CN116269206A - 基于人工智能的皮肤红斑识别方法、装置、介质及终端 - Google Patents
基于人工智能的皮肤红斑识别方法、装置、介质及终端 Download PDFInfo
- Publication number
- CN116269206A CN116269206A CN202211492682.3A CN202211492682A CN116269206A CN 116269206 A CN116269206 A CN 116269206A CN 202211492682 A CN202211492682 A CN 202211492682A CN 116269206 A CN116269206 A CN 116269206A
- Authority
- CN
- China
- Prior art keywords
- erythema
- skin erythema
- image
- skin
- artificial intelligence
- 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
- 206010015150 Erythema Diseases 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 231100000321 erythema Toxicity 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 201000011066 hemangioma Diseases 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 208000009443 Vascular Malformations Diseases 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000003709 image segmentation Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000007635 classification algorithm Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000011282 treatment Methods 0.000 claims abstract description 5
- 210000004204 blood vessel Anatomy 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 102100031426 Ras GTPase-activating protein 1 Human genes 0.000 claims description 23
- 208000014104 capillary malformation-arteriovenous malformation syndrome Diseases 0.000 claims description 20
- 101001130509 Homo sapiens Ras GTPase-activating protein 1 Proteins 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 239000000049 pigment Substances 0.000 claims description 17
- 230000019612 pigmentation Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 210000001995 reticulocyte Anatomy 0.000 claims description 7
- 101150106673 EPHB4 gene Proteins 0.000 claims description 4
- 206010064571 Gene mutation Diseases 0.000 claims description 4
- 101100445393 Homo sapiens EPHB4 gene Proteins 0.000 claims description 4
- 101150005904 RASA1 gene Proteins 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 125000001475 halogen functional group Chemical group 0.000 claims description 3
- 208000008723 Capillary malformation-arteriovenous malformation Diseases 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 208000006787 Port-Wine Stain Diseases 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 210000003491 skin Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000005744 arteriovenous malformation Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 208000032843 Hemorrhage Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010042265 Sturge-Weber Syndrome Diseases 0.000 description 2
- 208000025865 Ulcer Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 208000001969 capillary hemangioma Diseases 0.000 description 2
- 208000014729 capillary malformation Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000004207 dermis Anatomy 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013532 laser treatment Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010003226 Arteriovenous fistula Diseases 0.000 description 1
- 241000972773 Aulopiformes Species 0.000 description 1
- 206010060999 Benign neoplasm Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000002263 Intracranial Arteriovenous Malformations Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 210000002889 endothelial cell Anatomy 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000001365 lymphatic vessel Anatomy 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000036269 ulceration Effects 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
- 210000003556 vascular endothelial cell Anatomy 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
- A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dermatology (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供一种基于人工智能的皮肤红斑识别方法、装置、介质及终端，包括：采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；采用分割算法对其进行图像分割，以得到ROI图像；对ROI图像中的红斑特征进行提取并转换为可识别向量，并基于分类算法对其进行分类识别，并训练基于机器学习的皮肤红斑识别模型；利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。本申请采用机器学习算法对皮肤镜检测图像进行图像分割、特征提取和自动识别与快速分析，从而准确地诊断表现为皮肤红斑的不同血管瘤与血管畸形。
Description
技术领域
本申请涉及皮肤红斑诊断技术领域，特别是涉及一种基于人工智能的皮肤红斑识别方法、装置、介质及终端。
背景技术
血管瘤与脉管畸形是内皮细胞异常增殖或者血管或淋巴管先天畸形发育造成的常见疾病，常在出生时出现，好发于头面部，也可累及四肢、躯干。皮肤红斑是多种血管瘤与脉管畸形最常见的临床表型，如：血管瘤，鲜红斑痣，动静脉畸形，毛细血管畸形-动静脉畸形综合征，鲑鱼斑，大理石样毛细血管畸形等。
婴幼儿血管瘤(infantile hemangioma，IH)是婴幼儿期最常见的良性肿瘤，在白人新生儿中发生率高达10-12％，东亚新生儿中高达1％，平均约累及5-10％的婴幼儿。
鲜红斑痣，又名葡萄酒色斑(PWS)，会累及皮肤肌肉的血管内皮细胞的改变，造成渐进性的皮肤、黏膜、及肌肉软组织的增厚。对于前期未增厚的PWS，激光治疗对于其效果较好，对于已增厚的PWS，激光治疗具有效果不佳(小于30％)。后期需要植皮以及换脸等大型手术予以纠正，且术后仍有病灶残留易复发。当PWS发生于三叉神经分布范围时，数据显示，23％的患者会伴随神经系统性疾病：斯特韦伯综合征(Sturge-Weber Syndrome，SWS)，其表现：面部红斑、青光眼，以及颅内软脑膜血管畸形，临床以癫痫、青光眼为主要表现，患者在2岁前发作致死率、致盲率极高,早期防控尤为重要。
动静脉畸形(Arteriovenous malformation，AVM)是一种供血动脉与回流静脉之间由于缺乏正常毛细血管床所导致的动静脉直接沟通、众多微动静脉瘘形成的先天性高流速血管病变。动静脉畸形分为颅内动静脉畸形与颅外动静脉畸形，其发病率低，约为0.07-0.25/1000。其静脉高压导致回流静脉不断进展增大，最终造成外观和功能破坏，且通常还会并发破溃。溃疡一旦发生，则经久不愈，继发日益加重的动脉性喷射性大出血。局部组织因动静脉畸形的“盗血”现象最终导致组织缺血，或器官、肢体的坏死，甚至可能因出血、感染、心功能衰竭等致死，给患者、家庭及社会带来沉重负担。
毛细血管畸形-动静脉畸形综合征(CM-AVM)为另一类具有/不具有家族遗传性的多发皮肤红斑，好发于头颈部、颜色由红-紫色不等、散发且伴有真皮血管扩张；同时也具有动静脉畸形(Arteriovenous Malformation，AVM)、动静脉瘘(Arteriovenous Fistula，AVF)的表现，如流速快、发热。数据表明，1/3的CM-AVM确诊患者病灶会加剧恶化成为AVM或者AVF。与CM-AVM并不相同，但早期AVM与CM-AVM的临床表现极为相似难以鉴别。无论是单发AVM还是转化成AVM的高危CM-AVM，都会有后期出血、溃烂、心衰等致死性高危风险，因而早期筛查显得尤为关键。
早期婴幼儿血管瘤(IH)与PWS、CM-AVM以及AVM均表现为皮肤红斑，难以进行临床鉴别诊断，因此亟需一种灵敏、准确、方便、简单的检测方法进行区分。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于人工智能的皮肤红斑识别方法、装置、介质及终端，用于解决现有技术中基于皮肤镜识别时症状表现为皮肤红斑的不同血管瘤与血管畸形的诊断不够方便、灵敏、准确的技术问题。
为实现上述目的及其他相关目的，本申请的第一方面提供一种基于人工智能的皮肤红斑识别方法，所述方法包括：采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像；对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量；基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型；利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
于本申请的第一方面的一些实施例中，所述训练基于机器学习的皮肤红斑识别模型的具体过程包括：将所述可识别向量拆分为训练集和测试集；分别采用多种不同的机器学习分类算法在同等条件下对所述训练集进行分类训练，并从多种不同分类结果中选取最优分类结果进行输出，以得到皮肤红斑识别模型；利用所述测试集对所述皮肤红斑识别模型进行测试验证。
于本申请的第一方面的一些实施例中，所述多种不同的机器学习分类算法包括SVM、KNN、逻辑回归、决策树和超限学习机中的至少两种。
于本申请的第一方面的一些实施例中，所述红斑特征包括：点状及球状血管、短棒状血管、弯曲状血管、树枝状血管、网状血管、网状血管伴色素沉着、下方均质性色素背景、棕色圆点伴苍白光晕中任意一种或多种组合。
于本申请的第一方面的一些实施例中，所述得到对应的血管瘤与血管畸形预测结果，具体包括：当识别到的红斑特征为点状及球状血管、短棒状血管和/或弯曲状血管是，判断为PWS；当识别到的红斑特征为下方均质性色素背景时，判断为CM-AVM。
于本申请的第一方面的一些实施例中，所述结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果，具体还包括：当识别到的红斑特征为网状血管伴色素沉着和/或下方均质性色素背景，且存在评估因素中的家族史、多发性CM、RASA1或EPHB4基因突变时，判断为CM-AVM；当识别到的红斑特征为网状血管伴色素沉着，且存在评估因素中的皮肤温度升高时，判断为AVM。
于本申请的第一方面的一些实施例中，所述得到对应的血管瘤与血管畸形预测结果，还包括：使用SPSS软件进行数据统计与分析，采用逐步判别分析法分析红斑特征对预测结果的影响。
为实现上述目的及其他相关目的，本申请的第二方面提供一种基于人工智能的皮肤红斑识别装置，包括：图像采集与处理模块，用于采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；图像分割模块，用于采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像；特征提取模块，用于对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量；模型训练模块，用于基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型；结果预测模块，用于利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
为实现上述目的及其他相关目的，本申请的第三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，当其在计算机上运行时，使得计算机执行如上所述的方法。
为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，所述电子终端包括：存储器、处理器和通信器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任意一项所述的方法；所述通信器用于与外部设备通信。
综上所述，本申请提供的一种基于人工智能的皮肤红斑识别方法、装置、介质及终端，具有以下有益效果：本申请通过提供一种新型的应用于皮肤红斑的辅助诊断的皮肤镜检测系统，能够对皮肤红斑进行图像分割、特征提取和自动分析与快速识别，从而准确评估表现为皮肤红斑的不同血管瘤与血管畸形。
附图说明
图1显示为本申请于一实施例中的基于人工智能的皮肤红斑识别方法的流程示意图。
图2显示为本申请于一实施例中的皮肤红斑识别模型对于AVM患者的ROC曲线图。
图3显示为本申请于一实施例中的基于人工智能的皮肤红斑识别方法的场景应用图。
图4显示为本申请于一实施例中的基于人工智能的皮肤红斑识别装置的模块示意图。
图5显示为本申请于一实施例中的电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在通篇说明书中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。本发明的说明书和权利要求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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
随着人工智能系统在医疗图像领域的广泛应用，尤其在皮肤镜图像识别领域，为解决上述背景技术中的问题，本发明提供一种基于人工智能的皮肤红斑识别方法、装置、介质及终端，旨在提供一种新型的应用于皮肤红斑的辅助诊断的皮肤镜检测系统，从而实现对症状表现为皮肤红斑的不同血管瘤与血管畸形方便、灵敏、准确地诊断或检测。
在对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
<1>ROI(Region of Interest)：感兴趣区域，在图像处理中，人们常常只想对一部分图像进行处理，即为感兴趣区域。通过把想要部分图像区域分化独立出来进行单独处理，不仅减少了图像处理分析的工作量，而且有利于精度的提高和减少处理时间。
<2>SPSS(Statistical Product Service Solutions)：统计产品与服务解决方案，属于统计分析软件，用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务。其基本功能包括数据管理、统计分析、图表分析、输出管理等。SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等。
本申请实施例提供的基于人工智能的皮肤红斑识别方法可以应用于电子设备。以下介绍电子设备和用于使用这样的电子设备的实施例。本申请实施例的电子设备例如可以为平板电脑、手机、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)、可穿戴设备、物联网(internet of thing，IoT)设备、车机等，本申请实施例对电子设备的具体类型不作任何限制。在一些实施例中，电子设备可以支持手写笔。
如图1所示，展示为本申请于一实施例中的基于人工智能的皮肤红斑识别方法的流程示意图，所述方法包括以下步骤：
步骤S1：采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像。
需说明的是，使用皮肤镜进行图像采集，具体为：将皮肤镜物镜对准靶目标并采用皮肤镜的光学镜头压片组件成像，进而获取皮肤镜图像。
皮肤镜是一种观察活体皮肤表面以下微细结构和色素的无创性显微图像分析技术。它可以观察到表皮下部、真皮乳头层和真皮深层等肉眼不可见的影像结构与特征，这些特征与皮肤组织病理学的变化有着特殊和相对明确的对应关系，根据这些对应关系确定了皮肤镜诊断的敏感性、特异性。皮肤镜仪器拍摄的高精度图像能直观呈现患者病变部位的细节，帮助医生初步判断患者的病情，进行临床诊断及鉴别诊断。
需说明的是，所述预处理包括裁剪、筛选等操作。
具体的，所述裁剪操作包括将获取到的所述历史皮肤红斑图像的空白、噪声部分剪切掉，并对其尺寸进行裁剪统一；所述筛选操作包括筛选清晰度更高、红斑特征更加完整的历史皮肤红斑图像，进而有目的地增强不同分布下的图像数据，以减少所述舌面图像中的图像数据不平衡带来的模型误差。
具体的，所述图像增强处理包括对所述历史皮肤红斑图像的皮肤镜图像进行形状与色彩空间转换，并利用图像直方图对对比度进行调整，增强所述历史皮肤红斑图像的对比度。
步骤S2：采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像。
需说明的是，ROI(region of interest)即为感兴趣区域，针对本申请的感兴趣区域为红斑特征明显的聚集区域。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。本申请采用机器学习分割算法对预处理和图像增强处理后的所述历史增强皮肤红斑图像进行处理，以提取出ROI图像。所述分割算法包括：K-均值聚类算法(k-Means)、k-Mediods算法、模糊C-均值聚类算法(Fuzzy C-Means)、马尔科夫随机算法等。同时，也可采用深度学习神经网络，例如：RNN、R-CNN、U-Net、V-Net等网络，用以实现全自动化的感兴趣区域提取。
另外，本申请还可从多种不同的机器学习分割算法或深度学习神经网络对所述历史增强皮肤红斑图像进行分割后的分割结果中选取最优分割结果。这样可以提高图像分割的准确性，从而进一步提高最终血管瘤与血管畸形预测结果的准确性。
步骤S3：对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量。
需说明的是，可以使用多种特征提取的方法提取每一张ROI图像的特征，包括常用的特征提取算法和神经网络等，并针对皮肤红斑图像选取合适的特征提取方法，采集具有代表性的特征。比较常用的特征提取算法包括：SIFT(尺度不变特征变换)算法、HOG(方向梯度直方图)算法、LBP(局部二值化)算法、ORB算法和HAAT算法等；还可通过深度学习的神经网络进行特征提取，例如：VGG网络、CNN网络等。
于本申请一实施例中，所述红斑特征包括：点状及球状血管、短棒状血管、弯曲状血管、树枝状血管、网状血管、网状血管伴色素沉着、下方均质性色素背景、棕色圆点伴苍白光晕中任意一种或多种组合。
需说明的是，提取出ROI图像后，通过特征提取将其转换为具有代表性的计算机可识别的向量，并从原始数据中获取最相关的信息；刻画皮肤红斑区域图像的红斑特征包括但不限于上述8种。
步骤S4：基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型。
于本申请一实施例中，所述训练基于机器学习的皮肤红斑识别模型的具体过程包括：
1)将所述可识别向量拆分为训练集和测试集；
2)分别采用多种不同的机器学习分类算法在同等条件下对所述训练集进行分类训练，并从多种不同分类结果中选取最优分类结果进行输出，以得到皮肤红斑识别模型；
3)利用所述测试集对所述皮肤红斑识别模型进行测试验证。
需说明的是，所述训练集用于训练基于机器学习的皮肤红斑识别模型；所述测试集用于测试基于机器学习的皮肤红斑识别模型。且所述训练集中的样本数据要多于所述测试集中的样本数据。例如，训练集与测试集中的数据样本可以为8:2，也可以为7:3。
于本申请一实施例中，所述多种不同的机器学习分类算法包括但不限于SVM、KNN、逻辑回归、决策树和超限学习机中的至少两种。这样有利于得出针对皮肤红斑症状预测的最优机器学习方法，采用的机器学习分类算法越多，覆盖面广，有利于发掘适用于症状表现为皮肤红斑的血管瘤与血管畸形预测的最优机器学习方法。
步骤S5：利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
于本申请一实施例中，所述得到对应的血管瘤与血管畸形预测结果，包括：使用SPSS软件进行数据统计与分析，采用逐步判别分析法分析红斑特征对预测结果的影响。
需说明的是，本申请仅以CM-AVM、AVM和PWS三种疾病为例进行分析。采集99例皮肤红斑患者(包括33例PWS患者、33例CM-AVM患者、33例AVM患者)的皮肤红斑图像并通过本申请所提供的基于人工智能的皮肤红斑识别方法进行诊断，通过判别分析评估该方法的效能、灵敏度及特异度，例如选择Fisher判别法建立判别函数对其进行判别，其中，标准化典则判别函数系数如下表1：
通过威尔克Lambda检验，得到对两个判别函数的检验如下表2：
由此可知，标准化的判别函数为：
Function1＝-0.537*点状及球状血管+0.733*棕色圆点伴苍白光晕+1.555*网状血管伴色素沉着+1.196*不均匀色素背景；
Function2＝-0.066*点状及球状血管+0.312*棕色圆点伴苍白光晕-0.229*网状血管伴色素沉着+0.766*不均匀色素背景；
包含如上4个特征(点状及球状血管、棕色圆点伴苍白光晕、网状血管伴色素沉着、下方均质性色素背景)的所述方法正确分类了81.8％的原始分组案例。根据如上判别函数，所有AVM患者和PWS患者的皮肤镜图像都可通过本申请进行了正确分类。
结合图2所示，展示为本申请于一实施例中皮肤红斑识别模型对于AVM患者的ROC曲线图，所述ROC曲线(receiver operator characteristic curve)为受试者工作特征曲线。需说明的是，本申请仅以AVM患者为例进行说明，并不局限于此，还可以拓展延伸到其他疾病上面。在对识别AVM患者的皮肤红斑图像的函数进行建模后，得到相应的AUC(AreaUnder Curve，ROC曲线下的面积)为0.933(95％置信区间，0.876～0.989)。图2中的纵坐标“sensitivity”表示敏感度；横坐标“1-specificity”表示特异度。
于本申请一实施例中，所述得到对应的血管瘤与血管畸形预测结果，具体包括：当识别到的红斑特征为点状及球状血管、短棒状血管和/或弯曲状血管是，判断为PWS；当识别到的红斑特征为下方均质性色素背景时，判断为CM-AVM。
需说明的是，考虑到CM-AVM、AVM和PWS患者在基础信息方面，如年龄、性别或解剖位置上没有显著差异。而在单变量分析中，PWS患者的皮肤红斑图像在三种红斑特征，包括点状及球状血管、短棒状血管、弯曲血管的表现显著高于CM-AVM患者和AVM患者的皮肤红斑图像，显著性p<0.0001。仅在CM-AVM患者的皮肤红斑图像中发现下方均质性色素背景，而AVM患者和PWS患者的皮肤红斑图像中均未见此红斑特征(p<0.001)。
于本申请一实施例中，结合图3所示，所述结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果，具体还包括：
a、当识别到的红斑特征为网状血管伴色素沉着和/或下方均质性色素背景，且存在评估因素中的家族史、多发性CM、RASA1或EPHB4基因突变时，判断为CM-AVM；
需说明的是，伴FFVM的CM-AVM患者的皮肤红斑图像中，更常见有网状色素沉着伴网状血管(77.8％；p＝0.013)，而不伴FFVM的CMAVM患者的皮肤红斑图像中，则更常见有下方均质性色素背景(66.7％；p<0.0001)。
b、当识别到的红斑特征为网状血管伴色素沉着，且不存在评估因素中的家族史、多发性CM、RASA1或EPHB4基因突变，而存在评估因素中的皮肤温度升高时，判断为AVM。
需说明的是，所有AVM患者以及大约半数的CM-AVM患者的皮肤红斑图像均可见网状色素沉着，显著高于PWS患者的皮肤红斑图像(p<0.0001)，且PWS患者的皮肤红斑图像没有网状色素沉着。
总之，本方法结合点状及球状血管、网状色素沉着伴网状血管和下方均质性色素背景三个特征，利用逐步判别分析法，可以正确地将90.9％的原始待诊断病例中的FFVM鉴别出来。
如图4所示，展示为本申请于一实施例中的基于人工智能的皮肤红斑识别装置的模块示意图。所述基于人工智能的皮肤红斑识别装置400包括：图像采集与处理模块410、图像分割模块420、特征提取模块430、模型训练模块440和结果预测模块450。
图像采集与处理模块410，用于采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；
图像分割模块420，用于采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像；
需说明的是，所述图像分割模块420还用于从多种不同机器学习分割算法对所述皮肤镜像图进行分割后的分割结果中选取最优分割结果。用以提高图像分割的准确性，从而进一步提高最终血管瘤与血管畸形预测结果的准确性。
特征提取模块430，用于对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量；
模型训练模块440，用于基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型；
需说明的是，所示模型训练模块440通过采用多种不同的机器学习分类算法在同等条件下对所述可识别向量中的训练集进行分类训练，并从多种不同分类结果中选取最优分类结果进行输出，以得到皮肤红斑识别模型。
所述多种不同的机器学习分类算法包括但不限于SVM、KNN、逻辑回归、决策树和超限学习机中的至少两种。这样有利于得出针对皮肤红斑症状预测的最优机器学习方法，采用的机器学习分类算法越多，覆盖面广，有利于发掘适用于症状表现为皮肤红斑的血管瘤与血管畸形预测的最优机器学习方法。
结果预测模块450，用于利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
值得注意的是，本装置结合点状及球状血管、网状色素沉着伴网状血管和下方均质性色素背景3个特征，利用逐步判别分析法，可以正确地将90.9％的原始待诊断病例中的FFVM鉴别出来。
需要说明的是：上述实施例提供的基于人工智能的皮肤红斑识别装置400在进行图像采集与处理、图像分割、特征提取、自动分析与快速识别时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于人工智能的皮肤红斑识别装置400与基于人工智能的皮肤红斑识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，结果预测模块450可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上结果预测模块450的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
基于以上实施例，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被计算机执行时，使得所述计算机执行本申请实施例所描述的各方法。
所述计算机可读写存储介质可以包括只读存储器ROM、随机存取存储器RAM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
基于以上实施例，本申请还提供了一种芯片，所述芯片用于读取存储器中存储的计算机程序，实现本申请实施例所描述的各方法。
基于以上实施例，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持计算机装置实现本申请实施例所描述的各方法。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
如图5所示，展示为本申请于一实施例中的电子终端500的结构示意图。所述电子终端500包括：存储器510、处理器520和通信器530；所述存储器510用于存储计算机指令；所述处理器520用于执行所述存储器存储的计算机程序，以使所述终端执行如图1所述的方法；所述通信器530用于与外部设备通信。
例如，所述外部设备可以是云端服务器；也可以是用户移动终端，如手机、PC、平板等。
在一些实施例中，所述电子终端500中的所述存储器510、处理器520和通信器530的数量均可以是一或多个，而图5中均以一个为例。
于本申请一实施例中，所述电子终端500中的处理器520会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器510并由处理器520来运行存储在存储器510中的应用程序，从而实现如图1所述的方法。
所述存储器510可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器410存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器520可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(ApplicationSpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述通信器530用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信连接。所述通信器530可包含一组或多组不同通信方式的模块，例如，与CAN总线通信连接的CAN通信模块。所述通信连接可以是一个或多个有线/无线通讯方式及其组合。通信方式包括：互联网、CAN、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)和/或任何其它合适的通信网络中的任何一个或多个。例如：WIFI、蓝牙、NFC、GPRS、GSM、及以太网中任意一种及多种组合。
在一些具体的应用中，所述电子终端500的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图5中将各种总线都成为总线系统。
综上所述，本申请提供了一种基于人工智能的皮肤红斑识别方法、装置、介质及终端，包括：采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；采用分割算法对其进行图像分割，以得到ROI图像；对ROI图像中的红斑特征进行提取并转换为可识别向量，并基于分类算法对其进行分类识别，并训练基于机器学习的皮肤红斑识别模型；利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
本申请采用机器学习算法对皮肤镜检测图像进行图像分割、特征提取和自动识别与快速分析，从而准确地诊断表现为皮肤红斑的不同血管瘤与血管畸形，且使得诊断更加方便、灵敏、准确。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于人工智能的皮肤红斑识别方法，其特征在于，所述方法包括：
采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；
采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像；
对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量；
基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型；
利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
2.根据权利要求1所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述训练基于机器学习的皮肤红斑识别模型的具体过程包括：
将所述可识别向量拆分为训练集和测试集；
分别采用多种不同的机器学习分类算法在同等条件下对所述训练集进行分类训练，并从多种不同分类结果中选取最优分类结果进行输出，以得到皮肤红斑识别模型；
利用所述测试集对所述皮肤红斑识别模型进行测试验证。
3.根据权利要求2所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述多种不同的机器学习分类算法包括SVM、KNN、逻辑回归、决策树和超限学习机中的至少两种。
4.根据权利要求1所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述红斑特征包括：点状及球状血管、短棒状血管、弯曲状血管、树枝状血管、网状血管、网状血管伴色素沉着、下方均质性色素背景、棕色圆点伴苍白光晕中任意一种或多种组合。
5.根据权利要求4所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述得到对应的血管瘤与血管畸形预测结果，具体包括：
当识别到的红斑特征为点状及球状血管、短棒状血管和/或弯曲状血管是，判断为PWS；
当识别到的红斑特征为下方均质性色素背景时，判断为CM-AVM。
6.根据权利要求5所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果，具体还包括：
当识别到的红斑特征为网状血管伴色素沉着和/或下方均质性色素背景，且存在评估因素中的家族史、多发性CM、RASA1或EPHB4基因突变时，判断为CM-AVM；
当识别到的红斑特征为网状血管伴色素沉着，且存在评估因素中的皮肤温度升高时，判断为AVM。
7.根据权利要求1所述的基于人工智能的皮肤红斑识别方法，其特征在于，所述得到对应的血管瘤与血管畸形预测结果，包括：使用SPSS软件进行数据统计与分析，采用逐步判别分析法分析红斑特征对预测结果的影响。
8.一种基于人工智能的皮肤红斑识别装置，其特征在于，包括：
图像采集与处理模块，用于采集历史皮肤红斑图像并进行预处理和图像增强处理，以得到历史增强皮肤红斑图像；
图像分割模块，用于采用分割算法对所述历史增强皮肤红斑图像进行图像分割，以得到ROI图像；
特征提取模块，用于对所述ROI图像中的红斑特征进行特征提取并转换为可识别向量；
模型训练模块，用于基于分类算法对所述可识别向量进行分类识别，并训练基于机器学习的皮肤红斑识别模型；
结果预测模块，用于利用训练后的皮肤红斑识别模型对待测皮肤红斑图像进行识别，以得到对应的红斑特征识别结果，结合评估因素进行分析，据以得到对应的血管瘤与血管畸形预测结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述方法。
10.一种电子终端，其特征在于，所述电子终端包括：存储器、处理器和通信器；
所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任意一项所述的方法；所述通信器用于与外部设备通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211492682.3A CN116269206A (zh) | 2022-11-25 | 2022-11-25 | 基于人工智能的皮肤红斑识别方法、装置、介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211492682.3A CN116269206A (zh) | 2022-11-25 | 2022-11-25 | 基于人工智能的皮肤红斑识别方法、装置、介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116269206A true CN116269206A (zh) | 2023-06-23 |
Family
ID=86796519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211492682.3A Pending CN116269206A (zh) | 2022-11-25 | 2022-11-25 | 基于人工智能的皮肤红斑识别方法、装置、介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269206A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116721240A (zh) * | 2023-08-09 | 2023-09-08 | 常州糖族部落云健康科技有限公司 | 皮肤瘢痕测量及皮下硬块感知测试的ai系统、分析方法 |
| CN117495855A (zh) * | 2023-12-29 | 2024-02-02 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
-
2022
- 2022-11-25 CN CN202211492682.3A patent/CN116269206A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116721240A (zh) * | 2023-08-09 | 2023-09-08 | 常州糖族部落云健康科技有限公司 | 皮肤瘢痕测量及皮下硬块感知测试的ai系统、分析方法 |
| CN116721240B (zh) * | 2023-08-09 | 2023-10-24 | 常州糖族部落云健康科技有限公司 | 皮肤瘢痕测量及皮下硬块感知测试的ai系统、分析方法 |
| CN117495855A (zh) * | 2023-12-29 | 2024-02-02 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
| CN117495855B (zh) * | 2023-12-29 | 2024-03-29 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
| Yu et al. | Prediction of hemorrhagic transformation severity in acute stroke from source perfusion MRI | |
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| CN116269206A (zh) | 基于人工智能的皮肤红斑识别方法、装置、介质及终端 | |
| Rao et al. | Prediction and classification of Alzheimer’s disease using machine learning techniques in 3D MR images | |
| Hosseini et al. | Review of medical image classification using the adaptive neuro-fuzzy inference system | |
| WO2023104173A1 (zh) | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 | |
| Wang et al. | Automatic real-time CNN-based neonatal brain ventricles segmentation | |
| Hao et al. | Retinal structure detection in OCTA image via Voting-Based Multitask learning | |
| Kang et al. | Automatic detection of diabetic retinopathy with statistical method and Bayesian classifier | |
| Hu et al. | Conv-Swinformer: Integration of CNN and shift window attention for Alzheimer’s disease classification | |
| Reddy et al. | Discovering optimal algorithm to predict diabetic retinopathy using novel assessment methods | |
| Amiri et al. | A computer-aided method to detect bleeding frames in capsule endoscopy images | |
| Chitra et al. | Classification of ultrasound pcos image using deep learning based hybrid models | |
| Tursynova et al. | Deep learning-enabled brain stroke classification on computed tomography images | |
| Talo | Meme Kanseri Histopatalojik Görüntülerinin Konvolüsyonal Sinir Ağları ile Sınıflandırılması | |
| Ahmed et al. | Comparison of u-net backbones for morphometric measurements of white blood cell | |
| CN115063351A (zh) | 一种基于深度学习的胎儿mri脑组织分割方法及装置 | |
| CN114224354A (zh) | 心律失常分类方法、装置及可读存储介质 | |
| Wei et al. | Multi-modal bilinear fusion with hybrid attention mechanism for multi-label skin lesion classification | |
| Sindhu | Ensemble-based advancements in maternal fetal plane and brain plane classification for enhanced prenatal diagnosis | |
| Xiao et al. | GAEI-UNet: Global Attention and Elastic Interaction U-Net for Vessel Image Segmentation | |
| AL-NAWASHI et al. | A NEW APPROACH FOR BREAST CANCER DETECTION-BASED MACHINE LEARNING TECHNIQUE | |
| Jaganathan et al. | Modelling an effectual feature selection approach for predicting down syndrome using machine learning approaches | |
| Alimi et al. | Utilizing Deep Learning and SVM Models for Schizophrenia Detection and Symptom Severity Estimation Through Structural MRI. |
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 |