基于模型无关的图像增强元学习的皮肤病变分类系统技术方案

本发明专利技术提供了一种基于模型无关的图像增强元学习的皮肤病变分类系统，数据获取模块，被配置为获取黑色素瘤检测数据；数据预处理模块，被配置为利用图像增强技术将黑色素瘤检测数据进行正则化；数据分类模块，被配置为利用已训练的模型无关的图像增强元学习的皮肤病变分类模型对预处理后的数据进行分类，得到分类结果；本发明专利技术选择模型无关的元学习小样本分类，以提高分类模型的泛化能力、模型的置信度，利用元学习和图像增强来促进基于常见皮肤病数据训练的深层神经网络的快速适应和泛化，以识别具有更少注释数据的皮肤病，提高分类准确度、分类的泛化能力。分类的泛化能力。分类的泛化能力。

【技术实现步骤摘要】
基于模型无关的图像增强元学习的皮肤病变分类系统


[0001]本专利技术属于机器学习
，具体涉及一种基于模型无关的图像增强元学习的皮肤病变分类系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]如果能在早期确诊皮肤病变，并选择适当的治疗方法，存活率是非常高的。因此，尽早了解病人的症状是否与癌症相对应是绝对必要的。传统上，医生一直使用肉眼来检测皮肤癌，尤其是当癌症还处于早期阶段时，即使是专家也难以确认。
[0004]因此，计算机辅助诊断对于改善皮肤病的治疗策略至关重要，深度学习解决皮肤病变诊断任务是非常有效。目前用于诊断罕见皮肤病的注释图像可能仍然很少，皮肤病变数据集中经常出现长尾类分布的情况，导致分布尾端类的泛化程度较差。

技术实现思路

[0005]本专利技术为了解决上述问题，提出一种基于模型无关的图像增强元学习的皮肤病变分类系统，本专利技术选择模型无关的元学习小样本分类，以提高分类模型的泛化能力、模型的置信度，利用元学习和图像增强来促进基于常见皮肤病数据训练的深层神经网络的快速适应和泛化，以识别具有更少注释数据的皮肤病，提高分类准确度、分类的泛化能力。
[0006]根据一些实施例，本专利技术采用如下技术方案：
[0007]一种基于模型无关的图像增强元学习的皮肤病变分类系统，包括：
[0008]数据获取模块，被配置为获取黑色素瘤检测数据；
[0009]数据预处理模块，被配置为利用图像增强技术将黑色素瘤检测数据进行正则化；
[0010]数据分类模块，被配置为利用已训练的模型无关的图像增强元学习的皮肤病变分类模型对预处理后的数据进行分类，得到分类结果。
[0011]作为可选择的实施方式，所述已训练的皮肤病变分类模型的训练包括：
[0012]获取已知黑色素瘤检测数据，分割为元训练集和元测试集；
[0013]利用图像增强技术将元训练集数据正则化；
[0014]利用元训练集和元测试集构建元训练任务和元测试任务；
[0015]在元训练任务上进行几次梯度下降更新参数，构建模型无关的图像增强元学习的皮肤病变分类模型；
[0016]设置皮肤病变分类模型的超参数；
[0017]利用元训练集对皮肤病变分类模型进行训练，利用元测试集对训练后的模型进行迭代测试和微调，直到测试结果满足条件。
[0018]作为进一步的限定，利用元训练集和元测试集构建元训练任务和元测试任务时，按照N
‑
way K
‑
shot方式，利用元训练集和元测试集构建元训练任务和元测试任务；元训练
任务和元测试任务分别由元训练集和元测试集随机采样的两个类别组成；元测试集、元训练集都包含查询集和支持集。
[0019]作为进一步的限定，所述超参数包括元学习率、批尺寸、梯度更新步数、优化器和迭代次数。
[0020]作为进一步的限定，已知黑色素瘤检测数据包括黑色素瘤、黑色素细胞痣、基底细胞癌、光化性角化病、良性角化病、皮肤纤维瘤、血管病变和鳞状细胞癌数据，每类数据都有一定数量级。
[0021]作为可选择的实施方式，所述皮肤病变分类模型包括输入层、卷积层、激活函数、池化层、全连接层和输出层，卷积层包括四层卷积层。
[0022]作为可选择的实施方式，所述数据预处理模块被配置为利用图像增强技术将黑色素瘤检测数据进行正则化时，对图像利用CutOut、MixUp或CutMix技术进行样本增强。
[0023]作为可选择的实施方式，所述数据预处理模块对图像进行CutOut增强，CutOut增强随机生成一个正方形遮罩，生成的遮罩内的像素值为零。
[0024]作为可选择的实施方式，所述数据预处理模块对图像进行MixUp增强，通过从同一批次图像中随机选择一个样本与另一个样本进行线性插值来创建虚拟训练样本。
[0025]作为可选择的实施方式，所述数据预处理模块对图像进行CutMix增强，将一段图像剪切下来，粘贴到训练图像之间的不同图像中，生成一个新的样本，并将背景真实标签按比例混合到剪切区域的面积中，生成新的样本。
[0026]与现有技术相比，本专利技术的有益效果为：
[0027]1.本专利技术提出使用基于模型无关的元学习来解决缺乏高质量注释数据的医学图像皮肤病分类问题，并通过将其作为一个少量学习问题来模拟这个问题；
[0028]2.本专利技术在元训练阶段使用先进的增强技术，如MixUp、CutOut和CutMix，使模型规范化；像翻转、旋转等常规增强策略给模型学习增加的信息非常少，本专利技术使用一些重要的增强方法，如MixUp和CutMix，会生成新的虚拟样本和类，且只在元训练阶段使用图像增强策略，以避免过拟合问题；
[0029]3.本专利技术模型通过在元训练任务上训练获取先验知识，使皮肤病变分类模型在面对新的小样本分类任务时能快速适应且有较好的分类效果；
[0030]4.本专利技术大大降低了医学领域基于深度学习的海量数据收集和标注的需求。
[0031]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0032]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0033]图1为本专利技术一种基于图像增强元学习的罕见皮肤病变分类系统的原理示意图；
[0034]图2为基于图像增强元学习的罕见皮肤病变分类系统的执行流程示意图；
[0035]图3为本专利技术一种基于图像增强元学习的罕见皮肤病变分类系统对皮肤病变图像进行图像增强后的对比。
具体实施方式：
[0036]下面结合附图与实施例对本专利技术作进一步说明。
[0037]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0038]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0039]作为一种典型实施例，一种基于模型无关的图像增强元学习的皮肤病变分类系统，包括：
[0040]数据获取模块，被配置为获取黑色素瘤检测数据；
[0041]数据预处理模块，被配置为利用图像增强技术将黑色素瘤检测数据进行正则化；
[0042]数据分类模块，被配置为利用已训练的模型无关的图像增强元学习的皮肤病变分类模型对预处理后的数据进行分类，得到分类结果。
[0043]作为一种典型实施例，一种基于模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型无关的图像增强元学习的皮肤病变分类系统，其特征是：包括：数据获取模块，被配置为获取黑色素瘤检测数据；数据预处理模块，被配置为利用图像增强技术将黑色素瘤检测数据进行正则化；数据分类模块，被配置为利用已训练的模型无关的图像增强元学习的皮肤病变分类模型对预处理后的数据进行分类，得到分类结果。2.如权利要求1所述的一种基于模型无关的图像增强元学习的皮肤病变分类系统，其特征是：所述已训练的皮肤病变分类模型的训练包括：获取已知黑色素瘤检测数据，分割为元训练集和元测试集；利用图像增强技术将元训练集数据正则化；利用元训练集和元测试集构建元训练任务和元测试任务；在元训练任务上进行几次梯度下降更新参数，构建模型无关的图像增强元学习的皮肤病变分类模型；设置皮肤病变分类模型的超参数；利用元训练集对皮肤病变分类模型进行训练，利用元测试集对训练后的模型进行迭代测试和微调，直到测试结果满足条件。3.如权利要求2所述的一种基于模型无关的图像增强元学习的皮肤病变分类系统，其特征是：利用元训练集和元测试集构建元训练任务和元测试任务时，按照N
‑
way K
‑
shot方式，利用元训练集和元测试集构建元训练任务和元测试任务；元训练任务和元测试任务分别由元训练集和元测试集随机采样的两个类别组成；元测试集、元训练集都包含查询集和支持集。4.如权利要求2所述的一种基于模型无关的图像增强元学习的皮肤病变分类系统，其特征是：所述超参数包括元学习率、批尺寸、梯度更新步数、优化器和迭代次数。5...

【专利技术属性】
技术研发人员：李登旺，高祝敏，黄浦，董雪媛，洪亭轩，田伟伟，刘学尧，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：