CN114241261A - 基于图像处理的皮肤病识别方法、装置、设备及存储介质 - Google Patents

基于图像处理的皮肤病识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114241261A
CN114241261A CN202111539004.3A CN202111539004A CN114241261A CN 114241261 A CN114241261 A CN 114241261A CN 202111539004 A CN202111539004 A CN 202111539004A CN 114241261 A CN114241261 A CN 114241261A
Authority
CN
China
Prior art keywords
skin disease
skin
image
target
probability
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
CN202111539004.3A
Other languages
English (en)
Inventor
王佳平
张芮溟
侯晓帅
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111539004.3A priority Critical patent/CN114241261A/zh
Publication of CN114241261A publication Critical patent/CN114241261A/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
    • G06F18/21—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
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及人工智能及数字医疗领域，本申请提供了一种基于图像处理的皮肤病识别方法、装置、设备及存储介质。该方法包括：获取待识别的皮肤图像；对皮肤图像进行图像预处理，得到目标图像；通过预先训练的图像识别模型对目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；通过图像识别模型对目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；根据皮肤病部位概率，对皮肤部位进行筛选处理，得到目标皮肤病部位；根据皮肤病类别概率，对皮肤病类别进行排序，生成候选皮肤病类别序列；根据目标皮肤病部位对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。该方法能够提高皮肤病识别的准确性。

Description

基于图像处理的皮肤病识别方法、装置、设备及存储介质
技术领域
本申请实施例涉及人工智能及数字医疗技术领域，尤其涉及一种基于图像处理的皮肤病识别方法、装置、设备及存储介质。
背景技术
目前被广泛应用于皮肤病识别的人工智能辅助系统大多依靠提取皮肤的表层图像特征，学习特征与疾病的关系，从而给出可能疾病范围。该方式往往需要多个独立模型一起完成识别任务，存在着算法处理时间较长的问题，此外，该方法能够覆盖的病种比较有限，往往使得识别疾病的算法模型精度较低，因此，如何提供一种基于图像处理的皮肤病识别方法，提高皮肤病识别的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种基于图像处理的皮肤病识别方法、装置、设备及存储介质，旨在提高皮肤病识别的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种基于图像处理的皮肤病识别方法，所述方法包括：
获取待识别的皮肤图像；
对所述皮肤图像进行图像预处理，得到目标图像；
通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；
通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
根据所述皮肤病部位概率，对所述皮肤部位进行筛选处理，得到目标皮肤病部位；
根据所述皮肤病类别概率，对所述皮肤病类别进行排序，生成候选皮肤病类别序列；
根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
在一些实施例，所述对所述皮肤图像进行图像预处理，得到目标图像的步骤，包括：
对所述皮肤图像进行标准化处理，得到标准图像；
对所述标准图像进行归一化处理，得到目标图像。
在一些实施例，所述通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率的步骤，包括：
通过所述图像识别模型的第一残差网络对所述目标图像进行识别处理，得到皮肤病特征；
通过所述图像识别模型的第一函数和所述皮肤病特征计算每一皮肤病类别对应的皮肤病类别概率。
在一些实施例，所述通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率的步骤，包括：
通过所述图像识别模型的第二残差网络对所述目标图像进行识别处理，得到皮肤病部位特征；
通过所述图像识别模型的第二函数和所述皮肤病部位特征计算每一皮肤部位对应的皮肤病部位概率。
在一些实施例，在通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率的步骤之前，所述方法还包括预先训练所述图像识别模型，具体包括：
获取样本皮肤图像，其中，所述样本皮肤图像包含皮肤部位标签和皮肤病类别标签；
将所述样本皮肤图像输入到初始模型；
通过所述初始模型的第一残差网络和第一函数对所述样本皮肤图像进行识别处理，得到每一样本皮肤病类别对应的样本皮肤病类别概率；
通过所述初始模型的第二残差网络和第二函数对所述样本皮肤图像进行识别处理，得到每一样本皮肤部位对应的样本皮肤病部位概率；
根据预设的损失权重、所述样本皮肤病类别概率和所述样本皮肤病部位概率，计算模型损失值；
根据所述模型损失值对所述初始模型的损失函数进行优化，以更新所述初始模型，得到图像识别模型。
在一些实施例，所述根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别的步骤，包括：
根据所述目标皮肤病部位，得到皮肤病类别过滤数据；
根据所述皮肤病类别过滤数据对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到标准皮肤病类别序列；
根据所述标准皮肤病类别序列，得到目标皮肤病类别。
在一些实施例，所述根据所述标准皮肤病类别序列，得到目标皮肤病类别的步骤，包括：
根据所述标准皮肤病类别序列内的每一皮肤病类别的皮肤病类别概率，将皮肤病类别概率最大的皮肤病类别作为目标皮肤病类别。
为实现上述目的，本申请实施例的第二方面提出了一种基于图像处理的皮肤病识别装置，所述装置包括：
图像获取模块，用于获取待识别的皮肤图像；
图像预处理模块，用于对所述皮肤图像进行图像预处理，得到目标图像；
识别模块，用于通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；还用于通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
目标皮肤病部位确定模块，用于根据所述皮肤病部位概率，对所述皮肤部位进行筛选处理，得到目标皮肤病部位；
候选皮肤病类别序列生成模块，用于根据所述皮肤病类别概率，对所述皮肤病类别进行排序，生成候选皮肤病类别序列；
目标皮肤病类别确定模块，用于根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
为实现上述目的，本申请实施例的第三方面提出了一种基于图像处理的皮肤病识别设备，所述基于图像处理的皮肤病识别设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的基于图像处理的皮肤病识别方法、装置、设备及存储介质，其通过获取待识别的皮肤图像；对皮肤图像进行图像预处理，得到目标图像，能够消除皮肤图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，还能够最大限度地简化数据，提高皮肤病识别的可靠性。进而，通过预先训练的图像识别模型对目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率和每一皮肤部位对应的皮肤病部位概率，从而，根据皮肤病部位概率对皮肤部位进行筛选处理，确定目标皮肤病部位，并且根据皮肤病类别概率对皮肤病类别进行排序，生成候选皮肤病类别序列。最后，根据目标皮肤病部位对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别，这样一来，通过图像识别模型能够同时实现对皮肤病类别概率的分析计算和皮肤病部位概率的分析计算，相较于传统技术的利用多个独立模型一起完成识别任务，本申请的基于图像处理的皮肤病识别方法能够极大地缩短算法处理时间，简化识别过程；同时，该方法对皮肤病的识别是基于皮肤病类别概率和皮肤病部位概率进行分析的，能够较为清楚准确地反映出皮肤病类别及皮肤病部位，提高了皮肤病识别的准确性。
附图说明
图1是本申请实施例提供的基于图像处理的皮肤病识别方法的流程图；
图2是图1中的步骤S102的流程图；
图3是本申请实施例提供的基于图像处理的皮肤病识别方法的另一流程图；
图4是图1中的步骤S103的流程图；
图5是图1中的步骤S104的流程图；
图6是图1中的步骤S107的流程图；
图7是本申请实施例提供的基于图像处理的皮肤病识别装置的结构示意图；
图8是本申请实施例提供的基于图像处理的皮肤病识别设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
电子计算机断层扫描(Computed Tomography，CT)：它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。
磁共振成像(Magnetic Resonance Imaging，MRI)核磁共振是一种物理现象，作为一种分析手段广泛应用于物理、化学生物等领域，到1973年才将它用于医学临床检测。为了避免与核医学中放射成像混淆，把它称为磁共振成像术(MRI)。MRI通过对静磁场中的人体施加某种特定频率的射频脉冲，使人体中的氢质子受到激励而发生磁共振现象。停止脉冲后，质子在弛豫过程中产生MR信号。通过对MR信号的接收、空间编码和图像重建等处理过程，即产生MR信号。
医学图像：医学成像有多种图像模态，诸如MR、CT、PET、超声成像等等。成像可以获得反映二维和三维区域人体的生理和物理特性的图像，二维图像中的每个元素称为像素，三维区域中每个元素称为体素，在某些情形下，可以把三维图像表示为一系列的二维切片进行观察，优点是计算复杂度低且需要的内存较小。
(1)MR图像：磁共振成像(MRI)是无线电成像领域中使用最广泛的技术。作为一种动态且灵活的技术，MRI可以实现多变的图像对比度，该过程的实现是通过使用不同的脉冲序列和改变成像参数对应纵向松弛时间(T1)和横向松弛时间(T2)，T1加权和T2加权成像的信号强度与特定组织的特征有关。MR成像中，图像的对比度依赖于相位对比脉冲序列参数，最常见的脉冲序列是T1加权和T2加权自旋回波序列。通过MR成像可以观察大脑、肝脏、胸、腹部和骨盆的结构细节，这有利于诊断检测或治疗
(2)CT图像：医学CT成像设备使用X射线(一种电磁波)得到人体的结构和功能信息。CT影像是基于X射线吸收剖面的重构图像，由于不同物质和组织吸收X射线能力不同，因此X射线可用于诊断[16]。CT成像作为当前多类疾病实体诊断的金标准，广泛应用于大脑、肝脏、胸部、腹部、骨盆、脊柱等身体部位以及CT血管造影的早期诊断筛查。但是与MR图像相比较，CT图像敏感性和特异性相对较差。CT成像中的伪影包括：部分容积效应、条形伪影、运动伪影、束硬化伪影、环状伪影、金属伪影等。由于这些伪影的存在给CT图像分割带来了一定的难度，不同组织部位分割精度也不一样。
残差网络：通过残差密集块(RDB)来充分利用原始LR图像的所有分层特征。对于一个很深的网络来说，直接提取LR空间中的每个卷积层的输出很难，可以说是不切实际的。使用残差密集块(RDB)作为RDN的构建模块。RDB包含密集连通层和带有局部残差学习(LRL)的局部特征融合(LFF)。残差密集块还支持RDB间的连续记忆。一个RDB的输出可以直接访问下一个RDB各层，从而使状态连续传递。RDB每个卷积层都可以访问所有的后续层，传递需要保留的信息。将前面的RDB与当前RDB的所有前面层的状态连接，LFF通过自适应地保存信息来提取局部密集特征。此外，LFF通过稳定更大网络的训练来实现极高的增长率。在提取多层局部密集特征后，进一步进行全局特征融合(GFF)以全局方式自适应地保留分层特征。每层都可以直接访问原始的LR输入，从而产生隐式的深层监督学习。
皮肤病种类繁多且一般病因病理较为复杂，部分病因至今尚未完全明了，对病患正常生活产生巨大影响。然而，目前临床上针对皮肤病的优质医疗资源相对失衡，面对医患供需严重不对称的现状和人工智能的普及，出现了使用人工智能辅助疾病诊断的应用。
目前被广泛应用于皮肤病识别的人工智能辅助诊断系统大多依靠提取皮肤外观大体图像特征，学习特征与疾病的关系，从而给出可能疾病范围。该方式往往需要多个独立模型一起完成识别任务，存在着算法处理时间较长的问题，此外，该方法能够覆盖的病种比较有限，往往使得识别疾病的算法模型精度较低，因此，如何提供一种基于图像处理的皮肤病识别方法，能够在缩短算法处理时间的同时，提高皮肤病识别的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种基于图像处理的皮肤病识别方法、装置、设备及存储介质，旨在缩短算法处理时间，提高皮肤病识别的准确性。
本申请实施例提供的基于图像处理的皮肤病识别方法、装置、设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的基于图像处理的皮肤病识别方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例可以基于医疗云技术实现对患者的历史病情的分析。其中，医疗云(Medical cloud)，是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
本申请实施例提供的基于图像处理的皮肤病识别方法，涉及人工智能及数字医疗技术领域。本申请实施例提供的基于图像处理的皮肤病识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现基于图像处理的皮肤病识别方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费基于图像处理的皮肤病识别设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的基于图像处理的皮肤病识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101，获取待识别的皮肤图像；
步骤S102，对皮肤图像进行图像预处理，得到目标图像；
步骤S103，通过预先训练的图像识别模型对目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；
步骤S104，通过图像识别模型对目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
步骤S105，根据皮肤病部位概率，对皮肤部位进行筛选处理，得到目标皮肤病部位；
步骤S106，根据皮肤病类别概率，对皮肤病类别进行排序，生成候选皮肤病类别序列；
步骤S107，根据目标皮肤病部位对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
经过以上步骤S101至步骤S107,通过图像识别模型能够同时实现对皮肤病类别概率的分析计算和皮肤病部位概率的分析计算，相较于传统技术的利用多个独立模型一起完成识别任务，本申请的基于图像处理的皮肤病识别方法能够极大地缩短算法处理时间，简化识别过程；同时，该方法对皮肤病的识别是基于皮肤病类别概率和皮肤病部位概率进行分析的，能够较为清楚准确地反映出皮肤病类别及皮肤病部位，提高了皮肤病识别的准确性。
在一些实施例的步骤S101中，待识别的皮肤图像可以为三维图像，该三维图像可以是通过计算机断层扫描(Computed Tomo-graphy,-CT)或者核磁共振成像(MagneticResonance Imaging,MRI)得来。
在一些医学应用场景中，上述的待识别的皮肤图像可以为医学影像，皮肤图像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，比如，CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、US(ultrasonic，超声)、X光图像以及光学摄影灯由医学仪器生成的图像。
请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S202：
步骤S201，对皮肤图像进行标准化处理，得到标准图像；
步骤S202，对标准图像进行归一化处理，得到目标图像。
具体地，在步骤S201中，可以通过对皮肤图像去均值实现中心化的处理，以实现皮肤图像的标准化，得到标准图像。其中，标准化公式如公式(1)所示：
Figure BDA0003413768330000081
其中，
Figure BDA0003413768330000091
其中，μ是皮肤图像的均值，σ是标准方差，N是皮肤图像的像素数量。
需要说明的是，标准图像的大小、通道数目与皮肤图像相同。
在步骤S202中，可以通过最大最小值归一化方法对标准图像进行处理，得到目标图像。其中，归一化公式如公式(2)所示：
Figure BDA0003413768330000092
其中，xi为标准图像的像素点值，max(x)为标准图像的像素最大值，min(x)为标准图像的像素最小值。
通过步骤S201至步骤S202能够对皮肤图像进行预处理，消除皮肤图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，还能够最大限度地简化数据，提高皮肤病识别的可靠性。
请参阅图3，在一些实施例中，在步骤S103之前，该方法还包括预先训练图像识别模型，具体可以包括但不限于包括步骤S301至步骤S306：
步骤S301，获取样本皮肤图像，其中，样本皮肤图像包含皮肤部位标签和皮肤病类别标签；
步骤S302，将样本皮肤图像输入到初始模型；
步骤S303，通过初始模型的第一残差网络和第一函数对样本皮肤图像进行识别处理，得到每一样本皮肤病类别对应的样本皮肤病类别概率；
步骤S304，通过初始模型的第二残差网络和第二函数对样本皮肤图像进行识别处理，得到每一样本皮肤部位对应的样本皮肤病部位概率；
步骤S305，根据预设的损失权重、样本皮肤病类别概率和样本皮肤病部位概率，计算模型损失值；
步骤S306，根据模型损失值对初始模型的损失函数进行优化，以更新初始模型，得到图像识别模型。
具体地，在步骤S301中，样本皮肤图像可以是通过计算机断层扫描或者核磁共振成像得来。同时，还需要采用人工标注等方式对样本皮肤图像进行标注处理，使得每一样本皮肤图像带上对应的皮肤部位标签和皮肤病类别标签。进而，执行步骤S302,将样本皮肤图像输入到初始模型中。
需要说明的是，初始模型包括多个残差网络(resnet结构)或者多个稠密卷积神经网络(dencenet结构)。以残差网络为例，初始模型可以包括两个残差网络，即第一残差网络和第二残差网络。通过第一残差网络和第二残差网络对不同的输入对象进行卷积处理、批归一化处理、池化处理等等，以实现对输入对象的特征提取。即图像识别模型可以包括多个残差密集块，残差密集块之间跳跃连接，能够减小梯度损失。在本申请实施例中，该图像识别模型包括皮肤病类别识别模块和皮肤病部位识别模块两部分；通过这两部分能够通过同一个神经网络模型对皮肤病类别以及皮肤病部位进行识别和概率计算。
以残差网络为例进行模型训练，执行步骤S303和步骤S304，通过第一残差网络对样本皮肤图像进行卷积处理、批归一化处理以及池化处理，得到样本皮肤病特征，进而，第一函数根据样本皮肤病特征对每一样本皮肤病类别的样本皮肤病类别概率进行计算，得到样本皮肤病类别概率。同样地，通过第二残差网络对样本皮肤图像进行卷积处理、批归一化处理以及池化处理，得到样本皮肤病部位特征，进而，第二函数根据样本皮肤病部位特征对每一样本皮肤部位对应的样本皮肤病部位概率进行计算，得到样本皮肤病部位概率。
需要说明的是，第一函数和第二函数可以为softmax函数，也可以是其他函数。以softmax函数为例，在根据第一函数和皮肤病特征对每一样本皮肤病类别的样本皮肤病类别概率进行计算时，通过softmax函数在预设的皮肤病类别标签上创建一个概率分布，从而根据概率分布对样本皮肤病特征进行标记，得到每一样本皮肤病类别的样本皮肤病类别概率。
进一步地，执行步骤S305，通过初始模型的损失函数，分别计算样本皮肤病部位概率的损失值LOSSbody parts和样本皮肤病类别概率的损失值Lossdiseases，其中，对样本皮肤病部位概率的损失值LOSSbody parts的计算过程如公式(3)所示，对样本皮肤病类别概率的损失值Lossdiseases的计算过程如公式(4)所示：
Figure BDA0003413768330000101
Figure BDA0003413768330000102
其中，gtbody parts，i表示第i个样本的皮肤病部位标准概率值，predbody parts，i表示第i个样本在样本皮肤病部位的样本皮肤病部位概率，gtaiseases，i表示第i个样本的皮肤病标准概率值，preddiseases，i表示第i个样本在样本皮肤病类别的样本皮肤病类别概率，N则表示样本总量。
进一步地，根据预设的损失权重(α、β)、样本皮肤病部位概率的损失值LOSSbody parts以及样本皮肤病类别概率的损失值LOSSdiseases，计算出模型损失Loss，模型损失的具体计算过程如公式(5)所示：
Loss＝α*LOSSbody parts+β*LOSSdiseases 公式(5)
其中，Loss为模型损失，LOSSbody parts为，LOSSdiseases为样本皮肤病类别概率的损失值，LOSSbody parts为样本皮肤病部位概率的损失值，β为样本皮肤病类别概率的损失值权重，α为样本皮肤病部位概率的损失值权重。
最后，执行步骤S306，采用梯度下降法等等将模型损失进行后向传播处理，修改模型的模型参数，直至模型损失满足预设的迭代条件，停止反向传播，从而将最后的模型参数作为最终的模型参数，实现对初始模型的更新，得到图像识别模型。其中，预设的迭代条件是可以迭代次数达到预设值，或者是损失函数的变化方差小于预设阈值，还可以是其他，不限于此。
请参阅图4，在一些实施例中，步骤S103可以包括但不限于包括步骤S401至步骤S402：
步骤S401，通过图像识别模型的第一残差网络对目标图像进行识别处理，得到皮肤病特征；
步骤S402，通过图像识别模型的第一函数和皮肤病特征计算每一皮肤病类别对应的皮肤病类别概率。
具体地，执行步骤S401，由于图像识别模型包括第一残差网络和第二残差网络，其中，第一残差网络包括多个卷积层、池化层，通过第一残差网络能够对目标图像进行卷积处理和池化处理，实现对目标图像的特征提取，通过对提取到的卷积特征和池化特征进行融合处理，得到皮肤病特征。以池化处理的过程为例，可以对目标图像进行最大池化处理和平均池化处理，得到最大池化特征和平均池化特征，将最大池化特征和平均池化特征进行拼接处理，得到池化特征。进一步地，执行步骤S402,第一函数可以是softmax函数，通过softmax函数能够根据预设的皮肤病类别创建一个概率分布，从而得到每一皮肤病类别对应的皮肤病类别概率。此处分成多少个皮肤病类别取决于有多少个不同的皮肤病类别标签，最终会得到每个皮肤病类别对应的概率值。
请参阅图5，在一些实施例中，步骤S104可以包括但不限于包括步骤S501至步骤S502：
步骤S501，通过图像识别模型的第二残差网络对目标图像进行识别处理，得到皮肤病部位特征；
步骤S502，通过图像识别模型的第二函数和皮肤病部位特征计算每一皮肤部位对应的皮肤病部位概率。
具体地，执行步骤S501，由于图像识别模型包括第一残差网络和第二残差网络，其中，第二残差网络包括多个卷积层、池化层，通过第二残差网络能够对目标图像进行卷积处理和池化处理，实现对目标图像的特征提取，通过对提取到的卷积特征和池化特征进行融合处理，得到皮肤病部位特征。以池化处理的过程为例，可以对目标图像进行最大池化处理和平均池化处理，得到最大池化特征和平均池化特征，将最大池化特征和平均池化特征进行拼接处理，得到池化特征。进一步地，执行步骤S502,第二函数可以是softmax函数，通过softmax函数能够根据预设的皮肤部位类别创建一个概率分布，从而得到每一皮肤部位对应的皮肤病部位概率。此处分成多少个皮肤部位取决于有多少个不同的皮肤部位类别标签，最终会得到每个皮肤部位对应的皮肤病概率值。
本申请实施例通过上述步骤S103和步骤S104能够通过图像识别模型同时实现对皮肤病类别概率的分析计算和皮肤病部位概率的分析计算，相较于传统技术的利用多个独立模型一起完成识别任务，本申请的基于图像处理的皮肤病识别方法能够极大地缩短算法处理时间，简化识别过程。
在一些实施例中，在执行步骤S105时，通过比较所有的皮肤部位的皮肤病部位概率，对皮肤部位进行筛选处理，将皮肤病部位概率最大的皮肤部位作为目标皮肤病部位。该方式基于每一皮肤部位的皮肤病部位概率进行分析，从皮肤病部位概率能够较为清楚地识别出当前皮肤病最有可能存在的皮肤部位，从而较为准确地确定出目标皮肤病部位，能够提高皮肤病部位的识别准确性。
在一些实施例中，在执行步骤S106时，可以比较所有的皮肤病类别对应的皮肤病类别概率，根据皮肤病类别概率，将所有的皮肤病类别进行概率降序排列，得到候选皮肤病类别序列。需要说明的是，在一些其他实施例中，也可以设置皮肤病类别优先级，根据优先级顺序以及皮肤病类别概率来对所有的皮肤病类别进行排序，得到候选皮肤病类别序列；还可以是通过其他排序方式生成候选皮肤病类别序列，不限于此。
请参阅图6，在一些实施例，步骤S107还可以包括但不限于包括步骤S601至步骤S603：
步骤S601，根据目标皮肤病部位，得到皮肤病类别过滤数据；
步骤S602，根据皮肤病类别过滤数据对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到标准皮肤病类别序列；
步骤S603，根据标准皮肤病类别序列，得到目标皮肤病类别。
具体地，首先执行步骤S601，为了提高识别效率，还可以根据目标皮肤病部位，筛选出该目标皮肤病部位不可能发生的皮肤病类别，对这些不可能发生的皮肤病类别纳入同一个集合，得到皮肤病类别过滤数据集。例如，若目标皮肤病部位为后背，则手藓这一皮肤病类别即为不可能发生的皮肤病类别。
进一步地，可以执行步骤S602,通过对比皮肤病类别过滤数据集和候选皮肤病类别序列的皮肤病类别，识别出在候选皮肤病类别序列与皮肤病类别过滤数据集内同时出现的皮肤病类别，将同时出现的皮肤病类别从候选皮肤类别序列中剔除，以实现对候选皮肤类别序列的过滤，得到标准皮肤病类别序列，其中，该标准皮肤病类别序列内的皮肤病类别是目标皮肤病部位可能会发生的皮肤病类别。
最后，执行步骤S603,比较标准皮肤病类别序列内的所有皮肤病类别的皮肤病类别概率，将皮肤病类别概率最大的皮肤病类别作为目标皮肤病类别。该方式基于皮肤病类别概率和对应目标皮肤病部位可能出现的皮肤病类别进行分析，能够较为准确地剔除掉目标皮肤部位不可能出现的皮肤病类别，通过皮肤病类别概率也可以较为清楚地识别出该皮肤图像对应的目标皮肤部位最有可能出现的皮肤病类别，从而较为准确地确定出皮肤病类别，能够提高皮肤病类别的识别准确性。
本申请实施例通过获取待识别的皮肤图像；对皮肤图像进行图像预处理，得到目标图像，能够消除皮肤图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，还能够最大限度地简化数据，提高皮肤病识别的可靠性。进而，通过预先训练的图像识别模型对目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率和每一皮肤部位对应的皮肤病部位概率，从而，根据皮肤病部位概率对皮肤部位进行筛选处理，确定目标皮肤病部位，并且根据皮肤病类别概率对皮肤病类别进行排序，生成候选皮肤病类别序列。最后，根据目标皮肤病部位对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别，这样一来，通过图像识别模型能够同时实现对皮肤病类别概率的分析计算和皮肤病部位概率的分析计算，相较于传统技术的利用多个独立模型一起完成识别任务，本申请的基于图像处理的皮肤病识别方法能够极大地缩短算法处理时间，简化识别过程；同时，该方法对皮肤病的识别是基于皮肤病类别概率和皮肤病部位概率进行分析的，能够较为清楚准确地反映出皮肤病类别及皮肤病部位，提高了皮肤病识别的准确性。
请参阅图7，本申请实施例还提供一种基于图像处理的皮肤病识别装置，可以实现上述基于图像处理的皮肤病识别方法，该装置包括：
图像获取模块701，用于获取待识别的皮肤图像；
图像预处理模块702，用于对皮肤图像进行图像预处理，得到目标图像；
识别模块703，用于通过预先训练的图像识别模型对目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；还用于通过图像识别模型对目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
目标皮肤病部位确定模块704，用于根据皮肤病部位概率，对皮肤部位进行筛选处理，得到目标皮肤病部位；
候选皮肤病类别序列生成模块705，用于根据皮肤病类别概率，对皮肤病类别进行排序，生成候选皮肤病类别序列；
目标皮肤病类别确定模块706，用于根据目标皮肤病部位对候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
该基于图像处理的皮肤病识别装置的具体实施方式与上述基于图像处理的皮肤病识别方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种基于图像处理的皮肤病识别设备，基于图像处理的皮肤病识别设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述基于图像处理的皮肤病识别方法。该基于图像处理的皮肤病识别设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图8，图8示意了另一实施例的基于图像处理的皮肤病识别设备的硬件结构，基于图像处理的皮肤病识别设备包括：
处理器801，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器802，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本申请实施例的基于图像处理的皮肤病识别方法；
输入/输出接口803，用于实现信息输入及输出；
通信接口804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述基于图像处理的皮肤病识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种基于图像处理的皮肤病识别方法，其特征在于，所述方法包括：
获取待识别的皮肤图像；
对所述皮肤图像进行图像预处理，得到目标图像；
通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；
通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
根据所述皮肤病部位概率，对所述皮肤部位进行筛选处理，得到目标皮肤病部位；
根据所述皮肤病类别概率，对所述皮肤病类别进行排序，生成候选皮肤病类别序列；
根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
2.根据权利要求1所述的基于图像处理的皮肤病识别方法，其特征在于，所述通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率的步骤，包括：
通过所述图像识别模型的第一残差网络对所述目标图像进行识别处理，得到皮肤病特征；
通过所述图像识别模型的第一函数和所述皮肤病特征计算每一皮肤病类别对应的皮肤病类别概率。
3.根据权利要求1所述的基于图像处理的皮肤病识别方法，其特征在于，所述通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率的步骤，包括：
通过所述图像识别模型的第二残差网络对所述目标图像进行识别处理，得到皮肤病部位特征；
通过所述图像识别模型的第二函数和所述皮肤病部位特征计算每一皮肤部位对应的皮肤病部位概率。
4.根据权利要求1所述的基于图像处理的皮肤病识别方法，其特征在于，所述对所述皮肤图像进行图像预处理，得到目标图像的步骤，包括：
对所述皮肤图像进行标准化处理，得到标准图像；
对所述标准图像进行归一化处理，得到目标图像。
5.根据权利要求1至4任一项所述的基于图像处理的皮肤病识别方法，其特征在于，在通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率的步骤之前，所述方法还包括预先训练所述图像识别模型，具体包括：
获取样本皮肤图像，其中，所述样本皮肤图像包含皮肤部位标签和皮肤病类别标签；
将所述样本皮肤图像输入到初始模型；
通过所述初始模型的第一残差网络和第一函数对所述样本皮肤图像进行识别处理，得到每一样本皮肤病类别对应的样本皮肤病类别概率；
通过所述初始模型的第二残差网络和第二函数对所述样本皮肤图像进行识别处理，得到每一样本皮肤部位对应的样本皮肤病部位概率；
根据预设的损失权重、所述样本皮肤病类别概率和所述样本皮肤病部位概率，计算模型损失值；
根据所述模型损失值对所述初始模型的损失函数进行优化，以更新所述初始模型，得到图像识别模型。
6.根据权利要求1至4任一项所述的基于图像处理的皮肤病识别方法，其特征在于，所述根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别的步骤，包括：
根据所述目标皮肤病部位，得到皮肤病类别过滤数据；
根据所述皮肤病类别过滤数据对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到标准皮肤病类别序列；
根据所述标准皮肤病类别序列，得到目标皮肤病类别。
7.根据权利要求6所述的基于图像处理的皮肤病识别方法，其特征在于，所述根据所述标准皮肤病类别序列，得到目标皮肤病类别的步骤，包括：
根据所述标准皮肤病类别序列内的每一皮肤病类别的皮肤病类别概率，将皮肤病类别概率最大的皮肤病类别作为目标皮肤病类别。
8.一种基于图像处理的皮肤病识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待识别的皮肤图像；
图像预处理模块，用于对所述皮肤图像进行图像预处理，得到目标图像；
识别模块，用于通过预先训练的图像识别模型对所述目标图像进行识别处理，得到每一皮肤病类别对应的皮肤病类别概率；还用于通过所述图像识别模型对所述目标图像进行识别处理，得到每一皮肤部位对应的皮肤病部位概率；
目标皮肤病部位确定模块，用于根据所述皮肤病部位概率，对所述皮肤部位进行筛选处理，得到目标皮肤病部位；
候选皮肤病类别序列生成模块，用于根据所述皮肤病类别概率，对所述皮肤病类别进行排序，生成候选皮肤病类别序列；
目标皮肤病类别确定模块，用于根据所述目标皮肤病部位对所述候选皮肤病类别序列的皮肤病类别进行过滤处理，得到目标皮肤病类别。
9.一种基于图像处理的皮肤病识别设备，其特征在于，所述基于图像处理的皮肤病识别设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的基于图像处理的皮肤病识别方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的基于图像处理的皮肤病识别方法的步骤。
CN202111539004.3A 2021-12-15 2021-12-15 基于图像处理的皮肤病识别方法、装置、设备及存储介质 Pending CN114241261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111539004.3A CN114241261A (zh) 2021-12-15 2021-12-15 基于图像处理的皮肤病识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111539004.3A CN114241261A (zh) 2021-12-15 2021-12-15 基于图像处理的皮肤病识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114241261A true CN114241261A (zh) 2022-03-25

Family

ID=80756696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111539004.3A Pending CN114241261A (zh) 2021-12-15 2021-12-15 基于图像处理的皮肤病识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114241261A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984188A (zh) * 2022-12-09 2023-04-18 脉得智能科技(无锡)有限公司 皮肤病多病种超声图像识别方法、识别设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507414A (zh) * 2020-04-20 2020-08-07 安徽中科首脑智能医疗研究院有限公司 深度学习的皮肤病图片对比分类方法、存储介质和机器人
CN113705477A (zh) * 2021-08-31 2021-11-26 平安科技（深圳）有限公司 一种医疗图像识别方法、系统、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507414A (zh) * 2020-04-20 2020-08-07 安徽中科首脑智能医疗研究院有限公司 深度学习的皮肤病图片对比分类方法、存储介质和机器人
CN113705477A (zh) * 2021-08-31 2021-11-26 平安科技（深圳）有限公司 一种医疗图像识别方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984188A (zh) * 2022-12-09 2023-04-18 脉得智能科技(无锡)有限公司 皮肤病多病种超声图像识别方法、识别设备、存储介质
CN115984188B (zh) * 2022-12-09 2023-11-24 脉得智能科技(无锡)有限公司 皮肤病多病种超声图像识别方法、识别设备、存储介质

Similar Documents

Publication Publication Date Title
US11615879B2 (en) System and method for automated labeling and annotating unstructured medical datasets
CN109770932B (zh) 多模态脑部神经影像特征的处理方法
Salem et al. Multiple sclerosis lesion synthesis in MRI using an encoder-decoder U-NET
EP4145391A1 (en) Systems and methods for probabilistic segmentation in anatomical image processing
US20190050982A1 (en) System and method for automatically detecting a physiological condition from a medical image of a patient
WO2018204311A1 (en) Deep learning architecture for cognitive examination subscore trajectory prediction in alzheimer's disease
CN107292086A (zh) 图像分析问答
Sethi et al. An Exploration: Alzheimer's disease classification based on convolutional neural network
EP3654343A1 (en) Application of deep learning for medical imaging evaluation
US11893729B2 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
US11430123B2 (en) Sampling latent variables to generate multiple segmentations of an image
Hong et al. Fetal cortical plate segmentation using fully convolutional networks with multiple plane aggregation
Cui et al. Artificial intelligence in spinal imaging: current status and future directions
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
CN113935957A (zh) 医疗图像对比方法、装置、电子设备及存储介质
JP2023175011A (ja) 文書作成支援装置、方法およびプログラム
Yang et al. Label efficient segmentation of single slice thigh CT with two-stage pseudo labels
Singh et al. Classification of first trimester ultrasound images using deep convolutional neural network
CN114241261A (zh) 基于图像处理的皮肤病识别方法、装置、设备及存储介质
Xu et al. A predictive visual analytics system for studying neurodegenerative disease based on DTI fiber tracts
Mayorga-Ruiz et al. The role of AI in clinical trials
CN114913174B (zh) 用于血管系统变异检测的方法、装置和存储介质
CN114863521A (zh) 表情识别方法、表情识别装置、电子设备及存储介质
EP4199002A1 (en) A computer implemented method and a system
WO2020099941A1 (en) Application of deep learning for medical imaging evaluation

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