一种人脸图像痤疮疗效评估用目标检测模型制造技术

本发明专利技术提出一种人脸图像痤疮疗效评估用目标检测模型，通过以下设计方法构建，具体包括以下步骤：S1，采用人脸痤疮图像数据并进行预处理；S2，痤疮检测网络模型的构建：S3，模型预训练及微调；S4，模型评估与测试。本发明专利技术融合了一种多尺度训练和迁移训练等方法，将其应用于面部痤疮的检测和疗效评估中，显著提高了痤疮检测和疗效评估的准确度。疮检测和疗效评估的准确度。疮检测和疗效评估的准确度。

【技术实现步骤摘要】
一种人脸图像痤疮疗效评估用目标检测模型


[0001]本专利技术属于医疗图像，深度学习计以及计算机视觉领域，尤其涉及利用双阶段目标检测模型以及迁移学习。

技术介绍

[0002]痤疮是一种慢性炎症性皮肤病，主要好发于青少年时期。临床表现以好发于面部的粉刺、丘疹、脓疱、结节等多形性皮损为特点，对青少年的健康状况和心里健康造成不同程度的影响。传统的痤疮诊断及疗效评估方法往往依赖于皮肤科医生的经验和临床特征，即费时又费力。目前，基于深度学习的医学图像分析技术在众多医学图像处理任务上都表现出卓越的性能。

技术实现思路

[0003]本专利技术提出了一种基于双阶段目标检测模型的人脸图像痤疮疗效评估方法。通过比对治疗前后面部算法检测出的痤疮个数和种类变化，评估痤疮的治疗疗效。在检测和识别算法部分，从痤疮尺寸小、正样本少的角度出发，结合双阶段检测模型的预选框生成和筛选以及多尺度训练及迁移训练等方法，设计了双阶段人脸痤疮检测模型。再将患者面部痤疮治疗前后的图片作为输入送入本专利提出的训练好的痤疮检测和识别模型，通过统计检测出的痤疮类别和个数变化，量化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸图像痤疮疗效评估用目标检测模型，其特征在于，通过以下设计方法构建，具体包括以下步骤：S1，采用人脸痤疮图像数据并进行预处理；S2，痤疮检测网络模型的构建：将预处理得到的连续图像作为输入，使用深度残差网络作为骨干网络进行特征提取，通过残差连接帮助网络更好的学习特征；得到图像特征后，在第一阶段使用区域建议网络生成预选框，输出生成的预选框及其二分类结果，判断该预选框属于前景还是背景；得到预选框后，在第二个阶段，分类预测每个预选框所属的类别，回归预测每个预选框的位置坐标；并设计多任务协同损失函数，监督网络学习检测目标的类别和位置坐标；得到最后的训练检测结果；S3，模型预训练及微调：首先，对检测模型进行基于coco数据集的预训练，预训练后的模型学习到的特征更加容易泛化；再次，在面部痤疮图像上进一步迁移训练预训练后的双阶段检测模型；S4，模型评估与测试：首先，使用查准率、查全率、召回率和准确率检测任务评估指标对算法模型的效果进行评估，使得模型得以收敛；再测试S3步得到的双阶段痤疮检测模型，即对某一患者治疗前后的左右脸图片，分别输入检测模型，根据设定的置信度阈值，筛选预测结果，并根据预测结果自动统计对应图片上各个痤疮类别的数量，通过对比治疗前后痤疮的种类和数量的变化，实现疗效的量化评估。2.如权利要求1所述的人脸图像痤疮疗效评估用目标检测模型，其特征在于，步骤S1中，数据集图像预处理过程，具体包括以下步骤：S11，读取数据集中的图片；S12，在该模块中对输入的图片进行多尺度尺寸的缩放和随机左右反转，实际实验中采用六种尺度的组合,具体为(1333,640),(1333,672),(1333,704),(1333,736),(1333,768),(1333,800)六种尺度；S13，使用基于大型数据集ImageNet统计得到图像均值和标准差，对图片进行归一化处理。3.如权利要求1所述的人脸图像痤疮疗效评估用目标检测模型，其特征在于，步骤S2中，构建的痤疮检测预训练网络模型主要由一个主干网络用于特征提取、一个区域建议网络用于选出预选框和一个ROI Align进行各大小不同的预选框的特征对齐；在该检测模型的第二阶段网络部分包含两个预测分支：分类预测和回归预测；通过两个预测分支分别预测预选框的物体类别和位置坐标。4.如权利要求3所述的人脸图像痤疮疗效评估用目标检测模型，其特征在于，步骤S2中，具体包括以下步骤：S21，将预处理后的图片送入到主干网络中进行特征提取；该主干网络由若干个卷积层组成，每个卷积层后都会有一个归一化层和激活函数，从而使得网络拥有拟合非线性函数的能力；在若干卷积层后，会有一条残差边直接将某一层的输出加到网络更深层中，从而避免梯度消失的问题，使得深度网络能够拥有更强的表达能力；S22，通过主干特征提取得到的特征图送入区域建议网络中，输出生成的目标区域预选框以及该预选框属于前景和背景的二分类结果；区域建议...

【专利技术属性】
技术研发人员：罗烨，王秀丽，张玲琳，田同轩，李波，
申请(专利权)人：同济大学，
类型：发明
国别省市：