一种利用神经网络提高激光祛斑效果的方法与流程

本发明涉及一种激光美容方法，尤其涉及一种利用神经网络提高激光祛斑效果的方法。

背景技术：

激光祛斑方法，采用对人体有益、穿透能力较强、人体组织吸收率高的高能量光束，在极短的时间内对目标组织产生热作用，最终通过选择性破坏达到治疗目的。具体来说，激光祛斑是在不损伤正常皮肤组织的情况下，将特定波长的激光光束透过表皮和真皮层，以其强大的瞬间功率、高度集中的辐射能量及色素选择性、极短的脉宽，使激光能量集中作用于色素细胞和色素颗粒，将其直接汽化或击碎。产生的碎片经由体内的巨噬细胞处理吸收，安全不留疤痕，从根本上解决了以往祛斑方法的弊端。可以说，激光祛斑是目前最常使用，效果最理想的祛斑治疗方案之一。因为激光祛斑不同于传统的化学性或是物理性剥脱方法，它采用一种对皮肤创伤更小的方式来对色斑进行根本性的去除，所以安全性和效果都会更加理想。

但目前激光祛斑处置办法是：由大夫根据激光祛斑机器生产厂商提供相应的治疗参数结合自身使用的经验来对患者进行治疗，该种方法的主观性强，治疗方案受大夫个人经验影响成分较大，治疗效果不稳定。

以上所述单凭生产厂商提供的治疗参数以及医生治疗经验的治疗方法，该方法主观性强和治疗效果不稳定的原因在于：患者病损的表现是多元素的、针对不同病损的治疗方法也是多元素的，如果把患者病损表现作为输入方、把治疗方法作为输出方，若干个输入和若干个输出之间的关系是非线性的、复杂的，无法用人类的经验知识简单的描述：如大夫针对患者的输入参数可包括患者年龄、性别、肤色、籍贯、职业、民族、色斑类型、治疗前照片等信息，当大夫确定某种治疗方案之后(包括激光波长、脉宽、能量、治疗次数、治疗频率、治疗时间、治疗后注意事项)得出治疗的效果。这些输入参数之间每个输出参数的影响和作用关系远远超出普通人类的计算能力。

技术实现要素：

本发明针对现有技术的不足，提出一种利用神经网络提高激光祛斑效果的方法，目的在于提供一种采用神经网络优化治疗参数的方法，解决现有技术将生产厂商提供的治疗参数结合医生经验的治疗方法，带有主观性和治疗效果不稳定的问题。

本发明为解决其技术问题提出以下技术方案。

一种利用神经网络提高激光祛斑效果的方法，其特点是：包括以下步骤：

步骤一、进入神经网络训练学习前的参数采集阶段：将患者患处信息作为神经网络训练学习前的输入参数，将医生经验治疗方案作为神经网络训练学习前的输出参数；

步骤二、进入神经网络训练学习阶段：神经网络根据已知的输入参数和输出参数进行训练学习、学习结果作为神经网络使用阶段的隐含层数据；

步骤三、进入神经网络完成训练学习后的使用阶段：新的患者需要治疗时，只需要将该患者患处信息输入到已经完成训练学习的神经网络，该神经网络根据输入层新的信息自动匹配隐含层已知学习结果，并在输出层输出近似于医生经验治疗方案的治疗参数。

所述步骤一患者患处信息包括患者皮肤类型信息、色斑类型信息、患处治疗前照片的灰度等级信息、患处治疗后照片的灰度等级信息。

所述步骤一的医生经验治疗方案信息包括治疗激光波长、脉宽、能量、总治疗时长、治疗后是否冰敷、治疗后是否防晒、治疗后是否摩擦。

所述步骤二的神经网络的学习结果既是神经网络层与层之间连接的权重。

所述神经网络训练学习前参数采集阶段的患者患处信息与神经网络使用阶段的患者患处信息不需要完全一致，神经网络会根据近似的输入参数估计结果。

所述步骤三神经网络输出层输出近似于医生经验治疗方案的治疗参数，该治疗参数包括激光波长参数、脉宽参数、能量参数、总治疗时长参数、治疗后是否冰敷参数、治疗后是否防晒参数、治疗后是否摩擦参数。

所述步骤二训练学习阶段的神经网络结构是由多个神经网络组合而成的，每个神经网络的输出参数是不同的：分别对应一个唯一的治疗方案参数，每个神经网络的输入参数是相同的，分别对应多个相同的患处信息参数。

所述步骤三的使用阶段的神经网络结构是由多个神经网络组合而成的，每个神经网络的输出参数是不同的：分别对应一个唯一的治疗方案参数，每个神经网络的输入参数是相同的，分别对应多个相同的患处信息参数。

本发明的优点效果

1、本发明利用神经网络的优势，分析和处理多输入、多输出非线性参数之间的复杂关系，将大量的治疗过程输入神经网络并完成对他的训练之后，医生只需要根据新的患者输入相应信息就可以自动得到实现理想治疗效果的输出参数了，这将大大提高大夫的工作效率，提高病人的满意度。

2、本发明将患者患处参数、医生经验治疗方案参数、神经网络三者有机相结合，构成了一项“医生只需要根据新的患者输入相应信息就可以自动得到实现理想治疗效果的输出参数了”这样一个新的技术方案，组合以后的效果相比组合以前单凭医生的主观经验的治疗方案的效果要优越的多：激光美容业不再依靠大夫的经验和机器厂家的经验公式，任何一个大夫只要经过短暂的培训就能够从事该岗位的工作，培养人才的周期大大缩短。

附图说明

图1为本发明神经网络训练学习前的输入输出参数；

图2为本发明神经网络学习阶段、使用阶段数据结构图；

图3a为本发明用神经网络优化参数-优化治疗激光波长参数；

图3b为本发明用神经网络优化参数-优化治疗脉宽参数；

图3c为本发明用神经网络优化参数-优化治疗能量参数；

图3d为本发明用神经网络优化参数-优化总治疗时长参数；

图3e为本发明用神经网络优化参数-优化治疗后是否冰敷参数；

图3f为本发明用神经网络优化参数-优化治疗后是否防晒参数；

图3g为本发明用神经网络优化参数-优化治疗后是否摩擦参数。

具体实施方式

发明原理

本发明通过神经网络优化治疗参数包括两个阶段：神经网络训练学习阶段、神经网络使用阶段。

⑴神经网络的训练学习阶段要完成的任务。如图3a-3g所示，每个神经网络包括输入层、隐含层、输出层，每一层均由神经元和神经元之间的权重组成，所述的神经元即为图3a-3g中的圆圈图形，所述权重即为图3a-3g中层与层的连线，所述权重的含义即是一个神经元对另一个神经元的作用的百分比，该百分比用一个具体小数表示，图3a-3g中，每条线代表一个权重，每条线对应一个具体的小数。实际使用中，每个神经元和每条连线都标有具体的数字。

如图2所示为神经网络的两个阶段，在神经网络训练学习阶段，输入层和输出层参数是已知的，隐含层的数据是未知的，通过上千次的训练学习，最后将学习结果储存在隐含层，所述的学习结果就是神经网络层与层之间权重。

神经网络训练学习阶段是怎样获得学习结果的呢？

第一，通过设置初始权重计算出总误差：本实施例中，如图3a-3g所示，输入层-隐含层有25个权重，隐含层到输出层由5个权重，一共30个权重。先给出30个初始的权重参数，通过神经网络的计算，最后在输出层得出一个输出参数，假如理想的输出参数是0.99，由于初始权重是随机的不准确的，所以根据初始权重计算出的输出参数和理想的输出参数0.99有误差，假如根据初始权重计算出的输出参数是0.49，与理想输出参数相比，总误差是0.5；

第二，通过总误差反推出层与层的权重。简单解释就是将总误差分摊到每一个权重的误差，其采用的方法是“梯度下降算法”。在训练神经网络中，梯度下降算法是一种比较常用的优化算法。梯度下降算法的原理是损失函数对于每个参数进行求导，并且利用负梯度对参数进行更新。权重w通过循环进行更新：

w(k)＝w(k-1)+△w(k-1)。其中w(k)代表了更新以后的权重，其中，μ是学习率，它的含义是在参数更新的时候，每一步的跨度大小。表示损失函数loss对于w的梯度。对于每一个训练样本i，我们可以利用链式规则推导出对应的梯度。

关于梯度下降法的解释：我们可以将总的误差0.5用一条斜线表示(对边为1，临边为2)，为了将总的误差分摊到每一个具体的权重，我们可以将斜率为0.5的斜线段改由若干个具有一定斜率的线段组成的，这些线段沿着0.5斜率的方向一条一条地拼接，直到最后一条线段与斜率为0.5的斜线的终点重合，求得每条线段斜率的方法就是损失函数对于每个参数进行求导，30个权重就需要30次求导，每一轮求导完成后再重新计算神经网络的输出参数，经过上千次计算后，在神经网络输出层就会得到一个近似为0.99的参数，此时的神经网络训练学习阶段就结束了，学习结果就是更新以后的30个权重，如图3a-3g所示。

⑵神经网络使用阶段要完成的任务。第一，针对每一类输入参数找到对应的学习结果；如图2所示，完成了训练学习的神经网络隐含层已经存储了学习结果，这些学习结果是针对输入层的每一类输入参数的学习结果。如图1所示，当输入参数的皮肤类型为i、色斑类型为纹身、患处治疗前的照片灰度等级为5、治疗后的照片灰度等级为2时，对应一种神经网络隐含层的学习结果；当输入参数的皮肤类型为v、色斑类型为痤疮、患处治疗前的照片灰度等级为10、治疗后的照片灰度等级为5时，又将对应神经网络隐含层的另一种学习结果。但是，并不是要求每个患者的输入参数完全一样，神经网络会根据输入端的近似值查找对应的学习结果；第二，采用神经网络计算方法在神经网络输出层输出参数。具体为根据输入层的已知参数和隐含层的已知权重，通过一定的算法，最后在输出层输出参数。在本实施例中，采用多个神经网络组合的方法构成治疗方案：一个治疗参数对应一个神经网络，一共包含7个治疗参数，分别对应7个神经网络，如图3a-3g。

关于神经网络算法为公知常识，不在此赘述。

下面结合附图对本发明的技术方案进一步解释：

一种利用神经网络提高激光祛斑效果的方法如图1、图2所示，其特点是：包括以下步骤：

步骤一、进入神经网络训练学习前的参数采集阶段：将患者患处信息作为神经网络训练学习前的输入参数，将医生经验治疗方案作为神经网络训练学习前的输出参数；

补充说明：

补充1、如图1所示，患者患处信息包括患者身份信息，如年龄，因为不同的年龄皮肤的恢复效果是不同的，所以患者的身份信息应该作为输入参数；

补充2、实际计算时，用患者治疗前照片的灰度等级/治疗后照片的灰度等级，比值越大，说明色斑越严重。

补充3、图1中的输入参数、输出参数，实际使用时均采用数字方式进行描述，如治疗方案参数可以用1和0表示，其它参数也采用数字方式表达，在此不一一详述。

步骤二、进入神经网络训练学习阶段：神经网络根据已知的输入参数和输出参数进行训练学习、学习结果作为神经网络使用阶段的隐含层数据；

所述神经网络的学习结果既是神经网络层与层之间连接的权重。

步骤三、进入神经网络完成训练学习后的使用阶段：新的患者需要治疗时，只需要将该患者患处信息输入到已经完成训练学习的神经网络，该神经网络根据输入层新的信息自动匹配隐含层已知学习结果，并在输出层输出近似于医生经验治疗方案的治疗参数。

所述在输出层输出近似于医生经验治疗方案的治疗参数，该参数包括治疗参数包括激光波长参数、脉宽参数、能量参数、总治疗时长参数、治疗后是否冰敷参数、治疗后是否防晒参数、治疗后是否摩擦参数。

所述神经网络训练学习前参数采集阶段的患者患处信息与神经网络使用阶段的患者患处信息不需要完全一致，神经网络会根据近似的输入参数估计结果。就像神经网络识别图像，没有两个图像是完全一致的，但是神经网络完全有能力识别出来。

所述步骤二训练学习阶段的神经网络结构是由多个神经网络组合而成的，每个神经网络的输出参数是不同的：分别对应一个唯一的治疗方案参数，每个神经网络的输入参数是相同的，分别对应多个相同的患处信息参数。

所述步骤三的使用阶段的神经网络结构是由多个神经网络组合而成的，每个神经网络的输出参数是不同的：分别对应一个唯一的治疗方案参数，每个神经网络的输入参数是相同的，分别对应多个相同的患处信息参数。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例。