[发明专利]基于深度残差金字塔的皮肤病变分割与特征提取方法

说明书

本发明是一种基于深度残差金字塔的皮肤病变分割与特征提取方法，包括如下步骤：步骤1：构建一个基于深度残差金字塔的皮肤病智能提取模型；步骤2：构建深度残差金字塔多尺度编码网络，通过残差金字塔多尺度编码网络和训练服务器对提取的模型进行训练，提取多尺度特征，输出分割与提取结果；步骤3：设计基于焦点损失和梯度协调机制的损失梯度监督机制，平衡离群点、易分样本和难分样本的权重，使模型适度关注难分样本。本发明将深度残差网络与特征金字塔结合，构建了一个深度残差金字塔多尺度编码网络，将瓶颈层划分为多尺度编码网络，通过提取多尺度特征，实现网络分割与提取结果的输出，提升神经网络的分割能力和特征提取能力。

技术领域

本发明涉及人工智能检测皮肤病领域，具体说是一种基于深度残差金字塔的皮肤病变分割与特征提取方法。

背景技术

皮肤病是普遍存在的疾病之一，分布年龄广。恶性皮肤病变，如黑色素瘤，由于恶化速度较快，致死率极高，因此是世界恶性程度较大的癌症之一。研究表明，如果黑色素瘤能在早期被筛选发现，该类肿瘤可以被完全治愈。因此，高效及时筛查恶性皮肤病如黑色素瘤具有重要的医疗价值。由于皮肤病存在种类繁多、病变外观的类间相似度高、类内差异化大等特点，使得黑色素瘤的识别分类非常困难。近年来，黑色素瘤的确诊和死亡病例在持续增长，但是通过早期筛查诊断可以极大降低该病的致死率.

在过去的十年中，神经网络展现出计算高效、灵敏度高和结果准确等特点，因此近年来被广泛引用于分类和回归任务，尤其是在机器视觉方面的医学临床实践中。研究人员通过导入大量的皮肤镜图像数据集和优化的估计参数，对黑色素瘤的特征进行提取训练，其结果提高了皮肤病分类筛查尤其是黑色素瘤分类的特异性、准确性和灵敏度。与皮肤科医生诊断相比，神经网络的误诊率更低，即与专业皮肤科医生的视觉筛查分类相比，计算机视觉的可靠性更高。

神经网络具有更高的灵敏度和特异性，可以辅助病人进行早期筛查，减少了非必要的就诊需求；同时对筛查有病变风险的病人给予及时准确的医疗建议。

当然，识别皮肤病，尤其是黑色素瘤，主要分为基于人工设计筛查的方法、基于传统机器学习算法的方法和基于卷积神经网络的方法。

基于人工设计筛查的方法：该类方法一定程度上提高了系统处理复杂外观的特征提取能力，但是所用特征单一，且着重于全局特征，忽略了局部特征。局部特征有利于利用细区分黑色素瘤病变区域与非病变区域，对于相似区域的划分作用重大，因此该类方法的特征提取准确性较低。

基于传统机器学习算法的方法：该类方法基于邻域分量分析改进了特征提取的方法，利用最佳纹路特征进行病变分割，有效提高了病变分割与分类准确性，但是存在计算成本昂贵、样本类别不平衡导致的提取能力差、准确率极低与误诊率极高的问题。

基于卷积神经网络的方法：该类方法应用CNN的高辨别力提升了色素性皮肤病识别系统的性能，但是其网络存在局限性，即特征易丢失、特征提取能力差、准确率低，难以得到较优的结果。针对灵敏度与准确性依赖样本的问题，一些学者提出了集成学习的方法。然而，这类集成模型需要大量资源，训练开销极大。

针对网络提取能力差与准确率低的问题，一些学者采用增加网络深度的方法。虽然该类方法通过增加网络深度提升了模型的性能，但是随着网络深度的增加，网络的准确度出现饱和甚至下降的现象，网络开始退化，同时提取的特征极易丢失。

发明内容

为了解决上述技术问题，本发明将深度残差网络与特征金字塔结合，提出一种基于深度残差金字塔的病变分割与特征提取方法，本发明构建了一个深度残差金字塔多尺度编码网络，将瓶颈层划分为多尺度编码网络，通过提取多尺度特征，实现网络分割与提取结果的输出，提升神经网络的分割能力和特征提取能力。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种基于深度残差金字塔的皮肤病变分割与特征提取方法，包括如下步骤：