一种基于卷积神经网络的糖尿病足部溃疡分类方法技术

本发明专利技术中提出的一种基于卷积神经网络的糖尿病足部溃疡分类方法，其主要内容包括：创建糖尿病足溃疡数据集、感兴趣区域标记、增加数据、训练补丁的预处理和常规机器学习、构建糖尿病足溃疡网络，其过程为，先收集糖尿病足溃疡患者和健康人的足部图像作为数据集并描绘感兴趣区域，接着通过使用各种图像处理技术的组合增加数据，用于网络训练，然后对获得的补丁进行预处理，对每个像素进行归一化处理，最后建立糖尿病足溃疡网络，其包括输入数据、平行卷积、完全连接层和输出分类器。本发明专利技术利用先进的卷积神经网络，能更有效和高效地处理输入数据；其灵敏度高，能够有效识别健康皮肤与糖尿病足溃疡之间的特征差异，大大缩短了处理时间。

【技术实现步骤摘要】
一种基于卷积神经网络的糖尿病足部溃疡分类方法
本专利技术涉及图像分类领域，尤其是涉及了一种基于卷积神经网络的糖尿病足部溃疡分类方法。
技术介绍
糖尿病足溃疡(DFU)是糖尿病的主要并发症，如果发生时处理不当可能会导致患者面临截风险。然而，由于DFU需要医生对其患处进行仔细地诊断，同时还需要长时间的治疗和付出昂贵的治疗、护理费用，给患者及其家属造成沉重的经济负担，特别是在发展中国家，这种疾病的治疗费占据国家年收入的5％。因此，若能利用深度学习实现DFU的自动分类，将大大提高DFU患者的诊断和治疗效率。通过开发自动标注器，可以在没有临床医师的帮助下自动划分和分类足部图像，并且可以在这些分类器的帮助下开发溃疡的自动检测、识别和分割；同时可以结合各种软件工具(如用于溃疡识别的移动应用等)方便用户自行诊断。除此之外，这一框架可能有助于分类其他皮肤损伤，如伤口分类、感染如水痘或带状疱疹或其他皮肤病变如痣、雀斑、丘疹等。本专利技术提出了一种基于卷积神经网络的糖尿病足部溃疡分类方法，先收集糖尿病足溃疡患者和健康人的足部图像作为数据集并描绘感兴趣区域，接着通过使用各种图像处理技术的组合增加数据，用于网络训练，然后对获得的补丁进行预处理，对每个像素进行归一化处理，最后建立糖尿病足溃疡网络，其包括输入数据、平行卷积、完全连接层和输出分类器。本专利技术利用先进的卷积神经网络，能更有效和高效地处理输入数据；其灵敏度高，能够有效识别健康皮肤与糖尿病足溃疡之间的特征差异，大大缩短了处理时间。
技术实现思路
针对传统诊断DFU方法不便的问题，本专利技术的目的在于提供一种基于卷积神经网络的糖尿病足部溃疡分类方法，先收集糖尿病足溃疡患者和健康人的足部图像作为数据集并描绘感兴趣区域，接着通过使用各种图像处理技术的组合增加数据，用于网络训练，然后对获得的补丁进行预处理，对每个像素进行归一化处理，最后建立糖尿病足溃疡网络，其包括输入数据、平行卷积、完全连接层和输出分类器。为解决上述问题，本专利技术提供一种基于卷积神经网络的糖尿病足部溃疡分类方法，其主要内容包括：(一)创建糖尿病足溃疡(DFU)数据集；(二)感兴趣区域(ROI)标记；(三)增加数据；(四)训练补丁的预处理和常规机器学习；(五)构建糖尿病足溃疡网络(DFUNet)。其中，所述的创建糖尿病足溃疡(DFU)数据集，收集来自不同患者的DFU的标准化彩色图像的数据集，训练各种深度学习模型；收集292张DFU患者足部图像和105张健康足部图像，图像采用全尺寸的特写拍摄，距离约30-40厘米，平行于溃疡平面；避免使用闪光灯作为主要光源，而是使用足够的室内灯光使图像中颜色一致；同时应确保近距离对焦，避免因近距离而造成图像模糊。其中，所述的感兴趣区域(ROI)标记，对于溃疡足部的每个完整图像，医学专家围绕溃疡的重要区域描绘了感兴趣区域(ROI)，包括正常和异常的显著组织皮肤；对于同时伴有溃疡和非溃疡的图像注释，总共有292个ROI(仅用于具有溃疡的足部图像)；从这些注释中，共产生了1679个皮肤补丁，包括641个正常补丁和1038个异常补丁；最后，将数据集划分为1423个补丁的训练集、84个补丁的验证集和172个补丁的测试集。其中，所述的增加数据，深度网络需要大量的训练图像数据，特别是需要通过学习算法调整卷积层相关的权重；因此，使用增加数据的方法来提高深度学习方法的性能；即使用各种图像处理技术的组合，如旋转、翻转、增强对比度、使用不同的色彩空间、随机缩放或通过90°、180°、270°的角度对图像进行旋转；然后，对原始色块执行三种类型的翻转(水平翻转、垂直翻转、水平并垂直翻转)；用于数据增加的四个颜色空间是Ycbcr、NTSC、HSV和L*a*b；增强对比度时，使用了调整图像强度值、直方图均衡的增强对比度、限制对比的自适应直方图均衡三个函数；使用随机偏移量和随机方向从皮肤补丁的原始数据集中生成了两倍的裁剪补丁；通过这些技术，一共增加了15次训练和验证补丁的数量，即21345个训练补丁和1260个用于验证的补丁。其中，所述的训练补丁的预处理和常规机器学习，由于数据增获加得了大量的训练数据，因此对这些补丁进行预处理是非常重要的；使用零中心技术对这些获得的补丁进行预处理，然后对每个像素进行归一化处理；对DFU和健康皮肤之间差异进行观察，可知颜色和纹理特征描述符是分类的视觉线索；对于这个两类分类问题，选择顺序最小优化(SMO)作为基于支持向量机(SVM)的机器学习分类器；(1)特征描述符：将整个数据集的补丁大小调整为256×256，以提取统一的颜色和纹理特征描述符；使用的三种颜色空间：RGB、HSV和L*u*v；(2)局部二元模式(LBP)是分类中最常用的纹理描述符之一；提取LBP特征以识别足部异常区域中的纹理的强烈变化，从而检测DFU；(3)定向梯度直方图(HOG)将基于像素的表示转换为基于梯度；在这种分类的背景下，HOG在图像中的异常位置处的图像梯度给出了该位置的强度变化；梯度是一个向量，它既有大小又有方向。其中，所述的构建糖尿病足溃疡网络(DFUNet)，DFUNet结合了两种卷积层，即网络起始处的传统卷积层，其使用单个卷积滤波器，接着是平行卷积层，其使用多个卷积层用于从相同输入中提取多个特征；健康的皮肤趋向于表现出光滑的质地，而DFU具有许多明显的特征，包括边缘大、强度或颜色变化强烈、周围的健康皮肤和溃疡本身之间快速变化；DFUN分为三个主要部分：初始化层，比先前的网络层更有效地区分溃疡的平行卷积层，最后是完全连接层和基于softmax的输出分类器；用于DFUNet训练的参数是40个时期，批量大小为8，Adam求解器的学习率为0.001；学习率降低33％，γ值设置为0.1时采用降压策略；DFUNet包括输入数据、平行卷积、完全连接层和输出分类器。进一步地，所述的输入数据，输入包含糖尿病性溃疡和健康皮肤的足部区域的大小为256×256的补丁，用做DFU训练和验证的图像；DFUNet的输入从传统的CNN结构中的初始卷积、汇集和归一化层开始；执行此步骤还可确保在转到后续图层之前减少较大的原始输入图像维度。进一步地，所述的平行卷积，传统的卷积层只使用单一类型的卷积滤波器，通常是从输入数据上的1×1到5×5之间；每个卷积滤波器在相同的输入上提供不同的特征提取；使用平行卷积层的思想是串联多个卷积滤波器输入，以允许多级特征提取并覆盖来自相同输入的群集；卷积的设计是为了创建可区分的特征，突出显示图像中的任何DFU部位；在DFUNet的平行卷积层中使用三种卷积核：5×5、3×3和1×1；这些卷积核相互平行并最终连接起来；DFUNet的核心是四个平行卷积，在DFU数据集上进行试验的DFUNet总共有5个不同的滤波器大小。进一步地，所述的卷积层，每个卷积层使用一个修正线性单位(ReLU)，其定义如下：f(x)＝max(0,x)(1)函数将激活阈值设为零；由于对每个卷积使用了一个ReLU，因此它们包含无限激活，所以使用局部响应规范化(LRN)在卷积层的每个级联之后对这些激活进行归一化；它也有助于避免CNN方法面临的过度拟合问题；设是应用在位置(x,y)的内核i的源输出；然后通过下式计算在位置(x,y)处应用核i的正则化输出其中，本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的糖尿病足部溃疡分类方法，其特征在于，主要包括创建糖尿病足溃疡(DFU)数据集(一)；感兴趣区域(ROI)标记(二)；增加数据(三)；训练补丁的预处理和常规机器学习(四)；构建糖尿病足溃疡网络(DFUNet)(五)。

【技术特征摘要】
1.一种基于卷积神经网络的糖尿病足部溃疡分类方法，其特征在于，主要包括创建糖尿病足溃疡(DFU)数据集(一)；感兴趣区域(ROI)标记(二)；增加数据(三)；训练补丁的预处理和常规机器学习(四)；构建糖尿病足溃疡网络(DFUNet)(五)。2.基于权利要求书1所述的创建糖尿病足溃疡(DFU)数据集(一)，其特征在于，收集来自不同患者的DFU的标准化彩色图像的数据集，训练各种深度学习模型；收集292张DFU患者足部图像和105张健康足部图像，图像采用全尺寸的特写拍摄，距离约30-40厘米，平行于溃疡平面；避免使用闪光灯作为主要光源，而是使用足够的室内灯光使图像中颜色一致；同时应确保近距离对焦，避免因近距离而造成图像模糊。3.基于权利要求书1所述的感兴趣区域(ROI)标记(二)，其特征在于，对于溃疡足部的每个完整图像，医学专家围绕溃疡的重要区域描绘了感兴趣区域(ROI)，包括正常和异常的显著组织皮肤；对于同时伴有溃疡和非溃疡的图像注释，总共有292个ROI(仅用于具有溃疡的足部图像)；从这些注释中，共产生了1679个皮肤补丁，包括641个正常补丁和1038个异常补丁；最后，将数据集划分为1423个补丁的训练集、84个补丁的验证集和172个补丁的测试集。4.基于权利要求书1所述的增加数据(三)，其特征在于，深度网络需要大量的训练图像数据，特别是需要通过学习算法调整卷积层相关的权重；因此，使用增加数据的方法来提高深度学习方法的性能；即使用各种图像处理技术的组合，如旋转、翻转、增强对比度、使用不同的色彩空间、随机缩放或通过90°、180°、270°的角度对图像进行旋转；然后，对原始色块执行三种类型的翻转(水平翻转、垂直翻转、水平并垂直翻转)；用于数据增加的四个颜色空间是Ycbcr、NTSC、HSV和L*a*b；增强对比度时，使用了调整图像强度值、直方图均衡的增强对比度、限制对比的自适应直方图均衡三个函数；使用随机偏移量和随机方向从皮肤补丁的原始数据集中生成了两倍的裁剪补丁；通过这些技术，一共增加了15次训练和验证补丁的数量，即21345个训练补丁和1260个用于验证的补丁。5.基于权利要求书1所述的训练补丁的预处理和常规机器学习(四)，其特征在于，由于数据增获加得了大量的训练数据，因此对这些补丁进行预处理是非常重要的；使用零中心技术对这些获得的补丁进行预处理，然后对每个像素进行归一化处理；对DFU和健康皮肤之间差异进行观察，可知颜色和纹理特征描述符是分类的视觉线索；对于这个两类分类问题，选择顺序最小优化(SMO)作为基于支持向量机(SVM)的机器学习分类器；(1)特征描述符：将整个数据集的补丁大小调整为256×256，以提取统一的颜色和纹理特征描述符；使用的三种颜色空间：RGB、HSV和L*u*v；(2)局部二元模式(LBP)是分类中最常用的纹理描述符之一；提取LBP特征以识别足部异常区域中的纹理的强烈变化，从而检测DFU；(3)定向梯度直方图(HOG)将基于像素的表示转换为基于梯度；在这种分类的背景下，HOG在图像中的异常位置处的图像梯度给出了该位置的强度变化；梯度是一个向量，它既有大小又有方向。6.基于权利要求书1所述的构建糖尿病足溃疡网络(DFUNet)(五)，其特征在于，DFUNet结合了两种卷积层，即网络起始处的传统卷积层，其...

【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：广东,44