CN113425266B - 一种基于红外成像的皮肤癌筛查系统 - Google Patents

Abstract

本发明涉及皮肤癌筛查技术领域，公开了一种基于红外成像的皮肤癌筛查系统，包括红外成像采集模块、热图处理模块、图像获取模块、图像筛选模块、图像处理模块以及卷积神经网络模型；所述红外成像采集模块用于获取人体的伪彩色热图；所述热图处理模块对输入的伪彩色热图进行校正处理，并确定疑似病变区；所述图像获取模块用于获取疑似病变区对应的人体皮肤图像；所述图像筛选模块对人体皮肤图像按照清晰标准进行筛选；所述图像处理模块对人体皮肤图像进行处理，将处理后的图片传输至卷积神经网络模型进行训练，得出诊断结果。该系统将红外成像技术与神经网络技术相结合，将其应用于皮肤癌的自动筛查工作中，以解决临床筛查工作带来麻烦。

Description

一种基于红外成像的皮肤癌筛查系统

技术领域

本发明涉及皮肤癌筛查技术领域，具体涉及一种基于红外成像的皮肤癌筛查系统。

背景技术

皮肤癌是一种高发的恶性肿瘤，包括基底细胞癌、恶性黑色素瘤以及鳞状细胞癌等，其中以恶性黑色素瘤预后最差，死于恶性黑素素瘤的患者占死于皮肤肿瘤患者总数的75％以上，恶性黑色素瘤的五年存活率不足1％。在临床上，皮肤癌的诊断首先需要进行临床筛查，然后进行皮肤镜检查，随后进行活检以及组织病理学检查。

随着卷积神经网络(Convolutional Neural Network，CNN)的技术发展，使用深度学习来进行皮肤肿瘤自动识别已经成为了一种可能。深度学习作为机器学习技术领域当中的最新技术，已证实在有极大数据集作为输入的基础之上，能够在视觉识别领域达到较高水准(如人脸识别)，并且在策略类游戏如围棋中能够超过人类能力(如AlphaGo)。

远红外热成像原理从物理学原理分析，人体就是一个自然的生物红外辐射源，能够不断向周围发射和吸收红外辐射。正常人体的温度分布具有一定的稳定性和特征性，机体各部位温度不同，形成了不同的热场。当人体某处发生疾病或功能改变时，该处血流量会相应发生变化，导致人体局部温度改变，表现为温度偏高或偏低。

由于人体皮肤的范围较广，若单一依靠神经网络模型去诊断，无疑会使整个系统的工作量增大，庞大的数据库降低整个系统的运行，使诊断效率以及效果都有所降低，因此，有必要设计一种新的结合红外成像技术以及神经网络技术，将其应用于皮肤癌的自动筛查工作中，以解决临床筛查工作带来麻烦。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于红外成像的皮肤癌筛查系统，该系统将红外成像技术与神经网络技术相结合，将其应用于皮肤癌的自动筛查工作中，以解决临床筛查工作带来麻烦。

为了实现上述目的，本发明提供如下技术方案：

一种基于红外成像的皮肤癌筛查系统，包括红外成像采集模块、热图处理模块、图像获取模块、图像筛选模块、图像处理模块以及卷积神经网络模型；

所述红外成像采集模块用于获取人体的伪彩色热图；

所述热图处理模块对输入的伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，确定疑似病变区；

所述图像获取模块用于获取疑似病变区对应的人体皮肤图像，所述图像筛选模块对人体皮肤图像按照清晰标准进行筛选，剔除不符合清洗标准的人体皮肤图像；

所述图像处理模块对人体皮肤图像进行处理，将处理后的图片传输至卷积神经网络模型进行训练，得出皮肤癌筛选预测数据报告。

在本发明中，进一步的，所述红外成像采集模块包括红外成像仪，所述红外成像仪用于采集人体红外辐射并转换为数字信号，生成伪色彩热图。

在本发明中，进一步的，所述热图处理模块包括热图校正单元以及对比单元，所述热图校正单元用于对热图进行非均匀校正、滤波去噪以及细节增强，所述对比单元用于对校正后的图像与预设的正常图像进行对比，以确定疑似病变区。

所述图像获取模块包括摄像头，所述摄像头用于获取人体的疑似病变区的人体表层皮肤图像。

在本发明中，进一步的，所述图像筛选模块包括筛选单元和预处理单元，所述筛选单元对人体皮肤图像按照预设清晰度进行筛选，其中清晰度包括分辨率、色彩、对比度以及曝光度的综合测算，所述预处理单元用于对筛选的图像进行自动图像校正。

在本发明中，进一步的，所述图像处理模块包括区域融合单元，所述区域融合单元将图像中纹路相同的像素融合为一个区域，以将病变区域进行粗分割。

在本发明中，进一步的，所述区域融合单元利用SRM算法进行处理，其中SRM算法包括：

点对排序，将图像按照四邻接两两结合成点对，选一个函数的计算点对的融合代价，并按照融合代价的大小进行排序，并对排序结果进行图像融合。

按照如下公式对所述排序结果进行图像融合，所述公式为：

其中，R为区域中像素个数，δ为图像总像素个数倒数的1/6，Q是质量因数，Q越大分隔越细致。

在本发明中，进一步的，所述卷积神经网络模型包括数据输入模块、图像分隔处理模块以及结果输出模块，所述数据输入模块用于输入若干带有疾病标签的皮肤癌图片以及等量的良性生长图片，所述图像分隔处理模块用于对输入的皮肤癌图片进行分类训练并给予每个图片参数评定，所述结果输出模块用于输出皮肤癌筛选预测数据报告。

在本发明中，优选的，所述图像分隔处理模块包括处理子集、提取子集以及评析子集，所述处理子集对皮肤癌图片以及良性生长图片进行图像处理，所述提取子集用于提取皮肤癌图片以及良性生长图片上对应的生物标志物，并给予每个生物标志物恶性参数评定，所述评析子集用于组合生物标志物，计算每个图像的综合参数在0至1之间。

与现有技术相比，本发明的有益效果是：

本发明的首先利用红外成像采集模块对人身体进行全面检查，通过热图处理模块对伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，从而确定疑似病变区。由于红外成像技术的检测相对较快，整体仅需要几分钟便可完成，且初检准确度较高，当利上述确定疑似病变区域后，在利用图像获取模块对疑似病变区进行拍照，获取疑似病变区对应的人体皮肤图像，通过对此图像进行筛选、处理后进入卷积神经网络模型进行预测，并给出预测结果。本发明通过先利用红外成像技术对人整体进行初检，从而锁定病变区域，相比于用整个热图或人体整个病理图片全部进行核查，降低了卷积网络模型检查的工作负担，从而降低整个系统的工作量，将其应用于皮肤癌的自动筛查工作中，以解决临床筛查工作带来麻烦，提高整个系统的运行速度以及诊断效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的一种基于红外成像的皮肤癌筛查系统整体结构图；

图2是本发明的数据输入模块中输入的皮肤癌图片样本的示意图；

图3是本发明的皮肤癌原始病变区域图像；

图4是本发明的区域融合单元处理后的图像。

具体实施方式

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，所描述的实施例仅仅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做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。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

早期癌症病人约有八成以上可以治愈，但是早期癌症病人自身感觉不到，往往一查出就是晚期，尤其是针对皮肤癌，最开始很可能只是从一个不起眼的痣引发。因此，针对皮肤癌患者需要进行全身的检测，但是采用皮肤镜进行检查耗时耗力，给临床检测带来很多挑战，将皮肤镜检测的图像全部放入神经网络模型中进行预测的，也会造成系统庞大的工作量，使诊断效率以及效果都有所降低。

针对上述问题，本发明一较佳实施方式提供一种基于红外成像的皮肤癌筛查系统，请参见图1，包括红外成像采集模块、热图处理模块、图像获取模块、图像筛选模块、图像处理模块以及卷积神经网络模型；

所述红外成像采集模块用于获取人体的伪彩色热图；

所述热图处理模块对输入的伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，确定疑似病变区；

所述图像获取模块用于获取疑似病变区对应的人体皮肤图像，所述图像筛选模块对人体皮肤图像按照清晰标准进行筛选，剔除不符合清洗标准的人体皮肤图像；

所述图像处理模块对人体皮肤图像进行处理，将处理后的图片传输至卷积神经网络模型进行训练，得出皮肤癌筛选预测数据报告。

具体的，本发明的首先利用红外成像采集模块对人身体进行全面检查，通过热图处理模块对伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，从而确定疑似病变区。由于红外成像技术的检测相对较快，整体仅需要几分钟便可完成，且初检准确度较高，当利上述确定疑似病变区域后，在利用图像获取模块对疑似病变区进行拍照，获取疑似病变区对应的人体皮肤图像，通过对此图像进行筛选、处理后进入卷积神经网络模型进行预测，并给出预测结果。本发明通过先利用红外成像技术对人整体进行初检，从而锁定病变区域，相比于用整个热图或人体整个病理图片全部进行核查，降低了卷积网络模型检查的工作负担，从而降低整个系统的工作量，提高整个系统的运行速度以及诊断效率。

在本发明中，进一步的，所述红外成像采集模块包括红外成像仪，所述红外成像仪用于采集人体红外辐射并转换为数字信号，生成伪色彩热图。

具体的，本发明选用的红外成像仪，能够感知的温度差别达到0.05℃。在医学领域，目前X光只能等癌症病变，产生硬块后才能检查出来，因为人体有癌细胞的部位，细胞活动活跃，温度要比正常部位稍高一些，从而对早期皮肤癌进行诊断。而运用红外成像技术研发的红外成像仪，通过热成像系统采集人体红外辐射，能检测出体内是否出现癌细胞，本发明利用红外检测仪对人体全身进行检测、转化生成伪彩色热图，以作为检测的输入，且利用红外成像仪能够实现全身快速检测，有效的解决了现有技术中皮肤镜进行检查耗时耗力的缺陷。

在本发明中，进一步的，所述热图处理模块包括热图校正单元以及对比单元，所述热图校正单元用于对伪色彩热图进行非均匀校正、滤波去噪以及细节增强，所述对比单元用于对校正后的图像与预设的正常图像进行对比，以确定疑似病变区。

具体的，在本发明中，热图校正单元采用两点法与二元非线性校正法对红外热图像进行校正，得到校正后的图像；通过带阈值的均值滤波对红外热图像进行去噪处理，得到去噪后图像；通过采用双阈值映射、双阈值自适应增强算法和边缘增强算法，对原始图像的直方图进行处理，实现对图像的增强功能。通过处理后的图像输入至对比单元，与预设定的人体正常图像进行对比，判断出与正常图像检测不同的异常位点，并确定检测位点的位置，该位置包括距离多个检测位点的距离，其中检测位点是系统内部依据人体器官进行的划分，最终得到疑似病变区域。

此外，本发明采用红外检测仪克服了CT、核磁、B超等影像学检查技术的缺陷，且通过伪色彩热图进行校正，以保证检测图像的准确性，通过对比单元与正常的人体正常图像进行对比，从而锁定疑似病变区域。如此，在确定疑似病变区域后，能够为后续神经网络模型的预测减轻了大量的工作，且利用红外成像技术检测时间短，整个过程仅需要几分钟便可锁定疑似病变区域，从而节省了患者的检测时间。

在本发明中，进一步的，所述图像获取模块包括摄像头，所述摄像头用于获取人体的疑似病变区的人体表层皮肤图像。

具体的，本发明选用摄像头为科学级CCD相机，科学级CCD相机的像素为4K×4K像元，CCD芯片的工作温度低于-50℃，科学级CCD相机的动态范围为12～18bit，相机线性度在动态范围内小于0.05％，因此整体精确度较高，在锁定完成疑似病变区后，将数据传输至摄像头中，利用摄像头以及外部的定位装置拍摄病变区域所对应的人体表层皮肤图像，以便于后续的神经网络模型进行预测。

在本发明中，进一步的，所述图像筛选模块包括筛选单元和预处理单元，所述筛选单元对人体皮肤图像按照预设清晰度进行筛选，其中清晰度包括分辨率、色彩、对比度以及曝光度的综合测算，所述预处理单元用于对筛选的图像进行自动图像校正。

具体的，在本发明中，筛选单元可获取待检测的人体表层皮肤图像的清晰度信息，从而与系统预设值进行判断，剔除不满足要求的图片。对满足要求的图片通过预处理单元处理，该图像处理的过程主要为图像的自动校正，包括颜色、细节的填充等。

在本发明中，进一步的，所述图像处理模块包括区域融合单元，所述区域融合单元将图像中纹路相同的像素融合为一个区域，以将病变区域进行粗分割。

具体的，在本发明中，所述区域融合单元利用SRM算法进行处理，其中SRM算法包括：

点对排序，将图像按照四邻接两两结合成点对，选一个函数的计算点对的融合代价，并按照如下公式对排序结果进行图像融合，具体公式如下：

其中，R为区域中像素个数，δ为图像总像素个数倒数的1/6，Q是质量因数，Q越大分隔越细致。

具体的，通过SRM算法的处理，可以将图像中纹路相同的像素融合为一个区域，从而完成病变区域的粗分割。如图3所示，为原始病变区域图像，图4为经过区域融合单元处理后的图像，如此，更加有利于神经网络模型对结果的预测，提高检测结果的准确度。

在本发明中，进一步的，所述卷积神经网络模型包括数据输入模块、图像分隔处理模块以及结果输出模块，所述数据输入模块用于输入若干带有疾病标签的皮肤癌图片以及等量的良性生长图片，所述图像分隔处理模块用于对输入的皮肤癌图片进行分类训练并给予每个图片参数评定，所述结果输出模块用于输出皮肤癌筛选预测数据报告。

具体的，在本发明中，如图2所示，数据输入模块选用的是大量带有疾病标签的皮肤癌图片样本，以及等量的良性生长图片，其中皮肤癌图片样本涉及良性或恶性的上皮细胞、黑色素细胞等，图像分隔处理模块对上述输入信息进行训练，并依据训练结果给每个类型的图片进行参数评定，最终训练完成后的神经网络模型能够鉴别皮肤癌的类型以及良性、恶性，并最终由结果输出模块输出皮肤癌筛选预测数据报告，具体的预测数据报告内容包括皮肤癌的种类、良恶性评判以及患病概率，从而能够对待检测的人体表层图像进行预测，以辅助医生做进一步诊断。

在本发明中，优选的，在对待检测的人体表层图像进行预测时，所述图像分隔处理模块包括处理子集、提取子集以及评析子集，所述处理子集对人体表层图像进行图像处理，所述提取子集用于提取人体表层图像上对应的生物标志物，以给予每个生物标志物恶性参数评定，参数评定依据是人为依据每个生物标志物的恶化情况来进行评判，具体来说，是通过标志物的颜色、面积以及扩散程度等特征来综合判定，以此来精确量化视觉特征，评析子集用于组合生物标志物数据，从而计算每个图像的输出的综合参数使其在0至1之间，越靠近1，患病率越高，以此来辅助医生进行后续诊疗并作为数据参考。

在本实施方式中，

工作原理：

本发明的首先利用红外成像采集模块对人身体进行全面检查，通过热图处理模块对伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，从而确定疑似病变区。由于红外成像技术的检测相对较快，整体仅需要几分钟便可完成，且初检准确度较高，当利上述确定疑似病变区域后，在利用图像获取模块对疑似病变区进行拍照，获取疑似病变区对应的人体皮肤图像，通过对此图像进行筛选、区域融合后进入卷积神经网络模型进行预测，并给出预测结果。

本发明通过先利用红外成像技术对人整体进行初检，从而锁定病变区域，相比于用整个热图或人体整个病理图片全部进行核查，降低了卷积网络模型检查的工作负担，从而降低整个系统的工作量，提高整个系统的运行速度以及诊断效率。

上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。

Claims (8)

1.一种基于红外成像的皮肤癌筛查系统，其特征在于，包括红外成像采集模块、热图处理模块、图像获取模块、图像筛选模块、图像处理模块以及卷积神经网络模型；

所述红外成像采集模块用于获取人体的伪彩色热图；

所述热图处理模块对输入的伪彩色热图进行校正处理，并将校正后的图像与正常人体的彩色热图进行比对，确定疑似病变区；

所述图像获取模块用于获取疑似病变区对应的人体皮肤图像，所述图像筛选模块对人体皮肤图像按照清晰标准进行筛选，剔除不符合清洗标准的人体皮肤图像；

所述图像处理模块对人体皮肤图像进行处理，将处理后的图片传输至卷积神经网络模型进行训练，得出皮肤癌筛选预测数据报告；

所述卷积神经网络模型包括数据输入模块、图像分隔处理模块以及结果输出模块，所述数据输入模块用于输入若干带有疾病标签的皮肤癌图片以及等量的良性生长图片，所述图像分隔处理模块用于对输入的皮肤癌图片进行分类训练并给予每个图片参数评定，所述结果输出模块用于输出皮肤癌筛选预测数据报告；

所述图像分隔处理模块包括处理子集、提取子集以及评析子集，所述处理子集对皮肤癌图片以及良性生长图片进行图像处理，所述提取子集用于提取皮肤癌图片以及良性生长图片上对应的生物标志物，并给予每个生物标志物的参数评定，所述评析子集用于组合生物标志物，计算每个图像的输出的综合参数在0至1之间；

依据生物标志物的颜色、面积以及扩散程度进行参数评定。

2.根据权利要求1所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述红外成像采集模块包括红外成像仪，所述红外成像仪用于采集人体红外辐射并转换为数字信号，生成伪色彩热图。

3.根据权利要求2所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述热图处理模块包括热图校正单元以及对比单元，所述热图校正单元用于对热图进行非均匀校正、滤波去噪以及细节增强，所述对比单元用于对校正后的图像与预设的正常图像进行对比，以确定疑似病变区。

4.根据权利要求2所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述图像获取模块包括摄像头，所述摄像头用于获取人体的疑似病变区对应的人体表层皮肤图像。

5.根据权利要求2所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述图像筛选模块包括筛选单元和预处理单元，所述筛选单元对人体皮肤图像按照预设清晰度进行筛选，其中清晰度包括分辨率、色彩、对比度以及曝光度的综合测算，所述预处理单元用于对筛选的图像进行自动图像校正。

6.根据权利要求3所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述图像处理模块包括区域融合单元，所述区域融合单元将图像中纹路相同的像素融合为一个区域，以将病变区域进行粗分割。

7.根据权利要求6所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，所述区域融合单元利用SRM算法进行处理，其中SRM算法包括：

点对排序，将图像按照四邻接两两结合成点对，选一个函数的计算点对的融合代价，并按照融合代价的大小进行排序，并对排序结果进行图像融合。

8.根据权利要求7所述的一种基于红外成像的皮肤癌筛查系统，其特征在于，按照如下公式对所述排序结果进行图像融合，所述公式为：

其中，R为区域中像素个数，δ为图像总像素个数倒数的1/6，Q是质量因数，Q越大分隔越细致。

Images