一种基于深度学习的人脸诊断系统技术方案

本发明专利技术公开一种基于深度学习的人脸诊断系统，人脸诊断系统包括模型构建模块和模型应用模块，模型构建模块包括中央处理器、GPU服务器和模型构建存储器，模型构建存储器中存储有可以被中央处理器运行的程序，并且可以存储相关疾病患者的面部图像，模型应用模块包括神经网络芯片和摄像头，摄像头用于采集患者的面部照片，神经网络芯片可以搭载辅助诊断模型，辅助诊断模型基于深度卷积神经网络，通过训练、验证和优化得到，可基于人脸图像预测出特定疾病的患病概率。本发明专利技术采用上述基于深度学习的人脸诊断系统，可预测出某些疾病的患病概率，从而协助医生进行疾病的筛查工作，提高了诊断准确率和效率。

【技术实现步骤摘要】
一种基于深度学习的人脸诊断系统
本专利技术涉及疾病辅助诊断领域，特别是一种基于深度学习的人脸诊断系统。
技术介绍
在过去的几十年中，用于处理各种疾病的计算机辅助诊断系统引起了许多研究者的兴趣。最近，这些计算机辅助诊断系统使用深度学习体系结构对医学图像进行分析和分类。许多疾病如部分遗传疾病等具有可识别的面部特征，有些医生可根据一定的经验累积和学习，通过对患者面部特征的观察初步得到较为正确的诊断结果。但诊断结果易受到医生经验的丰富程度、技能水平的高低等影响，可重复性差，尤其对于一些罕见疾病诊断更是不易。但是当前缺乏针对面部图像分析识别的辅助诊断系统。
技术实现思路
为了解决现有技术中缺乏针对面部图像分析识别的辅助诊断系统的技术问题，本专利技术提出一种基于深度学习的人脸诊断系统。为此，本专利技术提出的基于深度学习的人脸诊断系统包括模型构建模块和模型应用模块；所述模型构建模块包括中央处理器、GPU服务器和模型构建存储器，所述模型构建存储器中存储有可以被所述中央处理器运行的程序，并且可以存储相关疾病患者的面部图像；所述模型应用模块包括神经网络芯片和摄像头，所述摄像头用于采集患者的面部照片，所述神经网络芯片可以搭载辅助诊断模型，所述辅助诊断模型基于深度卷积神经网络，通过训练、验证和优化得到，可基于人脸图像预测出特定疾病的患病概率。进一步地，所述中央处理器通过运行程序可以实现模型构建，模型构建的具体步骤包括：S1、采集数据集：获取相关疾病患者的面部图像；S2、数据预处理：对所获图像数据进行数据清洗、标注和增强；S3、模型训练：将预处理得到的数据集输入深度卷积神经网络中训练，获得辅助诊断模型；S4、验证、优化模型性能，将经过训练的辅助诊断模型传输给模型应用模块。进一步地，所述步骤S2具体包括：S21、数据清洗：对采集到人脸图像数据进行筛选，剔除模糊、失焦的不合格图像，保留面部显像清晰的合格图像；S22、数据标注：将图像根据对应病症对其进行规范的分类标注；S23、数据增强：对图像进行旋转、平移、剪切、缩放等操作进行数据扩增，以增加数据集样本量；S24、脸部分割和人脸对齐：对图像进行面部检测和对齐处理等并将图像裁剪到面部区域；S25、数据格式规范化：将不同分辨率的图像数据resize后获得相同分辨率的图像，图像格式统一。进一步地，所述步骤S24具体包括：S241、根据人脸范围，找出两只眼睛的区域并计算中心坐标，分别记为(xleft，yleft)，(xright，yright)；S242、计算两眼连线与水平线的夹角S243、按照图像的中心作为坐标原点根据如下公式进行坐标变换x′＝x·cosa-y·sinay′＝y·cosa+x·Sina。进一步地，所述步骤S3中，将数据集按比例分为训练集和验证集，训练集部分的数据集输入深度卷积神经网络中，在所述GPU服务器上训练。进一步地，所述步骤S3中，所述深度卷积神经网络的最后两层为全连接层和softmax层。进一步地，所述softmax层的输出向量中每个元素的值均在0-1之间，数值大小表示该人脸图像对应每种疾病的患病概率。进一步地，所述步骤S4中，根据网络在验证集和训练集上的表现，判断模型是否过拟合或者欠拟合，若出现过拟合或者欠拟合，则采取措施优化模型。进一步地，所述步骤S4中，当训练集和验证集上排名前五的错误率均低于5％，则认定辅助诊断模型训练完成。进一步地，所述模型应用模块的工作过程包括：S5、通过摄像头获取待诊断者面部清晰图像；S6、将人脸图像输入辅助诊断模型内；S7、若检测到疑似疾病，则输出预测数据，否则，预测数据为空；S8、输出诊断。相比于现有技术，本专利技术具有如下有益效果：采用基于深度学习的人脸诊断，可预测出某些疾病的患病概率，从而协助医生进行疾病的筛查工作，提高了诊断准确率和效率。附图说明图1是本专利技术实施例人脸诊断系统的结构图。图2是本专利技术实施例模型构建流程图。图3是本专利技术实施例模型应用流程图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。基于深度学习的人脸诊断系统主要针对具有较明显面部表型的遗传疾病等，如图1所示，具体包括模型构建模块和模型应用模块。模型构建模块包括中央处理器、GPU服务器和模型构建存储器。模型构建存储器中存储有可以被中央处理器运行的程序，并且可以存储相关疾病患者的面部图像。中央处理器通过运行程序可以实现模型构建，如图2所示，模型构建的具体步骤包括：S1、采集数据集：获取相关疾病患者的面部图像；步骤S1数据集采集中，采集的数据集包含多种疾病，这些疾病的患者的面部均具有较明显的特征，其中大部分疾病为具有面部表型的遗传疾病，具体的，从权威机构如正规医院或相关研究机构等收集具有较明显面部特征的疾病的相关资料及患者面部图像，其中每种病症图像数量在500张以上，将收集的相关资料及患者面部图像存储在模型构建存储器中。S2、数据预处理：对所获图像数据进行数据清洗、标注、增强等操作，步骤S2数据预处理具体步骤包括：S21、数据清洗：对采集到人脸图像数据进行筛选，剔除模糊、失焦的不合格图像，保留面部显像清晰的合格图像，具体的，筛选采集到的图像数据，排除不合格图像，即无法被神经网络正确分析提取的图像，除模糊、失焦的图像外，还包括照片中虽有患者面部但为拍摄到特征部位的无效图像。S22、数据标注：将图像根据对应病症对其进行规范的分类标注。S23、数据增强：对图像进行旋转、平移、剪切、缩放等操作进行数据扩增，以增加数据集样本量，具体的，使用开源的图像处理库OpenCV对图像进行旋转、平移、剪切、缩放等操作。S24、脸部分割和人脸对齐：对图像进行面部检测和对齐处理等并将图像裁剪到面部区域。脸部分割部分使用矩形框分割人脸的方式。人脸对齐方法步骤如下：S241、根据人脸范围，找出两只眼睛的区域并计算中心坐标，分别记为(xleft，yleft)，(xright，yright)；S242、计算两眼连线与水平线的夹角S243、按照图像的中心作为坐标原点根据如下公式进行坐标变换x′＝x·cosa-y·sinay′＝y·cosa+x·sina具体的，也是使用OpenCV代码实现。S25、数据格式规范化：将不同分辨率的图像数据resize后获得相同分辨率的图像，图像格式统一。S3、模型训练：将预处理得到的数据集输入深度卷积神经网络中训练，获得诊断模型，将数据集按比例分为训练集和验证集，训练集部分的数据集输入深度卷积神经网络中，在GPU服务器上训练。模型训练所用的卷积神经网络为具有多个卷积层、池化层的深度卷积神经网络，除最后一层外本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人脸诊断系统，其特征在于,包括模型构建模块和模型应用模块；/n所述模型构建模块包括中央处理器、GPU服务器和模型构建存储器，所述模型构建存储器中存储有可以被所述中央处理器运行的程序，并且可以存储相关疾病患者的面部图像；/n所述模型应用模块包括神经网络芯片和摄像头，所述摄像头用于采集患者的面部照片，所述神经网络芯片可以搭载辅助诊断模型，所述辅助诊断模型基于深度卷积神经网络，通过训练、验证和优化得到，可基于人脸图像预测出特定疾病的患病概率。/n

【技术特征摘要】
1.一种基于深度学习的人脸诊断系统，其特征在于,包括模型构建模块和模型应用模块；
所述模型构建模块包括中央处理器、GPU服务器和模型构建存储器，所述模型构建存储器中存储有可以被所述中央处理器运行的程序，并且可以存储相关疾病患者的面部图像；
所述模型应用模块包括神经网络芯片和摄像头，所述摄像头用于采集患者的面部照片，所述神经网络芯片可以搭载辅助诊断模型，所述辅助诊断模型基于深度卷积神经网络，通过训练、验证和优化得到，可基于人脸图像预测出特定疾病的患病概率。


2.根据权利要求1所述的基于深度学习的人脸诊断系统，其特征在于，所述中央处理器通过运行程序可以实现模型构建，模型构建的具体步骤包括：
S1、采集数据集：获取相关疾病患者的面部图像；
S2、数据预处理：对所获图像数据进行数据清洗、标注和增强；
S3、模型训练：将预处理得到的数据集输入深度卷积神经网络中训练，获得辅助诊断模型；
S4、验证、优化模型性能，将经过训练的辅助诊断模型传输给模型应用模块。


3.根据权利要求2所述的基于深度学习的人脸诊断系统，其特征在于，所述步骤S2具体包括：
S21、数据清洗：对采集到人脸图像数据进行筛选，剔除模糊、失焦的不合格图像，保留面部显像清晰的合格图像；
S22、数据标注：将图像根据对应病症对其进行规范的分类标注；
S23、数据增强：对图像进行旋转、平移、剪切、缩放等操作进行数据扩增，以增加数据集样本量；
S24、脸部分割和人脸对齐：对图像进行面部检测和对齐处理等并将图像裁剪到面部区域；
S25、数据格式规范化：将不同分辨率的图像数据resize后获得相同分辨率的图像，图像格式统一。


4.根据权利要求3所述的基于深度学习的人脸诊断系统，其特征在于，所述步骤S24...

【专利技术属性】
技术研发人员：郭洪飞，王榕，曾云辉，吴鲲，谢辉，何智慧，任亚平，张锐，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东;44