[发明专利]一种皮肤病变图像分类方法

说明书

本发明公开了一种皮肤病变图像分类方法，其包括：对待分类皮肤病变图像进行中心裁剪，获得第一图像块；利用神经网络模型中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；根据第一特征向量获得病变区域坐标；根据病变区域坐标裁剪第一图像块，获得第二图像块；利用神经网络模型中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；对第一特征向量和第二特征向量进行特征融合，获得皮肤病变类别预测概率，并根据皮肤病变类别预测概率获得待分类皮肤病变图像的皮肤病变类别。本发明方法能够快速、客观、准确的判断皮肤病变图像的皮肤病变类别。

技术领域

本发明涉及一种皮肤病变图像分类方法，属于图像处理技术领域。

背景技术

皮肤癌已经是威胁人类生命的主要癌症之一，皮肤黑色素瘤是皮肤癌的主要类别之一。由于皮肤黑色素瘤在早期看起来很像痣，所以普通人很难通过肉眼识别它。皮肤黑色素瘤等皮肤病变可以通过对皮肤图像的处理来进行识别，目前，大部分医院利用皮肤镜放大局部皮肤，消除皮肤周围的干扰，然后获取皮肤图像，由专业的皮肤科医生根据皮肤图像判断皮肤病变类别，这种病变类别判断方法非常依赖专家的技术经验，图像处理效率不高，而且经验不足的皮肤科医生会大大降低皮肤病变图像分类的准确性，皮肤病变图像分类结果过于主观，因此有必要开发更准确、可靠、高效的系统来代替人工进行皮肤病变图像分类工作。

深度神经网络的出现为准确快速地判断皮肤病变类别带来了希望，但是现有皮肤病数据集中皮肤图像的皮肤病变区域相对较小，且尺寸不一，外观差异特征不明显，同时现实世界中的数据集分布往往具有不平衡的特征，这些特点严重影响了基于神经网络的皮肤病变图像分类系统的效率与准确度。

发明内容

为了提高基于神经网络的皮肤病变图像分类系统的效率和准确度，本发明提出了一种皮肤病变图像分类方法，利用基于多尺度双层注意力机制的神经网络模型进行皮肤病变概率预测，最终根据皮肤病变概率获得准确可靠的皮肤病变类别，提高了皮肤病变图像分类的效率和准确度。

为解决上述技术问题，本发明采用了如下技术手段：

本发明提出了一种皮肤病变图像分类方法，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。

进一步的，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。

进一步的，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；