一种病理性瘢痕的预测方法及装置制造方法及图纸

本发明专利技术涉及医学领域和人工智能领域，特别是涉及一种病理性瘢痕的预测方法及装置，所述预测方法包括如下步骤：步骤S11，获取待测病灶照片；步骤S12，利用深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片的病灶属于各分类的概率分布；所述深度学习模型通过下述方法构建：步骤S121，获取带有分类标签且进行数据增强处理后的病灶照片作为训练集；步骤S122，深度学习模型基于训练集的数据进行模型训练，直至深度学习模型的损失函数获得理想值，即获得训练完成的深度学习模型。本发明专利技术可实现分析的标准化，大幅度提升病理性瘢痕诊断的正确性和诊断方法的普适性。病理性瘢痕诊断的正确性和诊断方法的普适性。病理性瘢痕诊断的正确性和诊断方法的普适性。

【技术实现步骤摘要】
一种病理性瘢痕的预测方法及装置


[0001]本专利技术涉及医学领域和人工智能领域，特别是涉及一种病理性瘢痕的预测方法及装置。

技术介绍

[0002]病理性瘢痕是整复外科的常见多发疾病，该疾病的准确分型诊断是目前整复外科领域的难点之一，目前临床尚无公认的诊断标准或技术，其诊断主要由临床医生通过个人经验和各类瘢痕评分量表(内容主要包括瘢痕颜色、血管分布、厚度、质地、患者主观感受等)评估后进行。但受人群发病率不同、地区间医疗资源参差、临床医生个人评判标准差异等因素影响，难以实现标准化诊断，目前由临床医生主观判断的诊断准确率仅约81％。病理性瘢痕可能与正常瘢痕、隆突性纤维肉瘤、瘢痕癌等相混淆，误诊会直接对后续治疗方案的制定产生影响，进而造成治疗无效、延误治疗时机、外观损毁、增加经济负担等不良事件发生。
[0003]国内外众多团队致力于从生物学角度探究病理性瘢痕的发病机制，寻求免疫学或组织学诊断标志，从而开发新的诊断方法。但此类研究开发及临床转化周期长，且均为有创性诊断技术，给患者带来额外痛苦，难以在短期内良好解决病理性瘢痕的诊断难题。
[0004]深度学习是人工智能的分支，是一种以神经网络为架构，对数据进行表征学习的算法。卷积神经网络(Convolutional Neural Networks)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的分支神经网络中的一种。

技术实现思路

[0005]鉴于以上所述现有技术的缺点，本专利技术将深度学习卷积神经网络运用于病理性瘢痕的预测，提供一种病理性瘢痕的预测方法及装置，用于解决现有技术中的问题。
[0006]为实现上述目的及其他相关目的，本专利技术提供一种病理性瘢痕的预测方法，所述预测方法包括如下步骤：
[0007]步骤S11，获取待测病灶照片；
[0008]步骤S12，利用深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片显示的病灶属于各分类的概率分布；
[0009]所述深度学习模型通过下述方法构建：
[0010]步骤S121，获取带有分类标签且进行数据增强处理后的病灶照片作为训练集；
[0011]步骤S122，深度学习模型基于训练集的数据进行模型训练，直至深度学习模型的损失函数获得理想值，即获得训练完成的深度学习模型。
[0012]为实现上述目的及其他相关目的，本专利技术提供一种病理性瘢痕的预测装置，所述预测装置包括如下模块：
[0013]数据获取模块11：用于获取待测病灶照片；
[0014]预测模块12：基于深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片显示的病灶属于各分类的概率分布。
[0015]为实现上述目的及其他相关目的，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。
[0016]为实现上述目的及其他相关目的，本专利技术提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述方法。
[0017]如上所述，本专利技术的病理性瘢痕的预测方法及装置，具有以下有益效果：已有的常用临床诊断量表评估内容包含瘢痕颜色、厚度、血管分布等项目评分，相对繁琐切囊括内容仍不全面，同时人为评分可能导致同一病灶根据不同医生的判断产生不同结果，发生偏倚，因此目前病理性瘢痕的临床诊疗中缺乏可靠、便捷、标准化诊断工具。本专利方案通过建立标准化数据采集流程并由深度学习算法进行学习、优化的能够辅助诊断病理性瘢痕的卷积神经网络模型，可实现分析的标准化，大幅度提升病理性瘢痕诊断的正确性和诊断方法的普适性。本专利技术的这种基于标准化病灶照片数据辅助诊断病理性瘢痕能够广泛开展应用，替代目前依赖临床医生经验和主观判断的疾病诊断方式，实现准确将病理性瘢痕与其他疾病相鉴别，并进一步对其进行分型，最终诊断为增生性瘢痕或瘢痕疙瘩。
附图说明
[0018]图1显示为本专利技术的VGG16模型的神经网络模型构建的大致过程。
[0019]图2显示为本专利技术的ResNet50模型的神经网络模型构建的大致过程。
[0020]图3显示为本专利技术的病理性瘢痕的预测装置示意图。
[0021]图4显示为本专利技术的电子终端的示意图。
具体实施方式
[0022]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0023]需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
[0024]在本专利技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；
可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0025]再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
[0026]本专利技术提供一种病理性瘢痕的预测方法，所述预测方法包括如下步骤：
[0027]步骤S11，获取待测病灶照片；
[0028]步骤S12，利用深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片显示的病灶属于各分类的概率分布；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理性瘢痕的预测方法，其特征在于，所述预测方法包括如下步骤：步骤S11，获取待测病灶照片；步骤S12，利用深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片显示的病灶属于各分类的概率分布；所述深度学习模型通过下述方法构建：步骤S121，获取带有分类标签且进行数据增强处理后的病灶照片作为训练集；步骤S122，深度学习模型基于训练集的数据进行模型训练，直至深度学习模型的损失函数获得理想值，即获得训练完成的深度学习模型。2.根据权利要求1所述的预测方法，其特征在于，步骤S121中分类标签具体为：病灶照片若属于其他皮肤病类的，则分类标签为i＝0；若属于增生性瘢痕类，则分类标签为i＝1，若属于瘢痕疙瘩类，分类标签为i＝2。3.根据权利要求1所述的预测方法，其特征在于，步骤S121中，数据增强处理为对原始病灶照片进行图像旋转、图像翻转和/或图像的随机裁剪中的任一种或多种处理。4.根据权利要求1所述的预测方法，其特征在于，步骤S122中，所述深度学习模型选自深度卷积神经网络模型，优选的选自VGG16模型和/或ResNet50模型。5.根据权利要求1所述的预测方法，其特征在于，步骤S122中，所述损失函数选自交叉熵损失函数。6.根据权利要求1所述的预测方法，其特征在于，步骤S122中，模型训练过程中，所述损失函数的值在两次迭代中差值小于0.01，即视为损失函数获得理想值。7.一种病理性瘢痕的预测装置，其特征在于，所述预测装置包括如下模块：数据获取模块11：用于获取待测病灶照片；预测模块12：基于深度学习模型对获取的待测病灶照片进行分类，所述分类包括其他皮肤病类、增生性瘢痕类与瘢痕疙瘩类，并输出待测病灶照片显示的病灶属于各分类的概率分布。8.根据权利要求7所述的预测装置，...

【专利技术属性】
技术研发人员：昝涛，骆申英，骆申立，黄昕，顾舒晨，夏文政，刘云菡，梁馨，李敏雄，杨恩，徐若清，涂力英，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：