CN111126512A - 一种基于个体优势与群体决策的皮肤镜图像识别方法 - Google Patents

一种基于个体优势与群体决策的皮肤镜图像识别方法 Download PDF

Info

Publication number
CN111126512A
CN111126512A CN202010041653.XA CN202010041653A CN111126512A CN 111126512 A CN111126512 A CN 111126512A CN 202010041653 A CN202010041653 A CN 202010041653A CN 111126512 A CN111126512 A CN 111126512A
Authority
CN
China
Prior art keywords
convolutional neural
mirror image
dermatoscope
skin mirror
method based
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
Application number
CN202010041653.XA
Other languages
English (en)
Inventor
龚安
姚鑫杰
唐永红
李华昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202010041653.XA priority Critical patent/CN111126512A/zh
Publication of CN111126512A publication Critical patent/CN111126512A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Abstract

本发明提供一种基于个体优势与群体决策的皮肤镜图像识别方法。首先利用GANs创建均衡训练样本空间，再用卷积神经网络对图像进行特征提取；然后将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果。本发明充分考虑了多种皮肤镜图像情况下，类内差异大和类间差异小，及其数据集不足且分布不均的因素，可以较为精确的进行皮肤镜图像的识别。

Description

一种基于个体优势与群体决策的皮肤镜图像识别方法
技术领域
本发明涉及一种皮肤镜图像识别方法，尤其涉及一种基于个体优势与群体决策的皮肤镜图像识别方法。
背景技术
世界上有许多人正遭受着皮肤病的折磨，皮肤癌病例的数量是癌症中最多的之一。皮肤癌是最常见的恶性肿瘤，约占所有恶性肿瘤总数的一半，且发病率正逐年上升。早期诊断对于皮肤癌意义重大，皮肤癌如发现并治疗较早，其疗效和预后较好。
近年来，世界各地的皮肤科医生对皮肤镜的研究给予了很大的关注。目前，基于皮肤镜图像的检测技术是解决皮肤癌这类问题的有效途径，但是人工检测高度依赖医生的临床经验，并且皮肤镜图像本身的复杂性给检测提出了巨大的挑战。此外，皮肤病医生由于临床经验的不同，可能会造成病理读片结果有所不同，使得泛化能力和主观判断能力有一定的局限性。因此，基于视觉的方式是皮肤镜图像识别研究的主流方法。
由于皮肤镜图像的复杂性，其类内差异大和类间差异小，所以大多时候人工提取特征的效果并不理想。此外，这些基于人工提取特征的方法大多数操作较为复杂，导致临床实践中适用性不高，泛化能力不足等问题。卷积神经网络能自动提取特征，但是单一的卷积神经网络很难在多个评价指标上取得良好的效果，在准确率、灵敏度和特异度等仍有很大的提升空间。故要想精确识别皮肤镜图像具有一定的挑战性。
针对上述问题，迫切需要发明提供一种基于个体优势与群体决策的皮肤镜图像识别方法。本发明针对皮肤镜图像复杂的背景环境，利用GANs创建均衡训练样本空间，再利用卷积神经网络进行特征提取，最后利用构建好的框架进行分类，从而达到对皮肤镜图像识别的目的。
发明内容
针对皮肤镜图像，类内差异大和类间差异小，各种干扰因素多的问题，本发明研制一种基于个体优势与群体决策的皮肤镜图像识别方法。
本发明其特征在于,包括以下步骤：
(1)从经过预处理的图库中构建训练数据集；
(2)利用GANs创建均衡训练样本空间；
(3)利用卷积神经网络进行特征提取；
(4)将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果；
(5)将测试集放入构建好的框架进行分类。
所述GANs是两个网络模型相互博弈，一个是生成器，用于生成假图像，另一个是判别器，用于判断输入图像的真伪，最终生成较为逼真的图像，从而均衡数据量较少的皮肤镜图像类型；
所述卷积神经网络是一些常用于计算机视觉的卷积神经网络模型，例如：Inception，VGG，SqueezeNet等；
所述框架是将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果。
附图说明
图是基于个体优势与群体决策的皮肤镜图像识别方法的流程图；
具体实施方式
下面结合附图说明本发明的实施方式。
1、图像预处理
在数据集中选出21701张作为训练集，再选出3830张作为测试集。然后将图像处理为统一大小。这里为了得到适合卷积神经网络输入的图像，统一将图像大小设置为672*672。为了得到更多的图像信息，这里图像依然为彩色，无需灰度化。
2、创建均衡训练样本空间
在这里选择用GANs。首先将GANs在训练集上针对数量较少的皮肤镜图像类型进行训练，然后通过GANs进行图像生成，这样就可以得到若干逼真的新样本，从中挑选出清晰且不变形的图像加入到对应的训练集，将得到均衡训练样本空间。
3、特征提取
通过使用卷积神经网络模型(如Inception，VGG，SqueezeNet)在训练集上训练，经过多次迭代可以进行特征提取。
4、构建框架
将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果，框架流程图如附图所示。
5、测试结果
将测试集通过构建好的框架进行识别分类。

Claims (2)

1.一种基于个体优势与群体决策的皮肤镜图像识别方法，其特征在于，包括以下步骤：
(1)从经过预处理的图库中构建训练数据集；
(2)利用GANs创建均衡训练样本空间；
(3)利用卷积神经网络进行特征提取；
(4)将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果；
(5)将测试集放入构建好的框架进行分类。
2.根据权利要求1所述的一种基于个体优势与群体决策的皮肤镜图像识别方法。其特征在于所述GANs是两个网络模型相互博弈，一个是生成器，用于生成假图像，另一个是判别器，用于判断输入图像的真伪，最终生成较为逼真的图像，从而均衡数据量较少的皮肤镜图像类型；
所述卷积神经网络是一些常用于计算机视觉的卷积神经网络模型，例如：Inception，VGG，SqueezeNet等；
所述框架是将多个卷积神经网络放到不同块中并针对特定皮肤镜图像类型进行二分类，汇总每个块的二分类结果，取最大值对应的皮肤镜图像类型为预测结果。
CN202010041653.XA 2020-01-15 2020-01-15 一种基于个体优势与群体决策的皮肤镜图像识别方法 Pending CN111126512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010041653.XA CN111126512A (zh) 2020-01-15 2020-01-15 一种基于个体优势与群体决策的皮肤镜图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010041653.XA CN111126512A (zh) 2020-01-15 2020-01-15 一种基于个体优势与群体决策的皮肤镜图像识别方法

Publications (1)

Publication Number Publication Date
CN111126512A true CN111126512A (zh) 2020-05-08

Family

ID=70489352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010041653.XA Pending CN111126512A (zh) 2020-01-15 2020-01-15 一种基于个体优势与群体决策的皮肤镜图像识别方法

Country Status (1)

Country Link
CN (1) CN111126512A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170083793A1 (en) * 2015-09-18 2017-03-23 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection
US20170228619A1 (en) * 2016-02-05 2017-08-10 International Business Machines Corporation Tagging Similar Images Using Neural Network
CN108921092A (zh) * 2018-07-02 2018-11-30 浙江工业大学 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法
US20190236614A1 (en) * 2018-01-29 2019-08-01 Accenture Global Solutions Limited Artificial intelligence counterfeit detection
CN110135506A (zh) * 2019-05-20 2019-08-16 杭州电子科技大学 一种应用于web的七类皮肤肿瘤检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170083793A1 (en) * 2015-09-18 2017-03-23 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection
US20170228619A1 (en) * 2016-02-05 2017-08-10 International Business Machines Corporation Tagging Similar Images Using Neural Network
US20190236614A1 (en) * 2018-01-29 2019-08-01 Accenture Global Solutions Limited Artificial intelligence counterfeit detection
CN108921092A (zh) * 2018-07-02 2018-11-30 浙江工业大学 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法
CN110135506A (zh) * 2019-05-20 2019-08-16 杭州电子科技大学 一种应用于web的七类皮肤肿瘤检测方法

Similar Documents

Publication Publication Date Title
CN108806792B (zh) 深度学习面诊系统
CN110516576B (zh) 基于深度神经网络的近红外活体人脸识别方法
WO2020151489A1 (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
Zhi et al. Using transfer learning with convolutional neural networks to diagnose breast cancer from histopathological images
US8379961B2 (en) Mitotic figure detector and counter system and method for detecting and counting mitotic figures
CN108717554A (zh) 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN107545245A (zh) 一种年龄估计方法及设备
CN108564026A (zh) 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统
CN104424386A (zh) 基于多参数磁共振影像的前列腺癌计算机辅助识别系统
CN108564123A (zh) 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置
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
CN103793690A (zh) 一种基于皮下血流探测的人体生物活体检测方法及应用
CN109858429A (zh) 一种基于卷积神经网络的眼底图像病变程度识别与可视化系统
CN109977887A (zh) 一种抗年龄干扰的人脸识别方法
CN108874889A (zh) 基于目标体图像的目标体检索方法、系统及装置
CN107871314A (zh) 一种敏感图像鉴别方法和装置
CN114998651A (zh) 基于迁移学习的皮肤病变图像分类识别方法、系统及介质
CN106169084A (zh) 一种基于高斯核参数选择的svm乳腺分类方法
CN112990214A (zh) 一种医学图像特征识别预测模型
Junod et al. The development of an automatic recognition system for earmark and earprint comparisons
CN111046978A (zh) 一种基于StyleGANs和决策融合的皮肤镜图像识别方法
CN112102928B (zh) 病理图像染色风格归一化方法及装置
CN107657453A (zh) 欺诈数据的识别方法及装置
CN104573668A (zh) 基于光谱反射率的面部色泽适应性自动识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200508