CN111507414B - 深度学习的皮肤病图片对比分类方法、存储介质和机器人 - Google Patents
深度学习的皮肤病图片对比分类方法、存储介质和机器人 Download PDFInfo
- Publication number
- CN111507414B CN111507414B CN202010312032.0A CN202010312032A CN111507414B CN 111507414 B CN111507414 B CN 111507414B CN 202010312032 A CN202010312032 A CN 202010312032A CN 111507414 B CN111507414 B CN 111507414B
- Authority
- CN
- China
- Prior art keywords
- pictures
- training
- picture
- neural network
- convolutional neural
- 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
- 208000017520 skin disease Diseases 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000004580 weight loss Effects 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010048768 Dermatosis Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习的皮肤病图片对比分类方法、存储介质和机器人，旨在解决采用提取特征的分类算法对图像进行分类时，人工提取特征的分类算法耗时较长，降低了分诊效率的技术问题，其技术方案要点是包括下列步骤：S100、将皮肤病图片分类为训练图片；S200、对所有的训练图片进行数据增强处理；S300、将图片数据库内的训练图片输入卷积神经网络中不断进行训练；S400、根据损失函数计算所得的权重损失对卷积神经网络进行优化，得到最优的卷积神经网络后停止训练并把权重固定；S500、将需要分类的患者照片输入最优的卷积神经网络模型进行分类，得到图片分类结果。达到了自动进行训练以对图片进行分类，大大提高了图片分类的效率以提高分诊率的效果。
Description
技术领域
本发明涉及图像处理的技术领域，尤其是涉及一种深度学习的皮肤病图片对比分类方法、存储介质和机器人。
背景技术
皮肤病是发生在皮肤和皮肤附属器官上病症的总称。皮肤病的种类繁多，常见的皮肤病包括：病毒性、细菌性、真菌性和过敏性等皮肤病。皮肤病的识别和过程定性分析是一个巨大的工作量。
现有公开号为CN107247958A的中国专利，公开了一种基于图像识别的皮肤病特征提取方法，该方法包括以下步骤：首先对采集获得的样本皮肤病图片进行预处理，然后对图像进行垂直分割并进行相应的几何变换，在此基础上通过图像分割的方法对不同类型的皮肤病进行特征区的提取以及纹理特征相关参数的统计，最后通过支持向量机的方法对多种病症进行识别。本发明根据不同的皮肤病所呈现的不同特征，通过图像处理对皮肤病特征进行提取并识别，其操作简单，能够降低依靠医生多年的经验对当前的症状下结论的误判，提高识别准确性。依据图像识别对病症种类进行准确地识别达到对病情“对症下药”，以减轻患者的痛苦，并获得最佳的治疗时间。
上述中的现有技术方案存在以下缺陷：采用提取特征的分类算法对图像进行分类时，需要专业的人士介入对特征进行设置，并且由于提取高质量的特征比较困难，因而人工提取特征的分类算法耗时较长，降低了分诊效率，故有待改善。
发明内容
针对现有技术存在的不足，本发明的目的一在于提供一种深度学习的皮肤病图片对比分类方法，其具有自动进行训练以对图片进行分类，大大提高了图片分类的效率以提高分诊率的优势。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种深度学习的皮肤病图片对比分类方法，包括下列步骤：
S100、将已有的皮肤病图片分类为训练图片，然后分别存储在对应的图片数据库中；
S200、对所有的训练图片进行数据增强处理，并对所有的训练图片进行预处理；
S300、加载卷积神经网络，将图片数据库内的训练图片输入卷积神经网络中不断进行训练并通过损失函数计算权重损失；
S400、根据损失函数计算所得的权重损失对卷积神经网络进行优化，得到最优的卷积神经网络后停止训练并把权重固定；
S500、将需要分类的患者照片输入最优的卷积神经网络模型进行分类，得到图片分类结果。
通过采用上述技术方案，深度学习的方式只需要向卷积神经网络中输入带有分类信息的训练图片即可对机器进行训练，使得卷积神经网络模型在权重的损失函数下不断对权重进行优化，得到最优的卷积神经网络模型，并应用带有最优权重的卷积神经网络对图片实现自动分类，节约了专业人士对特征的参与设计，实现了对患者照片的迅速分类，实现了对患者的迅速分诊。
本发明进一步设置为：所述卷积神经网络采用的网络为ResNet网络并通过EfficientNet网络选择适用于模型的最合适的深度、宽度和像素进行优化的卷积神经网络。
通过采用上述技术方案，EfficientNet是目前为止最迅速最高效的优化方法，其根据模型选择最合适的深度、宽度和像素，从而在提高训练速度的同时还能保证图片分类的准确性，提高了卷积神经网络对图片分类的效率。
本发明进一步设置为：步骤S200还包括下列子步骤：
S210、预先对所有的训练图片进行旋转、镜像、对比度调节、切割或加入噪声，将所有的训练图片数据库成倍扩充，得到数据增强之后的所有的训练图片；
S220、对数据增强之后的所有的训练图片进行镜像中有皮肤病的部分进行缩放，并对所有的训练图片进行处理，使得其参数与处理之前的参数保持一致以再次对训练图片进行扩充；
S230、对所有的训练图片的尺寸进行归一化处理，使得所有的训练图片的尺寸保持一致并存储在对应的图片数据库中。
通过采用上述技术方案，通过对所有的训练图片进行旋转、镜像、对比度调节、切割或加入噪声，从而使得图片数据库成倍扩充，从而保证了数据的丰富性，并通过对图片的处理便于将所有的训练图片输入卷积神经网络中，减轻了卷积神经网络训练过程中因数据集不足而产生的过拟合问题。
本发明进一步设置为：步骤S300还包括下列子步骤：
S310、将图片数据库中数据增强之后的所有的训练图片进行再分类，将数据增强处理之后的所有的训练图片中的75%作为训练集，将剩余的25%的所有的训练图片作为验证集，将未经过数据增强处理的所有的训练图片作为测试集；
S320、将使用ImageNet数据库预先训练好的GoogleNet Inception-v3迁移学习到ResNet网络上，并将其中的部分权重进行冻结；
S330、对不同类别的皮肤病设置差异的损失函数权重，并根据卷积的结果计算权重损失。
通过采用上述技术方案，将数据增强之后的图片作为训练集和验证集并将未经过数据增强的所有的训练图片作为测试集的图片，从而提高了测试的准确性；并且通过迁移学习，增强了训练集训练的多样性，进一步解决了卷积神经网络训练过程中存在的过拟合问题。
本发明进一步设置为：步骤S500后还包括下列步骤：
S600、对图片分类结果进行跟踪，结合医生的最终诊断结果，然后依据最终诊断结果将图片分类存储在对应的图片数据库中；
S700、当优化后的最优卷积神经网络出现误判时，将误判的病例进行图像采集形成误判图片并进行数据增强处理，然后再将误判图片输入给卷积神经网络进行训练以对卷积神经网络进行权重修正微调。
通过采用上述技术方案，随着新发现的皮肤病或者未经分类训练的皮肤病的出现，需要对聚氨基酸神经网络进行再训练，以及在有部分病例未能正确识别的情况下，通过卷积神经网络对输入的图片进行训练，以得到更加优化的权重，从而拓展了卷积神经网络分类的类别；另一方面，通过不断输入的图片作为训练图片，能够在累积一定训练图片之后再给卷积神经网络进行训练，进一步提高了卷积神经网络分类的准确性。
本发明进一步设置为：步骤S600还包括下列步骤：
S610、将带有图片分类结果的图片进行标记并将图片数据库与医院的诊断系统建立通信连接；
S620、医院诊断系统在医院诊断意见流转以及得出最终诊断结果时将带有图片分类结果的图片以及最终诊断结果传输给图片数据库；
S630、图片数据库根据最终诊断结果将带有诊断结果的图片放入正确的图片数据库中。
通过采用上述技术方案，通过将图片数据库与医院的诊断系统连接并进行跟踪，从而能够对分类之后的带有分类结果的图片进行跟踪并通过医生最终的诊断结果去判断卷积神经网络分类的结果是否准确，在不准确的情况下还能够对权重进行修改以提高卷积神经网络的分类准确率。
本发明进一步设置为：步骤S610还包括下列步骤：
S611、在图片数据库中预存擅长不同皮肤病的医生信息；
S612、在最优的卷积神经网络对患者照片进行分类完成之后，根据分诊结果计算推荐医生度；
S613、在分诊结果中显示推荐的医生。
通过采用上述技术方案，根据卷积神经网络的分类对不同种类的病患进行分类，并根据不同的分类从图片数据库中寻找擅长于此类皮肤病的医生进行推荐，从而在提高分类准确性的同时还能够进行病患分诊，从而提高了病患的分诊效率。
本发明进一步设置为：步骤S612还包括下列子步骤：
S612a、针对医生的职称和教育背景、处理此类病例数量以及当前空闲系数分配权重
F=w1A1+w2A2+w3A3+w3A3；
w1——医生的职称和教育背景的权重；
w2——处理此类病例数量的权重；
w3——当前空闲系数的权重；
F——医生的推荐度；
A1——医生的职称和教育背景系数；
A2——处理此类病例数量系数；
A3——当前空闲比例系数；
S612b、根据权重和医生信息，计算医生推荐度；
S612c、将医生推荐度按照从高到低的顺序进行排序。
通过采用上述技术方案，根据医生的职称、教育背景、处理此类病例数量和空闲系数所对应的权重，计算每个医生的推荐度，将推荐度进行排序，然后将排序后的前三名显示给患者，以供患者参考；起到了很好的分诊和分流的作用，更便于患者就诊。
本发明的目的二在于提供一种深度学习的皮肤病图片对比分类方法、存储介质和机器人，其具有自动对图片进行分类，大大提高了图片分类的效率以提高分诊率的优势。
本发明的上述发明目的二是通过以下技术方案得以实现的：
一种计算机可读存储介质，存储有能够被处理器加载并执行如上述深度学习的皮肤病图片对比分类方法、存储介质和机器人的计算机程序。
本发明的目的二在于提供一种深度学习的皮肤病图片对比分类方法、存储介质和机器人，其具有自动对图片进行分类，大大提高了图片分类的效率以提高分诊率的优势。
本发明的上述发明目的二是通过以下技术方案得以实现的：
一种图像分类机器人，包括存储器和处理器，所述存储器包括上述的存储介质。
综上所述，本发明的有益效果为：
通过深度学习对卷积神经网络进行训练，实现了对图片的自动学习，自动分类，有效提高了识别和分类的效率，从而便于辅助医生进行分诊，提高了分诊的效率；由于采用了EfficientNet选取最合适的深度、宽度和像素应用于卷积神经网络，从而保证了分类方法的高效性，从另一方面提高了分类方法的效率。
附图说明
图1为实施例中一种深度学习的皮肤病图片对比分类方法的流程示意图；
图2为步骤S200的流程示意图；
图3为步骤S300的流程示意图；
图4为步骤S600的流程示意图；
图5为步骤S610的流程示意图；
图6为步骤S612的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例：
一种深度学习的皮肤病图片对比分类方法、存储介质和机器人，参照图1，其包括下列步骤：
S100、将已有的皮肤病图片按照皮肤病大类下的小类进行9种分类成为训练图片，然后分别存储在对应的图片数据库中，图片数据库为存储在云端的服务器并借助斯坦福大学的皮肤病数据库数据进行数据扩充。
S200、对所有的训练图片进行数据增强处理，并对所有的训练图片进行预处理；
参照图2，在步骤S200中，预先对所有的训练图片进行旋转、镜像、对比度调节、切割或加入噪声，对所有的训练图片旋转90°、180°或者270°，或者对所有的训练图片进行竖直或水平方向上的镜像，或者对图像的对比度进行调节，调节范围在±10%之间，或者对所有的训练图片进行裁切，保留一部分带有皮肤病的所有的训练图片，或者是加入高斯白噪声亦或者是上述手段的排列组合从而将图片数据库成倍扩充，得到数据增强之后的所有的训练图片。
并且对数据增强之后所有的训练图片中有皮肤病的部分进行缩放，针对所有的训练图片中有皮肤病的部位进行有针对性的放大或者将所有的训练图片缩小之后再对分辨率进行调整，使得其参数与处理之前的参数保持一致。然后对所有的训练图片的尺寸进行归一化处理，并使得所有的训练图片的尺寸保持在224×224大小以适应于卷积神经网络。
参照图3，S300、加载卷积神经网络，卷积神经网络模型采用的网络为ResNet网络并通过EfficientNet网络选择适用于模型的最合适的深度、宽度和像素进行优化。将图片数据库内的所有的训练图片输入卷积神经网络中进行训练并通过权重损失函数计算损失。
在步骤S300中，将图片数据库中的图像进行再分类，将数据增强处理之后的所有的训练图片中的75%作为训练集，训练集即用于训练的样本集合；将剩余的25%作为验证集，验证集即用于验证模型的样本集合；将未经过数据增强处理的所有的训练图片作为测试集测试集即对训练完成的神经网络进行客观评价。
将使用ImageNet数据库预先训练好的GoogleNet Inception-v3，GoogleNetInception-v3为斯坦福大学基于皮肤病数据库训练得到的皮肤病分类模型；迁移学习到ResNet网络上，并将其中的部分权重进行冻结，从而保留了一部分用于识别皮肤病特征的权重。
对不同类别的皮肤病设置差异的权重损失函数，并根据卷积的结果计算权重的损失，便于基于损失对卷积神经网络进行优化。
参照图1，S400、根据权重损失函数计算所得的损失对卷积神经网络进行优化，对权重的系数进行微调以得到最终的最优权重，带有最优权重的卷积神经网络为最优的卷积神经网络，然后停止训练，并把权重固定作为分类的卷积核。
S500、将需要分类的患者照片输入优化后的最优的卷积神经网络进行自动分类，得到图片的分类结果，能够实现对皮肤病图片的分诊。
S600、对图片分类的结果进行跟踪，结合医生的最终诊断结果，然后将带有分类结果的图片存储在图片数据库中，并依据最终诊断结果对带有分类结果的图片存储的位置进行调整。
参照图5和图6，在步骤S600中，将带有分类结果的图片进行标记并将图片数据库与医院的诊断系统建立通信连接。其中，在图片数据库中预存有擅长于不同皮肤病医生信息，医生信息包括医生的职称、教育背景、处理对应分类的病例数量以及最近一个月的空闲时间。卷积神经网络对病患图片进行分类完成之后，根据分诊结果计算医生推荐度；在计算医生推荐度时，针对医生的职称和教育背景、处理此类病例数量以及当前空闲系数分配医生推荐度权重：
F=w1A1+w2A2+w3A3+w3A3；
w1——医生的职称和教育背景的权重，w1为定值0.4；
w2——处理此类病例数量的权重，w2为定值0.4；
w3——当前空闲系数的权重，w3为定值0.2；
F——医生的推荐度；
A1——医生的职称和教育背景系数；医生的职称对应有：主治医师—6；副主任医师—8；主任医师—10；教育背景：硕士—6；博士—8；博士后—10；
A2——处理此类病例数量系数；
A3——当前空闲比例系数；空闲比例为（X-Y）×20/X，X为当日日程，Y为已预约病患数量；然后根据医生推荐度权重和医生信息，计算医生推荐度，最后将医生推荐度按照从高到低的顺序进行排序。
在分诊结果中显示推荐的医生，显示的医生为推荐度前三的医生，并在分诊结果中显示推荐建议，推荐度最高为强烈推荐，推荐度中等为大力推荐，推荐度最低为建议推荐。
参照图1，医院诊断系统在医院诊断意见流转以及得出最终诊断结果时将带有图片分类结果的图片以及最终诊断结果传输给图片数据库。数据库根据诊断结果将带有诊断结果的图片放入正确的图片数据库中，并将错放的患者照片的位置根据诊断结果做相应调整，使其处在正确的分类中。
S700、当优化后的卷积神经网络出现误判时，将误判的病例图片进行图像采集并进行数据增强处理，从不同角度和不同部位拍摄病例的图片，通过数据增强处理进行数量扩增，然后再对图片进行归一化处理并通过迁移学习的技术，将同类型皮肤病分类的卷积核迁移到新的卷积核中，然后再将图像数据输入给卷积神经网络进行训练以对卷积神经网络进行权重修正。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者安装有计算机的清洁机器人。所述计算机指令可以存储在计算机可读移动式存储设备中。
本发明实施例提供一种计算机可读存储介质，存储介质存储有上述指令集，该指令集适于一处理器加载并执行，计算机存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于同一发明构思，本发明实施例提供一种机器人，包括：处理器，用于加载并执行指令集；以及上述的存储介质。
使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (6)
1.一种深度学习的皮肤病图片对比分类方法，其特征在于：包括下列步骤：
S100、将已有的皮肤病图片分类为训练图片，然后分别存储在对应的图片数据库中；
S200、对所有的训练图片进行数据增强处理，并对所有的训练图片进行预处理；
S300、加载卷积神经网络，将图片数据库内的训练图片输入卷积神经网络中以对卷积神经网络不断进行训练，并通过损失函数计算权重损失；
S400、根据损失函数计算所得的权重损失对卷积神经网络进行优化，得到最优的卷积神经网络后停止训练并把权重固定；
S500、将需要分类的患者照片输入最优的卷积神经网络模型进行分类，得到图片分类结果；
S600、对图片分类结果进行跟踪，结合医生的最终诊断结果，然后依据最终诊断结果将图片分类存储在对应的图片数据库中；
S610、将带有图片分类结果的图片进行标记并将图片数据库与医院的诊断系统建立通信连接；
S611、在图片数据库中预存擅长不同皮肤病的医生信息；
S612、在最优的卷积神经网络对患者照片进行分类完成之后，根据分诊结果计算推荐医生度；
S612a、针对医生的职称和教育背景、处理此类病例数量以及当前空闲系数分配权重
F=w1A1+w2A2+w3A3+w3A3；
w1——医生的职称和教育背景的权重；
w2——处理此类病例数量的权重；
w3——当前空闲系数的权重；
F——医生的推荐度；
A1——医生的职称和教育背景系数；
A2——处理此类病例数量系数；
A3——当前空闲比例系数；
S612b、根据权重和医生信息，计算医生推荐度；
S612c、将医生推荐度按照从高到低的顺序进行排序；
S613、在分诊结果中显示推荐的医生；
S620、医院诊断系统在医院诊断意见流转以及得出最终诊断结果时将带有图片分类结果的图片以及最终诊断结果传输给图片数据库；
S630、图片数据库根据最终诊断结果将带有诊断结果的图片放入正确的图片数据库中；
S700、当优化后的最优卷积神经网络出现误判时，将误判的病例进行图像采集形成误判图片并进行数据增强处理，然后再将误判图片输入给卷积神经网络进行训练以对卷积神经网络进行权重修正微调。
2.根据权利要求1所述的深度学习的皮肤病图片对比分类方法，其特征在于：所述卷积神经网络为ResNet网络通过EfficientNet网络选择适用于卷积神经网络模型的最合适的深度、宽度和像素进行优化的卷积神经网络。
3.根据权利要求1所述的深度学习的皮肤病图片对比分类方法，其特征在于：步骤S200还包括下列子步骤：
S210、预先对所有的训练图片进行旋转、镜像、对比度调节、切割或加入噪声，将所有的训练图片数据库成倍扩充，得到数据增强之后的所有的训练图片；
S220、对数据增强之后的所有的训练图片进行镜像中有皮肤病的部分进行缩放，并对所有的训练图片进行处理，使得其参数与处理之前的参数保持一致以再次对训练图片进行扩充；
S230、对所有的训练图片的尺寸进行归一化处理，使得所有的训练图片的尺寸保持一致并存储在对应的图片数据库中。
4.根据权利要求1所述的深度学习的皮肤病图片对比分类方法，其特征在于：步骤S300还包括下列子步骤：
S310、将图片数据库中数据增强之后的所有的训练图片进行再分类，将数据增强处理之后的所有的训练图片中的75%作为训练集，将剩余的25%的所有的训练图片作为验证集，将未经过数据增强处理的所有的训练图片作为测试集；
S320、将使用ImageNet数据库预先训练好的GoogleNet Inception-v3迁移学习到ResNet网络上，并将其中的部分权重进行冻结；
S330、对不同类别的皮肤病设置差异的损失函数权重，并根据卷积的结果计算权重损失。
5.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
6.一种图像分类机器人，其特征在于，包括存储器和处理器，所述存储器包括如权利要求5所述的存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312032.0A CN111507414B (zh) | 2020-04-20 | 2020-04-20 | 深度学习的皮肤病图片对比分类方法、存储介质和机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312032.0A CN111507414B (zh) | 2020-04-20 | 2020-04-20 | 深度学习的皮肤病图片对比分类方法、存储介质和机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111507414A CN111507414A (zh) | 2020-08-07 |
| CN111507414B true CN111507414B (zh) | 2022-02-08 |
Family
ID=71864060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312032.0A Active CN111507414B (zh) | 2020-04-20 | 2020-04-20 | 深度学习的皮肤病图片对比分类方法、存储介质和机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507414B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112348808A (zh) * | 2020-11-30 | 2021-02-09 | 广州绿怡信息科技有限公司 | 屏幕透图检测方法及装置 |
| CN114241261A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技（深圳）有限公司 | 基于图像处理的皮肤病识别方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| KR102041906B1 (ko) * | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | 안면피부촬영장치를 통해 촬영된 영상 이미지를 활용하여 피부질환을 판별하는 인공지능 기반의 안면 피부질환 판별용 api 엔진 |
| CN110809037A (zh) * | 2019-10-29 | 2020-02-18 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
| CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
| CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019018430A1 (en) * | 2017-07-18 | 2019-01-24 | Mytonomy Inc. | SYSTEM AND METHOD FOR PERSONALIZED PATIENT RESOURCES AND BEHAVIOR PHENOTYPING |
| CN108932974B (zh) * | 2018-05-31 | 2023-04-18 | 平安医疗科技有限公司 | 在线问诊分配医生的方法、装置、计算机设备和存储介质 |
| CN109411082B (zh) * | 2018-11-08 | 2022-01-04 | 西华大学 | 一种医疗质量评价及就诊推荐方法 |
-
2020
- 2020-04-20 CN CN202010312032.0A patent/CN111507414B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| KR102041906B1 (ko) * | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | 안면피부촬영장치를 통해 촬영된 영상 이미지를 활용하여 피부질환을 판별하는 인공지능 기반의 안면 피부질환 판별용 api 엔진 |
| CN110809037A (zh) * | 2019-10-29 | 2020-02-18 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
| CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
| CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111507414A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507414B (zh) | 深度学习的皮肤病图片对比分类方法、存储介质和机器人 | |
| CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
| CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
| CN111986785B (zh) | 医学影像标注方法和装置、设备及存储介质 | |
| US20080285856A1 (en) | Method for Automatic Detection and Classification of Objects and Patterns in Low Resolution Environments | |
| CN111080579B (zh) | 基于深度学习实现图像分割和分类的骨龄评估方法 | |
| CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
| CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| CN110543906A (zh) | 基于数据增强和Mask R-CNN模型的肤质自动识别方法 | |
| US20210365836A1 (en) | Methods and systems for pre-optimizing input data for an ocr engine or other computer-implemented analysis process | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| CN113657168A (zh) | 基于卷积神经网络的学生学习情绪的识别方法 | |
| CN115393861B (zh) | 一种手写体文本精准分割方法 | |
| CN113011450B (zh) | 青光眼识别的训练方法、训练装置、识别方法及识别系统 | |
| CN112862749A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
| CN112651955A (zh) | 一种肠道图像的识别方法及终端设备 | |
| CN111652117A (zh) | 一种对多文档图像分割的方法及介质 | |
| CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
| CN114463767A (zh) | 信用证识别方法、装置、计算机设备和存储介质 | |
| CN111539911B (zh) | 一种口呼吸面容识别方法、设备和存储介质 | |
| CN112258532A (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
| CN115393351B (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
| CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
| CN113080874B (zh) | 一种多角度交叉验证的智能测肤系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221019 Address after: C103, building a, guokejuntong Collaborative Innovation Industrial Park, No. 103, Huatuo lane, high tech Zone, Hefei, Anhui Province, 230000 Patentee after: Anhui Zhangshang famous medical technology Co.,Ltd. Address before: Room 708-2, 7 / F, building D1, phase I, innovation industrial park, Hefei hi tech Zone, Anhui 230000 Patentee before: Anhui Zhongke head Intelligent Medical Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240105 Address after: Room 1511, Rongsheng Building Office, northwest corner of the intersection of Changjiang West Road and Shilian North Road, Hefei City, Anhui Province, 230000 Patentee after: Hefei Zhangshang Mingyi Eye Health Management Co.,Ltd. Address before: C103, building a, guokejuntong Collaborative Innovation Industrial Park, No. 103, Huatuo lane, high tech Zone, Hefei, Anhui Province, 230000 Patentee before: Anhui Zhangshang famous medical technology Co.,Ltd. |