一种可解释性的皮肤癌分类方法、装置、介质及设备

本发明涉及数据识别，尤其涉及一种可解释性的皮肤癌分类方法、装置、介质及设备。

背景技术：

1、人类皮肤是人体最大的器官，也是人体的第一道免疫防线，主要功能为保护身体、排汗及感觉。外界的各种刺激首先接触的便是皮肤，这就使得其容易被外界因素所影响，引起各种病状的产生。在众多皮肤病当中，皮肤癌是当前世界上最常见的癌症之一，它是皮肤外层细胞的癌变。调查显示，在过去30年中，皮肤癌的数量超过其他所有癌症的数量之和。在皮肤癌的多种病变类型中，病变之间同类病变的临床表现变化较大，然而不同病变相互之间却存在一定的相似性，为准确分类带来挑战。

2、现有技术中皮肤癌分类方法大多是基于医生根据黑色素瘤表面特征手动提取的特征进行分类，包括颜色、纹理等。此外，采用皮肤镜技术获得皮肤镜图像的方法在皮肤病医学分析领域被广泛使用。它是一种无创的皮肤成像技术，采用高倍放大因子，通过实时显示表皮、真皮与表皮交界处、真皮的微观结构，增加下表皮结构的可视性，使得皮肤科医生获得一些肉眼看不到的特征。

3、上述皮肤科医师单从外观肉眼判断容易产生误差，需要组织病理学切片活检进行辅助，若为多类型色素皮损，逐一活检不仅增加了患者的痛苦，而且费时费力，可能使得患者错过最佳治疗时机。基于皮肤镜进行皮肤病变识别分类的方法，主要依靠医生多年经验来对皮肤镜皮损图像的颜色、纹理和形态学特征进行判断，这就对医生人员临床经验有了一定的要求，需要皮肤科医生拥有大量的专业知识和专注力。然而，即便是经验丰富的专家，面对类内差距大、类间差距小的皮损皮肤镜图像，再加上自身对病变进行判断时的主观性，容易造成误差。受各种因素影响，针对同一张皮肤病变图像进行判断，同一专家在不同时间或者不同专家在同一时间也可能得出不同的结论。

技术实现思路

1、本发明提供一种可解释性的皮肤癌分类方法、装置、介质及设备，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至shap-net网络中，得到第一预分类结果；将皮肤病变图像输入至efficientnet-b1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至softmax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

2、为达到上述目的，本发明采用如下技术方案：

3、本发明第一方面提供一种可解释性的皮肤癌分类方法，包括：

4、获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

5、将所述皮肤病变数据划分为训练集和验证集。

6、对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

7、构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

8、使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

9、将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

10、从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

11、将所述元数据和所述特征输入至shap-net网络中，得到第一预分类结果，并根据特征计算后的shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

12、将所述皮肤病变图像输入至efficientnet-b1网络中，得到第二预分类结果。

13、将所述第一预分类结果和所述第二预分类结果输入至softmax函数中，确定最大值为最终分类结果。

14、对所述分类结果做出解释。

15、进一步的，所述的可解释性的皮肤癌分类方法，对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像，包括：

16、将所述皮肤病变图像调整至256×256，得到调整后图像。

17、对所述调整后图像进行图像增强。

18、进一步的，所述的可解释性的皮肤癌分类方法，将所述皮肤病变图像输入至efficientnet-b1网络中，得到预分类结果,包括：

19、将所述处理后皮肤病变图像作为训练数据，将所述处理后皮肤病变图像对应的元数据的所述第一预分类结果作为训练标签，输入到efficientnet-b1网络中。

20、进一步的，所述的可解释性的皮肤癌分类方法，所述元数据包括：

21、所述元数据包含所述皮肤病变图像编号、患者编号、患者性别、患者年龄、皮肤镜采集部位和皮肤病变类型。

22、进一步的，所述的可解释性的皮肤癌分类方法，对所述调整后图像进行图像增强，包括：

23、对所述调整后图像进行随机水平、上下翻转；从中心或规定大小进行裁剪；弹性变换；网格失真；对图像进行光学畸变；随机更改图片的亮度和对比度。

24、本发明第二方面提供一种可解释性的皮肤癌分类装置，包括：

25、获取单元，用于获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

26、划分单元，用于将所述皮肤病变数据划分为训练集和验证集。

27、预处理单元，用于对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

28、构建单元，用于构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

29、验证单元，用于使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

30、分割单元，用于将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

31、提取单元，用于从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

32、第一输入单元，用于将所述元数据和所述特征输入至shap-net网络中，得到第一预分类结果，并根据特征计算后的shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

33、第二输入单元，用于将所述皮肤病变图像输入至efficientnet-b1网络中，得到第二预分类结果。

34、第三输入单元，用于将所述第一预分类结果和所述第二预分类结果输入至softmax函数中，确定最大值为最终分类结果。

35、解释单元，用于对所述分类结果做出解释。

36、进一步的，所述的可解释性的皮肤癌分类装置，所述预处理单元包括：

37、调整模块，用于将所述皮肤病变图像调整至256×256，得到调整后图像。

38、图像增强模块，用于对所述调整后图像进行图像增强。

39、本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现上述的可解释性的皮肤癌分类方法。

40、本发明第四方面提供一种电子设备，包括：存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现上述的可解释性的皮肤癌分类方法。

41、本发明提供一种可解释性的皮肤癌分类方法、装置、介质及设备，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至shap-net网络中，得到第一预分类结果；将皮肤病变图像输入至efficientnet-b1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至softmax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。