一种皮肤镜图像检测方法和装置

本发明涉及计算机软件领域，特别涉及图像处理中一种皮肤镜图像检测分类方法和装置。

背景技术：

1、皮肤疾病是一类常见疾病，但人类在没有专业知识的情况下很难对其进行区分，因此深度学习被应用于这一领域，即在临床诊断中对皮肤疾病进行自动诊断。深度神经网络通常假设训练集与测试集类别相同，然而在现实应用中，经常需要识别系统检测一些不属于训练集类别的图片，此时系统会在某些图片上产生较高置信度，将外部图片(如一些表皮颜色与病变颜色接近的动物图片)误识别为皮肤病，削弱了皮肤病识别系统的安全性，给患者带来不利影响。

2、为了解决这个问题，深度学习中的分布外检测方法得到应用，该方法希望通过提前辨别输入的数据是否为分布外(ood)样本来减少模型的错误率。现有的ood检测方法可以分为基于密度，基于距离和基于分类。基于分类的ood检测方法通过使用分类器对提取的特征进行分类来判断输入样本是否为ood样本。由于这种方法操作简便，因此在图像分类领域得到了广泛的应用。有研究者证明了将分布内(id)数据嵌入到低维空间可以使ood数据更容易被检测到。如果测试数据占据id数据的区域概率为0，则属于ood类别。有人设计了一个基于边界的ood分类器，他们首先结合视觉特征和语义特征，然后找出每个类的流形边界和中心来区分ood样本；还有研究人员提出了一个语义一致的ood检测基准，并设计了一个无监督双分组的特征提取框架，在提高id数据分类性能和ood数据检测性能的同时可以丰富语义信息。

技术实现思路

1、基于此，需要提出一种可以进一步提升检测性能的皮肤镜图像检测方案。

2、为此，发明人提出了一种皮肤镜图像检测方法，包括如下步骤：

3、获取皮肤镜图像并进行预处理；

4、从深度神经网络的不同层提取特征，对提取所得的特征作纠正激活操作，所述纠正激活操作为：将提取所得特征与预设阈值进行比较，获得最优特征值用于输入分类器；

5、评估出性能最优的层用于判定分布外样本。

6、进一步地，所述的皮肤镜图像检测方法中，所述“从其不同层提取特征，并评估出性能最优的层用于检测”具体包括：在浅层网络中使用的分类器为单类svm，所述浅层网络为神经网络的第一层至倒数第二层；在深层网络中使用的分类器为适应性gram矩阵，所述深层网络为神经网络的最后一层。

7、进一步地，所述的皮肤镜图像检测方法中，对待输入单类svm分类器的特征，对其在通道维度上作降维处理，所述降维处理的算法具体为：

8、其中w、h为宽度、高度，为fl(x)的第(i，j，k)个元素。

9、进一步地，所述的皮肤镜图像检测方法中，所述判定分布外样本的方法包括：以每层分类器输出的最大真阴性率确定最终异常分数计算层s，并以最终异常分数计算层s的计算结果与一阈值进行比较，将低于阈值的数据判定为分布外样本；真阴性率tnr以及异常分数计算层s的算法分别为：

10、

11、

12、其中tn为真阴性数，fp为假阳性数，sl(·)表示不同层的单类svm的输出，g(·)表示适应性gram矩阵的输出。

13、发明人同时提出了一种皮肤镜图像检测装置，包括预处理单元、特征提取单元、纠正激活单元和评估单元；

14、所述预处理单元用于获取皮肤镜图像并进行预处理；

15、所述特征提取单元用于从深度神经网络的不同层提取特征，所述纠正激活单元用于对提取所得的特征作纠正激活操作，所述纠正激活操作为：将提取所得特征与预设阈值进行比较，获得最优特征值用于输入分类器；

16、所述评估单元用于评估出性能最优的层用于判定分布外样本。

17、进一步地，所述的皮肤镜图像检测装置中，在特征提取单元和纠正激活单元“从其不同层提取特征，并评估出性能最优的层用于检测”的过程中，在浅层网络中使用的分类器为单类svm，所述浅层网络为神经网络的第一层至倒数第二层；在深层网络中使用的分类器为适应性gram矩阵，所述深层网络为神经网络的最后一层。

18、进一步地，所述的皮肤镜图像检测装置中，还包括降维单元，所述降维单元用于对输入单类svm分类器的特征，在通道维度上作降维处理，所述降维处理的算法具体为：

19、其中w、h为宽度、高度，为fl(x)的第(i，j，k)个元素。

20、进一步地，所述的皮肤镜图像检测装置中，所述评估单元判定分布外样本的方法包括：以每层分类器输出的最大真阴性率确定最终异常分数计算层s，并以最终异常分数计算层s的计算结果与一阈值进行比较，将低于阈值的数据判定为分布外样本；真阴性率tnr以及异常分数计算层s的算法分别为：

21、

22、

23、其中tn为真阴性数，fp为假阳性数，sl(·)表示不同层的单类svm的输出，g(·)表示适应性gram矩阵的输出。

24、与现有技术不同，本发明设计了一个基于分类的多尺度检测框架来进一步提升检测性能。首先，本发明对不同深度的网络层上提取得到的特征选用不同的分类器。在浅层网络，即从神经网络的第一层至倒数第二层这一范围，本发明选择单类svm进行图像分类，单类svm不需要大量数据即可获得较好的分类效果，适合于数据量相对较小的皮肤镜异常检测任务；在深层网络，即全连接层，对应网络的最后一层，本发明选择适应性gram矩阵计算id特征和ood特征之间的相关性，最终获得相对准确的检测分数。此外，为了获得更贴近真实分布的特征用于计算，本发明在模型每一层的特征提取操作之后添加纠正激活操作，它通过与预设阈值比较选取最终特征值并输入当前层对应的分类器。

技术特征：

1.一种皮肤镜图像检测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的皮肤镜图像检测方法，其特征在于，所述“从其不同层提取特征，并评估出性能最优的层用于检测”具体包括：在浅层网络中使用的分类器为单类svm，所述浅层网络为神经网络的第一层至倒数第二层；在深层网络中使用的分类器为适应性gram矩阵，所述深层网络为神经网络的最后一层。

3.如权利要求1所述的皮肤镜图像检测方法，其特征在于，对待输入单类svm分类器的特征，对其在通道维度上作降维处理，所述降维处理的算法具体为：其中w、h为宽度、高度，为fl(x)的第(i，j，k)个元素。

4.如权利要求1所述的皮肤镜图像检测方法，其特征在于，所述判定分布外样本的方法包括：以每层分类器输出的最大真阴性率确定最终异常分数计算层s，并以最终异常分数计算层s的计算结果与一阈值进行比较，将低于阈值的数据判定为分布外样本；真阴性率tnr以及异常分数计算层s的算法分别为：

5.一种皮肤镜图像检测装置，其特征在于，包括预处理单元、特征提取单元、纠正激活单元和评估单元；

6.如权利要求5所述的皮肤镜图像检测装置，其特征在于，在特征提取单元和纠正激活单元“从其不同层提取特征，并评估出性能最优的层用于检测”的过程中，在浅层网络中使用的分类器为单类svm，所述浅层网络为神经网络的第一层至倒数第二层；在深层网络中使用的分类器为适应性gram矩阵，所述深层网络为神经网络的最后一层。

7.如权利要求5所述的皮肤镜图像检测装置，其特征在于，还包括降维单元，所述降维单元用于对输入单类svm分类器的特征，在通道维度上作降维处理，所述降维处理的算法具体为：

8.如权利要求5所述的皮肤镜图像检测装置，其特征在于，所述评估单元判定分布外样本的方法包括：以每层分类器输出的最大真阴性率确定最终异常分数计算层s，并以最终异常分数计算层s的计算结果与一阈值进行比较，将低于阈值的数据判定为分布外样本；真阴性率tnr以及异常分数计算层s的算法分别为：

技术总结
为进一步提升检测性能，发明人提出了一种皮肤镜图像检测方法，包括如下步骤：获取皮肤镜图像并进行预处理；从深度神经网络的不同层提取特征，对提取所得的特征作纠正激活操作，所述纠正激活操作为：将提取所得特征与预设阈值进行比较，获得最优特征值用于输入分类器；评估出性能最优的层用于判定分布外样本。与现有技术不同，本发明设计了一个基于分类的多尺度检测框架来进一步提升检测性能。

技术研发人员：汪涛,李佐勇,黄中政,蔡远征
受保护的技术使用者：闽江学院
技术研发日：
技术公布日：2024/1/11