[发明专利]一种皮肤病变图像分类方法

权利要求书

1.一种皮肤病变图像分类方法，其特征在于，包括如下步骤：

对待分类皮肤病变图像进行中心裁剪，获得第一图像块；

采用训练好的神经网络模型的上分支网络对第一图像块进行特征提取，获得第一特征向量，其中，所述神经网络模型采用基于多尺度双层注意力机制的神经网络模型；

利用上分支网络中的病变定位结构根据第一特征向量进行病变区域定位；

根据所定位的病变区域对第一图像块进行裁剪，获取第二图像块；

利用训练好的神经网络模型的下分支网络对第二图像块进行特征提取，获得第二特征向量；

利用下分支网络中的特征融合结构对第一特征向量和第二特征向量进行特征融合，获得融合向量；

利用下分支网络的输出层中的softmax激活函数处理融合向量，获取皮肤病变类别预测概率；

根据皮肤病变类别预测概率对待分类皮肤病变图像进行分类。

2.根据权利要求1所述的一种皮肤病变图像分类方法，其特征在于，神经网络模型的上分支网络包括特征提取结构、辅助输出层、病变定位结构和裁剪缩放结构，神经网络模型的下分支网络包括特征提取结构、辅助输出层、特征融合结构和输出层，其中，所述特征提取结构包括一个卷积层和若干个注意力残差单元学习结构ARL，所述病变定位结构包括隐藏层和输出层。

3.根据权利要求1或2所述的一种皮肤病变图像分类方法，其特征在于，获得第一特征向量的方法为：

将第一图像块输入上分支网络的特征提取结构的卷积层，通过Relu非线性激活函数获得中间向量X₁；

利用若干个注意力残差单元学习结构ARL对中间向量X₁进行卷积、归一化、下采样处理，获得输出向量y；

利用全局平均池化层处理输出向量y，获得第一图像块对应的的第一特征向量F¹。

4.根据权利要求1所述的一种皮肤病变图像分类方法，其特征在于，利用上分支网络中的病变定位结构根据第一特征向量进行病变区域定位的方法为：

将第一特征向量F¹输入到病变定位结构的隐藏层，利用Relu非线性激活函数得到隐藏层状态g：

g＝Relu(U₃F¹+b₃)

其中，U₃为隐藏层的参数矩阵，b₃为隐藏层的偏置项；

根据隐藏层状态g，在病变定位结构的输出层中利用sigmoid非线性激活函数获取第一图像块的病变区域坐标，病变区域坐标的表达式如下：

[t_x，t_y，t_l]＝n*sigmoid(U₄g+b₄)

其中，t_x表示病变区域中心点的横坐标，t_y表示病变区域中心点的纵坐标，t_l表示病变区域的半径，n为第一图像块的边长，U₄为输出层的参数矩阵，b₄为输出层的偏置项。