一种基于深度学习的皮肤疾病图像识别方法

本发明涉及图像处理，尤其涉及一种基于深度学习的皮肤疾病图像识别方法。

背景技术：

1、在经济社会的迅速发展的同时，生存环境变得越来越恶劣，如紫外线增强、空气质量变差，人们的生活压力也越来越大，再加上年龄和遗传的因素，导致人们产生皮肤疾病的概率也越来越高。病人在第一阶段诊断出恶性皮肤疾病的十年生存率可以达到83.1%，远远高于第四阶段诊断出的最好结果15.7%。对于恶性皮肤疾病的及早诊断有利于病人的治疗，延长对象的生命。皮肤病变图像是医生用于分析对象病情的主要依据之一，对于诊断对象的病情具有重要作用，但是皮肤病变图像在颜色、形状等方面差别并不大，对其进行分析是一件复杂且消耗大量时间的工作，而且需要经验十分丰富的医生才可以给出相对来说更为准确的诊断结果；当面对大量病例时，大大增加了皮肤科医生的工作量，皮肤科医生通常会因为劳累而工作效率下降，甚至影响了疾病诊断的准确率。现代科技和人工智能技术的发展为计算机辅助诊断系统的改进和优化提供了良好的技术支持，现在它的诊断精度甚至可以达到专家的诊断水平，计算机辅助诊断系统有着巨大的应用价值。

2、目前医学工作者已经进行了许多通过深度学习方法进行皮肤疾病的诊断。

3、专利公开号（cn108198620b）的中国发明专利提出了一种基于深度学习的皮肤疾病智能辅助诊断系统，包括分类器训练单元、语言模型单元以及智能辅助诊断单元，智能辅助诊断单元包括图像采集模块、语音问诊模块、语音识别及关键字提取模块、概率分类模型、rnn病情分析模块以及融合分类器；分类器训练单元包括皮肤镜下状态图训练集、皮损及皮肤镜下状态标准数据库、cnn网络卷积模块以及采样与分类模块；语言模型单元包括医学术语标准库、rnn提问管理模块、rnn主诉管理模块以及皮肤病医疗知识库。但其只是应用深度学习，根据对象自述及皮肤图像进行初步分类，推断出可能的结果，之后检索预先安装的皮肤镜图片以及组织学诊断标签数据库供医生参考，只是提供了初步的诊断辅助功能，并不能根据皮肤疾病图像给出最终的识别结果。

4、专利公开号（cn107945173b）的中国发明专利提出了一种基于深度学习的皮肤疾病检测方法以及系统，方法包括：将待检测皮肤的图片预处理后输入改进的faster rcnn神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。上述的深度学习模型在识别皮肤图像异常时，同样存在特征提取不完整，识别精度低的问题。

5、因此，现有技术中的皮肤图像疾病异常识别方法的识别精度低，在图像中可能不存在异常的位置被深度学习模型识别出了问题，导致医生还需要花费大量的时间和精力结合待预测人员的其他信息去复核深度学习模型识别的结果才能最终获得诊断结论；同时，现有技术中卷积神经网络模型的前向和后向传播过程计算量非常大，导致模型训练过程复杂。

6、综上，如何设计提取特征多且训练准确率高、训练效率高的深度神经网络成为目前制约皮肤图像异常识别与发展的因素。

技术实现思路

1、为解决上述问题，本发明提供一种基于深度学习的皮肤疾病图像识别方法，具体包括如下步骤：

2、步骤s1，获取待检测对象的皮肤图像；

3、步骤s2，对所述皮肤图像进行预处理，获取预处理后的图像集；

4、步骤s3，将所述预处理后的图像集输入至深度神经网络模型，输出识别结果，所述识别结果包括，存在异常和不存在异常；所述深度神经网络模型训练方法为：

5、步骤s31，获取皮肤疾病图像集；

6、步骤s32，对所述图像集进行预处理，获取预处理后的图像集；

7、步骤s33，将所述预处理后的图像集输入所述深度神经网络模型，依次对所述深度神经网络模型进行前向传播训练和后向传播训练，获得训练好的深度神经网络模型；

8、所述前向传播的训练公式为：

9、（1）

10、所述后向传播的训练公式为：

11、（2）

12、其中，φ为激活函数，w为深度神经网络全连接层的权重矩阵，x为深度神经网络的输入，y为深度神经网络的输出，，m为权重矩阵w的行数，j为损失函数，wij为权重矩阵w的第i行第j列的元素。

13、进一步的，所述损失函数为：

14、（3）

15、其中，

16、（4）

17、l为深度神经网络模型的层数，

18、ωl为第l层的纹理损失的权重，

19、el是图层的纹理损失，

20、gij为模型输出的层的风格样式表示，

21、aij为模型目标图像的层的风格样式表示，

22、nl为第l层中不同特征映射的数量，

23、ml为第l层中特征映射的容量。

24、进一步的，所述步骤s2中，所述预处理为对图像依次进行：统一尺寸、降维、增强质量。

25、进一步的，所述统一尺寸为对输入的图像按照像素大小进行缩小，得到统一像素值的图像。

26、进一步的，所述降维为对输入的图像进行归一化，所述归一化为采用混淆矩阵对图像进行分组。

27、进一步的，所述增强质量的方法为对降维后的数据依次进行灰度变换、直方图均衡化和图像平滑处理。

28、进一步的，所述步骤s33还包括，对训练后的深度神经网络模型进行评估，若通过评估，则训练完成，否则继续训练。

29、一种基于深度学习的皮肤疾病图像识别系统，使用如上任一项所述的基于深度学习的皮肤疾病图像识别方法，包括以下模块：

30、图像获取模块，用于获取待检测对象的皮肤图像；

31、预处理模块，与所述图像获取模块连接，用于对所述皮肤图像进行预处理，获取预处理后的图像；

32、检测模块，与所述预处理模块连接，用于将所述预处理后的图像集输入至所述深度神经网络模型，输出识别结果，所述识别结果包括，存在异常和不存在异常。

33、一种电子设备，所述电子设备包括：

34、处理器和存储器；

35、所述处理器通过调用所述存储器存储的程序或指令，用于执行如上任一项所述的基于深度学习的皮肤疾病图像识别方法的步骤。

36、一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序指令，所述计算机程序指令使计算机执行如上任一项所述的基于深度学习的皮肤疾病图像识别方法的步骤。

37、与现有技术相比较，本技术的有益效果在于：

38、其一，针对皮肤疾病图像不易区分，尤其是在颜色、形状方面区别不明显的问题，本发明在进行皮肤疾病图像识别之前，由于重新制定了深度神经网络的前向传播和后向传播的计算规则，其中，在设计向前传播规则时，将所述卷积神经网络模型的权重矩阵和激活函数结合，从而在特征选择的时候可以选择尽可能少的特征，所以可以提高深度神经网络的预测精度；在设计向后传播规则时，对现有技术的后向传播公式进行简化，从而减少了卷积神经网络模型训练过程的运算量；

39、其二，本发明为解决皮肤疾病图像区别不明显的问题，在预处理阶段对图像进行统一尺寸、降维、增强质量等处理，通过将图片大小缩小到一个度量，可以从所有照片中获得确切的特征量，此外，缩小图片可以减少处理时间，从而提高系统的整体性能，图像增强方法可以增强图片的整体质量，降低后期深度神经网络训练过程中的过拟合问题；

40、其三，本发明在皮肤疾病图像识别模型中，选择纹理损失函数作为模型训练的损失函数，该损失函数可使得模型注意力集中在数据中正确的特征集上，从而获得最优和最快的收敛。