【技术实现步骤摘要】
本专利技术涉及计算机深度学习医学图像分类，特别涉及一种基于迁移学习的皮肤镜图像分类模型的装置及训练方法。
技术介绍
1、皮肤病的流行是全球范围内一个重要的问题。不幸的是，皮肤科医疗资源仍然存在巨大的不平等。在一些偏远地区，专业皮肤科医生的资源非常有限。
2、随着人工智能的不断发展，深度学习技术在皮肤科领域得到广泛应用。这种技术在医生的诊断活动中发挥着特别有益的作用，并被认为是皮肤科未来发展的关键。同时，皮肤镜图像和临床图像的数量呈指数级增长，为探索皮肤病分类的深度学习理论和方法提供了可靠的数据基础。使用自动皮肤镜图像分类模型可以显著减轻医务人员的负担，简化医疗资源的使用。此外，它还可以作为医生辅助诊断决策的有价值的医疗参考和支持工具。
3、然而，现有的研究主要集中在一些常见皮肤病的辅助诊断，例如黑色素瘤、皮肤癌和银屑病等，而在色素减退性皮肤病领域的应用非常有限，色素减退性皮肤病例如白癜风，其特点是黑素细胞破坏导致皮肤脱色，主要出现在面部、颈部和其他经常暴露的区域。这种健康问题可能对患者的身心健康造成困扰。及时准确的诊断和早期治疗对于提高患者的治愈率至关重要。因此，需要更多的研究来扩大深度学习在这一领域的应用。这将有助于改善对白癜风等色素减退性皮肤病的诊断和治疗，填补当前存在的知识空白，提高患者的生活质量。
技术实现思路
1、本专利技术的目的在于提供了一种基于迁移学习的皮肤镜图像分类模型的装置及训练方法，以用于帮助医生对白癜风和其他色素减退性皮肤病进行准确的诊
2、本专利技术实施例的第一方面提供了一种基于迁移学习的皮肤镜图像分类模型进行分类的装置，包括以下步骤：
3、数据获取模块，用于获取皮肤镜图像数据；
4、预处理模块，用于对皮肤镜图像进行如下预处理：在rgb空间中采用采用闵可夫斯基范式对光源进行估算，利用估算的光源对皮肤镜图像进行变换；
5、增强模块，用于对皮肤镜图像进行以下至少一种增强处理：亮度调整、对比度调整、饱和度调整、色调调整、翻转与旋转、裁剪图像；
6、分类模型运行模块，用于将预处理和增强后的皮肤镜图像数据输入预先训练得到的皮肤镜图像分类模型，得到所述皮肤镜图像分类模型输出的分类结果，其中，所述皮肤镜图像分类模型是通过迁移学习将已经学习好的模型参数迁移到预训练resnet模型中进行训练，并经过混淆矩阵、roc曲线、准确性、敏感性和特异性衡量指标测试验证性能有效性后得到的。
7、优选的，所述预处理模块具体用于：
8、将每个通道的数据代入闵可夫斯基范式，求出每个通道的闵式距离；
9、将整副图像数据代入闵可夫斯基范式，求出整体的闵式距离；
10、根据整体距离与每个通道的距离算出修正的比例；
11、对每个通道进行比例的修正；
12、检查是否有数值超过阈值，阈值为255，超过阈值的设置为255。
13、优选的，所述增强模块具体用于：
14、亮度调整：将图像rgb的每个像素点亮度加上一个数值k，实现对图像的亮度的增加或减少，增加后的亮度最大值不超过255，具体公式如下：
15、rgb＝min(255,rgb+k)
16、对比度调整：通过如下公式调整对比度：
17、rgb＝min(255,rgb*contrast)
18、饱和度调整：判断每个像素的rgb值是否大于或小于平均值，大于加上调整值，小于则减去调整值；具体公式如下：
19、
20、色调调整：设置像素值的上限值为255，下限值为0，将超过范围的像素值置为阈值，将剩下的值进行等比例的拉伸；
21、翻转：将图像进行水平翻转或垂直翻转；
22、旋转：将图像沿着中间像素点旋转任意的角度，对于矩阵图像，当选择角度不是180度时，对图像空白部分进行填充；
23、裁剪：扩大图像，在扩大后的图像上裁剪出新的图像。
24、优选的，还包括模型训练模块，所述模型训练模块用于：
25、利用预训练resnet模型中特征提取器与softmax分类器，结合微调策略构建皮肤镜图像分类模型；
26、将迁移学习应用到所述皮肤镜图像分类模型中，结合预训练resnet模型在imagenet上预训练出的现成特征，并利用皮肤镜图像数据在这些抽象的特征上微调和优化模型参数，训练所述皮肤镜图像分类模型。
27、优选的，所述模型训练模块利用预训练resnet模型中特征提取器与softmax分类器，结合微调策略构建皮肤镜图像分类模型具体包括：
28、通过如下公式对图像进行填充操作和卷积操作获得特征图，式中：n为卷积前的尺寸的大小，f为卷积核的大小，s为卷积的步长，p为填充的大小，q为卷积后的图像尺寸；
29、对输入的特征数据进行降维，池化方式采用平均池化，取大小为2×2大小的区域进行处理，求出区域内平均值作为结果数据；
30、将结果数据输入到特征函数中进行特征提取，对结果数据进行标准化，让标准化后的结果数据满足标准正态分布，通过线性映射使标准化后的结果数据与原数据具有相似的分布；
31、将提取的特征进行展开，输出一维向量，通过softmax对一维向量进行处理得到图像为每种类别的概率，概率最高的种类作为预测的结果。
32、本专利技术实施例的第二方面提供了一种基于迁移学习的皮肤镜图像分类模型的训练方法，所述方法包括：
33、选择预训练的resnet模型并用深度学习框架pytorch加载所述预训练resnet模型；
34、修改预训练resnet模型结构：在预训练resnet模型的顶层后加入一个dropout层和一个完全连接层，以匹配分类任务中的类别数量；
35、选择一组结果最优的训练参数迁移到皮肤镜图像模型中；
36、冻结预训练resnet模型的权重：冻结卷积层全部参数；
37、设置损失函数：对于分类任务，使用交叉熵损失函数；
38、超参数调整：将学习率设置为0.0001，设置批量大小为128，设置训练周期数为30；
39、设置adam算法作为优化算法，初始构造参数设置为β1＝0.5,β2＝0.999。
40、本专利技术至少包括以下有益效果：
41、1、本专利技术利用resnet网络的不同体系结构，分析了多种模型的性能，从而为皮肤镜图像的分类提供了更全面的视角。此外，resnet网络在大规模图像数据集上进行了预训练，为其提供了一般的图像特征表示，进而提高了皮肤镜图像分类准确性，使得训练得到的皮肤镜图像分类模型能够对白癜风等色素减退性皮肤病具有较高的准确性。
42、2、本专利技术通过迁移学习的方法，将在其他任务上预训练的模型的知识迁移到皮肤镜图像分类任务中，提高了模型的性能和准确性。同时，为了验证迁移学习的有效性，对模型的迁本文档来自技高网...
【技术保护点】
1.基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，所述预处理模块具体用于：
3.根据权利要求1所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，所述增强模块具体用于：
4.根据权利要求1所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，还包括模型训练模块，所述模型训练模块用于：
5.根据权利要求4所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，所述模型训练模块利用预训练ResNet模型中特征提取器与softmax分类器，结合微调策略构建皮肤镜图像分类模型具体包括：
6.一种基于迁移学习的皮肤镜图像分类模型的训练方法，其特征在于，所述方法包括：
【技术特征摘要】
1.基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，所述预处理模块具体用于：
3.根据权利要求1所述的基于迁移学习的皮肤镜图像分类模型进行分类的装置，其特征在于，所述增强模块具体用于：
4.根据权利要求1所述的基于迁移学习的皮肤镜图像分类...
【专利技术属性】
技术研发人员：李春英，李舒丽，郭森，陈健儒，贺楷乔，钟凡，张军鹏，
申请(专利权)人：中国人民解放军空军军医大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。