CN108010581B - 一种脂溢性角化和扁平疣病种分类方法 - Google Patents
一种脂溢性角化和扁平疣病种分类方法 Download PDFInfo
- Publication number
- CN108010581B CN108010581B CN201711245813.7A CN201711245813A CN108010581B CN 108010581 B CN108010581 B CN 108010581B CN 201711245813 A CN201711245813 A CN 201711245813A CN 108010581 B CN108010581 B CN 108010581B
- Authority
- CN
- China
- Prior art keywords
- characteristic diagram
- training
- characteristic
- new
- data set
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种脂溢性角化和扁平疣病种分类方法,首先由标注的少量特征图片与非特征图片,训练出自动增加数据集的增量模型,通过增量模型对未标注的图片进行自动打标签,然后将得到的打好标签的特征图片进行训练,得到深层卷积神经网络分类器,从而为医生的诊断提供高效快速的辅助鉴别方法。
Description
技术领域
本发明涉及计算机领域和医学领域,特别是一种脂溢性角化和扁平疣病种分类方法。
背景技术
临床上,皮肤病的诊断主要依赖医生的肉眼观察和主观经验,缺乏科学量化手段。脂溢性角化和扁平疣是皮肤科最常见的影响外观的皮肤病,这两种疾病的分布和临床表现极其相似,即使有经验的皮肤科专家也难以鉴别。此外,随着门诊量的急剧增加,医生需要观察大量的病例和阅读大量的影像资料,其诊断的工作量也难以承受。因此,需要为脂溢性角化和扁平疣的鉴别提供一种方便有效的方法,帮助医生减少工作量,并及时为患者更好的治疗提供准确有效的决策。
目前,对于脂溢性角化和扁平疣的鉴别,已有的技术主要有以下几种:组织病理检查,皮肤镜检查以及最新开发的无创显微检查技术——垂直共聚焦显微成像技术,借助这些技术都能鉴别这两种皮肤病。针对这两种病的显微结构明显的特点,通常是采用垂直共聚焦显微成像技术来鉴别。通过共聚焦显微镜扫描皮损及周围皮肤,得到大量图片,由医生进行观察判断。
现有技术存在如下缺陷:
(1)已有技术中的组织病理检查目前已经很少使用,原因在于通过组织病理活检具有创伤性,易留瘢痕,患者往往难以接受。
(2)皮肤镜检查得到的是一种局部放大的照片,看不到显微结构,鉴于两者的临床表现极其相似,这种方案得到的准确率也不够高。
(3)共聚焦显微技术虽然能够得到皮肤的显微结构,但是共聚焦显微镜在横向和纵向扫描皮损及周围皮肤时,会生成大量的图片,特征性和具有诊断价值的图片比例不高,这些海量图片无疑加重了皮肤科医生的工作,可能会出现人为的误判和漏诊。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种脂溢性角化和扁平疣病种分类方法,提高分类准确率,减少人为误判。
为解决上述技术问题,本发明所采用的技术方案是:一种脂溢性角化和扁平疣病种分类方法,包括以下步骤:
1)采集脂溢性角化和扁平疣病例的共聚焦显微镜图片;
2)切割所述共聚焦显微镜图片,得到原始尺寸的共聚焦显微镜图片;
3)将采集到的已经标注好的原始尺寸的脂溢性角化和扁平疣的特征图和非特征图片作为两种病的特征图片数据集和非特征图片集,采集的对应两种病的未标注图片作为待标注图片数据集;
4)将所述特征图片数据集和非特征图片数据集分别在tensorflow平台上进行训练,得到两个初步的增量模型;
5)将两种病所述的待标注图片均分成四个待标注图片数据集,分别从对应病种的四个数据集中选择一个数据集,输入到两个所述初步的增量模型中进行分类和标注,得到脂溢性角化和扁平疣的特征图和非特征图;
6)将所述特征图、非特征图对应加入到特征图片数据集和非特征图片数据集中,再分别输入到tensorflow平台上进行训练,得到新的增量模型;
7)再从两个病种剩余的三个待标注图片数据集中分别选择一个数据集,输入到所述新的增量模型中进行分类标注,得到脂溢性角化和扁平疣新的特征图和新的非特征图;
8)将步骤7)得到的新的特征图和新的非特征图对应加入到步骤6)中的训练数据里,再分别输入到tensorflow平台上进行训练,得到第三次训练的增量模型;
9)继续从两个病种剩余的两个待标注图片数据集中分别选择一个数据集,输入到第三次训练的增量模型中进行分类标注,得到脂溢性角化和扁平疣新的特征图和非特征图;
10)将步骤9)得到的新的特征图和新的非特征图对应加入到步骤8)中的训练数据里,再分别输入到tensorflow平台上进行训练,得到第四次训练的增量模型;
11)将两个病种剩余的最后一个待标注图片数据集输入到第四次训练的增量模型中进行分类标注,得到脂溢性角化和扁平疣第四次标注的特征图和非特征图,此时未标注的图片全部分类标注完成;
12)在tensorflow平台上加载Google Inception v3模型;
13)将训练数据集加载到Google Inception v3模型进行训练,得到适用于鉴别脂溢性角化和扁平疣的分类器模型;所述训练数据集包括步骤3)标注的特征图以及利用上述所有增量模型标注的特征图;
14)将测试图片输入到上述分类器模型中,即得到鉴别的结果。
步骤13)中,使用迁移学习的方法将训练数据集加载到Google Inception v3模型进行训练。
与现有技术相比,本发明所具有的有益效果为:本发明由于采用了自动增加训练数据集的深度学习方法,取得了不需要医生进行大量图片的标注操作,在只有少量的图片时可以训练出快速高效鉴别脂溢性角化和扁平疣的深层卷积神经网络分类器的进步,达到了在不需要大量医生标注图片的情况下,得到的深层卷积神经网络分类器也能准确且快速的鉴别脂溢性角化和扁平疣的效果,节省了医生标注大量图片的时间和精力,同时深层卷积神经网络分类器的辅助诊断也能提高医生诊断的效率,使得医生的诊断更加快捷高效。
附图说明
图1为本发明实现原理图;
图2为本发明训练数据集的自动增量过程图。
具体实施方式
如图1所示,本发明基于脂溢性角化和扁平疣这两种病的显微结构明显的特点,通过训练这两种病的共聚焦显微镜图像,从中得到这两种病的鉴别模型。该模型的训练数据是由少量标注数据自动增加数据集的深度学习方法得到的,并且利用Google inceptionv3架构以及迁移学习进行训练的。首先采集已经由专业医生标注好的图片数据,然后利用这些数据进行训练,得到进行特征图片自动增量的增量模型,通过增量模型对未标注的图片自动标注,从而得到大量标注好的特征图片,利用这些图片训练出分类器。该方案不要求专业医生进行大量的图片标注,在只有少量的标注图片时也可以实现高效快速分类器的训练过程。该实现方案包括三个部分:数据的采集,数据集的自动扩充,分类器模型的训练。
数据的采集部分主要是在皮肤科医生的帮助下进行的。其步骤如下。
第一步:从长沙市湘雅三医院的数据库中采集脂溢性角化和扁平疣病例的共聚焦显微镜图片。
第二步:由于这些图片都是横向或者纵向扫描皮损或周围皮肤得到的,是由很多相同尺寸的小图片拼接而成的,因此我们将这些大图进行切割,得到未标注的原始尺寸的共聚焦显微镜图片。
第三步:从湘雅三医院采集已经标注好的43张脂溢性角化特征图片和48张非特征图片以及44张扁平疣的特征图片和41张非特征图片,得到两种病的特征图片数据集和非特征图片数据集,上述所采集的未标注的图片作为待标注图片数据集,用于之后的自动标注。
数据集的自动扩充部分主要包括脂溢性角化的特征图片数据集的扩充和扁平疣的特征图片数据集的扩充,自动增量过程如附图中的图2。其步骤如下。
第一步:首先将采集到的已经由医生标注好的两种病的特征图片数据和非特征图片数据分别在tensorflow平台上进行训练,得到两个初步的增量模型。
第二步:将两种病的待标注图片均分成四个数据集,分别从对应病的四个数据集中选择一个数据集,输入到对应的模型中进行分类和标注,得到两种病的特征图和非特征图。
第三步:将第二步中得到的特征图和非特征图与第一步中的训练数据结合,再进行训练,得到第二次的增量模型。
第四步:再从两种病的待标注图片数据集中各自选择一个数据集,输入到第二次的增量模型中进行分类标注。
第五步:将第四步中得到的特征图和非特征图与第三步中的训练数据结合,再进行训练,得到第三次的增量模型。
第六步:再分别从两种病的待标注图片数据集中选择一个数据集,输入到第三次的增量模型中进行分类标注。
按此方式,将未标注图片全部自动标注好。
对于分类器模型的训练,我们利用Google Inception v3架构和迁移学习的方法进行训练。其步骤如下。
第一步:在tensorflow平台上加载Google Inception v3模型。
第二步:使用迁移学习的方式将我们的数据集加载到Google Inception v3模型进行训练,得到适用于鉴别脂溢性角化和扁平疣的分类器模型。此时训练数据集包括由医生标注的两种病的特征图以及自动标注的两种病的特征图。
第三步:将测试图片输入到分类器模型中,即可得到鉴别的结果。
Claims (2)
1.一种脂溢性角化和扁平疣病种分类方法,其特征在于,包括以下步骤:
1)采集脂溢性角化和扁平疣病例的共聚焦显微镜图片;
2)切割所述共聚焦显微镜图片,得到原始尺寸的共聚焦显微镜图片;
3)将采集到的已经标注好的原始尺寸的脂溢性角化和扁平疣的特征图和非特征图片作为两种病的特征图片数据集和非特征图片集,采集的对应两种病的未标注图片作为待标注图片数据集;
4)将所述特征图片数据集和非特征图片数据集分别在tensorflow平台上进行训练,得到两个初步的增量模型;
5)将两种病所述的待标注图片均分成四个待标注图片数据集,分别从对应病种的四个数据集中选择一个数据集,输入到两个所述初步的增量模型中进行分类和标注,得到脂溢性角化和扁平疣的特征图和非特征图;
6)将所述特征图、非特征图对应加入到特征图片数据集和非特征图片数据集中,再分别输入到tensorflow平台上进行训练,得到新的增量模型;
7)再从两个病种剩余的三个待标注图片数据集中分别选择一个数据集,输入到所述新的增量模型中进行分类标注,得到脂溢性角化和扁平疣新的特征图和新的非特征图;
8)将步骤7)得到的新的特征图和新的非特征图对应加入到步骤6)中的训练数据里,再分别输入到tensorflow平台上进行训练,得到第三次训练的增量模型;
9)继续从两个病种剩余的两个待标注图片数据集中分别选择一个数据集,输入到第三次训练的增量模型中进行分类标注,得到脂溢性角化和扁平疣新的特征图和非特征图;
10)将步骤9)得到的新的特征图和新的非特征图对应加入到步骤8)中的训练数据里,再分别输入到tensorflow平台上进行训练,得到第四次训练的增量模型;
11)将两个病种剩余的最后一个待标注图片数据集输入到第四次训练的增量模型中进行分类标注,得到脂溢性角化和扁平疣第四次标注的特征图和非特征图,此时未标注的图片全部分类标注完成;
12)在tensorflow平台上加载Google Inception v3模型;
13)将训练数据集加载到Google Inception v3模型进行训练,得到适用于鉴别脂溢性角化和扁平疣的分类器模型;所述训练数据集包括步骤3)标注的特征图以及利用上述所有增量模型标注的特征图;
14)将测试图片输入到上述分类器模型中,即得到鉴别的结果。
2.根据权利要求1所述的脂溢性角化和扁平疣病种分类方法,其特征在于,步骤13)中,使用迁移学习的方法将训练数据集加载到Google Inception v3模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711245813.7A CN108010581B (zh) | 2017-12-01 | 2017-12-01 | 一种脂溢性角化和扁平疣病种分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711245813.7A CN108010581B (zh) | 2017-12-01 | 2017-12-01 | 一种脂溢性角化和扁平疣病种分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108010581A CN108010581A (zh) | 2018-05-08 |
CN108010581B true CN108010581B (zh) | 2021-12-10 |
Family
ID=62055692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711245813.7A Active CN108010581B (zh) | 2017-12-01 | 2017-12-01 | 一种脂溢性角化和扁平疣病种分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010581B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722735A (zh) * | 2012-05-24 | 2012-10-10 | 西南交通大学 | 一种融合全局和局部特征的内镜图像病变检测方法 |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
WO2016138041A2 (en) * | 2015-02-23 | 2016-09-01 | Cellanyx Diagnostics, Llc | Cell imaging and analysis to differentiate clinically relevant sub-populations of cells |
CN106127783A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的医疗影像识别系统 |
CN106570515A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 处理医学图像的方法和系统 |
CN107194158A (zh) * | 2017-05-04 | 2017-09-22 | 深圳美佳基因科技有限公司 | 一种基于图像识别的疾病辅助诊断方法 |
CN107330876A (zh) * | 2017-06-12 | 2017-11-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的图像自动诊断方法 |
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 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8613710B2 (en) * | 2005-01-13 | 2013-12-24 | Christopher J. Kolanko | Noninvasive method for determining the presence of systemic hypertension in a subject |
-
2017
- 2017-12-01 CN CN201711245813.7A patent/CN108010581B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722735A (zh) * | 2012-05-24 | 2012-10-10 | 西南交通大学 | 一种融合全局和局部特征的内镜图像病变检测方法 |
WO2016138041A2 (en) * | 2015-02-23 | 2016-09-01 | Cellanyx Diagnostics, Llc | Cell imaging and analysis to differentiate clinically relevant sub-populations of cells |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN106570515A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 处理医学图像的方法和系统 |
CN106127783A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的医疗影像识别系统 |
CN107194158A (zh) * | 2017-05-04 | 2017-09-22 | 深圳美佳基因科技有限公司 | 一种基于图像识别的疾病辅助诊断方法 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 |
CN107330876A (zh) * | 2017-06-12 | 2017-11-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的图像自动诊断方法 |
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 |
Non-Patent Citations (3)
Title |
---|
"A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification";Xulei Yang 等;《http://arXiv:1703.01025》》;20170303;第1-4页 * |
"共聚焦激光扫描显微镜在表皮增生性疾病诊断和评估治疗疗效的应用";孙兆伟;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20110315;第E075-20页 * |
"超声生物显微镜(UBM)与眼科B超的影像学特征对葡萄膜炎的超声诊断价值";李婷 等;《新疆医学》;20100525;第40卷(第5期);第45-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108010581A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6998474B2 (ja) | 生体組織のコンピュータ分類 | |
Kothari et al. | Pathology imaging informatics for quantitative analysis of whole-slide images | |
Young Park et al. | Automated image analysis of digital colposcopy for the detection of cervical neoplasia | |
JP2021511901A (ja) | 創傷の撮像および分析 | |
US20180082153A1 (en) | Systems and methods for deconvolutional network based classification of cellular images and videos | |
WO2021179484A1 (zh) | 多标签多示例的图像检测方法、装置、设备及存储介质 | |
JP2005530138A (ja) | 組織標本の中の重要な構造のコンピュータを利用した画像捕捉 | |
CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
Abbas et al. | Combined spline and B-spline for an improved automatic skin lesion segmentation in dermoscopic images using optimal color channel | |
CN1505490A (zh) | 对于解剖的组织结构进行非侵入式成象的方法和设备 | |
Celebi et al. | Guest editorial skin lesion image analysis for melanoma detection | |
CN110390678B (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
CN116779093B (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
CN108010581B (zh) | 一种脂溢性角化和扁平疣病种分类方法 | |
CN110009645B (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
Xue et al. | A unified set of analysis tools for uterine cervix image segmentation | |
Do et al. | Supporting thyroid cancer diagnosis based on cell classification over microscopic images | |
CN116310367A (zh) | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 | |
JP2019013461A (ja) | プローブ型共焦点レーザー顕微内視鏡画像診断支援装置 | |
CN115943305A (zh) | 信息处理装置、信息处理方法、程序和信息处理系统 | |
CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
Prochorec-Sobieszek | Future perspectives of digital pathology | |
CN112884707B (zh) | 基于阴道镜的宫颈癌前病变检测系统、设备及介质 | |
Plancoulaine et al. | Building of a composite virtual slide from contiguous tissue samples |
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 |