网络模型训练方法和皮肤病变确定装置制造方法及图纸

本申请公开了一种网络模型训练方法和皮肤病变确定装置，涉及图像处理技术领域，所述方法包括：构建病变分割网络，所述病变分割网络用于分割皮肤图像中的病变区域；构建病变分类网络，所述病变分类网络用于根据所述皮肤病变区域确定皮肤图像中的皮肤病变分类；融合所述病变分割网络和所述病变分类网络，得到相互引导网络模型；通过样本皮肤图像集训练所述相互引导网络模型，训练后的所述相互引导网络模型用于确定图像中的皮肤病变的分类。解决了现有技术中医生人工判定时效率较低且准确率较差的问题，达到了可以通过相互引导网络模型自动确定得到病变分类，提高皮肤判定效率和准确率的效果。率的效果。率的效果。

【技术实现步骤摘要】
网络模型训练方法和皮肤病变确定装置


[0001]本专利技术涉及网络模型训练方法和皮肤病变确定装置，属于图像处理


技术介绍

[0002]随着生活环境的变化，患有皮肤病的患者越来越多。现有技术中，医生通过皮肤镜等方式采集皮肤图像，然后基于采集到的皮肤图像人工判断，显而易见的，现有方案中受医生经验水平的影响，医生的判断结果可能会有误且医生人工判断的效率也较低。

技术实现思路

[0003]本专利技术的目的在于提供一种网络模型训练方法和皮肤病变确定装置，用于解决现有技术中存在的问题。
[0004]为达到上述目的，本专利技术提供如下技术方案：
[0005]根据第一方面，本专利技术实施例提供了一种网络模型训练方法，所述方法包括：
[0006]构建病变分割网络，所述病变分割网络用于分割图像中的皮肤病变区域；
[0007]构建病变分类网络，所述病变分类网络用于根据所述皮肤病变区域确定图像中的皮肤病变分类；
[0008]融合所述病变分割网络和所述病变分类网络，得到相互引导网络模型；
[0009]通过样本皮肤图像集训练所述相互引导网络模型，训练后的所述相互引导网络模型用于确定皮肤图像中的皮肤病变的分类。
[0010]可选的，所述病变分割网络为U
‑
Net网络，所述病变分割网络包括卷积层、最大池化层、反卷积层以及ReLU非线性激活函数。
[0011]可选的，所述病变分割网络的编码由在ImageNet数据集上预训练的ResNet50构成。
[0012]可选的，所述ResNet50中的第一个卷积层由1个7*7卷积层替换为2个3*3卷积层，所述2个3*3卷积层用于保持图像输入的大小。
[0013]可选的，所述病变分类网络由在ImageNet数据集上预训练的Xception网络构成。
[0014]可选的，所述病变分类网络由改进后的Xception网络构成，改进后的Xception网络不包括最后一层池化层。
[0015]可选的，改进后的Xception网络的最后两层可分离卷积替换为可分离扩张卷积。
[0016]可选的，所述融合所述病变分割网络和所述病变分类网络，包括：
[0017]将所述病变分割网络输出作为所述病变分类网络的输入；
[0018]将所述病变分类网络输出的伪标签输入至所述病变分割网络，用于训练所述病变分割网络。
[0019]可选的，所述样本皮肤图像包括第一样本图像集和第二样本图像集，所述第一样本图像集中的图像设置有像素级分割注释，所述第二样本图像集中的图像设置有图像集注释，所述通过样本皮肤图像集训练所述相互引导网络模型，包括：
[0020]通过所述第一样本图像集训练所述病变分割网络；
[0021]通过所述第二样本图像集训练所述相互引导网络模型。
[0022]第二方面，提供了一种皮肤病变确定装置，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如下方法：
[0023]获取图像；
[0024]将所述图像输入至训练后的相互引导网络模型，通过训练后的所述相互引导网络模型输出所述图像中的皮肤病变的分类；所述相互引导网络模型通过第一方面所述的方法训练得到。
[0025]通过构建病变分割网络，所述病变分割网络用于分割图像中的皮肤病变区域；构建病变分类网络，所述病变分类网络用于根据所述皮肤病变区域确定图像中的皮肤病变分类；融合所述病变分割网络和所述病变分类网络，得到相互引导网络模型；通过样本皮肤图像集训练所述相互引导网络模型，训练后的所述相互引导网络模型用于确定皮肤图像中的皮肤病变的分类。解决了现有技术中医生人工判定时效率较低且准确率较差的问题，达到了可以通过相互引导网络模型自动确定得到病变分类，提高皮肤判定效率和准确率的效果。
[0026]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0027]图1为本专利技术一个实施例提供的网络模型训练方法的方法流程图；
[0028]图2为本专利技术一个实施例提供的病变分割网络的一种可能的网络结构示意图；
[0029]图3为本专利技术一个实施例提供的病变分类网络的一种可能的网络结构示意图；
[0030]图4为本专利技术一个实施例提供的相互引导网络模型的一种可能的网络结构示意图；
[0031]图5为本专利技术一个实施例提供的皮肤病确定方法的方法流程图。
具体实施方式
[0032]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0034]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”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，可以具体情况理解上述术语在本专利技术中的具体含义。
[0035]此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0036]请参考图1，其示出了本申请一个实施例提供的网络模型训练方法的方法流程图，如图1所示，所述方法包括：
[0037]步骤101，构建病变分割网络，所述病变分割网络用于分割皮肤图像中的皮肤病变区域；
[0038]在本实施例中，病变分割网络为U
‑
Net网络，如图2所示，所述病变分割网络包括卷积层、最大池化层、反卷积层以及ReLU非线性激活函数。实际实现时，所述病变分割网络的编码由在ImageNet数据集上预训练的ResNet50构成，解码不变。而通过使用ResNet50进行编码加深了编码阶段的层数，提高了网络的特征提取能力，进而提高网络的分割准确度。同时，ResNet50的残差结构有效的防止了梯度消失和模型退化的问题。
[0039]此外，在本实施例中，为了使得ResNet50的网络结构能够和U
‑
Net的编码器结构匹配，在本实施例中，移除最后的平均池化层和全连接层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络模型训练方法，其特征在于，所述方法包括：构建病变分割网络，所述病变分割网络用于分割图像中的皮肤病变区域；构建病变分类网络，所述病变分类网络用于根据所述皮肤病变区域确定图像中的皮肤病变分类；融合所述病变分割网络和所述病变分类网络，得到相互引导网络模型；通过样本图像集训练所述相互引导网络模型，训练后的所述相互引导网络模型用于确定图像中的皮肤病变的分类。2.根据权利要求1所述的方法，其特征在于，所述病变分割网络为U
‑
Net网络，所述病变分割网络包括卷积层、最大池化层、反卷积层以及ReLU非线性激活函数。3.根据权利要求2所述的方法，其特征在于，所述病变分割网络的编码由在ImageNet数据集上预训练的ResNet50构成。4.根据权利要求2所述的方法，其特征在于，所述ResNet50中的第一个卷积层由1个7*7卷积层替换为2个3*3卷积层，所述2个3*3卷积层用于保持图像输入的大小。5.根据权利要求1所述的方法，其特征在于，所述病变分类网络由在ImageNet数据集上预训练的Xception网络构成。6.根据权利要求5所述的方法，其特征在于，所述病变分类网络由改进后的Xception网络构成，改进后的Xception网...

【专利技术属性】
技术研发人员：丁赛赛，漆玉金，杨仪，张萍，徐阳洋，吴建钢，
申请(专利权)人：苏州创影医疗科技有限责任公司，
类型：发明
国别省市：