基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统

摘要

本发明属于智能医疗和人工智能领域，具体涉及一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统，包括个人终端设备、前端显示模块、后端处理模块。用户通过个人终端设备将疑似皮肤病的区域拍照，通过前端显示模块将所获取的照片上传至后端处理模块，后期用于模型的自学习，将获得许可的数据存入数据库并发送至服务器，然后对所接收到的数据进行预处理和归一化。再进行特征提取后识别判断并返回至前端显示模块。服务器利用空余算力自动读取数据库中的数据，将读取到的数据进行数据增广后再送入算法中学习训练，提高模型的识别精度。

说明书

技术领域

本发明属于智能医疗和人工智能领域，具体涉及一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统。

背景技术

皮肤不仅具有防御和屏蔽外界入侵的功能，还可以避免表皮和皮下的油脂与水分流失。皮肤虽然是身体内外的一道屏障，但并非坚不可摧，在日常生活中，皮肤多多少少会受到外部和遗传因素的影响，尤其是来自于护肤品的刺激。最重要的是，当人们身上某处皮肤出现问题时，并不是所有人都会重视并且去医院进行诊断。

随着智能手机以及互联网的发展，越来越多的人们在遇到问题时习惯性地求助于各大搜索引擎。由于皮肤类的疾病具有文字不可描述的境况，搜索引擎的弊端和参差不齐的解决方案使得人们更加茫然。

近年来，机器学习得到了长足的发展，卷积神经网络作为机器学习的一个分支，在图像领域有着得天独厚的优势，目前已有大量学者针对基于卷积神经网络的皮肤病方向进行研究，成果斐然，一些基于数字图像技术的设备也已经广泛应用于人们的日常生活中，比如计算机断层扫描、数字减影血管造影和核磁共振成像。上述这些产品几乎只针对企业端，客户端鲜有。为了满足人们生活品质日益增长的需要，本着早发现早治疗的观念，针对皮肤病的视觉自学习辅助判定系统显得尤为重要。

发明内容

为解决现有方法对于输入图像数据质量要求过高、局限性大；算法内部层级间无法快速高效聚合上下文信息；内部结构紊乱和层级空间丢失，模型性能达到瓶颈期，识别精度无法进一步突破；浅层算法提取的特征不够抽象等问题，本发明提出了一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统，具体技术方案如下：

包括个人终端设备、前端显示模块、后端处理模块。用户通过个人终端设备将疑似皮肤病的区域拍照，通过前端显示模块将所获取的照片上传至后端处理模块，期间会征求用户同意以获得所上传数据的使用权，后期用于模型的自学习。将获得许可的数据存入数据库并发送至服务器或者将未获得许可的数据直接送入服务器，然后对所接收到的数据进行预处理和归一化。再通过渐近式空洞网络进行特征提取后识别判断并返回至前端显示模块。服务器利用空余算力自动读取数据库中的数据，将读取到的数据进行数据增广后再送入算法中学习训练，提高模型的识别精度。

上述的个人终端设备为拥有至少800W像素且配备网络连接功能的个人终端设备。

上述的前端模块是采用HTML5技术编写的自适应网页。

上述的后端服务器是配备了NVIDIAGTX 2080Ti的GPU计算机服务器集群；

具体地说，包括以下步骤：

步骤一：用户通过个人终端设备对疑似皮肤病区域进行拍照；

步骤二：将步骤一的图片通过HTML5前端显示模块上传并选择是否授权个人数据用于帮助后续算法改进；

步骤三：将步骤二中授权的数据存入数据库中后送入服务器或者将步骤二中未授权的数据直接送入服务器；

步骤四：针对步骤三得到的图片进行预处理以获得归一化输入；

步骤五：利用渐进式空洞网络对步骤四的归一化数据进行压缩、根据纹理特征进行特征提取和识别判定；

步骤六：针对步骤五的判定结果返回至前端显示模块；

步骤七：服务器空余算力大于50％时，将自动读取数据库中的数据并进行数据增广以自我迭代，提升算法的识别精度。

其中，步骤五和步骤七所设计的一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定方法，包括以下流程：

流程a：在输入层中将输入算法的数据压缩为128×128pixels，将数据统一以提升模型兼容性，数据压缩使得算法可以适应不同质量的数据图像，有利于提升模型的泛化能力；

流程b：第一层中使用一个卷积层，可以快速对提升特征维度、去除图像冗余、增加非线性能力；

流程c：后续层级吸收残差思想，将空洞卷积融入残差块模块中；

流程d：残差模块中的快捷连接可以帮助卷积层学习上下文信息，避免网络退化并减少模型训练时间，残差块中包含两个堆叠的空洞卷积层，同时各个层使用批标准化(batch normalization,BN)技术和Relu激活函数；

Relu＝max(0,x)

其中空洞卷积表示为：

式中，第L层的卷积核K

流程e：将流程d的堆叠残差块中的空洞卷积的空洞率依次设置为：

dilated rate＝(2n)！！

式中，n为正整数；

流程f：每隔三个残差块中间插入一个最大池化层，该操作与流程e是为了解决空洞卷积的棋盘效应；

流程g：使用随机梯度下降(stochastic gradient descent,SGD)训练步骤七设计的网络；

流程h：使用SoftMax分类器并配合知识蒸馏来计算识别的概率：

式中，z是上一层的输出，SoftMax的输入，维度为C，yi为SoftMax公式

qi为知识蒸馏后的SoftMax公式，T为调节参数

流程i)针对流程h的概率进行排序，取最大值P

其中步骤七的数据增广方法包括：图像变换、图像裁剪、图像混叠，具体方法包括以下内容：

在原始图像上进行随机裁剪和随机翻转操作，基于一定的策略对原始图像数据进行图像处理；策略包括锐化、亮度变化和直方图均衡化；在原始数据中设置掩码、随机遮挡以使网络获得非显著特征；在进行批处理后，将数据和数据、病例与病例之间进行混叠，形成新的批数据。

本发明的有益效果为：本发明通过吸收并融合残差思想和空洞卷积，对上述问题进行了解决。另外，模型可通过自主学习进行实时升级，免于维护；还解决了传统情况下受限于个人终端设备性能且算法结构复杂导致计算缓慢的问题，使用成本低。

附图说明

图1是本发明公开的皮肤病自学习辅助判定系统工作流程。

图2是本发明设计的网络核心模块残差块示意图。

图3是本发明设计的网络所解决的棋盘效应示意图。

图4是本发明设计的网络结构示意图。

具体实施方式

为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统，包括个人终端设备、前端显示模块、后端处理模块。如图1所示，用户通过个人终端设备将疑似皮肤病的区域拍照，通过前端显示模块将所获取的照片上传至后端处理模块，期间会征求用户同意以获得所上传数据的使用权，后期用于模型的自学习。将获得许可的数据存入数据库并发送至服务器或者将未获得许可的数据直接送入服务器，然后对所接收到的数据进行预处理和归一化。再通过渐近式空洞网络进行特征提取后识别判断并返回至前端显示模块。服务器利用空余算力自动读取数据库中的数据，将读取到的数据进行数据增广后再送入算法中学习训练，提高模型的识别精度。

上述的个人终端设备为拥有至少800W像素且配备网络连接功能的个人终端设备。

上述的前端模块是采用HTML5技术编写的自适应网页。

上述的后端服务器是配备了NVIDIAGTX 2080Ti的GPU计算机服务器集群；

具体地说，包括以下步骤：

步骤一：用户通过个人终端设备对疑似皮肤病区域进行拍照；

步骤二：将步骤一的图片通过HTML5前端显示模块上传并选择是否授权个人数据用于帮助后续算法改进；

步骤三：将步骤二中授权的数据存入数据库中后送入服务器或者将步骤二中未授权的数据直接送入服务器；

步骤四：针对步骤三得到的图片进行预处理以获得归一化输入；

步骤五：利用渐进式空洞网络对步骤四的归一化数据进行压缩、根据纹理特征进行特征提取和识别判定；

步骤六：针对步骤五的判定结果返回至前端显示模块；

步骤七：服务器空余算力大于50％时，将自动读取数据库中的数据并进行数据增广以自我迭代，提升算法的识别精度。

其中，步骤五和步骤七所设计的一种基于视觉渐近式空洞网络的皮肤病自学习辅助判定方法，包括以下流程：

流程a：在输入层中将输入算法的数据压缩为128×128pixels，将数据统一以提升模型兼容性，数据压缩使得算法可以适应不同质量的数据图像，有利于提升模型的泛化能力；

流程b：第一层中使用一个卷积层，可以快速对提升特征维度、去除图像冗余、增加非线性能力；

流程c：后续层级吸收残差思想，将空洞卷积融入残差块模块中，如图2所示；

流程d：残差模块中的快捷连接可以帮助卷积层学习上下文信息，避免网络退化并减少模型训练时间，残差块中包含两个堆叠的空洞卷积层，同时各个层使用批标准化(batch normalization,BN)技术和Relu激活函数；

Relu＝max(0,x)

其中空洞卷积表示为：

式中，第L层的卷积核K

流程e：将流程d的堆叠残差块中的空洞卷积的空洞率依次设置为：

dilated rate＝(2n)！！

式中，n为正整数；

流程f：每隔三个残差块中间插入一个最大池化层，该操作与流程e是为了解决空洞卷积的棋盘效应，如图3所示；

流程g：使用随机梯度下降(stochastic gradient descent,SGD)训练步骤七设计的网络；

流程h：使用SoftMax分类器并配合知识蒸馏来计算识别的概率：

式中，z是上一层的输出，SoftMax的输入，维度为C，yi为SoftMax公式

qi为知识蒸馏后的SoftMax公式，T为调节参数

流程i)针对流程h的概率进行排序，取最大值P

其中步骤七的数据增广方法包括：图像变换、图像裁剪、图像混叠，具体方法包括以下内容：

在原始图像上进行随机裁剪和随机翻转操作，基于一定的策略对原始图像数据进行图像处理；策略包括锐化、亮度变化和直方图均衡化；在原始数据中设置掩码、随机遮挡以使网络获得非显著特征；在进行批处理后，将数据和数据、病例与病例之间进行混叠，形成新的批数据。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。