CN110648318A - 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 - Google Patents
用于皮肤病的辅助分析方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110648318A CN110648318A CN201910885679.XA CN201910885679A CN110648318A CN 110648318 A CN110648318 A CN 110648318A CN 201910885679 A CN201910885679 A CN 201910885679A CN 110648318 A CN110648318 A CN 110648318A
- Authority
- CN
- China
- Prior art keywords
- skin
- skin damage
- image
- reference data
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 129
- 208000017520 skin disease Diseases 0.000 title claims abstract description 55
- 230000037380 skin damage Effects 0.000 claims abstract description 199
- 238000013145 classification model Methods 0.000 claims abstract description 67
- 208000028990 Skin injury Diseases 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 44
- 206010040882 skin lesion Diseases 0.000 claims description 64
- 231100000444 skin lesion Toxicity 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 20
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 206010024438 Lichenification Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 206010033733 Papule Diseases 0.000 description 1
- 206010037888 Rash pustular Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 208000024780 Urticaria Diseases 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000029561 pustule Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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 Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种用于皮肤病的辅助分析方法及装置、电子设备、存储介质,涉及计算机技术领域。该方法包括:获取皮肤损伤图像,并将皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据皮肤损伤分类模型确定皮肤损伤图像对应的第一参考数据;响应于生成分析报告的请求,获取初步分类数据关联的多维度特征数据;将多维度特征数据输入预训练的皮肤损伤预估模型以确定多维度特征数据对应的第二参考数据;根据第一参考数据以及第二参考数据生成分析报告以使目标对象根据分析报告确定皮肤损伤图像对应的分析结果。本技术方案能够分阶段提供分析数据,分析过程符合诊断逻辑,提高了诊断结果的精确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种用于皮肤病的辅助分析方法、用于皮肤病的辅助分析装置、电子设备以及计算机可读存储介质。
背景技术
随着科学技术的迅速发展,人工智能技术越来越成为人们生活中不可缺少的一部分。卷积神经网络(Convolutional Neural Networks,简称CNN)已经成为众多科学领域的研究热点之一,特别是在模式分类领域。
目前,皮肤病筛查系统大多是以皮肤病的病变图片作为输入,直接通过训练好的相关模型输出识别结果。但是该技术方案中,图片可能包含较多的噪声,如果在训练相关模型时没有足够多的样本,很容易造成分类错误,而且该方案脱离了临床的结构化诊断流程,降低了诊断结果的准确性。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种用于皮肤病的辅助分析方法、用于皮肤病的辅助分析装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服现有技术中皮肤病识别的准确率较低且识别过程不符合临床的结构化诊断流程的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种用于皮肤病的辅助分析方法,包括:获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;根据所述第一参考数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
在本发明的一些示例实施例中,基于前述方案,将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型包括:根据预设方式对预先采集的所述皮肤损伤图像进行除噪处理;将除噪后的所述皮肤损伤图像发送到预训练的皮肤损伤分类模型。
在本发明的一些示例实施例中,基于前述方案,获取皮肤损伤图像包括:获取预先采集的原始皮肤损伤图像;其中,所述原始皮肤损伤图像包括不同种类的皮肤损伤对应的皮肤损伤图像;根据预训练的图像分割模型对所述原始皮肤损伤图像进行分割处理以生成不同种类的皮肤损伤的所述皮肤损伤图像。
在本发明的一些示例实施例中,基于前述方案,在将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据之前,所述方法还包括:获取预设的样本数据库中的样本皮肤损伤图像,并对所述样本皮肤损伤图像进行标记;根据标记后的所述样本皮肤损伤图像对创建的所述皮肤损伤分类模型进行训练。
在本发明的一些示例实施例中,基于前述方案,在将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据之前,所述方法还包括:获取所述样本数据库中的样本多维度特征数据;根据所述样本多维度特征数据对基于随机森林的所述皮肤损伤预测模型进行训练。
在本发明的一些示例实施例中,基于前述方案,在获取预设的样本数据库中的样本皮肤损伤图像之前,所述方法还包括:获取历史皮肤损伤图像;将所述历史皮肤损伤图像输入预训练的生成式对抗网络模型以生成所述历史皮肤损伤图像对应的所述样本皮肤损伤图像;将所述样本皮肤损伤图像存储在所述样本数据库中。
在本发明的一些示例实施例中,基于前述方案,所述皮肤损伤分类模型包括基于目标检测网络的深度学习模型。
根据本发明实施例的第二方面,提供了一种用于皮肤病的辅助分析装置,包括:第一参考数据确定单元,用于获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;特征数据获取单元,用于响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;第二参考数据确定单元,用于将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;分析结果确定单元,用于根据所述第一参考数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
在本发明的一种示例性实施例中,基于前述方案,第二参考数据确定单元被配置为:根据预设方式对预先采集的所述皮肤损伤图像进行除噪处理;将除噪后的所述皮肤损伤图像发送到预训练的皮肤损伤分类模型。
在本发明的一种示例性实施例中,基于前述方案,第一参考数据确定单元被配置为:获取预先采集的原始皮肤损伤图像;其中,所述原始皮肤损伤图像包括不同种类的皮肤损伤对应的皮肤损伤图像;根据预训练的图像分割模型对所述原始皮肤损伤图像进行分割处理以生成不同种类的皮肤损伤的所述皮肤损伤图像。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置还包括皮肤损伤分类模型训练单元,所述皮肤损伤分类模型训练单元被配置为:获取预设的样本数据库中的样本皮肤损伤图像,并对所述样本皮肤损伤图像进行标记;根据标记后的所述样本皮肤损伤图像对创建的所述皮肤损伤分类模型进行训练。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置还包括皮肤损伤预测模型,所述皮肤损伤预测模型被配置为:获取所述样本数据库中的样本多维度特征数据;根据所述样本多维度特征数据对基于随机森林的所述皮肤损伤预测模型进行训练。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置还包括样本数据生成单元,所述样本数据生成单元被配置为:获取历史皮肤损伤图像;将所述历史皮肤损伤图像输入预训练的生成式对抗网络模型以生成所述历史皮肤损伤图像对应的所述样本皮肤损伤图像;将所述样本皮肤损伤图像存储在所述样本数据库中。
在本发明的一种示例性实施例中,基于前述方案,所述皮肤损伤分类模型包括基于目标检测网络的深度学习模型。
根据本发明实施例的第三方面,提供了一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意一项所述的用于皮肤病的辅助分析方法。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的用于皮肤病的辅助分析方法。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明的示例实施例中的用于皮肤病的辅助分析方法,终端根据皮肤损伤分类模型确定皮肤损伤图像对应的第一参考数据;响应于生成分析报告的请求,获取第一参考数据关联的多维度特征数据;然后根据皮肤损伤预测模型确定多维度特征数据对应的第二参考数据;根据第一参考数据以及第二参考数据生成分析报告以使目标对象根据分析报告确定皮肤损伤图像对应的分析结果。一方面,通过皮肤损伤分类模型对皮肤损伤图像进行初步识别得到第一参考数据,通过第一参考数据得到多维度特征数据,然后通过皮肤损伤预测模型对多维度特征数据进一步识别得到第二参考数据,最后根据第一参考数据以及第二参考数据得到分析报告并最终根据分析报告得到分析结果,不但能够消除皮肤损伤图像的噪声对分析结果的影响,而且能够保证分析结果的准确性;另一方面,整个分析过程更加符合临床的分析流程,提高诊断结果的可靠性,提升使用者的使用体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出了根据本发明的一些实施例的皮肤病的传统临床分析方法的示意图;
图2示意性示出了根据本发明的一些实施例的用于皮肤病的辅助分析方法的示意图;
图3示意性示出了根据本发明的一些实施例的生成样本数据的示意图;
图4示意性示出了根据本发明的一些实施例的用于皮肤病的辅助分析方法对应传统临床分析方法的示意图;
图5示意性示出了根据本发明的一些实施例的用于皮肤病的辅助分析装置的示意图;
图6示意性示出了根据本发明的一些实施例的电子设备的计算机系统的结构示意图;
图7示意性示出了根据本发明的一些实施例的计算机可读存储介质的示意图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
此外,附图仅为示意性图解,并非一定是按比例绘制。附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
当前皮肤病的诊断领域大多采用传统的临床诊断方法,图1示意性示出了根据本发明的一些实施例的皮肤病的传统临床分析方法的示意图,参考图1所示,步骤S110,当患有皮肤病的患者就诊时,初步询问患者的皮肤损伤的患病部位以及表现症状等基本状况;步骤S120,查看患者的皮肤损伤状况,初步确定皮肤损伤对应的类型;步骤S130,如果结合确定的皮肤损伤类型以及经验确定该皮肤损伤为特异性皮损,则确认得出明确诊断,否则进行步骤S140;步骤S140,进一步详细询问患者的病史以及病情,若确认无特异性皮损则进行步骤S160,否则进行步骤S150;步骤S150,如果根据患者的病史以及病情确定该皮肤损伤为特异性皮损,则确认得出明确诊断,否则进行步骤S120;步骤S160,在实验中根据患者的皮肤组织以及病史、病情进行初步检查,若确认为特异性皮损或者确认为特异结果则确认得出明确诊断,否则进行步骤S170;步骤S170,在实验中根据患者的皮肤组织以及病史、病情进行进一步系统检查,若确认为特异性皮损或者确认为特异结果则确认得出明确诊断,否则确认该患者的皮肤损伤情况不明,结束诊断流程。
目前,皮肤病筛查系统大都是以皮肤病图片作为标注训练数据,通过大量数据对机器学习模型的标注,模仿人眼的视觉输入并进行分类识别,相当于是把整个图片当做皮肤病去分类。但是图片中蕴含了较多的噪声,而且如果没有足够多的样本,很容易造成分类错误。同时这种方案也脱离了临床的结构化诊断流程(参考图1所示)。
基于前述的一种或多个问题,在本示例实施例中,首先提供了一种用于皮肤病的辅助分析方法,该用于皮肤病的辅助分析方法可以应用于终端,例如电脑、具备AI处理功能的智能手机等。当然,该用于皮肤病的辅助分析方法还可以用于服务器,本公开对此不做特殊限定。本示例实施例以在终端执行该方法为例进行说明。图2示意性示出了根据本发明的一些实施例的用于皮肤病的辅助分析方法的示意图。参考图2所示,该用于皮肤病的辅助分析方法可以包括以下步骤:
步骤S210,获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;
步骤S220,响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;
步骤S230,将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;
步骤S240,根据所述第一分类数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
根据本示例实施例中的用于皮肤病的辅助分析方法,一方面,通过皮肤损伤分类模型对皮肤损伤图像进行初步识别得到第一参考数据,通过第一参考数据得到多维度特征数据,然后通过皮肤损伤预测模型对多维度特征数据进一步识别得到第二参考数据,最后根据第一参考数据以及第二参考数据得到分析报告并最终根据分析报告得到分析结果,不但能够消除皮肤损伤图像的噪声对分析结果的影响,而且能够保证分析结果的准确性;另一方面,整个分析过程更加符合临床的分析流程,提高诊断结果的可靠性,提升使用者的使用体验。
下面,将对本示例实施例中的用于皮肤病的辅助分析方法进行进一步的说明。
在步骤S210中,获取皮肤损伤图像,并将皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据皮肤损伤分类模型确定皮肤损伤图像对应的第一参考数据。
在本公开的一种示例实施例中,皮肤损伤图像可以是指通过拍摄设备采集的皮肤损伤对应的图像,例如皮肤损伤图像可以是普通相机拍摄的患者皮肤损伤处对应的真实图像,也可以是通过专业级别的皮肤镜采集患者皮肤损伤处对应的病理图像。当然,也可以是其他方式采集的图像,本示例实施例对此不做特殊限定。皮肤损伤分类模型可以是指提前构建并训练完成的深度学习模型,通过该皮肤损伤分类模型可以对皮肤损伤图像进行识别并分类,例如皮肤损伤分类模型可以是基于卷积神经网络的深度学习模型,具体的,皮肤损伤分类模型可以是基于目标检测网络(例如yolo,inception-v3等)的深度学习模型,当然,皮肤损伤分类模型也可以是其他具备分类功能的深度学习模型,本示例实施例对此不做特殊限定。第一参考数据可以是指皮肤损伤分类模型生成的、辅助分析皮肤损伤的数据,例如第一参考数据可以是指皮肤损伤分类模型识别皮肤损伤图像并输出的分类概率,本示例实施例对此不做特殊限定。
进一步的,终端根据预设方式对预先采集的皮肤损伤图像进行除噪处理,并将除噪后的皮肤损伤图像发送到预训练的皮肤损伤分类模型。预设方式可以是指能够去除图像中噪声的除噪方式,例如预设方式可以是均值滤波器去噪方式、自适应维纳滤波器去噪方式以及中值滤波器去噪方式等,当然预设方式还可以是其他除噪的方式,本示例实施例对此不做特殊限定。除噪处理可以是指通过预设方式去除皮肤损伤图像中噪声(噪点)的处理过程。通过预设方式对预先采集的皮肤损伤图像进行除噪处理,能够减少皮肤损伤图像中的噪声对识别结果的影响,提高识别结果的准确性。
具体的,终端获取预先采集的原始皮肤损伤图像;其中,原始皮肤损伤图像包括不同种类的皮肤损伤对应的皮肤损伤图像;根据预训练的图像分割模型对原始皮肤损伤图像进行分割处理以生成不同种类的皮肤损伤的皮肤损伤图像。在本示例实施例中,皮肤损伤可以分为原发性皮肤损伤(例如原发性皮肤损伤可以包括斑疹、丘疹、斑块、风团、水疱、大疱、脓疱、结节、囊肿、肿块等,此处仅是示意性说明,本公开对此不做特殊限定)、继发性皮肤损伤(例如继发性皮肤损伤可以包括糜烂、溃疡、鳞屑、浸渍、裂隙、瘢痕、萎缩、痂、抓痕、苔藓样变等,此处仅是示意性说明,本公开对此不做特殊限定)以及特异性皮肤损伤等,当然也可以是指其他皮肤损伤分类,本示例实施例对此不做特殊限定。
原始皮肤损伤图像可以是指原始采集的并没有经过处理的皮肤损伤图像,例如原始皮肤损伤图像可以包含一种皮肤损伤类型,也可以包含多种混合的皮肤损伤类型(例如在较小皮肤区域包括多种原发性皮肤损伤以及多种继发性皮肤损伤)。当原始皮肤损伤图像中包含多种混合的皮肤损伤类型时,皮肤损伤分类模型无法对该原始皮肤损伤图像进行精确分类或者得到的分类结果不准确等问题,因此在对该原始皮肤损伤图像进行识别分类之前,对其多种混合的皮肤损伤类型对应的图像区域进行分割。图像分割模型可以是指预先构建并训练完成的、能够对图像中不同区域进行分类的深度学习模型。在对图像分割模型进行训练时,人工对样本原始皮肤损伤图像中不同皮肤损伤种类对应的图像区域进行分割并进行标注。分割处理可以是指终端根据图像分割模型识别并分类的原始皮肤损伤图像中的不同区域,对原始皮肤损伤图像进行分割的处理过程。通过图像分割模型识别原始皮肤损伤图像中的不同皮肤损伤类型对应的不同区域,并通过相关图像分割方式(例如阈值分割方式、边缘分割方式等)对识别出的不同区域进行分割,使皮肤损伤分类模型能够识别原始皮肤损伤图像中不同的皮肤损伤类型,提高皮肤损伤分类模型识别精确度,并且将复杂的原始皮肤损伤图像切割后,降低皮肤损伤分类模型的计算量,提升皮肤损伤分类模型的工作效率。
具体的,终端获取预设的样本数据库中的样本皮肤损伤图像,并对样本皮肤损伤图像进行标记;根据标记后的样本皮肤损伤图像对创建的皮肤损伤分类模型进行训练。样本数据库可以是指预先建立的用于存储样本数据的数据库,例如样本数据库可以存储用于训练皮肤损伤分类模型的样本皮肤损伤图像,当然也可以存储其他样本数据,本示例实施例对此不做特殊限定。样本皮肤损伤图像可以是指用于训练皮肤损伤分类模型的样本数据。在对皮肤损伤分类模型前,通过人工标注的方式对样本皮肤损伤图像进行标记,例如将原发性皮肤损伤标记为1,将继发性皮肤损伤标记为2,将特异性皮肤损伤标记为3,当然,此处仅是示意性说明,本示例实施例对此不做特殊限定。通过样本数据库中的样本皮肤损伤图像对预先创建的皮肤损伤分类模型进行训练,直到皮肤损伤分类模型对应的损失函数收敛,完成对皮肤损伤分类模型的训练。
图3示意性示出了根据本发明的一些实施例的生成样本数据的示意图。
参考图3所示,步骤S310,获取历史皮肤损伤图像。
在本公开的一个示例实施例中,历史皮肤损伤图像可以是指历史分析记录中已确定分析结果并进行存储的皮肤损伤图像,例如历史皮肤损伤图像可以是历史分析记录中极少见的一种特异性皮肤损伤类型对应的皮肤损伤图像。
步骤S320,将历史皮肤损伤图像输入预训练的生成式对抗网络模型以生成历史皮肤损伤图像对应的样本皮肤损伤图像。
在本公开的一个示例实施例中,生成式对抗网络模型(Generative AdversarialNetworks,GAN)可以是指一种能够进行博弈并生成“以假乱真”的图片的深度学习模型。当历史皮肤损伤图像对应的皮肤损伤类型非常少见,且针对该皮肤损伤类型对皮肤损伤分类模型进行训练时,由于该皮肤损伤类型对应的样本数据较少,因此皮肤损伤分类模型对该皮肤损伤类型的识别率较低,可能导致分类结果错误或者无法识别。终端通过生成式对抗网络模型对非常少见的皮肤损伤类型对应的历史皮肤损伤图像进行生成,以扩充该皮肤损伤类型对应的样本数据库,提高皮肤损伤分类模型对该皮肤损伤类型的识别率。当然,生成式对抗网络模型也可以用于扩充其他皮肤损伤类型对应的样本数据,此处仅是示意性说明,本示例实施例对此不做特殊限定。
步骤S330,将样本皮肤损伤图像存储在样本数据库中。
在本公开的一个示例实施例中,终端将生成式对抗网络模型生成的、历史皮肤损伤图像中皮肤损伤类型对应的样本皮肤损伤图像分类存储在样本数据库中,以扩充样本数据库中的样本数据,进一步提高皮肤损伤分类模型的识别准确性。其次,通过生成式对抗网络模型能够将较少数量的样本数据进行扩充,所需样本数据数量少;而且将生成式对抗网络模型生成的数据进行分类存储,不需要进行人工标注,降低人工标注造成错误的影响,进一步提高皮肤损伤分类模型的精确度。
在步骤S220中,响应于生成分析报告的请求,获取第一参考数据关联的多维度特征数据。
在本公开的一种示例实施例中,分析报告可以是指终端根据深度学习模型生成的参考数据生成的可供参考的报告数据。生成分析报告的请求可以是指在将采集的皮肤损伤图像输入到终端之后获取分析报告的请求,该请求可以包括皮肤损伤图像对应的标识信息。终端在接收到该请求后,根据标识信息获取对应的分析报告。多维度特征数据可以是指医师依据第一参考数据对患者进行进一步详细询问并输入到终端的数据,多维度特征数据可以包括患者的主诉数据、皮肤损伤的部位(面积)以及患者个人信息等与皮肤损伤相关的特征数据。
在步骤S230中,将多维度特征数据输入预训练的皮肤损伤预测模型以确定多维度特征数据对应的第二参考数据。
在本公开的一种示例实施例中,皮肤损伤预测模型可以是指能够对多维数据进行分析并预测结果的深度学习模型,例如皮肤损伤预测模型可以是包括多个决策树模型(Decision Tree)的随机森林模型(Random forest)。第二参考数据可以是指皮肤损伤预测模型对多维度特征数据进行分析得到的预测结果。通过训练的皮肤损伤预测模型对皮肤损伤图像对应的多维度特征数据以及第一参考数据进行分析得到预测结果,通过对多维度特征数据的分析处理,提高了皮肤损伤预测模型的预测结果的可靠性,提升AI分析皮肤损伤过程的精确性,并且通过多维度特征数据得到预测结果的过程更加符合临床分析的流程,提升医师的使用体验。
进一步的,终端获取样本数据库中的样本多维度特征数据,并根据样本多维度特征数据对基于随机森林的皮肤损伤预测模型进行训练。在使用皮肤损伤预测模型进行预测前,通过样本数据库中的样本多维度特征数据对预先构建的皮肤损伤预测模型进行训练。
在步骤S240中,根据第一参考数据以及第二参考数据生成分析报告以使目标对象根据分析报告确定皮肤损伤图像对应的分析结果。
在本公开的一种示例实施例中,终端结合皮肤损伤分类模型生成的第一参考数据以及皮肤损伤预测模型生成的第二参考数据,生成皮肤损伤图像以及多维度特征数据对应的分析报告,以提供给目标对象进行参考。目标对象可以是指能够依据分析报告以及历史经验确定皮肤损伤图像以及多维度特征数据对应皮肤损伤类型的对象,例如目标对象可以是指皮肤治疗领域的医师或者具备分析数据的智能系统,本示例实施例对此不做特殊限定。分析结果可以是指最终确定的皮肤损伤图像以及多维度特征数据对应的皮肤损伤类型,例如分析结果可以是原发性皮肤损伤中的丘疹,当然,此处仅是示意性说明,本公开不以此为限。
图4示意性示出了根据本发明的一些实施例的用于皮肤病的辅助分析方法对应传统临床分析方法的示意图。
参考图1以及图4所示,在步骤S410或步骤S420中通过皮肤损伤分类模型对皮肤损伤图像进行分类(对原发性皮肤损伤进行检测并识别分类,或者对继发性皮肤损伤进行检测并识别分类)的方式,代替图1中传统临床分析方法中通过医师查看患者的皮肤损伤进行初步诊断的流程(即步骤S110-S120);在步骤S430中通过皮肤损伤预测模型对第一参考数据以及多维度特征数据进行分析并预测,代替图1中传统临床分析方法中通过医师详细询问患者的病史以及病情并进行进一步判断,然后在无法判断时在实验室进行系统检查的流程(即步骤S130-S170)。因此,本示例实施例中的用于皮肤病的辅助分析方法相比于一些直接通过对皮肤损伤图像进行分类得到最终分析结果的方案,得到的结果准确度以及可靠性更高,而且更加符合传统临床分析方法,提升医师或者相关人员的使用体验。
需要说明的是,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种用于皮肤病的辅助分析装置。参照图5所示,该用于皮肤病的辅助分析装置500包括:第一参考数据确定单元510用于获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;特征数据获取单元520用于响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;第二参考数据确定单元530用于将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;分析结果确定单元540用于根据所述第一分类数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
在本发明的一种示例性实施例中,基于前述方案,第二参考数据确定单元530被配置为:根据预设方式对预先采集的所述皮肤损伤图像进行除噪处理;将除噪后的所述皮肤损伤图像发送到预训练的皮肤损伤分类模型。
在本发明的一种示例性实施例中,基于前述方案,第一参考数据确定单元510被配置为:获取预先采集的原始皮肤损伤图像;其中,所述原始皮肤损伤图像包括不同种类的皮肤损伤对应的皮肤损伤图像;根据预训练的图像分割模型对所述原始皮肤损伤图像进行分割处理以生成不同种类的皮肤损伤的所述皮肤损伤图像。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置500还包括皮肤损伤分类模型训练单元,所述皮肤损伤分类模型训练单元被配置为:获取预设的样本数据库中的样本皮肤损伤图像,并对所述样本皮肤损伤图像进行标记;根据标记后的所述样本皮肤损伤图像对创建的所述皮肤损伤分类模型进行训练。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置500还包括皮肤损伤预测模型,所述皮肤损伤预测模型被配置为:获取所述样本数据库中的样本多维度特征数据;根据所述样本多维度特征数据对基于随机森林的所述皮肤损伤预测模型进行训练。
在本发明的一种示例性实施例中,基于前述方案,所述用于皮肤病的辅助分析装置500还包括样本数据生成单元,所述样本数据生成单元被配置为:获取历史皮肤损伤图像;将所述历史皮肤损伤图像输入预训练的生成式对抗网络模型以生成所述历史皮肤损伤图像对应的所述样本皮肤损伤图像;将所述样本皮肤损伤图像存储在所述样本数据库中。
在本发明的一种示例性实施例中,基于前述方案,所述皮肤损伤分类模型包括基于目标检测网络的深度学习模型。
上述中用于皮肤病的辅助分析装置各模块的具体细节已经在对应的用于皮肤病的辅助分析方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于皮肤病的辅助分析装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述用于皮肤病的辅助分析方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施例的电子设备600。图6所示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备00的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如,所述处理单元610可以执行如图2中所示的步骤S210,获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;步骤S220,响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;步骤S230,将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;步骤S240,根据所述第一分类数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)621和/或高速缓存存储单元622,还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624,这样的程序模块625包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备670(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图7所示,描述了根据本发明的实施例的用于实现上述用于皮肤病的辅助分析方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种用于皮肤病的辅助分析方法,其特征在于,包括:
获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;
响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;
将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;
根据所述第一参考数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
2.根据权利要求1所述的用于皮肤病的辅助分析方法,其特征在于,将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型包括:
根据预设方式对预先采集的所述皮肤损伤图像进行除噪处理;
将除噪后的所述皮肤损伤图像发送到预训练的皮肤损伤分类模型。
3.根据权利要求1所述的用于皮肤病的辅助分析方法,其特征在于,获取皮肤损伤图像包括:
获取预先采集的原始皮肤损伤图像;其中,所述原始皮肤损伤图像包括不同种类的皮肤损伤对应的皮肤损伤图像;
根据预训练的图像分割模型对所述原始皮肤损伤图像进行分割处理以生成不同种类的皮肤损伤的所述皮肤损伤图像。
4.根据权利要求1所述的用于皮肤病的辅助分析方法,其特征在于,在将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据之前,所述方法还包括:
获取预设的样本数据库中的样本皮肤损伤图像,并对所述样本皮肤损伤图像进行标记;
根据标记后的所述样本皮肤损伤图像对创建的所述皮肤损伤分类模型进行训练。
5.根据权利要求1或4任意一项所述的用于皮肤病的辅助分析方法,其特征在于,在将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据之前,所述方法还包括:
获取所述样本数据库中的样本多维度特征数据;
根据所述样本多维度特征数据对基于随机森林的所述皮肤损伤预测模型进行训练。
6.根据权利要求1所述的用于皮肤病的辅助分析方法,其特征在于,在获取预设的样本数据库中的样本皮肤损伤图像之前,所述方法还包括:
获取历史皮肤损伤图像;
将所述历史皮肤损伤图像输入预训练的生成式对抗网络模型以生成所述历史皮肤损伤图像对应的所述样本皮肤损伤图像;
将所述样本皮肤损伤图像存储在所述样本数据库中。
7.根据权利要求1所述的用于皮肤病的辅助分析方法,其特征在于,所述皮肤损伤分类模型包括基于目标检测网络的深度学习模型。
8.一种用于皮肤病的辅助分析装置,其特征在于,包括:
第一参考数据确定单元,用于获取皮肤损伤图像,并将所述皮肤损伤图像发送到预训练的皮肤损伤分类模型以根据所述皮肤损伤分类模型确定所述皮肤损伤图像对应的第一参考数据;
特征数据获取单元,用于响应于生成分析报告的请求,获取所述第一参考数据关联的多维度特征数据;
第二参考数据确定单元,用于将所述多维度特征数据输入预训练的皮肤损伤预测模型以确定所述多维度特征数据对应的第二参考数据;
分析结果确定单元,用于根据所述第一参考数据以及第二参考数据生成所述分析报告以使目标对象根据所述分析报告确定所述皮肤损伤图像对应的分析结果。
9.一种电子设备,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至7中任一项所述的用于皮肤病的辅助分析方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的用于皮肤病的辅助分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885679.XA CN110648318A (zh) | 2019-09-19 | 2019-09-19 | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885679.XA CN110648318A (zh) | 2019-09-19 | 2019-09-19 | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648318A true CN110648318A (zh) | 2020-01-03 |
Family
ID=68991934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910885679.XA Pending CN110648318A (zh) | 2019-09-19 | 2019-09-19 | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648318A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330621A (zh) * | 2020-10-30 | 2021-02-05 | 康键信息技术(深圳)有限公司 | 基于人工智能的对皮肤图像进行异常分类的方法和装置 |
CN112669959A (zh) * | 2020-12-17 | 2021-04-16 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于图像的白癜风病情自动评估方法 |
CN113053524A (zh) * | 2021-06-02 | 2021-06-29 | 杭州咏柳科技有限公司 | 基于皮肤影像的线上辅助诊疗系统 |
CN114343579A (zh) * | 2022-01-05 | 2022-04-15 | 浙江大学 | 一种患儿医源性皮肤损伤自动评估手持装置 |
CN117809841A (zh) * | 2024-02-23 | 2024-04-02 | 四川大学华西医院 | 一种基于大模型技术的皮肤专病患者管理方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243345A1 (en) * | 2016-02-19 | 2017-08-24 | International Business Machines Corporation | Structure-preserving composite model for skin lesion segmentation |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107562732A (zh) * | 2017-10-26 | 2018-01-09 | 北京康夫子科技有限公司 | 电子病历的处理方法及系统 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
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 |
CN109360631A (zh) * | 2018-09-05 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 基于图片识别的人机交互方法、装置、计算机设备及介质 |
CN109363640A (zh) * | 2018-12-04 | 2019-02-22 | 北京贝叶科技有限公司 | 基于皮肤病理图像的识别方法及系统 |
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
CN109767440A (zh) * | 2019-01-11 | 2019-05-17 | 南京信息工程大学 | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
CN110197212A (zh) * | 2019-05-20 | 2019-09-03 | 北京邮电大学 | 图像分类方法、系统及计算机可读存储介质 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
-
2019
- 2019-09-19 CN CN201910885679.XA patent/CN110648318A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243345A1 (en) * | 2016-02-19 | 2017-08-24 | International Business Machines Corporation | Structure-preserving composite model for skin lesion segmentation |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107562732A (zh) * | 2017-10-26 | 2018-01-09 | 北京康夫子科技有限公司 | 电子病历的处理方法及系统 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
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 |
CN109360631A (zh) * | 2018-09-05 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 基于图片识别的人机交互方法、装置、计算机设备及介质 |
CN109363640A (zh) * | 2018-12-04 | 2019-02-22 | 北京贝叶科技有限公司 | 基于皮肤病理图像的识别方法及系统 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
CN109767440A (zh) * | 2019-01-11 | 2019-05-17 | 南京信息工程大学 | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 |
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
CN110197212A (zh) * | 2019-05-20 | 2019-09-03 | 北京邮电大学 | 图像分类方法、系统及计算机可读存储介质 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330621A (zh) * | 2020-10-30 | 2021-02-05 | 康键信息技术(深圳)有限公司 | 基于人工智能的对皮肤图像进行异常分类的方法和装置 |
CN112669959A (zh) * | 2020-12-17 | 2021-04-16 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于图像的白癜风病情自动评估方法 |
CN112669959B (zh) * | 2020-12-17 | 2024-03-29 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于图像的白癜风病情自动评估方法 |
CN113053524A (zh) * | 2021-06-02 | 2021-06-29 | 杭州咏柳科技有限公司 | 基于皮肤影像的线上辅助诊疗系统 |
CN113053524B (zh) * | 2021-06-02 | 2021-08-27 | 杭州咏柳科技有限公司 | 基于皮肤影像的线上辅助诊疗系统 |
CN114343579A (zh) * | 2022-01-05 | 2022-04-15 | 浙江大学 | 一种患儿医源性皮肤损伤自动评估手持装置 |
CN114343579B (zh) * | 2022-01-05 | 2022-07-19 | 浙江大学 | 一种患儿医源性皮肤损伤自动评估手持装置 |
CN117809841A (zh) * | 2024-02-23 | 2024-04-02 | 四川大学华西医院 | 一种基于大模型技术的皮肤专病患者管理方法及系统 |
CN117809841B (zh) * | 2024-02-23 | 2024-04-30 | 四川大学华西医院 | 一种基于大模型技术的皮肤专病患者管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
Azizi et al. | Robust and efficient medical imaging with self-supervision | |
KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
CN111915584B (zh) | 一种基于ct影像的病灶随访评估方法及系统 | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN111445449A (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
US10123747B2 (en) | Retinal scan processing for diagnosis of a subject | |
US10127664B2 (en) | Ovarian image processing for diagnosis of a subject | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
US10249040B2 (en) | Digital data processing for diagnosis of a subject | |
CA3111320A1 (en) | Determination of a growth rate of an object in 3d data sets using deep learning | |
US10398385B2 (en) | Brain wave processing for diagnosis of a subject | |
CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
WO2021005613A1 (en) | Chest radiograph image analysis system and a method thereof | |
CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
US10558783B2 (en) | Image data ingestion application of a medical imaging data processing and retrieval system | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
EP4266247A1 (en) | Method for refining tissue specimen image, and computing system performing same | |
US10839299B2 (en) | Non-leading computer aided detection of features of interest in imagery | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN116135146A (zh) | 动态心电的分析方法、装置及医疗设备 | |
WO2022047043A1 (en) | Surgical phase recognition with sufficient statistical model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |