 2021， 8： No.34.
[5]	TSCHANDL P， ROSENDAHL C， KITTLER H. The HAM10000 dataset， a large collection of multi-source dermatoscopic images of common pigmented skin lesions［J］. Scientific Data， 2018， 5： No.180161.
[6]	SABIR R， MEHMOOD T. Classification of melanoma skin cancer based on Image Data Set using different neural networks［J］. Scientific Reports， 2024， 14： No.29704.
[7]	KHAN M A， ZHANG Y D， SHARIF M， et al. Pixels to classes： intelligent learning framework for multiclass skin lesion localization and classification［J］. Computers and Electrical Engineering， 2021， 90： No.106956.
[8]	KASSEM M A， HOSNY K M， FOUAD M M. Skin lesions classification into eight classes for ISIC 2019 using deep convolutional neural network and transfer learning［J］. IEEE Access， 2020， 8： 114822-114832.
[9]	CODELLA N C F， GUTMAN D， CELEBI M E， et al. Skin lesion analysis toward melanoma detection： a challenge at the 2017 International Symposium on Biomedical Imaging （ISBI）， hosted by the International Skin Imaging Collaboration （ISIC）［C］// Proceedings of the IEEE 15th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2018： 168-172.
[10]	HERNÁNDEZ-PÉREZ C， COMBALIA M， PODLIPNIK S， et al. BCN20000： dermoscopic lesions in the wild［J］. Scientific Data， 2024， 11： No.641.
[11]	何雪英，韩忠义，魏本征. 基于深度卷积神经网络的色素性皮肤病识别分类［J］. 计算机应用， 2018， 38（11）： 3236-3240.
	HE X Y， HAN Z Y， WEI B Z. Pigmented skin lesion recognition and classification based on deep convolutional neural network［J］. Journal of Computer Applications， 2018， 38（11）： 3236-3240.
[12]	ALHUDHAIF A， ALMASLUKH B， ASEERI A O， et al. A novel nonlinear automated multi-class skin lesion detection system using soft-attention based convolutional neural networks［J］. Chaos， Solitons and Fractals， 2023， 170： No.113409.
[13]	THWIN S M， PARK H S， SEO S H. A trustworthy framework for skin cancer detection using a CNN with a modified attention mechanism［J］. Applied Sciences， 2025， 15（3）： No.1067.
[14]	OZDEMIR B， PACAL I. An innovative deep learning framework for skin cancer detection employing ConvNeXtV2 and focal self-attention mechanisms［J］. Results in Engineering， 2025， 25： No.103692.
[15]	CHENG H， LIAN J， JIAO W. Enhanced MobileNet for skin cancer image classification with fused spatial channel attention mechanism［J］. Scientific Reports， 2024， 14： No.28850.
[16]	OZDEMIR B， PACAL I. A robust deep learning framework for multiclass skin cancer classification［J］. Scientific Reports， 2025， 15： No.4938.
[17]	HALDER A， DALAL A， GHARAMI S， et al. A fuzzy rank-based deep ensemble methodology for multi-class skin cancer classification［J］. Scientific Reports， 2025， 15： No.6268.
[18]	NATHA P， TERA S P， CHINTHAGINJALA R， et al. Boosting skin cancer diagnosis accuracy with ensemble approach［J］. Scientific Reports， 2025， 15： No.1290.
[19]	DORATHI JAYASEELI J D， BRISKILAL J， FANCY C， et al. An intelligent framework for skin cancer detection and classification using fusion of Squeeze-Excitation-DenseNet with Metaheuristic-driven ensemble deep learning models［J］. Scientific Reports， 2025， 15： No.7425.
[20]	DAS A， MOHANTY M N. Design of stacked ensemble classifier for skin cancer detection［J］. Multimedia Tools and Applications， 2025， 84（28）： 34705-34724.
[21]	AKILANDASOWMYA G， NIRMALADEVI G， SUGANTHI S， et al. Skin cancer diagnosis： leveraging deep hidden features and ensemble classifiers for early detection and classification［J］. Biomedical Signal Processing and Control， 2024， 88（Pt C）： No.105306.
[22]	TAN M， LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 6105-6114.
[23]	SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4510-4520.
[24]	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.
[25]	HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269.
[26]	SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9.
[27]	DONG H， KOTENKO I， DONG S. A lightweight vision Transformer with weighted global average pooling： implications for IoMT applications［J］. Complex and Intelligent Systems， 2025， 11（5）： No.215.
[28]	KAUR R， GHOLAMHOSSEINI H， LINDÉN M. Advanced deep learning models for melanoma diagnosis in computer-aided skin cancer detection［J］. Sensors， 2025， 25（3）： No.594.
[29]	WANG F， JU M， ZHU X， et al. A geometric algebra-enhanced network for skin lesion detection with diagnostic prior［J］. The Journal of Supercomputing， 2025， 81： No.327.

数据集	AKIEC	BCC	BKL	DF	MEL	NV	VASC	SCC
HAM10000	327	514	1 099	115	1 113	6 705	142
ISIC2019	867	3 323	2 624	239	4 522	12 875	253	628

数据集	AKIEC	BCC	BKL	DF	MEL	NV	VASC	SCC
HAM10000	327	514	1 099	115	1 113	6 705	142
ISIC2019	867	3 323	2 624	239	4 522	12 875	253	628

项目	配置	项目	配置
操作系统	Windows11 64 位	Python	3.11.0
处理器	i9-14900	PyTorch	2.5.1
显卡	NVIDIA RTX4060	Torchvision	0.20.1

项目	配置	项目	配置
操作系统	Windows11 64 位	Python	3.11.0
处理器	i9-14900	PyTorch	2.5.1
显卡	NVIDIA RTX4060	Torchvision	0.20.1

类别	精确率	召回率	F1分数	Support
AKIEC	1.00	1.00	1.00	2 048
BCC	0.99	1.00	0.99	1 993
BKL	0.97	0.98	0.97	1 954
DF	1.00	1.00	1.00	2 071
MEL	0.96	0.96	0.96	2 017
NV	0.97	0.95	0.96	2 040
VASC	1.00	1.00	1.00	1 958

融合改进的ResNet50与集成分类器的皮肤癌分类

Skin cancer classification integrating improved ResNet50 with ensemble classifier

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 26

参考文献 29

相关文章 15

编辑推荐

Metrics

去毛发预处理	SMOTE 平衡	SAM 模块	集成分类器	准确率	精确率
				69.77±1.31	50.03±1.38
√				72.58±0.95	51.01±0.74
√	√			97.41±0.18	97.42±0.18
√	√	√		98.08±0.06	98.09±0.05
√	√	√	√	98.33±0.03	98.33±0.02

模型	准确率	精确率	MCC	召回率	特异性	AUC
DenseNet-121^［25］	97.76	97.87	97.53	97.89	99.65	99.93
ResNet50^［24］	97.41	97.42	96.88	97.39	99.55	99.88
MobileNet-V2^［23］	97.14	97.13	96.66	97.14	99.52	99.88
GoogLeNet^［26］	97.81	97.80	97.45	97.82	99.64	99.91
EfficientNet-B0^［22］	97.89	97.89	97.54	97.90	99.65	99.93
本文模型	98.33	98.33	98.01	98.33	99.73	99.96

模型	准确率	模型	准确率
FCDS-CNN^［3］	96.00	Max Voting^［18］	94.70
DCAN-Net^［13］	97.57	EnsembleSVM^［20］	98.20
EnsembleCNN^［17］	95.14	本文模型	98.33

去毛发预处理	SMOTE 平衡	SAM 模块	集成分类器	准确率	精确率
				59.95±0.11	43.03±1.36
√				60.16±0.20	44.22±0.16
√	√			94.67±0.01	94.64±0.01
√	√	√		95.95±0.12	95.94±0.11
√	√	√	√	96.15±0.06	96.14±0.05

模型	准确率	精确率	MCC	召回率	特异性	AUC
DenseNet-121^［25］	95.42	95.36	94.77	95.40	99.35	99.73
ResNet50^［24］	94.67	94.64	93.91	94.66	99.24	99.63
MobileNet-V2^［23］	95.13	95.11	94.44	95.11	99.30	99.69
GoogLeNet^［26］	95.20	95.18	94.52	95.18	99.31	99.69
EfficientNet-B0^［22］	96.00	95.97	95.43	96.00	99.43	99.79
本文模型	96.15	96.14	95.58	96.12	99.46	99.87

模型	准确率	模型	准确率
GoogleNet^［8］	94.92	SCSO-ResNet50-EHS-CNN^［21］	94.24
ConvNeXtV2^［14］	93.60	本文模型	96.15
CombNeXtV2^［16］	93.48

去毛发预处理	SMOTE 平衡	SAM 模块	集成分类器	准确率	精确率
				88.48±0.72	53.62±2.11
√				87.39±1.47	60.21±0.47
√	√			98.97±0.02	98.99±0.01
√	√	√		99.12±0.04	99.14±0.02
√	√	√	√	99.19±0.02	99.21±0.03

模型	准确率	精确率	MCC	召回率	特异性	AUC
DenseNet-121^［25］	99.02	99.03	98.14	99.02	99.03	99.60
ResNet50^［24］	98.97	98.99	97.95	98.96	98.96	99.58
MobileNet-V2^［23］	98.97	98.99	97.95	98.96	98.96	99.57
GoogLeNet^［26］	98.50	98.52	98.00	98.48	98.48	99.34
EfficientNet-B0^［22］	99.09	99.12	98.20	99.08	99.08	99.64
本文模型	99.19	99.21	98.32	99.17	99.17	99.83

模型	准确率	模型	准确率
R-LSTM50^［2］	95.72	GRNet^［29］	98.50
LightAMViT^［27］	98.90	本文模型	99.19
N-DCNN^［28］	93.40

[1]	豆旭梦, 解滨, 张朝晖, 赵振刚, 段菡煜, 郭澳磊. 基于结构‒网络协同特征与网格注意力增强KAN的药物靶标相互作用预测[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1344-1353.
[2]	白翔, 李巨川, 王慧民, 景超, 钮键, 张兴忠, 程永强. 基于改进Swin Transformer的电力图像检索方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1334-1343.
[3]	刘欢娴, 王洪涛, 王宪奥, 王洪梅, 徐伟峰. 跨模态语义关联的多模态事实验证[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1069-1076.
[4]	张祖习, 张战成, 胡伏原. 局部与长程时序互补建模的视频动作识别[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 758-766.
[5]	邵培荣, 蔺素珍, 王彦博. 以人为中心的细节增强虚拟试衣方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 915-923.
[6]	吴俊锐, 杨江川, 喻海生, 邹赛, 汪文勇. 基于复增强注意力机制图神经网络的确定性网络性能评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 505-517.
[7]	徐千惠, 钮可, 朱顺哲, 石林, 李军. 增强型可逆神经网络视频隐写网络GAB3D-SEVSN[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 467-474.
[8]	张日丰, 李广明, 欧阳裕荣. 反射先验图引导的低光图像增强网络[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 546-554.
[9]	李名, 王孟齐, 张爱丽, 任花, 窦育强. 基于条件生成对抗网络和混合注意力机制的图像隐写方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 475-484.
[10]	张四中, 刘建阳, 李林峰. 基于X3D的轨迹引导感知学习的动作质量评估模型[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 555-563.
[11]	罗虎, 张明书. 基于跨模态注意力机制与对比学习的谣言检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 361-367.
[12]	林金娇, 张灿舜, 陈淑娅, 王天鑫, 连剑, 徐庸辉. 基于改进图注意力网络的车险欺诈检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 437-444.
[13]	李亚男, 郭梦阳, 邓国军, 陈允峰, 任建吉, 原永亮. 基于多模态融合特征的并分支发动机寿命预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 305-313.
[14]	昝志辉, 王雅静, 李珂, 杨智翔, 杨光宇. 基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 69-76.
[15]	马英杰, 覃晶滢, 赵耿, 肖靖. 面向物联网图像的深度压缩感知网络及其混沌加密保护方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 144-151.