[发明专利]基于改进残差网络的甲真菌病初筛检测的方法

说明书

本发明公开了一种基于改进残差网络的甲真菌病初筛检测的方法，包括以下步骤：制作甲真菌病图像数据集；将对图像数据集输入到特征提取器，进行特征提取；分类器对特征进行整合；计算当前值与真实值之间的差值。本发明使用基于轻量注意力机制的特征提取器提取相关特征，将其输入改进分类器中进行分类，使用正则化损失函数来规范网络的输出预测。通过前向和反向传播机制学习识别甲真菌病图像中的有效特征，以实现甲真菌病初筛分类的自动判别。

技术领域

本发明属于计算机视觉与医学图像分析技术领域，具体涉及一种基于改进残差网络的甲真菌病初筛检测的方法。

背景技术

甲真菌病是由皮肤癣菌、酵母菌和其他霉菌侵犯甲板和甲床所致的病变，它是皮肤科中最常见的疾病，具有高传染性和高发病率。甲真菌病占所有甲病的50%和所有皮肤感染的10%，患病人数约占世界人口的 2% - 18%。在甲真菌病的患病初期无明显的炎症反应和疼痛感，这导致很多患者对该病存在一定的认知误区，认为甲真菌病只是影响指甲的外观。但是若患者不及时接受治疗，会导致一系列严重后果。甲真菌病作为一种在老年人中频发的高传染性疾病，随着世界人口老龄化的趋势正不断扩散，这将会给医疗系统带来极大压力。由于患病人数逐年增多且甲真菌病具有高传染性，如不及时治疗，任其造成大范围感染，将会给医疗系统带来巨大压力。若能及早发现甲真菌病并进行治疗，会极大地降低这种传染病带来的危害，减少医疗成本。

目前，皮肤科医生主要通过实验室真菌镜检、真菌培养或组织病理学等手段来诊断甲真菌病，这通常需要患者去医院完成检测。对甲真菌病认知不足、就诊费用高、候诊时间久等各种原因，造成了患者去医院进行甲真菌病早期筛查意愿低下的现状。因此，寻找更简单快捷的方法来进行甲真菌病的初筛十分重要。然而，甲真菌病的初筛检测往往面临着诸多挑战，如甲真菌病没有公开数据集、标记样本稀缺、易与其他甲病相混淆、现有分类网络过于重量级、先验知识不充分等，如何制作合适的数据集和探究更有效、更轻量的甲真菌病分类方法，并将其应用于甲真菌病的初筛检测中，是当前面临的重要问题之一。

近几年来，随着高新技术的发展和数字时代的来临，在科学、工业和医学等各个领域再次掀起技术革新浪潮。深度学习由于其自动学习特征的能力和优越的性能，使医学图像计算方法产生了革命性改变。它在医学图像分类、分割和配准等都取得了很多成果，在病理学、眼科、放射科和皮肤等医学影像领域表现出色。因此，针对甲真菌病初筛检测问题，提出一个基于轻量注意力和正则化改进的残差网络，通过该网络搭建甲真菌病分类算法框架。

发明内容

为了解决甲真菌病的初筛检测中的问题，本发明提供一种基于改进残差网络的甲真菌病初筛检测的方法，，来实现甲真菌病的二分类问题。

为了达到上述目的，本发明技术方案如下：

一种基于改进残差网络的甲真菌病初筛检测的方法，包括以下步骤：

S1）制作甲真菌病图像数据集；

S2）将对步骤S1）获得的图像数据集输入到特征提取器，进行特征提取；

S3）分类器对步骤S2）获得的特征进行整合：将步骤S2）中降维后的特征输入到改进分类器模块中，模块中的双重全连接层能够对多个局部特征进行整合，找到通道间的相关性，将特征向量映射到样本类别空间进行有效的分类；

S4）计算当前值与真实值之间的差值：模型在训练样本的输入图像和相应的类别标签的基础上，通过前向和反向传播机制学习识别甲真菌病图像中的有效特征，使用正则化损失函数来规范网络的输出预测，优化模型的权重参数，提高甲真菌病分类的准确性。

进一步的，步骤S3）中，还能利用Dropout技术随机抛弃网络节点，避免参数过多导致过拟合。

进一步的，步骤S1）中的具体步骤如下：

S11）首先按照要求获取公开的甲真菌病样本，进行去除脏数据和批处理标准化的操作，

S12）再使用目标检测模型自动识别指甲位置并裁剪，完成数据集样本的扩充和统一，