一种区域性皮肤病的识别分类方法、装置和设备

本技术涉及医学图像处理与计算机视觉，尤其涉及一种区域性皮肤病的识别分类方法、装置和设备。

背景技术：

1、皮肤病大多数暴露在体表，因此常通过肉眼或者配合放大镜等辅助设备进行观测，从视觉上对皮肤病进行诊断和分类。由于皮肤病的种类一般是由皮肤科医生通过观察发病部位的状况进行鉴别和诊断的,因此皮肤病的诊断准确率非常依赖于医生的个人临床经验，由于皮肤病种类众多，也因此经常可能发生皮肤病种类误判的情况。

2、随着计算机视觉技术的发展,计算机辅助诊断对医学图像进行相关分析和处理已经得到越来越多的应用,特别是在医学影像学的领域。在皮肤病的医学诊断上,计算机辅助诊断也能起到提高诊断准确率、提高工作效率、降低医生压力的效果。相关技术中，通常通过计算机识别技术根据拍摄的皮肤病图片进行皮肤病分类识别，在通过计算机视觉技术对皮肤病进行诊断时，主要根据皮肤病图片的形状、颜色、深度以及分布对皮肤病种类进行识别。然而，这种识别方式的局限性较多，因为拍摄的皮肤病图片中也包含未患病的其他部位，拍摄的不同部位产生的特征也全部送入深度学习模型训练,因此同一区域的不同皮肤病往往会被划分到一类，直接使用拍摄的皮肤病图片对于区域性皮肤病的分类识别效果偏差过大,对同一部位中不同种类皮肤病的类型识别效果欠佳。

3、因此，如何更加快速正确的对皮肤病进行分类识别是有待解决的技术问题。

技术实现思路

1、本技术的主要目的在于提供一种区域性皮肤病的识别分类方法、装置和设备，旨在解决相关技术中对皮肤病类型进行识别时，对同一部位中不同种类皮肤病的类型识别效果欠佳的技术问题。

2、第一方面，本技术提供一种区域性皮肤病的识别分类方法，所述方法包括以下步骤：

3、基于训练好的语义分割模型对皮肤病图像中的患病区域进行分割标注；

4、基于训练好的皮肤病类型识别模型对分割标注的患病区域中的皮肤病类型进行识别。

5、一些实施例中，对语义分割模型进行训练获得训练好的语义分割模型，包括：

6、根据皮肤病类型对m张皮肤病图像进行分类，并通过图像标注工具labelme对m张皮肤病图像中的患病区域进行掩膜标注，以获得患病区域源数据集；

7、将所述患病区域源数据集划分为分割训练集和分割测试集；

8、基于所述分割训练集对语义分割模型进行训练，以使语义分割模型学习患病区域的特征和属性；

9、基于所述分割测试集评估训练后的语义分割模型的损失是否小于预设的第一损失阈值；

10、若是，则确定训练后的语义分割模型为训练好的语义分割模型；

11、否则，调整训练后的语义分割模型，并增加训练次数epochs继续对训练后的语义分割模型进行训练，直至训练后的语义分割模型的损失小于所述第一损失阈值。

12、一些实施例中，该方法还包括：

13、在基于所述分割训练集对语义分割模型进行训练时，通过预设的第一交叉熵损失函数计算语义分割模型输出的分割标注结果与对应的labelme掩膜标注结果的差异：

14、

15、其中，c代表皮肤病类别数，pi为labelme掩膜标注结果，qi为语义分割模型输出的分割标注结果；

16、根据所述第一交叉熵损失函数的梯度信息进行随机梯度下降操作，以对语义分割模型进行更新：

17、

18、其中，t为迭代次数，θt为第t次迭代的语义分割模型参数，η为语义分割模型的学习率,为随机梯度。

19、一些实施例中，在根据皮肤病类型对m张皮肤病图像进行分类之后，在通过图像标注工具labelme对m张皮肤病图像中的患病区域进行掩膜标注之前，还包括：

20、对m张皮肤病图像进行数据增强和数据滤波。

21、一些实施例中，对皮肤病类型识别模型进行训练获得训练好的皮肤病类型识别模型，包括：

22、将所述患病区域源数据集以外的n张皮肤病图像输入至训练好的语义分割模型中，通过训练好的语义分割模型对输入的n张皮肤病图像的患病区域进行分割标注；

23、将患病区域源数据集和分割标注后的n张皮肤病图像再次划分为识别训练集和识别测试集；

24、基于所述识别测试集对皮肤病类型识别模型进行训练，并在训练时通过预设的第二交叉熵损失函数和随机梯度下降操作，对皮肤病类型识别模型进行更新；

25、基于所述识别测试集评估训练后的皮肤病类型识别模型的损失是否小于预设的第二损失阈值；

26、若是，则确定训练后的皮肤病类型识别模型为训练好的皮肤病类型识别模型；

27、否则，调整训练后的皮肤病类型识别模型，并增加训练次数epochs继续对训练后的皮肤病类型识别模型进行训练，直至训练后的皮肤病类型识别模型的损失小于所述第二损失阈值。

28、一些实施例中，语义分割模型为enet模型，皮肤病类型识别模型为inceptionv4_overall模型；

29、其中皮肤病类型识别模型inceptionv4_overall是在深度学习原始模型inceptionv4中添加全局注意力机制gam得到的。

30、一些实施例中，在深度学习原始模型中添加全局注意力机制gam，得到皮肤病类型识别模型，包括：

31、在深度学习原始模型输入层最后一层级联的输出进行平均池化，以得到整张皮肤病图像的全局特征向量；

32、将所述全局特征向量输入至深度学习原始模型的全连接层中，并计算每个像素点的权重：

33、

34、其中，wi,j为皮肤病图像的第i行第j列像素点的权重，fi,j为第i行第j列的像素点在全局特征向量中的对应值，α为可调节的超参数；

35、将像素点的权重应用到卷积层的输出上，得到加权的特征向量；

36、将加权的特征向量输入到深度学习原始模型中，得到皮肤病类型识别模型。

37、一些实施例中，该方法还包括：

38、将训练好的enet模型和训练好的inceptionv4_overall模型组成训练好的深度学习系统enet-inceptionv4_overall；

39、通过训练好的enet-inceptionv4_overall系统对皮肤病图像中的皮肤病种类进行识别。

40、第二方面，本技术还提供一种区域性皮肤病的识别分类装置，所述装置包括：

41、分割模块，其用于基于训练好的语义分割模型对皮肤病图像中的患病区域进行分割标注；

42、识别模块，其用于基于训练好的皮肤病类型识别模型对分割标注的患病区域中的皮肤病类型进行识别。

43、第三方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的区域性皮肤病的识别分类方法的步骤。

44、本技术提供一种区域性皮肤病的识别分类方法、装置和设备，基于训练好的语义分割模型对皮肤病图像中的患病区域进行分割标注，降低非患病区域的训练权重,减少周边部位的干扰,减轻发病区域关联边缘部位带来的影响，接着，基于训练好的皮肤病类型识别模型对分割标注的患病区域中的皮肤病类型进行识别，能够有效的提高区域性皮肤病的识别准确率。