基于深度学习算法的皮肤过敏原点刺自动检测分析方法技术

本发明专利技术公开了一种基于深度学习算法的皮肤过敏原点刺自动检测分析方法，通过数字化点刺模板确认手臂点刺位置对应的皮肤致敏原，通过标注出点刺区域两侧的边界，采用视觉算法提取出有效检测区域，通过深度学习算法自动识别出各皮肤致敏原的反应区域并计算出反应面积，并将各皮肤致敏原的反应面积与阳性对照液的反应面积进行比较判定被测人员对各皮肤致敏原的过敏等级。本发明专利技术中，通过深度学习算法和计算机视觉自动化检测分析方法能够自动识别出反应区域，并计算反应区域的面积及判定过敏原的过敏等级，相比于传统人工检测方法提升了皮肤过敏原点刺检测试验的执行效率；本发明专利技术产生的结构化数字报告可用于科研调查及分析，提升学科临床诊疗能力。

【技术实现步骤摘要】
基于深度学习算法的皮肤过敏原点刺自动检测分析方法
本专利技术涉及皮肤过敏原检测领域，特别涉及一种基于深度学习算法的皮肤过敏原点刺自动检测分析方法。
技术介绍
皮肤过敏原检测一般采用将少量高度纯化的致敏原液体滴于被测人员前臂，再用点刺针轻轻刺入皮肤表层的点刺实验方式，如患者对该过敏原过敏，则会于十五分钟内在点刺部位出现类似蚊虫叮咬的红肿块(即反应区域)，出现痒的反应，或者颜色上有改变，从而能够确定过敏性疾病的存在。其优点为安全性及灵敏度均比较高，患者无痛楚，就如被蚊叮一样，而且患者及医生都可以立刻知道检验结果。现有的检测方法一般是人工测量各个过敏原的反应区域的长径和短径并计算每一个过敏原的反应区域的近似面积，再人工比对计算每个过敏原的反应面积与阳性参照物的反应面积，得出每个过敏原的过敏反应等级，在检测过程中人工在计算机上逐个填报检测情况用于数字化存档。不仅测量反应区域的面积时误差较大，而且人工检测耗费的时间长、效率低。
技术实现思路
本专利技术要解决的技术问题是提供了一种自动测量反应区域的面积并判定过敏原的过敏等级的基于深度学本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，包括以下步骤：/n步骤S1、预设数字化点刺模板，所述数字化点刺模板设有多个点刺位置，每个所述点刺位置对应一种点刺液，所述点刺液包括阴性对照液、阳性对照液和多种皮肤致敏原液，每一所述皮肤致敏原液分别为一种皮肤致敏原经过高度纯化后得到；/n步骤S2、采用基于U-Net网络基线的深度学习算法，训练能够分割出手臂发生过敏反应后形成的反应区域图像信息的U-Net网络模型；/n步骤S3、按照数字化点刺模板上的点刺位置在被测人员的手臂上确定手臂点刺位置，将阴性对照液、阳性对照液和多种皮肤致敏原液点刺在手臂点刺位置上，形成点刺区域；/n步骤...

【技术特征摘要】
1.一种基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，包括以下步骤：
步骤S1、预设数字化点刺模板，所述数字化点刺模板设有多个点刺位置，每个所述点刺位置对应一种点刺液，所述点刺液包括阴性对照液、阳性对照液和多种皮肤致敏原液，每一所述皮肤致敏原液分别为一种皮肤致敏原经过高度纯化后得到；
步骤S2、采用基于U-Net网络基线的深度学习算法，训练能够分割出手臂发生过敏反应后形成的反应区域图像信息的U-Net网络模型；
步骤S3、按照数字化点刺模板上的点刺位置在被测人员的手臂上确定手臂点刺位置，将阴性对照液、阳性对照液和多种皮肤致敏原液点刺在手臂点刺位置上，形成点刺区域；
步骤S4、在点刺区域的两侧分别人工标注出第一边界和第二边界，作为点刺区域两侧的边界；
步骤S5、等待预定的时间，然后采集点刺区域的图像信息，并通过色彩过滤算法识别出第一边界和第二边界；
步骤S6、在采集的图像信息中截取第一边界和第二边界之间的信息，并从截取的信息中提取出皮肤区域作为有效检测区域；
步骤S7、通过训练好的U-Net网络模型对有效检测区域进行分析，识别并分割出手臂点刺位置发生过敏反应后形成的反应区域，并根据数字化点刺模板将每一反应区域分别与一种点刺液相对应；
步骤S8、计算出各反应区域的面积，作为对应的点刺液的反应面积；
步骤S9、将各皮肤致敏原液的反应面积分别与阳性对照液的反应面积进行比较，根据比较结果判定被测人员对各皮肤致敏原的过敏等级，并生成检测报告。


2.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，所述阴性对照液为生理盐水，所述阳性对照液为变应原及组胺。


3.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，在所述步骤S2中，训练U-Net网络模型包括以下子步骤：
子步骤S201、收集若干带有手臂发生过敏反应后形成的反应区域图像信息的图片作为原始图片；
子步骤S202、将原始图片按照8：1：1的比例分成训练集、验证集和测试集三部分；
子步骤S203、将训练集和验证集中的每一张原始图片做一份蒙版副本，作为监督依据；
子步骤S204、通过自带图像增强工具的人工智能框架库生成对抗网络，从而增殖生成多个训练集，以提高训练成效；
子步骤S205、将训练数据集放入U-Net网络模型进行训练，依据测试集测试结果判断模型是否达到预定要求，如果达到预定要求则执行步骤S207，否则，执行步骤S206；
子步骤S206、调整优化U-Net网络模型，返回执行步骤S205；
子步骤S207、保存训练后达到预定要求的U-Net网络模型及权重。


4.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，在所述步骤S3中，在患者手臂标...

【专利技术属性】
技术研发人员：龙海平，朱叶庆，
申请(专利权)人：重庆康盛医道信息科技有限公司，
类型：发明
国别省市：重庆;50