基于由病灶覆盖的人体表面积的百分比确定皮肤病的严重程度的方法技术

提供了一种使用机器学习技术自动计算人体表面积(BSA)得分的图像处理方法。使用Felzenszwalb图像分割算法来定义多个训练集图像中的每个训练集图像中的所提议的区域。过分割该训练集图像，并且然后将该多个过分割的训练集图像中的每个过分割的训练集图像中的所提议的区域中的每个所提议的区域手动分类为病灶或非病灶。然后，使用该多个训练集图像中的每个训练集图像中的该手动分类的所提议的区域来训练卷积神经网络(CNN)。然后将经训练的CNN用在测试图像上以计算BSA得分。练的CNN用在测试图像上以计算BSA得分。练的CNN用在测试图像上以计算BSA得分。

【技术实现步骤摘要】
【国外来华专利技术】基于由病灶覆盖的人体表面积的百分比确定皮肤病的严重程度的方法

技术介绍

[0001]诸如银屑病的皮肤病的疾病严重程度评估涉及计算由病灶和炎症覆盖的人体表面积的百分比(即，BSA得分)。在下文中，病灶和炎症统称为“病灶”。BSA是所测量或所计算的人体的表面积。
[0002]银屑病是一种自身免疫性皮肤病，表现为不同于健康正常皮肤的红色和炎性区域。银屑病的疾病严重程度测量的一个重要部分是监测被称为“病灶”的发炎区域覆盖的人体表面积的百分比是多少。对于斑块状银屑病，两种主要疾病测量法是BSA和PASI(银屑病面积和严重程度指数)，这两者均涉及计算用于监测疾病进展和治疗效果的百分比得分(ABozek,A.Reich(2017))。三种银屑病评估工具的可靠性：银屑病面积和严重程度指数、人体表面积和医师总体评估。《临床实验医学进展》(Adv Clin Exp Med.)2017年8月；26(5):851
‑
856.doi:10.17219/acem/69804)。目前，这些百分比通常在医师的办公室中由皮肤科医师或护士来评估。当前银屑病疾病得分的主要问题是它们是不精确的并且是带有人类偏见的粗略估计。此外，计算百分比以获得总体PASI得分的过程繁琐且耗时。另一个临床需求是目前不存在针对点滴状银屑病的BSA测量，点滴状银屑病中被感染的身体区域大并且被大小为2mm至10mm的范围内的多个炎性病灶所覆盖，使得难以通过视力进行测量。
[0003]因此，需要一种使用计算方法来监测皮肤炎症的更客观且定量的方式。本专利技术实现了这一需求。<br/>
技术实现思路

[0004]提供了一种使用机器学习技术自动计算BSA得分的图像处理方法。使用Felzenszwalb图像分割算法来定义多个训练集图像中的每个训练集图像中的所提议的区域。过分割(“过分割(over segmented或over
‑
segmented)”)该训练集图像，并且然后将多个过分割的训练集图像中的每个过分割的训练集图像中的所提议的区域中的每个所提议的区域手动分类为病灶或非病灶。然后，使用多个训练集图像中的每个训练集图像中的手动分类的所提议的区域来训练卷积神经网络(CNN)。然后将经训练的CNN用在测试图像上以计算BSA得分。本专利技术还包括一种由结合该方法一起使用的计算机指令驱动的装置(或计算机系统)，例如，用于执行如相关领域中已知的方法的计算机相关装置或介质。
附图说明
[0005]本专利或专利申请文件包含至少一张绘制成彩色的附图。在提出请求并且支付必要的费用后，美国专利和商标局将会提供本专利或专利申请公开的带彩图副本。
[0006]当结合附图进行阅读时，将更好地理解前述
技术实现思路
以及以下对本专利技术的优选的实施方案的详细描述。出于说明本专利技术的目的，附图示出了目前优选的实施方案。然而，本专利技术并不局限于所示的精确布置和工具。在附图中：
[0007]图1示出了使用Felzenszwalb、Quickshift、SLIC和紧凑型分水岭方法的银屑病图
像分割。
[0008]图2示出了通过Felzenszwalb方法正确分割的银屑病图像。
[0009]图3示出了三种不同类型的不准确分割的银屑病图像：欠分割、过分割和整图像分割。
[0010]图4示出了CNN过滤器如何改善Felzenszwalb分割结果。
[0011]图5A示出了图像的欠分割。
[0012]图5B示出了图像的过分割。
[0013]图6是根据本专利技术的一个优选的实施方案的用于基于由病灶覆盖的BSA的百分比来确定皮肤病的严重程度的计算机化方法的流程图。
[0014]图7A和图7B是用于实现图6的系统软件和硬件的示意图。
具体实施方式
[0015]本文中使用某些术语仅为了方便起见，并且不应被视为对本专利技术的限制。
[0016]I.概述
[0017]图6是基于由病灶覆盖的BSA的百分比来确定皮肤病(例如，银屑病)的严重程度的计算机化方法的流程图。图7A和图7B是用于实现图6的系统软件和硬件的示意图。
[0018]参考图6、图7A和图7B，该方法操作如下：
[0019]步骤600：使用Felzenszwalb分割算法(FSA)对人体表面积的多个训练集图像执行图像分割，并且输出多个训练集图像中的每个训练集图像中的所提议的区域。人体表面积的多个训练集图像中的每个训练集图像包括皮肤病。该图像分割步骤由图7A所示的处理器700执行。
[0020]步骤602：过分割多个训练集图像中的每个训练集图像。该步骤也由处理器700执行。
[0021]步骤604：将多个过分割的训练集图像中的每个过分割的训练集图像中的所提议的区域中的每个所提议的区域手动分类为病灶或非病灶。该步骤由图7A所示的一个或多个人类分类器702执行。
[0022]步骤606：使用多个训练集图像中的每个训练集图像中的手动分类的所提议的区域对神经网络进行训练。该步骤由图7A所示的神经网络704执行。
[0023]步骤608：使用Felzenszwalb分割算法对包括皮肤病的人体表面积的测试图像执行图像分割，并且输出人体表面积的测试图像中的区域。该图像分割步骤由图7B所示的处理器700'执行。处理器700'可以是与处理器700相同的或不同的处理器。
[0024]步骤610：过分割测试图像。该步骤也由处理器700'执行。
[0025]步骤612：将过分割的测试图像的区域输入到图7B中标记为704'的经训练的神经网络中，因为该经训练的神经网络是与图7A中的神经网络704相同的神经网络，除了该经训练的神经网络现在被训练之外。
[0026]步骤614：使用经训练的神经网络704'来识别并从过分割的测试图像过滤掉非病灶区域，其中过分割的测试图像的剩余区域被分类为病灶区域。
[0027]步骤616：使用过分割的测试图像的所分类的病灶区域的面积和过分割的测试图像的所识别的非病灶区域的面积来计算测试图像中由病灶覆盖的BSA的百分比。该步骤在
处理器700”中执行。处理器700”可以是与处理器700或处理器700'相同的或不同的处理器。
[0028]II.具体实施方式
[0029]以下详细公开内容描述了导致本专利技术的实验过程，并且解释了比其它方法更成功的方法。
[0030]本专利技术将人体表面积计算视为图像分割问题。图像分割已成为计算机视觉内的基础问题中的一个基础问题，并且被定义为将数字图像划分成多个分段，从而将图像数据组织成有意义的块的过程。研究了可有效地计算患者的银屑病疾病的人体表面积的一系列图像分割方法。目前要求保护的专利技术的优选的实施方案使用Felzenszwalb图像分割算法[3]和卷积神经网络(A.Krizhevsky,I.Sutskever,G.E.Hinton(2012)使用深度卷积神经网络的Imagenet分类。《神经信息处理进展》(Advances in Neural Inform本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于基于由病灶覆盖的人体表面积(BSA)的百分比来确定皮肤病的严重程度的计算机化方法，所述方法包括：(a)使用Felzenszwalb分割算法对BSA的多个训练集图像执行图像分割，其中BSA的所述多个训练集图像中的每个训练集图像包括皮肤病，使用所述Felzenszwalb分割算法执行的所述图像分割输出所述多个训练集图像中的每个训练集图像中的所提议的区域；(b)过分割所述多个训练集图像中的每个训练集图像；(c)将多个过分割的训练集图像中的每个过分割的训练集图像中的所提议的区域中的每个所提议的区域手动分类为病灶或非病灶；(d)使用所述多个训练集图像中的每个训练集图像中的所手动分类的所提议的区域来训练神经网络；(e)使用所述Felzenszwalb分割算法对包括皮肤病的BSA的测试图像执行图像分割，使用所述Felzenszwalb分割算法执行的所述图像分割输出所述BSA的所述测试图像中的区域；(f)过分割所述测试图像；(g)将所过分割的测...

【专利技术属性】
技术研发人员：Y，
申请(专利权)人：詹森生物科技公司，
类型：发明
国别省市：