一种AGA临床图像的AI辅助毛发的粗细分布分析方法技术

本发明专利技术公开了一种AGA临床图像的AI辅助毛发的粗细分布分析方法，属于人工智能的图像识别领域。将人工智能与AGA临床图像的识别相结合，采用深度学习的方式，对AGA临床图像进行辅助毛发粗细分布估计，从而减轻人工工作负担，提高了诊断准确率。可以对任意一张光照良好，图片清晰的AGA临床图像进行解析。通过图像预处理，卷积神经网络提取图像特征，候选区域生成网络生成候选框，分类和回归器检测出毛发粗细类别及其位置，毛发粗细分布统计自动进行毛发粗细分布估计。分析的效率高，且自动化程度好，给予医生的判断提供了详细而且准确的数据支持，有利于推广。

An AI-assisted coarse and fine hair distribution analysis method for AGA clinical images

【技术实现步骤摘要】
一种AGA临床图像的AI辅助毛发的粗细分布分析方法
本专利技术涉及人工智能的图像识别领域，更具体地说，涉及一种AGA临床图像的AI辅助毛发的粗细分布分析方法。
技术介绍
近年来，AI在医学图像识别领域迅速发展，并具有较高的准确性，可大幅度减轻医生的工作负担。在图像识别方面，AI算法从经处理的临床照片、皮肤镜图片、病理切片中提取特征，进行自动分类诊断，在眼科、皮肤科等领域中有较多研究。但对于AGA临床图像的辅助量化和分级，还缺乏相应的AI图像识别方法。AGA的治疗方案选择及疗效评估与其分级密切相关。目前，AGA的分级方法主要为汉密尔顿分级。该分级方法主要依靠医师肉眼对患者的发际线形态、毛发密度进行粗略判断，具有很强的主观性，缺乏定量标准，容易造成结果的不统一。通过对AGA的临床图像进行毛发的粗细分布评估将大大提高分级的准确性，但该过程会产生大量的机械性工作，费时费力，加重了医生的工作负担，降低就医效率。现有的也有对于皮肤病症的一些识别方法，但是其针对性不强，且没有给出对应整合计算的方法，中国专利申请，申请号201711030895，公开日2018年4月13日，公开了一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，包括：皮肤病变皮肤镜图像数据库、数据预处理和质量评估筛选、级联深度卷积神经网络、引入迁移学习和分类器；在训练阶段，首先在原始数据上进行增强或筛除；再在输入正负样本后，进行样本扩充技术和防止过拟合，在预处理阶段，加入数据增强，随后进行两个深度卷积神经网络级联，再将在自然图像上预训练出的现成特征迁移学习到识别网络中，最后利用分类器进行分类的预测，根据网络收敛和预测情况再进行网络参数微调；此专利技术提高了皮肤病变分类的准确性，且避免了人工选取特征的局限性，适应能力更强，对于医疗皮肤疾病图像分析有一定意义。但是其主要针对于部分裸露病症的图像，未考虑被遮挡区域的图像因素，准确率不是很高，有局限性。
技术实现思路
1.要解决的技术问题针对现有技术中存在的主要针对于部分裸露病症的图像，未考虑被遮挡区域的图像因素，准确率不是很高，有局限性的问题，本专利技术提供了一种AGA临床图像的AI辅助毛发的粗细分布分析方法，它可以实现对有遮挡以及各种不清晰的皮肤病变图像进行识别和量化分级，准确率高。2.技术方案本专利技术的目的通过以下技术方案实现。一种AGA临床图像的AI辅助毛发的粗细分布分析方法，步骤如下：101)数据预处理：对输入的AGA临床图像进行预处理，选取适合进一步分析的图像块；102)通过训练好的卷积神经网络提取图像特征；103)通过训练好的候选区域生成网络找出候选区域；104)对于步骤103)得到的候选区域，在这些区域上通过训练好的分类回归器进行分类和位置参数回归；105)统计毛发粗细分布比例：由步骤104)得到输入图像中所包含的不同粗细类别的毛发，统计毛发粗细分布比例。更进一步的，步骤101)中，预处理包括，尺寸归一化、必要的图像增强、噪声抑制，以及对图像进行分块质量评估。更进一步的，尺寸归一化可以通过固定毛发镜放大倍数或通过放大缩小图像来实现尺寸归一化，图像增强包括图像锐化、对比度增强，噪声抑制包括模糊处理、通过中值滤波或均值滤波去除图像上的噪点。更进一步的，图像分块评估是为了选取需要进行毛发检测的图像区域，将图像划分为九宫格，训练一个二分类器，这个二分类器的输入即为九宫格中的一块，输出即为该图像区域是否适合进行毛发检测的置信度。更进一步的，卷积神经网络的预训练模型采用ImageNet预训练好的VGG16模块，所述VGG16拥有5段卷积，每一段内有2～3个卷积层，且每段最后连接一个最大池化层。更进一步的，在候选区域生成网络中，设定大小和尺寸固定的候选框锚点固定大小和尺寸的候选框在步骤102)得到的特征图上进行上下左右移动，选出需要数量的候选区域。更进一步的，103)中候选区域生成网络输入为步骤102)卷积神经网络提取得到的图像特征，先增加一个卷积，然后利用两个1x1的卷积，分别进行二分类和位置回归，所述二分类用于判断正负样本类别，所属位置回归用于找到目标位置，得到的候选区域送入训练好的分类回归器。更进一步的，候选区域生成网络采用如下方式进行训练：对于每一个真实区域，选择和它重叠度最高的一个候选区域anchor作为正样本，对于剩下的anchor，从中选择和任意一个真实区域重叠度超过阈值a的anchor作为正样本，随机选择和真实区域重叠度小于阈值b的anchor作为负样本，利用计算分类损失和回归损失，在计算回归损失时，只计算正样本的损失，不计算负样本的损失，以此来修正类别和候选区域的位置，其中交叉熵损失函数具体为：其中x代表一个数据样本，p(x)是真实样本分布的概率，q(x)是模型通过数据计算出来的概率估计，回归损失函数具体写为：其中t代表真实值，及目标坐标的真实值；t*代表模型预测值，及模型预测的目标坐标值；是一个平衡函数，其定义如下：更进一步的，步骤104)分类使用SoftMax进行预测，方法如下，其意义为对于一个K类分类问题，给定一个样本x，其类别y为j的概率，j是K类中的某一类，w为可学习参数，其中wj是类别j所对应的可学习参数，wk是类别k所对应的可学习参数，T是转置符号。更进一步的，步骤104)的回归是在锚点(anchor)的基础上给出更为准确的目标位置；目标是寻找一种关系，使得输入原始的锚点A＝(Ax，Ay，Aw，Ah)经过映射得到一个与真实目标G更接近的回归位置G′，即：G′x＝Aw·dx(A)+AxG′y＝Ah·dy(A)+AyG′w＝Aw·exp(dw(A))G′h＝Ah·exp(dh(A))需要学习的是dx(A)，dy(A)，dw(A)，dh(A)四个变换，该变换的目标函数可以写作其中φ(A)是由卷积神经网络提出的图像特征，W是需要学习的参数。3.有益效果相比于现有技术，本专利技术的优点在于：(1)自动化定量估计毛发的粗细分布的方法，可以辅助医生进行AGA的分级诊断，大大减轻了医生的工作负担，提高了分级的准确性；(2)充分结合深度学习的自我学习的优势，利用深层网络提取到增强型的高级特征，极大提升特征的区分性，进而提高分类的准确性，避免人工选取特征进行诊断的局限性，具有更好的适应性和实用性；(3)将迁移学习应用到网络模型中，结合卷积神经网络在ImageNet上预训练出的现成特征，并利用AGA临床图像数据在这些抽象的特征上微调，训练出新的模型。由于AGA临床图像往往都是小数据，本专利技术实现从大数据向小数据迁移，将自然图像上训练好的模型迁移至AGA临床图像的小数据上，这对于AGA临床图像诊断而言，精度更好，准确性好。附图说明图1为本专利技术进行AGA临床图像辅助毛发粗细分布估计的基本流程图；图2为本专利技术进行AGA临床图像辅助毛发粗细分布估计模型的网络结构图。具体实施方式下面结合说明书附图和具体的实施例，对本专利技术作详细描述。本方案的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，主要包括AGA临床图像数据库、数据预处理模块、卷积神经网络、候选区域生成网络、迁移学习模块和分类器。对于毛发粗细分布估计，本专利技术方法基于AGA临床图像，依次采用数据预处理，卷积神经网络提取特征，候选区域生成网络找出一定数量的候选区域本文档来自技高网...

【技术保护点】
1.一种AGA临床图像的AI辅助毛发的粗细分布分析方法，步骤如下：101)数据预处理：对输入的AGA临床图像进行预处理，选取适合进一步分析的图像块；102)通过训练好的卷积神经网络提取图像特征；103)通过训练好的候选区域生成网络找出候选区域；104)对于步骤103)得到的候选区域，在这些区域上通过训练好的分类回归器进行分类和位置参数回归；105)统计毛发粗细分布比例：由步骤104)得到输入图像中所包含的不同粗细类别的毛发，统计毛发粗细分布比例。

【技术特征摘要】
1.一种AGA临床图像的AI辅助毛发的粗细分布分析方法，步骤如下：101)数据预处理：对输入的AGA临床图像进行预处理，选取适合进一步分析的图像块；102)通过训练好的卷积神经网络提取图像特征；103)通过训练好的候选区域生成网络找出候选区域；104)对于步骤103)得到的候选区域，在这些区域上通过训练好的分类回归器进行分类和位置参数回归；105)统计毛发粗细分布比例：由步骤104)得到输入图像中所包含的不同粗细类别的毛发，统计毛发粗细分布比例。2.根据权利要求1所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：步骤101)中，预处理包括，尺寸归一化、必要的图像增强、噪声抑制，以及对图像进行分块质量评估。3.根据权利要求2所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：尺寸归一化可以通过固定毛发镜放大倍数或通过放大缩小图像来实现尺寸归一化，图像增强包括图像锐化、对比度增强，噪声抑制包括模糊处理、通过中值滤波或均值滤波去除图像上的噪点。4.根据权利要求2或3所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：图像分块评估是为了选取需要进行毛发检测的图像区域，将图像划分为九宫格，训练一个二分类器，这个二分类器的输入即为九宫格中的一块，输出即为该图像区域是否适合进行毛发检测的置信度。5.根据权利要求1所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：卷积神经网络的预训练模型采用ImageNet预训练好的VGG16模块，所述VGG16拥有5段卷积，每一段内有2～3个卷积层，且每段最后连接一个最大池化层。6.根据权利要求1所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：在候选区域生成网络中，设定大小和尺寸固定的候选框锚点固定大小和尺寸的候选框在步骤102)得到的特征图上进行上下左右移动，选出需要数量的候选区域。7.根据权利要求6所述的一种AGA临床图像的AI辅助毛发的粗细分布分析方法，其特征在于：103)中候选区域生成网络输入为步骤102)卷积神经网络提取得到的图像特征...

【专利技术属性】
技术研发人员：姜祎群，高萌，侯伟，
申请(专利权)人：中国医学科学院皮肤病医院，
类型：发明
国别省市：江苏,32