基于深度残差金字塔的皮肤病变分割与特征提取方法技术

本发明专利技术是一种基于深度残差金字塔的皮肤病变分割与特征提取方法，包括如下步骤：步骤1：构建一个基于深度残差金字塔的皮肤病智能提取模型；步骤2：构建深度残差金字塔多尺度编码网络，通过残差金字塔多尺度编码网络和训练服务器对提取的模型进行训练，提取多尺度特征，输出分割与提取结果；步骤3：设计基于焦点损失和梯度协调机制的损失梯度监督机制，平衡离群点、易分样本和难分样本的权重，使模型适度关注难分样本。本发明专利技术将深度残差网络与特征金字塔结合，构建了一个深度残差金字塔多尺度编码网络，将瓶颈层划分为多尺度编码网络，通过提取多尺度特征，实现网络分割与提取结果的输出，提升神经网络的分割能力和特征提取能力。力。

【技术实现步骤摘要】
基于深度残差金字塔的皮肤病变分割与特征提取方法


[0001]本专利技术涉及人工智能检测皮肤病领域，具体说是一种基于深度残差金字塔的皮肤病变分割与特征提取方法。

技术介绍

[0002]皮肤病是普遍存在的疾病之一，分布年龄广。恶性皮肤病变，如黑色素瘤，由于恶化速度较快，致死率极高，因此是世界恶性程度较大的癌症之一。研究表明，如果黑色素瘤能在早期被筛选发现，该类肿瘤可以被完全治愈。因此，高效及时筛查恶性皮肤病如黑色素瘤具有重要的医疗价值。由于皮肤病存在种类繁多、病变外观的类间相似度高、类内差异化大等特点，使得黑色素瘤的识别分类非常困难。近年来，黑色素瘤的确诊和死亡病例在持续增长，但是通过早期筛查诊断可以极大降低该病的致死率.
[0003]在过去的十年中，神经网络展现出计算高效、灵敏度高和结果准确等特点，因此近年来被广泛引用于分类和回归任务，尤其是在机器视觉方面的医学临床实践中。研究人员通过导入大量的皮肤镜图像数据集和优化的估计参数，对黑色素瘤的特征进行提取训练，其结果提高了皮肤病分类筛查尤其是黑色素瘤分类的特异性、准确性和灵敏度。与皮肤科医生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度残差金字塔的皮肤病变分割与特征提取方法，其特征在于：所述皮肤病变分隔与特征提取方法包括如下步骤：步骤1：构建一个基于深度残差金字塔的皮肤病智能提取模型；步骤2：构建深度残差金字塔多尺度编码网络，通过残差金字塔多尺度编码网络和训练服务器对提取的模型进行训练，提取多尺度特征，输出分割与提取结果；步骤3：设计基于焦点损失和梯度协调机制的损失梯度监督机制，平衡离群点、易分样本和难分样本的权重，使模型适度关注难分样本。2.根据权利要求1所述基于深度残差金字塔的皮肤病变分割与特征提取方法，其特征在于：所述步骤2深度残差金字塔多尺度编码网络基于CNN，应用于皮肤病变分割与特征提取的模型分为五层，即输入层、卷积层、激活层、池化层和瓶颈层，其中：输入层：在输入层，本发明模型加载预处理后的样本集；卷积层：卷积层为CNN的主要模块，从皮肤病样本集中提取不同的输入特征；激活层：激活层在卷积层后为使训练网络适应非线性，激活层在CNN中使用非线性函数；池化层：池化层在激活层后，用于降维；瓶颈层：基于ResNet设计瓶颈层，由多个瓶颈层1和多个瓶颈层2组成，每个所述瓶颈层1和每个所述瓶颈层2均由卷积块、批标准化和线性整流组成。3.根据权利要求2所述基于深度残差金字塔的皮肤病变分割与特征提取方法，其特征在于：所述卷积层全部为32的小卷积核。4.根据权利要求2所述基于深度残差金字塔的皮肤病变分割与特征提取方法，其特征在于：所述激活层的非线性函数为ReLU与双曲正切函数。5.根据权利要求1所述基于深度残差金字塔的皮肤病变分割与特征提取方法，其特征在于：所述步骤3具体包括如下内容：采用的损失函数从二元分类的交叉熵损失引入CE损失定义为：在公式(1)中，对二分类任务而言，y∈{
±
1}，p∈[0，1]，表示模型对带有标签y＝1的概率估计，为了简化，用p
t
代替p，即为公式(2)则公式(1)可重写为CE(p，y)＝CE(p
t
)＝
‑
log(p
t
).
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)将y＝1引入加权因子α∈[0，1]，将y＝
‑
1引入加权因子1
‑
α，定义p
t
的方式定义α
t
，即将α平衡后的CE损失写为：CE(p
t
)＝
‑
α
t
log(p
t
).
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)这种损失是对CE的简单扩展，即本发明梯度协调机制的实验基准；在交叉熵损失中...

【专利技术属性】
技术研发人员：陈思光，董春序，段聪颖，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：