CN116269217A - 一种基于深度学习的白癜风治疗效果量化评估方法 - Google Patents

一种基于深度学习的白癜风治疗效果量化评估方法 Download PDF

Info

Publication number
CN116269217A
CN116269217A CN202310098647.1A CN202310098647A CN116269217A CN 116269217 A CN116269217 A CN 116269217A CN 202310098647 A CN202310098647 A CN 202310098647A CN 116269217 A CN116269217 A CN 116269217A
Authority
CN
China
Prior art keywords
treatment
image
vitiligo
area
skin
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.)
Granted
Application number
CN202310098647.1A
Other languages
English (en)
Other versions
CN116269217B (zh
Inventor
王常青
范状状
高埂
黄鹤群
任露露
肖风丽
杨飞
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.)
Anhui Medical University
Original Assignee
Anhui Medical University
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 Anhui Medical University filed Critical Anhui Medical University
Priority to CN202310098647.1A priority Critical patent/CN116269217B/zh
Publication of CN116269217A publication Critical patent/CN116269217A/zh
Application granted granted Critical
Publication of CN116269217B publication Critical patent/CN116269217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • A61B5/004—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 adapted for image acquisition of a particular organ or body part
    • 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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • 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
    • A61B5/443—Evaluating skin constituents, e.g. elastin, melanin, water
    • 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
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20081—Training; Learning
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Dermatology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的白癜风治疗效果量化评估方法,从对象治疗前的白癜风图像以及对应的治疗后白癜风图像经过5个步骤处理，最终得到的综合量化指标Indicatorv。该基于深度学习的白癜风治疗效果量化评估方法产生的有益效果有：首先利用深度学习技术对白癜风皮损进行自动且精密地分割，然后结合皮损面积和色度变化率得到综合量化指标Indicatorv，该综合量化指标为评估白癜风皮损治疗效果提供了一个量化的综合结果。因此本发明可以客观、准确、全面地反应白癜风治疗前后皮损的变化。

Description

一种基于深度学习的白癜风治疗效果量化评估方法
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于深度学习的白癜风治疗效果量化评估方法。
背景技术
白癜风是一种常见的后天性色素脱失性皮肤黏膜疾病,其临床表现为白斑和/或白发,我国人群患病率为0.56％。白癜风会严重影响患者容貌，给患者造成极大的心理压力，影响其生活质量。目前白癜风的发病机制尚不完全清楚,可能是由遗传和内外环境等多种因素共同作用,在黑素细胞被破坏后导致的色素脱失。
白癜风治疗以控制和缓解病情为主要目标，尤其是在疾病的进展期，要减缓白斑发展的速度，避免白斑不断扩大。目前白癜风治疗效果的评估方法主要包括主观法、半客观法和客观法三类。主观法是皮肤科医生根据治疗反映的整体视觉印象，通过比较治疗前后白癜风皮损的复色程度来评估治疗的效果。半客观法是皮肤科医生根据定量的评价指标来进行疗效评估，如白癜风面积评分指数(Vitiligo Area Scoring Index,VASI)等。而客观法是采用数码成像技术结合医学图像处理软件，通过手动或半自动方法分割皮损区域，然后计算皮损区域的面积和色度。相较于主观和半客观的评估方法，客观法可提供更加客观、准确和量化的评估结果，但对图像皮损区域的分割操作复杂且费时费力，尚未实现完全自动化。
因此，针对现有技术不足，提供一种基于深度学习的白癜风治疗效果量化评估方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于深度学习的白癜风治疗效果量化评估方法。该基于深度学习的白癜风治疗效果量化评估方法能客观、准确且便捷地评估白癜风治疗效果。
本发明的上述目的通过以下技术措施实现：
提供一种基于深度学习的白癜风治疗效果量化评估方法，包括如下步骤：
步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；
步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；
步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；
步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；
步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicatorv。
在所述步骤(1)具体包括有：
步骤(1.1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；
步骤(1.2)、将所述第一类图像数据进行掩膜图像标注，得到所述图像数据集；
步骤(1.3)、将所述图像数据集分成随机分成训练集、验证集和测试集，然后使用自动调参方法训练分割模型，得到最优分割模型。
优选的，上述步骤(2)具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像。
在所述治疗前彩色掩膜图像、所述治疗后彩色掩膜图像、所述治疗前真实分割图像和所述治疗后真实分割图像中均包含皮损区域和对照标签区域。
在所述步骤(3)中，所述皮损面积变化率Areav由式(Ⅰ)得到：
Figure BDA0004072566610000031
其中areapre为治疗前的皮损实际面积，areapost为治疗后皮损实际面积，且所述面积变化率Areav的范围为0～1。
皮损实际面积由每张对应的彩色掩膜图像中的皮损与对照标签区域的像素点数量之比得到，由式(Ⅱ)计算得到
Figure BDA0004072566610000041
其中area为皮损的实际面积，n1为彩色掩膜图像中皮损的像素点数量，n2为对照标签区域的像素点数量，S为对照标签的实际面积。
在所述皮损色度变化率中，使用皮损区域和对照标签区域的ITAo差值表示皮损色度；
所述皮损色度变化率Colorv由式(Ⅲ)计算得到：
Figure BDA0004072566610000042
其中Colorv的范围为0～1，
Figure BDA0004072566610000044
为治疗前皮损区域的平均色度，
Figure BDA0004072566610000045
为治疗前对照标签区域的平均色度，/>
Figure BDA0004072566610000046
治疗后皮损区域的平均色度，/>
Figure BDA0004072566610000047
为治疗后对照标签区域的平均色度。
ITAo是把白癜风的真实分割图像由RGB色彩空间转为CIE L*a*b*色彩空间，最后由算出的L*值和b*值计算得到，ITAo由式(Ⅳ)计算得到：
Figure BDA0004072566610000043
其中L*和b*分别为该区域在CIE L*a*b*色彩空间的两个通道的平均值，L*表示明亮程度，b*表示从黄色到蓝色。
优选的，上述步骤(4)具体为对步骤(3)得到皮损面积变化率和皮损色度变化率通过熵权法自动计算多组皮损面积变化率的数值及皮损色度变化率的数值，对应得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2，且w1与w2的和为1。
同一对白癜风图像得到的皮损面积变化率和皮损色度变化率为一组。
优选的，上述综合量化指标Indicatorv由式(Ⅴ)得到：
Indicatorv＝w1×Areav+w2×Colorv……式(Ⅴ)；
其中Indicatorv的值为0～1。
优选的，上述分割模型为High-Resolution-Net；
优选的，上述自动调参方法为贝叶斯优化方法。
本发明的一种基于深度学习的白癜风治疗效果量化评估方法,包括步骤有：步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicatorv。该基于深度学习的白癜风治疗效果量化评估方法产生的有益效果有：首先利用深度学习技术对白癜风皮损进行自动且精密地分割，然后结合皮损面积和色度变化率得到综合量化指标Indicatorv，该综合量化指标为评估白癜风皮损治疗效果提供了一个量化的综合结果。因此本发明可以客观、准确、全面的地反应白癜风治疗前后皮损的变化。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明一种基于深度学习的白癜风治疗效果量化评估方法的流程图。
图2为三组对像的白癜风图像经本发明处理后结果。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1
一种基于深度学习的白癜风治疗效果量化评估方法,如图1所示，包括步骤有：
步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；
步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；
步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；
步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；
步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicatorv。
需要说明的是，本发明在步骤(1)中的白癜风图像是要求图像清晰，且大部分皮损(即白斑区域)位于图像中间。
在步骤(1)具体包括有：
步骤(1.1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；
步骤(1.2)、将第一类图像数据进行掩膜图像标注，得到图像数据集；
步骤(1.3)、将图像数据集分成随机分成训练集、验证集和测试集，然后使用自动调参方法训练分割模型，得到最优分割模型。其中分割模型为High-Resolution-Net；自动调参方法为贝叶斯优化方法。
需要说明的是，本发明在步骤(1.2)中的标注掩膜图像是由皮肤科医生进行手动标注。且在步骤(1.3)中训练集、验证集和测试集中的数据间并没有交叉。本发明的最优分割模型是通过使用训练集、验证集、测试集三个数据集并根据自动调参方法训练分割模型就能自动直接得到最优分割模型，并不需要设定任何的范围值判断最优分割模型。
其中，步骤(2)具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像。
需要说明的是，对于第二类图像数据中的治疗前的白癜风图像，得到治疗前彩色掩膜图像和治疗前真实分割图像；对于第二类图像数据中的治疗后的白癜风图像，得到治疗后彩色掩膜图像和治疗后真实分割图像。
在治疗前彩色掩膜图像、治疗后彩色掩膜图像、治疗前真实分割图像和治疗后真实分割图像中均包含皮损区域和对照标签区域。
在步骤(3)中，皮损面积变化率Areav由式(Ⅰ)得到：
Figure BDA0004072566610000091
其中areapre为治疗前的皮损实际面积，areapost为治疗后皮损实际面积，且面积变化率Areav的范围为0～1。
皮损实际面积由每张对应的彩色掩膜图像中的皮损与对照标签区域的像素点数量之比得到，由式(Ⅱ)计算得到
Figure BDA0004072566610000092
其中area为皮损的实际面积，n1为彩色掩膜图像中皮损的像素点数量，n2为对照标签区域的像素点数量，S为对照标签的实际面积。
在皮损色度变化率中，使用皮损和对照标签区域的ITAo差值表示皮损色度；
皮损色度变化率Colorv由式(Ⅲ)计算得到：
Figure BDA0004072566610000093
其中Colorv的范围为0～1，
Figure BDA0004072566610000094
为治疗前皮损区域的平均色度，
Figure BDA0004072566610000095
为治疗前对照标签区域的平均色度，/>
Figure BDA0004072566610000096
治疗后皮损区域的平均色度，/>
Figure BDA0004072566610000097
为治疗后对照标签区域的平均色度。
ITAo是把白癜风的真实分割图像由RGB色彩空间转为CIE L*a*b*色彩空间，最后由算出的L*值和b*值计算得到，ITAo由式(Ⅳ)计算得到：
Figure BDA0004072566610000101
其中L*和b*分别为该区域在CIE L*a*b*色彩空间的两个通道的平均值，L*表示明亮程度，b*表示从黄色到蓝色。
本发明步骤(4)具体为对步骤(3)得到皮损面积变化率和皮损色度变化率通过熵权法自动计算多组皮损面积变化率的数值及皮损色度变化率的数值，对应得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2，且w1与w2的和为1。同一张白癜风图像得到的皮损面积变化率和皮损色度变化率为一组
需要说明的是，因为综合量化指标是皮损面积变化率和皮损色度变化率这两个指标的线性组合，通过这两个指标表达一个量化的结果，因此需要面积和色度变化率为一组。而本发明的权值就是通过熵权法计算的，而熵权法是现有技术，本领域技术人员根据上述记载应当知晓如何根据熵权法得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2，因此在此不再一一赘述。
本发明的综合量化指标Indicatorv由式(Ⅴ)得到：
Indicatorv＝w1×Areav+w2×Colorv……式(Ⅴ)；
其中Indicatorv的值为0～1，当Indicatorv的值为0时皮损无变化，当Indicatorv的值为1时皮损完全复色。
该基于深度学习的白癜风治疗效果量化评估方法产生的有益效果有：首先利用深度学习技术对白癜风皮损进行自动且精密地分割，然后结合皮损面积和色度变化率得到综合量化指标Indicatorv，该综合量化指标为评估白癜风皮损治疗效果提供了一个量化的综合结果。因此本发明可以客观、准确、全面的地反应白癜风治疗前后皮损的变化。
实施例2
一种基于深度学习的白癜风治疗效果量化评估方法，其他的步骤与实施例1相同。
本实施例在步骤(1)中收集了三组对象治疗前的白癜风图像以及对应的治疗后白癜风图像
在步骤(1.2)中第一类图像数据由皮肤科医生使用Labelme 5.0.1进行掩膜图像标注。
在步骤(1.3)中，使用2100张图像数据集训练High-Resolution Net(HR-Net)。训练前对图像数据集的预处理，所有的白癜风图像经过锐化和三态中值滤波去噪，以提升图像的质量。图像数据集被随机分成训练集、验证集和测试集，其中本实施例的训练集、验证集和测试集比例为8:1:1，三个数据集之间无交叉，然后使用OpenCV中提供的双线性插值将图像重新采样为524×524×3，使用贝叶斯优化自动调整超参数得到最优分割模型。
在步骤(2)中，具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像。其中彩色掩膜图像为八位彩色掩膜图像，黑色表示背景，红色表示皮损，绿色表示标签。通过红色和绿色的像素点坐标回代到原图像，得到皮损和对照标签区域对应的真实分割图像，如图2所示。
在步骤(3)中，得到的S的大小为5.73cm2，三组白癜风图像的皮损面积变化率分别为0.2793、0.5189、0.2805，皮损色度变化率分别为0.1185、0.1559、0.1043。
在步骤(4)中，得到的w1＝0.3501，w2＝0.6499，将w1与w2代入式(Ⅴ)，最终得到评估白癜风皮损治疗效果的综合量化结果，三组白癜风皮损的综合量化结果分别为0.1393、0.2362、0.1348，通过上述结果可见，相比于第一对像和第三位对像，第二位对像的治疗效果更好，与图2结果相同。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (10)

1.一种基于深度学习的白癜风治疗效果量化评估方法，其特征在于，包括如下步骤：
步骤(1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；将第一类图像数据制作成图像数据集，然后训练分割模型，得到最优分割模型，其中在每个白癜风图像中均带有相同的对照标签；
步骤(2)、使用步骤(1)得到的最优分割模型分割第二类图像数据集，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；
步骤(3)、根据同一对象的治疗前彩色掩膜图像和治疗后彩色掩膜图像计算，得到的皮损面积变化率，根据同一对象的治疗前真实分割图像和治疗后真实分割图像计算，得到皮损色度变化率；
步骤(4)、对步骤(3)得到皮损面积变化率和皮损色度变化率进行客观赋权，得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2；
步骤(5)、根据步骤(4)的面积变化权值w1和色度变化权值w2；得到的综合量化指标Indicatorv。
2.根据权利要求1所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于，在所述步骤(1)具体包括有：
步骤(1.1)、采集多位对象治疗前的白癜风图像以及对应的治疗后白癜风图像，得到多对图像对，将其中一部分的图像对定义为第一类图像数据，将另一部分的图像对定义为第二类图像数据；
步骤(1.2)、将所述第一类图像数据进行掩膜图像标注，得到所述图像数据集；
步骤(1.3)、将所述图像数据集分成随机分成训练集、验证集和测试集，然后使用自动调参方法训练分割模型，得到最优分割模型。
3.根据权利要求2所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：所述步骤(2)具体为将步骤(1)得到第二类图像数据输入最优分割模型中，最优分割模型对第二类图像数据的每张白癜风图像中的每个像素进行自动分类和标注，得到治疗前彩色掩膜图像、治疗前真实分割图像、治疗后彩色掩膜图像和治疗后真实分割图像；
在所述治疗前彩色掩膜图像、所述治疗后彩色掩膜图像、所述治疗前真实分割图像和所述治疗后真实分割图像中均包含皮损区域和对照标签区域。
4.根据权利要求3所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：在所述步骤(3)中，所述皮损面积变化率Areav由式(Ⅰ)得到：
Figure FDA0004072566600000021
其中areapre为治疗前的皮损实际面积，areapost为治疗后皮损实际面积，且所述面积变化率Areav的范围为0～1。
5.根据权利要求4所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：皮损实际面积由每张对应的彩色掩膜图像中的皮损与对照标签区域的像素点数量之比得到，由式(Ⅱ)计算得到
Figure FDA0004072566600000031
其中area为皮损的实际面积，n1为彩色掩膜图像中皮损的像素点数量，n2为对照标签区域的像素点数量，S为对照标签的实际面积。
6.根据权利要求5所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：在所述皮损色度变化率中，使用皮损区域和对照标签区域的ITAo差值表示皮损区域色度；
所述皮损色度变化率Colorvv由式(Ⅲ)计算得到：
Figure FDA0004072566600000032
其中Colorvv的范围为0～1，
Figure FDA0004072566600000033
为治疗前皮损区域的平均色度，
Figure FDA0004072566600000034
为治疗前对照标签区域的平均色度，/>
Figure FDA0004072566600000035
治疗后皮损区域的平均色度，/>
Figure FDA0004072566600000036
为治疗后对照标签区域的平均色度。
7.根据权利要求6所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：ITAo是把白癜风的真实分割图像由RGB色彩空间转为CIE L*a*b*色彩空间，最后由算出的L*值和b*值计算得到，ITAo由式(Ⅳ)计算得到：
Figure FDA0004072566600000037
其中L*和b*分别为该区域在CIE L*a*b*色彩空间的两个通道的平均值，L*表示明亮程度，b*表示从黄色到蓝色。
8.根据权利要求7所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：所述步骤(4)具体为对步骤(3)得到皮损面积变化率和皮损色度变化率通过熵权法自动计算多组皮损面积变化率的数值及皮损色度变化率的数值，对应得到皮损面积变化率的面积变化权值w1和皮损色度变化率的色度变化权值w2，且w1与w2的和为1；
同一对白癜风图像得到的皮损面积变化率和皮损色度变化率为一组。
9.根据权利要求8所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：所述综合量化指标Indicatorv由式(V)得到：
Indicatorv＝w1×Areav+w2×Colorv……式(V)；
其中Indicatorv的值为0～1。
10.根据权利要求9所述的基于深度学习的白癜风治疗效果量化评估方法，其特征在于：所述分割模型为High-Resolution-Net；
所述自动调参方法为贝叶斯优化方法。
CN202310098647.1A 2023-02-10 2023-02-10 一种基于深度学习的白癜风治疗效果量化评估方法 Active CN116269217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310098647.1A CN116269217B (zh) 2023-02-10 2023-02-10 一种基于深度学习的白癜风治疗效果量化评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310098647.1A CN116269217B (zh) 2023-02-10 2023-02-10 一种基于深度学习的白癜风治疗效果量化评估方法

Publications (2)

Publication Number Publication Date
CN116269217A true CN116269217A (zh) 2023-06-23
CN116269217B CN116269217B (zh) 2024-04-26

Family

ID=86795156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310098647.1A Active CN116269217B (zh) 2023-02-10 2023-02-10 一种基于深度学习的白癜风治疗效果量化评估方法

Country Status (1)

Country Link
CN (1) CN116269217B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107049263A (zh) * 2017-06-14 2017-08-18 武汉理工大学 基于图像处理的白癜风病情诊断与疗效评估方法与系统
CN108154503A (zh) * 2017-12-13 2018-06-12 西安交通大学医学院第附属医院 一种基于图像处理的白癜风病情诊断系统
CN108648825A (zh) * 2018-05-30 2018-10-12 江苏大学附属医院 一种基于图像识别的白癜风白斑评估方法
CN110210448A (zh) * 2019-06-13 2019-09-06 广州纳丽生物科技有限公司 一种智能人脸皮肤老化程度的识别与评估方法
CN110544534A (zh) * 2019-08-30 2019-12-06 中国人民解放军联勤保障部队第九〇〇医院 一种皮肤病治疗效果自动评估方法与系统
CN111508016A (zh) * 2020-04-14 2020-08-07 南京泓图人工智能技术研究院有限公司 一种基于图像处理的白癜风区域色度值和面积计算的方法
CN112420199A (zh) * 2020-12-17 2021-02-26 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于白癜风色度的疗效评估方法
CN112669959A (zh) * 2020-12-17 2021-04-16 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于图像的白癜风病情自动评估方法
CN112967285A (zh) * 2021-05-18 2021-06-15 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
CN115381405A (zh) * 2022-08-30 2022-11-25 河南省人民医院 一种用于鲜红斑痣的检测系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107049263A (zh) * 2017-06-14 2017-08-18 武汉理工大学 基于图像处理的白癜风病情诊断与疗效评估方法与系统
CN108154503A (zh) * 2017-12-13 2018-06-12 西安交通大学医学院第附属医院 一种基于图像处理的白癜风病情诊断系统
CN108648825A (zh) * 2018-05-30 2018-10-12 江苏大学附属医院 一种基于图像识别的白癜风白斑评估方法
CN110210448A (zh) * 2019-06-13 2019-09-06 广州纳丽生物科技有限公司 一种智能人脸皮肤老化程度的识别与评估方法
CN110544534A (zh) * 2019-08-30 2019-12-06 中国人民解放军联勤保障部队第九〇〇医院 一种皮肤病治疗效果自动评估方法与系统
CN111508016A (zh) * 2020-04-14 2020-08-07 南京泓图人工智能技术研究院有限公司 一种基于图像处理的白癜风区域色度值和面积计算的方法
CN112420199A (zh) * 2020-12-17 2021-02-26 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于白癜风色度的疗效评估方法
CN112669959A (zh) * 2020-12-17 2021-04-16 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于图像的白癜风病情自动评估方法
CN112967285A (zh) * 2021-05-18 2021-06-15 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
CN115381405A (zh) * 2022-08-30 2022-11-25 河南省人民医院 一种用于鲜红斑痣的检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭丽芳: "白癜风诊断和病情评价人工智能模型的建立及临床应用", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 2, pages 075 - 10 *

Also Published As

Publication number Publication date
CN116269217B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
Zhou et al. Color retinal image enhancement based on luminosity and contrast adjustment
Thanh et al. A skin lesion segmentation method for dermoscopic images based on adaptive thresholding with normalization of color models
Senan et al. Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer
Iyatomi et al. Automated color calibration method for dermoscopy images
CN110276727B (zh) 一种面向色觉障碍的彩色图像颜色增强方法
CN109218716A (zh) 基于色彩统计和信息熵无参考色调映射图像质量评价方法
Diaz et al. Glaucoma diagnosis by means of optic cup feature analysis in color fundus images
CN109242792B (zh) 一种基于白色物体的白平衡校对方法
CN116188340A (zh) 一种基于图像融合的肠道内窥镜图像增强方法
Bataineh et al. Enhancement method for color retinal fundus images based on structural details and illumination improvements
CN108921205A (zh) 一种基于多特征融合的皮肤病临床图像分类方法
CN112330790A (zh) 基于对抗学习与自适应色度修正的ct图像自动着色方法
CN115631350A (zh) 罐印图像的颜色识别方法和装置
Acharya et al. Swarm intelligence based adaptive gamma corrected (SIAGC) retinal image enhancement technique for early detection of diabetic retinopathy
CN111242949A (zh) 一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法
Huang et al. Deep unsupervised endoscopic image enhancement based on multi-image fusion
CN116269217B (zh) 一种基于深度学习的白癜风治疗效果量化评估方法
Chakour et al. Blood vessel segmentation of retinal fundus images using dynamic preprocessing and mathematical morphology
CN111489333B (zh) 一种无参考夜间自然图像质量评价方法
CN112837259A (zh) 基于特征分割的皮肤色素病变治疗效果图像处理方法
CN113362346B (zh) 基于机器学习双区域轮廓演化模型的视盘和视杯分割方法
CN113240657B (zh) 一种基于医疗大数据的眼睑炎图像处理及预警系统
CN110010228B (zh) 一种基于图像分析的脸部皮肤透视算法
CN108154512A (zh) 一种基于多重去趋势分析的视网膜图像血管分割系统
CN111291706B (zh) 一种视网膜图像视盘定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant