皮瓣图像分类模型训练方法及设备

本发明涉及一种皮瓣图像分类模型训练方法及设备。

背景技术：

1、口腔颌面部是人体的重要解剖部位和重要器官的所在地。口腔颌面部不单是人体最显著的暴露部位和社交礼仪的重要言情表达器官，且肩负咀嚼、吞咽、语言、呼吸等重要生理功能，为此口腔颌面部缺损整复已成为修复重建外科及其相关学科的重要任务之一。为应对口腔颌面部大面积缺损问题，游离皮瓣移植这项技术受到了医生的广泛应用和推广。

2、尽管游离皮瓣移植这项技术已经十分成熟，皮瓣出现危象的概率也非常低，且手术成功率高达95％，但是因为皮瓣来源的问题——取自病人自身，故对于皮瓣状态的监测是非常有必要的。

3、在临床上，对于游离皮瓣监测通常需要医护人员进行时刻监测，确保及时发现皮瓣问题，而这种方式会耗费医护人员大量的精力；同时在辨别皮瓣状态这一问题上，对医护人员而言也是不小的挑战。

4、传统皮瓣监测需要医护人员对接受皮瓣手术患者术后每半小时观察记录1次，6小时后每1小时记录1次，持续5-7天。而这意味着临床观察需要耗费医护人员大量的精力和成本，并且临床观察属于主观评价，需要依靠观察者的大量临床经验，不具有客观性，且各层级医院的医护人员水平参差不齐，在评判标准上具有很大的差异性，临床上容易出现误判导致延误抢救的黄金时机。

技术实现思路

1、本发明的目的在于提供一种皮瓣图像分类模型训练方法及设备。

2、为解决上述问题，本发明提供一种皮瓣图像分类模型训练方法，包括：

3、步骤s1，将有危像的皮瓣区域图像有作为正样本，并将没有危像的皮瓣区域图像有作为负样本，

4、步骤s2，对正样本和负样本进行去噪和滤波，以得到预处理后的正样本和负样本；

5、步骤s3，将预处理后的正样本和负样本放入样本集；基于预处理后的正样本和负样本，增加所述样本集中预处理后的正样本和负样本的数量，以得到丰富样本数量后的样本集；

6、步骤s4，从丰富样本数量后的样本集中，分别提取每张正样本和负样本的纹理特征和颜色特征、深度特征，得到每张正样本或负样本对应的特征数组，每个特征数组包括：正样本或负样本类型，及正样本或负样本对应的纹理特征、颜色特征和深度特征；

7、步骤s5，把数据集中所有的正样本和负样本对应的特征数组，按预设比例划分为训练集、验证集和测试集；

8、步骤s6，采用所述训练集和验证集，对resnet50深度神经网络学习模型进行预设轮数的训练，将负样本的验证准确率最高的前提下，且正样本的验证准确率最高的对应的模型参数作为resnet50深度神经网络学习模型的最优参数；其中，所述resnet50深度神经网络学习模型包括：49个卷积层和一个全连接层；

9、步骤s7，采用所述测试集，验证当前的最优参数下的resnet50深度神经网络学习模型的负样本和正样本的验证准确率是否高于预设阈值，若低于所述预设阈值，则重新执行步骤s6至s7，直至当前的最优参数下的resnet50深度神经网络学习模型的负样本和正样本的验证准确率高于预设阈值。

10、进一步的，在上述方法中，步骤s1，将有危像的皮瓣区域图像有作为正样本，并将没有危像的皮瓣区域图像有作为负样本，包括：

11、获取皮瓣图像数据集，对皮瓣图像数据集中的每张图像进行标注，包括：标注出图像中皮瓣区域，并标注出每个皮瓣区域是有危像或是没有危像；

12、对标注后的皮瓣图像数据集中的皮瓣图像数据进行分类，得到包含有皮瓣危像的图像和未包含皮瓣危像的图像；

13、从包含有皮瓣危像的图像中提取分割出有危像的皮瓣区域图像，从未包含皮瓣危像的图像中提取分割出没有危像的皮瓣区域图像，其中，将有危像的皮瓣区域图像有作为正样本，并将没有危像的皮瓣区域图像有作为负样本。

14、进一步的，在上述方法中，步骤s6，包括：

15、每一轮的训练进行如下操作：将训练集输入到具有原始的模型参数的resnet50深度神经网络学习模型，训练得到初步的模型参数；将验证集输入到使用初步的模型参数的resnet50深度神经网络学习模型，得到验证结果，基于验证结果对初步的模型参数进行调整，得到调整后的模型参数，将调整后的模型参数作为下一轮的原始的模型参数。

16、进一步的，在上述方法中，步骤s2中，所述预处理后的正样本和负样本为像素尺寸为224x224，且为rgb三通道的图像。

17、进一步的，在上述方法中，步骤s3，基于预处理后的正样本和负样本，增加所述样本集中预处理后的正样本和负样本的数量，包括：

18、对预处理后的正样本和负样本进行镜像翻折、旋转不同角度和缩放操作，以得到更多的不同的预处理后的正样本和负样本。

19、进一步的，在上述方法中，对预处理后的正样本和负样本进行缩放操作，包括：

20、先将预处理后的正样本或负样本缩小到112*112的像素尺寸的图像，再112*112的像素尺寸的图像的周围加上透明边框，以恢复到224*224的像素尺寸的图像。

21、进一步的，在上述方法中，从丰富样本数量后的样本集中，提取每张正样本和负样本的纹理特征，包括：

22、从丰富样本数量后的样本集中，使用glcm算法，将每张正样本和负样本在的皮瓣区域的纹理特征以矩阵的形式提取出来。

23、进一步的，在上述方法中，步骤s4，从丰富样本数量后的样本集中，提取每张正样本和负样本的颜色特征，包括：

24、从丰富样本数量后的样本集中，使用直方图提取每张正样本和负样本的颜色特征。

25、进一步的，在上述方法中，步骤s4，从丰富样本数量后的样本集中，分别提取每张正样本和负样本的深度特征，包括：

26、从丰富样本数量后的样本集中，通过在resnet50深度神经网络学习模型的第49层卷积层中，输出每张正样本和负样本的深度特征矩阵。

27、进一步的，在上述方法中，获取皮瓣图像数据集，对皮瓣图像数据集中的每张图像进行标注，包括：

28、获取皮瓣图像数据集，使用labelme软件对皮瓣图像数据集中的每张图像进行标注；

29、从包含有皮瓣危像的图像中提取分割出有危像的皮瓣区域图像，从未包含皮瓣危像的图像中提取分割出没有危像的皮瓣区域图像，包括：

30、采用pycharm软件，从包含有皮瓣危像的图像中提取分割出有危像的皮瓣区域图像，并从未包含皮瓣危像的图像中提取分割出没有危像的皮瓣区域图像。

31、根据本发明的另一方面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。

32、与现有技术相比，本发明能够将皮瓣图像的纹理特征和颜色特征、深度特征结合起来，从而有效的对皮瓣进行分类。解决了卷积神经网络不可解释性的问题。本发明训练得到皮瓣图像分类模型，它具有较高的准确率，可以节约大量的人力资源，能实时告知医护人员病人皮瓣状态，方便医护人员及时采取应对措施。本发明可以直接应用于皮瓣监测领域，可以随时进行拍摄记录告知医护人员皮瓣状态结果，能够节约医院大量的人力、物力，在该领域具有良好的发展前景。