CN107945173A - 一种基于深度学习的皮肤疾病检测方法以及系统 - Google Patents
一种基于深度学习的皮肤疾病检测方法以及系统 Download PDFInfo
- Publication number
- CN107945173A CN107945173A CN201711306341.1A CN201711306341A CN107945173A CN 107945173 A CN107945173 A CN 107945173A CN 201711306341 A CN201711306341 A CN 201711306341A CN 107945173 A CN107945173 A CN 107945173A
- Authority
- CN
- China
- Prior art keywords
- layer
- disease
- skin
- convolution
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开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,本发明可以更加有效的提升模型的性能,比基础的Faster RCNN的检测效果提升,适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测,可用于医疗行业和医学美容行业的各种疾病检测。
Description
技术领域
本发明涉及皮肤疾病检测领域,尤其涉及一种基于深度学习的皮肤疾病检测系统。
背景技术
近年来,面部皮肤疾病发病率较高而且呈上升趋势,特别是护肤品密切相关的疾病,例如痤疮、面部敏感皮肤、激素依赖皮炎、口周皮炎、酒渣鼻、黄褐斑等均较常见,而且类型非常多。如何选择护肤品、如何协调好护肤品和外用药物同时使用的情况,是目前人们特别是女性特别关注的问题。选择正确的护肤品的前提是要对面部皮肤疾病做准确的判断,否则会因为护肤品使用不当加重病情。由于目前皮肤科医生非常紧缺,在面部皮肤诊断有专长的皮肤科医生更少。而且很多情况下,病人并不主动寻求医生的诊断,而是咨询美容行业的从业人员,由于此类人员的专业性较差,往往咨询效果不佳。准确高效的诊断出面部皮肤问题成为现在美容护肤行业的一个迫切需求。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于深度学习的皮肤疾病检测方法以及系统。
本发明解决其技术问题所采用的技术方案是:构造一种基于深度学习的皮肤疾病检测方法,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。
在本发明所述的基于深度学习的皮肤疾病检测方法中,该神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图;
候选区域检测层:使用区域建议网络从特征图里提取候选区域;
目标区域池化层:把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层:确定目标的区域中的疾病区域;
分类层:确定每个疾病区域里的疾病类别。
在本发明所述的基于深度学习的皮肤疾病检测方法中,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
在本发明所述的基于深度学习的皮肤疾病检测方法中,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。
在本发明所述的基于深度学习的皮肤疾病检测方法中,第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层。
在本发明所述的基于深度学习的皮肤疾病检测方法中,所述方法还包括:在所述神经网络模型进行皮肤检测之前,使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据,经过预处理后训练所述神经网络模型。
本发明还要求保护一种基于深度学习的皮肤疾病检测系统,该系统包括图片输入层以及改进的Faster RCNN神经网络模型,图片输入层用于将待检测皮肤的图片预处理后输入该神经网络模型,该神经网络模型用于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。
在本发明所述的基于深度学习的皮肤疾病检测系统中,该神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图;
候选区域检测层:使用区域建议网络从特征图里提取候选区域;
目标区域池化层:把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层:确定目标的区域中的疾病区域;
分类层:确定每个疾病区域里的疾病类别。
在本发明所述的基于深度学习的皮肤疾病检测系统中,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
在本发明所述的基于深度学习的皮肤疾病检测系统中,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层,第二卷积单元至第四卷积单元中的任意两个卷积层之间还可包括丢弃层。
实施本发明的基于深度学习的皮肤疾病检测系统,具有以下有益效果:本发明通过对Faster RCNN神经网络模型进行改进后运用到皮肤检测,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,可以更加有效的提升模型的性能,比基础的Faster RCNN的检测效果提升,适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测,可用于医疗行业和医学美容行业的各种疾病检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图:
图1是本发明实施例一种的皮肤疾病检测方法的流程图;
图2是本发明的改进的Faster RCNN神经网络模型的结构示意图;
图3是丢弃层的结构示意图。
具体实施方式
为了解决由于疾病区域跟健康皮肤区域的差异性不明显、疾病区域的形状不规则、疾病之间的差异性不明显带来的检测准确率不高的问题,针对准确高效的诊断出面部皮肤问题的需求,本发明旨在使用深度学习技术对面部皮肤疾病做智能分析,可实现对敏感肌肤、痤疮和皮炎类型的皮肤疾病的快速诊断,并且对不同疾病的分期也可以准确诊断,比如痤疮的粉刺期、炎症期和疤痕期,接触性皮炎的红斑肿胀期和渗出糜烂期。
本发明的皮肤疾病识别主要使用的深度学习算法,深度学习是对神经网络的一种改进,包含更多的计算层,从而能够在数据中进行更高层次的抽象和预测。到目前为止,它正成为通用成像和计算机视觉领域领先的机器学习工具。卷积神经网络(CNN)作为一种典型的深度学习模型,已经被证明是可用于许多计算机视觉任务的有利工具。深度卷积神经网络(Deep CNN)可以自动学习从原始图像数据获得的中级和高级的抽象概念(例如线条、形状、轮廓等等)。CNN的强大得益于它的深层架构,这让它在不同抽象级别上,提取一系列辨别特征。CNN在很多场景下的图片分类问题已经超过了人的准确率。最近的研究成果表明,从CNN提取的通用描述符在自然图像的对象识别和定位中非常有效。比如Faster RCNN算法能够很准确了的识别自然场景图片里的多种物体并给出物体所在位置,比如人、车、树木等等。
但是,现有的Faster RCNN算法主要目的是用于自然场景下的物体识别,比如车、房子、人、动物等等。这些物体(前景)跟背景(图片中的非目标物体)的差异性比较大,物体跟背景的边缘比较明显,很容易找到目标物体所在的区域,另外,这些物体之间的差异性也比较明显,特别是从形状上来看,所以基于VGG16网络提取的特征主要体现在形状上,把这些物体的类别找正确也不难。但是面部疾病检测会比较有挑战一些,首先,疾病区域跟背景(健康皮肤区域)的差异性不明显,只是稍微颜色上有些区别,并且发病区域没有明显的边缘,而且发病区域的形状不规则,不太容易准确的找到发病区域,其次,疾病之间的差异性也不像自然场景下物体之间的差异性那么明显,形状上和颜色上都是如此,比如痤疮炎症期和接触性皮炎的丘疹脓包期在形态和颜色上比较接近,玫瑰痤疮和敏感肌肤也都表现为泛红,所以疾病分类相比区域检测的挑战性更大。而且传统的Faster RCNN使用的VGG16网络做特征提取,但该网络深度只有16层,一般情况下,为了能更好的提取特征,网络的深度越深效果越好,卷积残差网络ResNet可以解决随着深度增加所带来的效果退化问题,它可以将网络深度提升到千层的级别。但是随着模型深度的加深,梯度反向传播时,并不能保证能够流经每一个残差模块(residual block)的weights,以至于它很难学到东西,因此在整个训练过程中,只有很少的几个残差模块能够学到有用的表达,而绝大多数的残差模块起到的作用并不大。
为此,本发明将Faster RCNN算法改进并应用到面部皮肤问题检测中去,可以自动的识别面部的疾病种类和疾病发生的位置。具体改进包括:从特征提取方面入手,把FasterRCNN默认使用的16层的卷积神经网络改进为深度宽度残差网络,深度宽度残差网络相比于原来的Faster RCNN默认使用的16层的卷积神经网络而言,卷积层的宽度更宽且深度更深,有助于更好的提取特征。
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本说明书中使用的“第一”、“第二”等包含序数的术语可用于说明各种构成要素,但是这些构成要素不受这些术语的限定。使用这些术语的目的仅在于将一个构成要素区别于其他构成要素。例如,在不脱离本发明的权利范围的前提下,第一构成要素可被命名为第二构成要素,类似地,第二构成要素也可以被命名为第一构成要素。
本发明总的思路是:在进行皮肤疾病检测时,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,该神经网络模型即可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。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
参考图1,实施例一公开了一种基于深度学习的皮肤疾病检测方法,方法包括:
S100、在所述神经网络模型进行皮肤检测之前,使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据,经过预处理后训练改进的Faster RCNN神经网络模型;
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。
S200、进行皮肤检测时,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。
参考图2,具体的,本实施例中的神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图(feature maps);
候选区域检测层:使用区域建议网络(Region Proposal Network)从特征图里提取候选区域;
目标区域池化层(Region of Interests Pooling):把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层(reg layer):确定目标的区域中的疾病区域;
分类层(cls layer):确定每个疾病区域里的疾病类别。优选的,可以把优化目标的疾病类别部分的权重增加,重点区分疾病类别。
优选的,本实施例中,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,其中,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
需要说明的是,深度宽度残差网络主要是相比于原来的Faster RCNN默认使用的16层的卷积神经网络而言,卷积层的宽度更宽且深度更深。深度宽度残差网络并不是限于本实施例所述结构,其卷积层的层数、宽度可以根据需要修改。
其中,具体的,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。
参考图3,优选的,第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层(dropout层)。
实施例二
基于同一发明构思,本发明还公开了一种基于深度学习的皮肤疾病检测系统,实施例二中公开的系统包括:图片输入层以及改进的Faster RCNN神经网络模型。其中,图片输入层用于将输入的图片预处理后输入该神经网络模型,该神经网络模型用于输出检测皮肤的疾病区域和疾病类型。
需要说明的是,在所述神经网络模型进行皮肤检测之前,可以通过使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据,经过预处理后训练该神经网络模型,训练好之后的神经网络模型即可投入使用。
本实施例中,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。具体的,该神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图;
候选区域检测层:使用区域建议网络从特征图里提取候选区域;
目标区域池化层:把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层:确定目标的区域中的疾病区域;
分类层:确定每个疾病区域里的疾病类别。
优选的,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
具体的,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层,第二卷积单元至第四卷积单元中的任意两个卷积层之间还可包括丢弃层。
综上所述,实施本发明的基于深度学习的皮肤疾病检测系统,具有以下有益效果:本发明通过对Faster RCNN神经网络模型进行改进,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,可以更加有效的提升模型的性能,比基础的Faster RCNN的效果提升20%,10种疾病的分类准确率达到85%以上,适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测,可用于医疗行业和医学美容行业的各种疾病检测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory,ROM)或随机存储记忆体(RandomABBessMemory,RAM)等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于深度学习的皮肤疾病检测方法,其特征在于,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。
2.根据权利要求1所述的基于深度学习的皮肤疾病检测方法,其特征在于,该神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图;
候选区域检测层:使用区域建议网络从特征图里提取候选区域;
目标区域池化层:把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层:确定目标的区域中的疾病区域;
分类层:确定每个疾病区域里的疾病类别。
3.根据权利要求1所述的基于深度学习的皮肤疾病检测方法,其特征在于,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
4.根据权利要求3所述的基于深度学习的皮肤疾病检测方法,其特征在于,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。
5.根据权利要求4所述的基于深度学习的皮肤疾病检测方法,其特征在于,第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层。
6.根据权利要求1所述的基于深度学习的皮肤疾病检测系统,其特征在于,所述方法还包括:在所述神经网络模型进行皮肤检测之前,使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据,经过预处理后,训练所述神经网络模型。
7.一种基于深度学习的皮肤疾病检测系统,其特征在于,该系统包括图片输入层以及改进的Faster RCNN神经网络模型,图片输入层用于将待检测皮肤的图片预处理后输入该神经网络模型,该神经网络模型用于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。
8.根据权利要求7所述的基于深度学习的皮肤疾病检测系统,其特征在于,该神经网络模型包括:
特征提取层:针对输入的预处理后的图片,使用深度宽度残差网络提取图片特征,得到特征图;
候选区域检测层:使用区域建议网络从特征图里提取候选区域;
目标区域池化层:把特征图的候选区域里的目标通过池化操作来筛选出来;
回归层:确定目标的区域中的疾病区域;
分类层:确定每个疾病区域里的疾病类别。
9.根据权利要求7所述的基于深度学习的皮肤疾病检测系统,其特征在于,所述深度宽度残差网络包括使用四十层网络,该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层,每个卷积层的宽度为2,每个卷积层使用3*3的卷积。
10.根据权利要求9所述的基于深度学习的皮肤疾病检测系统,其特征在于,该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成,其中,第一卷积单元包含一个卷积层,第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层,第二卷积单元至第四卷积单元中的任意两个卷积层之间还可包括丢弃层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306341.1A CN107945173B (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306341.1A CN107945173B (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945173A true CN107945173A (zh) | 2018-04-20 |
CN107945173B CN107945173B (zh) | 2022-05-24 |
Family
ID=61946410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711306341.1A Active CN107945173B (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945173B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717693A (zh) * | 2018-04-24 | 2018-10-30 | 浙江工业大学 | 一种基于rpn的视盘定位方法 |
CN108814565A (zh) * | 2018-07-04 | 2018-11-16 | 重庆邮电大学 | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 |
CN108921825A (zh) * | 2018-06-12 | 2018-11-30 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤点状缺陷的方法及装置 |
CN109002846A (zh) * | 2018-07-04 | 2018-12-14 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置和存储介质 |
CN109008970A (zh) * | 2018-07-19 | 2018-12-18 | 上海试美网络科技有限公司 | 一种带有人工智能的皮肤检测仪 |
CN109166120A (zh) * | 2018-09-11 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN109255367A (zh) * | 2018-08-03 | 2019-01-22 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
CN109858497A (zh) * | 2019-01-18 | 2019-06-07 | 五邑大学 | 一种改进的残差网络及其特征提取方法、装置 |
CN110059635A (zh) * | 2019-04-19 | 2019-07-26 | 厦门美图之家科技有限公司 | 一种皮肤瑕疵检测方法及装置 |
WO2019223148A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于面部识别的痤疮判断方法、终端及存储介质 |
CN110674726A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于目标检测与迁移学习的皮肤病辅助诊断方法及系统 |
CN111507944A (zh) * | 2020-03-31 | 2020-08-07 | 北京百度网讯科技有限公司 | 皮肤光滑度的确定方法、装置和电子设备 |
US20200367961A1 (en) * | 2018-02-16 | 2020-11-26 | Exploramed V Llc | Acne treatment system and methods |
US11298560B2 (en) * | 2019-07-11 | 2022-04-12 | Lg Electronics Inc. | Light output device for caring for user using artificial intelligence and method of operating the same |
CN117274148A (zh) * | 2022-12-05 | 2023-12-22 | 魅杰光电科技(上海)有限公司 | 基于深度学习的无监督晶圆缺陷检测方法 |
CN109255367B (zh) * | 2018-08-03 | 2024-07-09 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
-
2017
- 2017-12-11 CN CN201711306341.1A patent/CN107945173B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200367961A1 (en) * | 2018-02-16 | 2020-11-26 | Exploramed V Llc | Acne treatment system and methods |
CN108717693A (zh) * | 2018-04-24 | 2018-10-30 | 浙江工业大学 | 一种基于rpn的视盘定位方法 |
WO2019223148A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于面部识别的痤疮判断方法、终端及存储介质 |
CN108921825A (zh) * | 2018-06-12 | 2018-11-30 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤点状缺陷的方法及装置 |
CN108814565A (zh) * | 2018-07-04 | 2018-11-16 | 重庆邮电大学 | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 |
CN109002846A (zh) * | 2018-07-04 | 2018-12-14 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置和存储介质 |
CN109008970A (zh) * | 2018-07-19 | 2018-12-18 | 上海试美网络科技有限公司 | 一种带有人工智能的皮肤检测仪 |
CN109255367A (zh) * | 2018-08-03 | 2019-01-22 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
CN109255367B (zh) * | 2018-08-03 | 2024-07-09 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
CN109166120A (zh) * | 2018-09-11 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN109858497B (zh) * | 2019-01-18 | 2023-09-01 | 五邑大学 | 一种改进的残差网络及其特征提取方法、装置 |
CN109858497A (zh) * | 2019-01-18 | 2019-06-07 | 五邑大学 | 一种改进的残差网络及其特征提取方法、装置 |
CN110059635A (zh) * | 2019-04-19 | 2019-07-26 | 厦门美图之家科技有限公司 | 一种皮肤瑕疵检测方法及装置 |
CN110059635B (zh) * | 2019-04-19 | 2021-03-23 | 厦门美图之家科技有限公司 | 一种皮肤瑕疵检测方法及装置 |
US11298560B2 (en) * | 2019-07-11 | 2022-04-12 | Lg Electronics Inc. | Light output device for caring for user using artificial intelligence and method of operating the same |
CN110674726A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于目标检测与迁移学习的皮肤病辅助诊断方法及系统 |
CN111507944A (zh) * | 2020-03-31 | 2020-08-07 | 北京百度网讯科技有限公司 | 皮肤光滑度的确定方法、装置和电子设备 |
CN111507944B (zh) * | 2020-03-31 | 2023-07-04 | 北京百度网讯科技有限公司 | 皮肤光滑度的确定方法、装置和电子设备 |
CN117274148A (zh) * | 2022-12-05 | 2023-12-22 | 魅杰光电科技(上海)有限公司 | 基于深度学习的无监督晶圆缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107945173B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945173A (zh) | 一种基于深度学习的皮肤疾病检测方法以及系统 | |
Burlina et al. | Comparing humans and deep learning performance for grading AMD: a study in using universal deep features and transfer learning for automated AMD analysis | |
Razmjooy et al. | A hybrid neural network–world cup optimization algorithm for melanoma detection | |
Kitrungrotsakul et al. | VesselNet: A deep convolutional neural network with multi pathways for robust hepatic vessel segmentation | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
CN110532907A (zh) | 基于面象和舌象双模态特征提取的中医人体体质分类方法 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
Binol et al. | Ros‐NET: A deep convolutional neural network for automatic identification of rosacea lesions | |
CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
Chai et al. | Deep learning through two-branch convolutional neuron network for glaucoma diagnosis | |
Levakov et al. | Mapping individual differences across brain network structure to function and behavior with connectome embedding | |
Taherdangkoo et al. | Segmentation of MR brain images using FCM improved by artificial bee colony (ABC) algorithm | |
Kwasigroch et al. | Deep convolutional neural networks as a decision support tool in medical problems–malignant melanoma case study | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
Singh et al. | Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images | |
Miao et al. | Image recognition of traditional Chinese medicine based on deep learning | |
CN107944366A (zh) | 一种基于属性学习的手指静脉识别方法及装置 | |
Chen | Medical Image Segmentation Based on U-Net | |
Umer et al. | A deep feature fusion and selection‐based retinal eye disease detection from oct images | |
Kareem et al. | Comparative evaluation for detection of brain tumor using machine learning algorithms | |
Losch | Detection and segmentation of brain metastases with deep convolutional networks | |
Cui et al. | GAN‐segNet: A deep generative adversarial segmentation network for brain tumor semantic segmentation | |
Safuan et al. | Cross Validation Analysis of Convolutional Neural Network Variants with Various White Blood Cells Datasets for the Classification Task. | |
Khani | Medical image segmentation using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 518000 2105, building 1, Changfu Jinmao building, south side of Shihua Road, Fubao community, Fubao street, Futian District, Shenzhen, Guangdong Province Patentee after: SHENZHEN YI-YUAN INTELLIGENCE CO.,LTD. Address before: 518000 107g, scientific research building, Tsinghua information port, Shenzhen, Guangdong Patentee before: SHENZHEN YI-YUAN INTELLIGENCE CO.,LTD. |
|
CP02 | Change in the address of a patent holder |