一种基于深度学习的白癜风治疗效果量化评估方法技术

一种基于深度学习的白癜风治疗效果量化评估方法,从对象治疗前的白癜风图像以及对应的治疗后白癜风图像经过5个步骤处理，最终得到的综合量化指标Indicator

【技术实现步骤摘要】
一种基于深度学习的白癜风治疗效果量化评估方法


[0001]本专利技术涉及深度学习
，特别涉及一种基于深度学习的白癜风治疗效果量化评估方法。

技术介绍

[0002]白癜风是一种常见的后天性色素脱失性皮肤黏膜疾病,其临床表现为白斑和/或白发,我国人群患病率为0.56％。白癜风会严重影响患者容貌，给患者造成极大的心理压力，影响其生活质量。目前白癜风的发病机制尚不完全清楚,可能是由遗传和内外环境等多种因素共同作用,在黑素细胞被破坏后导致的色素脱失。
[0003]白癜风治疗以控制和缓解病情为主要目标，尤其是在疾病的进展期，要减缓白斑发展的速度，避免白斑不断扩大。目前白癜风治疗效果的评估方法主要包括主观法、半客观法和客观法三类。主观法是皮肤科医生根据治疗反映的整体视觉印象，通过比较治疗前后白癜风皮损的复色程度来评估治疗的效果。半客观法是皮肤科医生根据定量的评价指标来进行疗效评估，如白癜风面积评分指数(Vitiligo Area Scoring Index,VASI)等。而客观法是采用数码成像技术结合医学图像处理软件，通过手动或半自动方法分割皮损区域，然后计算皮损区域的面积和色度。相较于主观和半客观的评估方法，客观法可提供更加客观、准确和量化的评估结果，但对图像皮损区域的分割操作复杂且费时费力，尚未实现完全自动化。
[0004]因此，针对现有技术不足，提供一种基于深度学习的白癜风治疗效果量化评估方法以解决现有技术不足甚为必要。

技术实现思路

[0005]本专利技术的目的在于避免现有技术的不足之处而提供一种基于深度学习的白癜风治疗效果量化评估方法。该基于深度学习的白癜风治疗效果量化评估方法能客观、准确且便捷地评估白癜风治疗效果。
[0006]本专利技术的上述目的通过以下技术措施实现：
[0007]提供一种基于深度学习的白癜风治疗效果量化评估方法，包括如下步骤：
[0008]步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；
[0009]步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；
[0010]步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；
[0011]步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；
[0012]步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicator
v
。
[0013]在所述步骤(1)具体包括有：
[0014]步骤(1.1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；
[0015]步骤(1.2)、将所述第一类图像数据进行掩膜图像标注，得到所述图像数据集；
[0016]步骤(1.3)、将所述图像数据集分成随机分成训练集、验证集和测试集，然后使用自动调参方法训练分割模型，得到最优分割模型。
[0017]优选的，上述步骤(2)具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像。
[0018]在所述治疗前彩色掩膜图像、所述治疗后彩色掩膜图像、所述治疗前真实分割图像和所述治疗后真实分割图像中均包含皮损区域和对照标签区域。
[0019]在所述步骤(3)中，所述皮损面积变化率Area
v
由式(Ⅰ)得到：
[0020][0021]其中area
pre
为治疗前的皮损实际面积，area
post
为治疗后皮损实际面积，且所述面积变化率Area
v
的范围为0～1。
[0022]皮损实际面积由每张对应的彩色掩膜图像中的皮损与对照标签区域的像素点数量之比得到，由式(Ⅱ)计算得到
[0023][0024]其中area为皮损的实际面积，n1为彩色掩膜图像中皮损的像素点数量，n2为对照标签区域的像素点数量，S为对照标签的实际面积。
[0025]在所述皮损色度变化率中，使用皮损区域和对照标签区域的ITA
o
差值表示皮损色度；
[0026]所述皮损色度变化率Color
v
由式(Ⅲ)计算得到：
[0027][0028]其中Color
v
的范围为0～1，为治疗前皮损区域的平均色度，为治疗前对照标签区域的平均色度，治疗后皮损区域的平均色度，为治疗后对照标签区域的平均色度。
[0029]ITA
o
是把白癜风的真实分割图像由RGB色彩空间转为CIE L
*
a
*
b
*
色彩空间，最后由算出的L
*
值和b
*
值计算得到，ITA
o
由式(Ⅳ)计算得到：
[0030][0031]其中L
*
和b
*
分别为该区域在CIE L
*
a
*
b
*
色彩空间的两个通道的平均值，L
*
表示明亮程度，b
*
表示从黄色到蓝色。
[0032]优选的，上述步骤(4)具体为对步骤(3)得到皮损面积变化率和皮损色度变化率通过熵权法自动计算多组皮损面积变化率的数值及皮损色度变化率的数值，对应得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2，且w1与w2的和为1。
[0033]同一对白癜风图像得到的皮损面积变化率和皮损色度变化率为一组。
[0034]优选的，上述综合量化指标Indicator
v
由式(
Ⅴ
)得到：
[0035]Indicator
v
＝w1×
Area
v
+w2×
Color
v
……
式(
Ⅴ
)；
[0036]其中Indicator
v
的值为0～1。
[0037]优选的，上述分割模型为High
‑
Resolution
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的白癜风治疗效果量化评估方法，其特征在于，包括如下步骤：步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicator
v
。2.根据权利要求1所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于，在所述步骤(1)具体包括有：步骤(1.1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；步骤(1.2)、将所述第一类图像数据进行掩膜图像标注，得到所述图像数据集；步骤(1.3)、将所述图像数据集分成随机分成训练集、验证集和测试集，然后使用自动调参方法训练分割模型，得到最优分割模型。3.根据权利要求2所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：所述步骤(2)具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；在所述治疗前彩色掩膜图像、所述治疗后彩色掩膜图像、所述治疗前真实分割图像和所述治疗后真实分割图像中均包含皮损区域和对照标签区域。4.根据权利要求3所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：在所述步骤(3)中，所述皮损面积变化率Area
v
由式(Ⅰ)得到：其中area
pre
为治疗前的皮损实际面积，area
post
为治疗后皮损实际面积，且所述面积变化率Area
v
的范围为0～1。5.根据权利要求4所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：皮损实际面积由每张对应的彩色掩膜图像中的皮损与对照标签区域的像素...

【专利技术属性】
技术研发人员：王常青，范状状，高埂，黄鹤群，任露露，肖风丽，杨飞，
申请(专利权)人：安徽医科大学，
类型：发明
国别省市：