一种基于深度学习的皮肤疾病检测方法以及系统技术方案

本发明专利技术公开了一种基于深度学习的皮肤疾病检测方法以及系统，方法包括：将待检测皮肤的图片预处理后输入改进的Faster RCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习，本发明专利技术可以更加有效的提升模型的性能，比基础的Faster RCNN的检测效果提升，适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测，可用于医疗行业和医学美容行业的各种疾病检测。

【技术实现步骤摘要】
一种基于深度学习的皮肤疾病检测方法以及系统
本专利技术涉及皮肤疾病检测领域，尤其涉及一种基于深度学习的皮肤疾病检测系统。
技术介绍
近年来，面部皮肤疾病发病率较高而且呈上升趋势，特别是护肤品密切相关的疾病，例如痤疮、面部敏感皮肤、激素依赖皮炎、口周皮炎、酒渣鼻、黄褐斑等均较常见，而且类型非常多。如何选择护肤品、如何协调好护肤品和外用药物同时使用的情况，是目前人们特别是女性特别关注的问题。选择正确的护肤品的前提是要对面部皮肤疾病做准确的判断，否则会因为护肤品使用不当加重病情。由于目前皮肤科医生非常紧缺，在面部皮肤诊断有专长的皮肤科医生更少。而且很多情况下，病人并不主动寻求医生的诊断，而是咨询美容行业的从业人员，由于此类人员的专业性较差，往往咨询效果不佳。准确高效的诊断出面部皮肤问题成为现在美容护肤行业的一个迫切需求。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的皮肤疾病检测方法以及系统。本专利技术解决其技术问题所采用的技术方案是：构造一种基于深度学习的皮肤疾病检测方法，方法包括：将待检测皮肤的图片预处理后输入改进的FasterRCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。在本专利技术所述的基于深度学习的皮肤疾病检测方法中，该神经网络模型包括：特征提取层：针对输入的预处理后的图片，使用深度宽度残差网络提取图片特征，得到特征图；候选区域检测层：使用区域建议网络从特征图里提取候选区域；目标区域池化层：把特征图的候选区域里的目标通过池化操作来筛选出来；回归层：确定目标的区域中的疾病区域；分类层：确定每个疾病区域里的疾病类别。在本专利技术所述的基于深度学习的皮肤疾病检测方法中，所述深度宽度残差网络包括使用四十层网络，该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层，每个卷积层的宽度为2，每个卷积层使用3*3的卷积。在本专利技术所述的基于深度学习的皮肤疾病检测方法中，该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成，其中，第一卷积单元包含一个卷积层，第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。在本专利技术所述的基于深度学习的皮肤疾病检测方法中，第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层。在本专利技术所述的基于深度学习的皮肤疾病检测方法中，所述方法还包括：在所述神经网络模型进行皮肤检测之前，使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据，经过预处理后训练所述神经网络模型。本专利技术还要求保护一种基于深度学习的皮肤疾病检测系统，该系统包括图片输入层以及改进的FasterRCNN神经网络模型，图片输入层用于将待检测皮肤的图片预处理后输入该神经网络模型，该神经网络模型用于输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。在本专利技术所述的基于深度学习的皮肤疾病检测系统中，该神经网络模型包括：特征提取层：针对输入的预处理后的图片，使用深度宽度残差网络提取图片特征，得到特征图；候选区域检测层：使用区域建议网络从特征图里提取候选区域；目标区域池化层：把特征图的候选区域里的目标通过池化操作来筛选出来；回归层：确定目标的区域中的疾病区域；分类层：确定每个疾病区域里的疾病类别。在本专利技术所述的基于深度学习的皮肤疾病检测系统中，所述深度宽度残差网络包括使用四十层网络，该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层，每个卷积层的宽度为2，每个卷积层使用3*3的卷积。在本专利技术所述的基于深度学习的皮肤疾病检测系统中，该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成，其中，第一卷积单元包含一个卷积层，第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层，第二卷积单元至第四卷积单元中的任意两个卷积层之间还可包括丢弃层。实施本专利技术的基于深度学习的皮肤疾病检测系统，具有以下有益效果：本专利技术通过对FasterRCNN神经网络模型进行改进后运用到皮肤检测，使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习，可以更加有效的提升模型的性能，比基础的FasterRCNN的检测效果提升，适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测，可用于医疗行业和医学美容行业的各种疾病检测。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：图1是本专利技术实施例一种的皮肤疾病检测方法的流程图；图2是本专利技术的改进的FasterRCNN神经网络模型的结构示意图；图3是丢弃层的结构示意图。具体实施方式为了解决由于疾病区域跟健康皮肤区域的差异性不明显、疾病区域的形状不规则、疾病之间的差异性不明显带来的检测准确率不高的问题，针对准确高效的诊断出面部皮肤问题的需求，本专利技术旨在使用深度学习技术对面部皮肤疾病做智能分析，可实现对敏感肌肤、痤疮和皮炎类型的皮肤疾病的快速诊断，并且对不同疾病的分期也可以准确诊断，比如痤疮的粉刺期、炎症期和疤痕期，接触性皮炎的红斑肿胀期和渗出糜烂期。本专利技术的皮肤疾病识别主要使用的深度学习算法，深度学习是对神经网络的一种改进，包含更多的计算层，从而能够在数据中进行更高层次的抽象和预测。到目前为止，它正成为通用成像和计算机视觉领域领先的机器学习工具。卷积神经网络(CNN)作为一种典型的深度学习模型，已经被证明是可用于许多计算机视觉任务的有利工具。深度卷积神经网络(DeepCNN)可以自动学习从原始图像数据获得的中级和高级的抽象概念(例如线条、形状、轮廓等等)。CNN的强大得益于它的深层架构，这让它在不同抽象级别上，提取一系列辨别特征。CNN在很多场景下的图片分类问题已经超过了人的准确率。最近的研究成果表明，从CNN提取的通用描述符在自然图像的对象识别和定位中非常有效。比如FasterRCNN算法能够很准确了的识别自然场景图片里的多种物体并给出物体所在位置，比如人、车、树木等等。但是，现有的FasterRCNN算法主要目的是用于自然场景下的物体识别，比如车、房子、人、动物等等。这些物体(前景)跟背景(图片中的非目标物体)的差异性比较大，物体跟背景的边缘比较明显，很容易找到目标物体所在的区域，另外，这些物体之间的差异性也比较明显，特别是从形状上来看，所以基于VGG16网络提取的特征主要体现在形状上，把这些物体的类别找正确也不难。但是面部疾病检测会比较有挑战一些，首先，疾病区域跟背景(健康皮肤区域)的差异性不明显，只是稍微颜色上有些区别，并且发病区域没有明显的边缘，而且发病区域本文档来自技高网...

【技术保护点】
一种基于深度学习的皮肤疾病检测方法，其特征在于，方法包括：将待检测皮肤的图片预处理后输入改进的Faster RCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。

【技术特征摘要】
1.一种基于深度学习的皮肤疾病检测方法，其特征在于，方法包括：将待检测皮肤的图片预处理后输入改进的FasterRCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。2.根据权利要求1所述的基于深度学习的皮肤疾病检测方法，其特征在于，该神经网络模型包括：特征提取层：针对输入的预处理后的图片，使用深度宽度残差网络提取图片特征，得到特征图；候选区域检测层：使用区域建议网络从特征图里提取候选区域；目标区域池化层：把特征图的候选区域里的目标通过池化操作来筛选出来；回归层：确定目标的区域中的疾病区域；分类层：确定每个疾病区域里的疾病类别。3.根据权利要求1所述的基于深度学习的皮肤疾病检测方法，其特征在于，所述深度宽度残差网络包括使用四十层网络，该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层，每个卷积层的宽度为2，每个卷积层使用3*3的卷积。4.根据权利要求3所述的基于深度学习的皮肤疾病检测方法，其特征在于，该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成，其中，第一卷积单元包含一个卷积层，第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。5.根据权利要求4所述的基于深度学习的皮肤疾病检测方法，其特征在于，第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层。6.根据权利要求1所述的基于深度学习的皮肤疾病检测系统，其特征在于，所述方法还包括：在所述神经网络...

【专利技术属性】
技术研发人员：刘凯，吴志力，刘晓明，
申请(专利权)人：深圳市宜远智能科技有限公司，
类型：发明
国别省市：广东,44