CN108831519A - 一种基于形态学和临床实践的皮肤疾病分类装置 - Google Patents
一种基于形态学和临床实践的皮肤疾病分类装置 Download PDFInfo
- Publication number
- CN108831519A CN108831519A CN201811033555.0A CN201811033555A CN108831519A CN 108831519 A CN108831519 A CN 108831519A CN 201811033555 A CN201811033555 A CN 201811033555A CN 108831519 A CN108831519 A CN 108831519A
- Authority
- CN
- China
- Prior art keywords
- tree
- node
- clinical
- skin disease
- clinical practice
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于形态学和临床实践的皮肤疾病分类装置,包括:理论分类树构建模块,用于通过聚类算法相关形态学工具对皮肤疾病种类构建理论分类树;训练树构建模块,用于根据临床实际采集的数据,从根节点遍历所述理论分类树形成训练树;决策分类模型构建模块,通过对形成的训练树进行训练得到决策模型,所述决策模型根据临床参数,对实现大于阈值的节点进行临床辅助诊断。本发明能提高机器自动分类的准确性。
Description
技术领域
本发明涉及深度学习应用技术领域,特别是涉及一种基于形态学和临床实践的皮肤疾病分类装置。
背景技术
皮肤疾病的分类问题,目前常见的文献资料,基本上是按照发生部位、分子病理等进行分类,而皮肤疾病从临床实践和计算机图形图像两种角度来看,都是一种形态学的科学,在深度学习之前,未见较为深入的按形态学进行分类的架构。
现有技术是基于传统机器学习的分类方法,包括人工神经元网络、支持向量机、AdaBoost算法,这些方法的基本步骤是图像数据获取→图像预处理→图像分割→特征提取和选择→分类器。本发明的发明人发现,传统机器学习方法受图像的角度、光线、分辨率等多方面的影响,准确性一直不高。
发明内容
本发明所要解决的技术问题是提供一种基于形态学和临床实践的皮肤疾病分类装置,能提高机器自动分类的准确性。
本发明解决其技术问题所采用的技术方案是:提供一种基于形态学和临床实践的皮肤疾病分类装置,包括:理论分类树构建模块,用于通过聚类算法相关形态学工具对皮肤疾病种类构建理论分类树;训练树构建模块,用于根据临床实际采集的数据,从根节点遍历所述理论分类树形成训练树;决策分类模型构建模块,通过对形成的训练树进行训练得到决策模型,所述决策模型根据临床参数,对实现大于阈值的节点进行临床辅助诊断。
所述理论分类树构建模块构建的理论分类树包括至少三级节点,其中,第一级节点包括良性肿瘤、交界性肿瘤、恶性肿瘤和非肿瘤类;第二级节点共有42类,第三级节点共有344类。
所述训练树构建模块以1000张皮肤镜图片为最小值,数据量达1000张皮肤镜图片的取该节点,数据量没有达到1000张皮肤镜图片的合并节点到父节点,直到满足1000张,将所有满足条件的节点形成分类目录,进行数据准备进行训练。
所述决策模型根据输入的临床参数得出一个概率树,针对得到的概率树,从根节点开始,遍历树,实现父节点的加和概率,当某些节点出现数值大于阈值时则完成对临床参数的分类。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明通过构建临床分类树、训练分类树和决策分类树,实现深度学习计算模型有效应用在皮肤临床领域,其结果在中日友好医院的组织的10个医生的公开评测中,超出医生平均水平,具有很显著的临床意义。
附图说明
图1是本发明中理论分类树示意图;
图2是本发明中训练树构建模块构建流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于形态学和临床实践的皮肤疾病分类装置,包括:理论分类树构建模块,用于通过聚类算法相关形态学工具对皮肤疾病种类构建理论分类树;训练树构建模块,用于根据临床实际采集的数据,从根节点遍历所述理论分类树形成训练树;决策分类模型构建模块,通过对形成的训练树进行训练得到决策模型,所述决策模型根据临床参数,对实现大于阈值的节点进行临床辅助诊断。
本发明的基本原理是依据形态学并赋以聚类算法,将疾病表现形态相似的疾病划归为一类,形成完整的理论形态相似树,然后根据临床实际采集的数据,按照数量为1000张皮肤镜图片为最小值,从根节点遍历此理论树,从而形成训练树,通过训练树的实际训练结果形成决策模型,形成决策树,其决策结果,可以根据实际决策数据,可以从良恶性一级分类、二级分类、三级分类等,以具有临床意义的结果给予临床提示,也就是说,本发明的理论分类树依据临床形态构建,而训练分类树通过理论分类树构建,决策分类树通过训练分类树构建。
理论分类树的构建是基础,通过聚类等算法相关形态学工具,对2000种皮肤疾病进行理论分类树构建,如图1所示,第一级节点为良性肿瘤、交界性肿瘤、恶性肿瘤、非肿瘤类等四类,第二级节点包括表皮肿瘤、表皮附属器肿瘤、血管肿瘤、黑素细胞肿瘤、皮肤淋巴网状细胞肿瘤、神经纤维肌肉脂肪组织肿瘤、日光角化、皮角、黑素活跃增生、粘膜白斑、鲍温样丘疹病等42种分类,第三级节点344种分类,逐步细化到第四五级节点。
训练分类树构建方法:根据深度学习的训练数据不能太少,以1000张为最小值,数据量达1000的取该节点,数据量没有的合并节点到父节点,直到满足1000张,将所有满足条件的节点形成分类目录,进行数据准备进行训练,具体流程如图2所示。
决策分类模型是对于训练好的分类模型,输入临床病例,得出一个概率树,针对概率树,从根节点开始,遍历树,实现父节点的加和概率,当某些节点出现数值较大,比如60%,此数值可以调整,则该节点具有临床意义,可以给出该节点供临床参考。
Claims (4)
1.一种基于形态学和临床实践的皮肤疾病分类装置,其特征在于,包括:理论分类树构建模块,用于通过聚类算法相关形态学工具对皮肤疾病种类构建理论分类树;训练树构建模块,用于根据临床实际采集的数据,从根节点遍历所述理论分类树形成训练树;决策分类模型构建模块,通过对形成的训练树进行训练得到决策模型,所述决策模型根据临床参数,对实现大于阈值的节点进行临床辅助诊断。
2.根据权利要求1所述的基于形态学和临床实践的皮肤疾病分类装置,其特征在于,所述理论分类树构建模块构建的理论分类树包括至少三级节点,其中,第一级节点包括良性肿瘤、交界性肿瘤、恶性肿瘤和非肿瘤类;第二级节点共有42类,第三级节点共有344类。
3.根据权利要求1所述的基于形态学和临床实践的皮肤疾病分类装置,其特征在于,所述训练树构建模块以1000张皮肤镜图片为最小值,数据量达1000张皮肤镜图片的取该节点,数据量没有达到1000张皮肤镜图片的合并节点到父节点,直到满足1000张,将所有满足条件的节点形成分类目录,进行数据准备进行训练。
4.根据权利要求1所述的基于形态学和临床实践的皮肤疾病分类装置,其特征在于,所述决策模型根据输入的临床参数得出一个概率树,针对得到的概率树,从根节点开始,遍历树,实现父节点的加和概率,当某些节点出现数值大于阈值时则完成对临床参数的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033555.0A CN108831519A (zh) | 2018-09-05 | 2018-09-05 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033555.0A CN108831519A (zh) | 2018-09-05 | 2018-09-05 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108831519A true CN108831519A (zh) | 2018-11-16 |
Family
ID=64149561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811033555.0A Pending CN108831519A (zh) | 2018-09-05 | 2018-09-05 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108831519A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910991A (zh) * | 2019-11-21 | 2020-03-24 | 张军 | 一种医用自动图像处理系统 |
CN111639265A (zh) * | 2020-06-24 | 2020-09-08 | 上海工艺美术职业学院 | 皮肤分类方法及装置 |
CN113516325A (zh) * | 2020-04-10 | 2021-10-19 | 中国农业机械化科学研究院 | 基于信息融合的联合收割机制造质量分析决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
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 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
CN107451968A (zh) * | 2017-07-26 | 2017-12-08 | 广州慧扬健康科技有限公司 | 皮肤镜检查图像预处理系统 |
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
-
2018
- 2018-09-05 CN CN201811033555.0A patent/CN108831519A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
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 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
CN107451968A (zh) * | 2017-07-26 | 2017-12-08 | 广州慧扬健康科技有限公司 | 皮肤镜检查图像预处理系统 |
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910991A (zh) * | 2019-11-21 | 2020-03-24 | 张军 | 一种医用自动图像处理系统 |
CN113516325A (zh) * | 2020-04-10 | 2021-10-19 | 中国农业机械化科学研究院 | 基于信息融合的联合收割机制造质量分析决策方法及系统 |
CN111639265A (zh) * | 2020-06-24 | 2020-09-08 | 上海工艺美术职业学院 | 皮肤分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Bander et al. | Dense fully convolutional segmentation of the optic disc and cup in colour fundus for glaucoma diagnosis | |
Almotiri et al. | Retinal vessels segmentation techniques and algorithms: a survey | |
Qureshi et al. | Recent development on detection methods for the diagnosis of diabetic retinopathy | |
CN107730497B (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
CN105957066B (zh) | 基于自动上下文模型的ct图像肝脏分割方法及系统 | |
Ali et al. | Machine learning based automated segmentation and hybrid feature analysis for diabetic retinopathy classification using fundus image | |
CN104766340B (zh) | 一种图像分割方法 | |
Duan et al. | Automated segmentation of retinal layers from optical coherence tomography images using geodesic distance | |
CN108831519A (zh) | 一种基于形态学和临床实践的皮肤疾病分类装置 | |
CN106204555A (zh) | 一种结合Gbvs模型和相位一致性的视盘定位方法 | |
Wang et al. | Bag-of-features based classification of breast parenchymal tissue in the mammogram via jointly selecting and weighting visual words | |
Mahapatra et al. | A novel framework for retinal vessel segmentation using optimal improved frangi filter and adaptive weighted spatial FCM | |
Xu et al. | Fully deep learning for slit-lamp photo based nuclear cataract grading | |
CN109215040A (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
CN110010229A (zh) | 一种基于生成对抗网络的超声影像模拟方法 | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
Dimauro et al. | Novel biased normalized cuts approach for the automatic segmentation of the conjunctiva | |
Goyal et al. | Skin lesion boundary segmentation with fully automated deep extreme cut methods | |
Liu et al. | Small sample color fundus image quality assessment based on gcforest | |
CN106355574A (zh) | 一种基于深度学习的腹内脂肪分割方法 | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
Kim et al. | Identifying those at risk of glaucoma: a deep learning approach for optic disc and cup segmentation and their boundary analysis | |
Aleid et al. | Artificial intelligence approach for early detection of brain tumors using MRI images | |
Soomro et al. | Impact of Novel Image Preprocessing Techniques on Retinal Vessel Segmentation | |
Imran et al. | Malaria Blood Smear Classification Using Deep Learning and Best Features Selection. |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |
|
WD01 | Invention patent application deemed withdrawn after publication |