欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021109112055
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种皮肤病变图像分类方法,其特征在于,包括如下步骤:对待分类皮肤病变图像进行中心裁剪,获得第一图像块;

采用训练好的神经网络模型的上分支网络对第一图像块进行特征提取,获得第一特征向量,其中,所述神经网络模型采用基于多尺度双层注意力机制的神经网络模型;

利用上分支网络中的病变定位结构根据第一特征向量进行病变区域定位;

根据所定位的病变区域对第一图像块进行裁剪,获取第二图像块;

利用训练好的神经网络模型的下分支网络对第二图像块进行特征提取,获得第二特征向量;

利用下分支网络中的特征融合结构对第一特征向量和第二特征向量进行特征融合,获得融合向量;

利用下分支网络的输出层中的softmax激活函数处理融合向量,获取皮肤病变类别预测概率;

根据皮肤病变类别预测概率对待分类皮肤病变图像进行分类。

2.根据权利要求1所述的一种皮肤病变图像分类方法,其特征在于,神经网络模型的上分支网络包括特征提取结构、辅助输出层、病变定位结构和裁剪缩放结构,神经网络模型的下分支网络包括特征提取结构、辅助输出层、特征融合结构和输出层,其中,所述特征提取结构包括一个卷积层和若干个注意力残差单元学习结构ARL,所述病变定位结构包括隐藏层和输出层。

3.根据权利要求1或2所述的一种皮肤病变图像分类方法,其特征在于,获得第一特征向量的方法为:

将第一图像块输入上分支网络的特征提取结构的卷积层,通过Relu非线性激活函数获得中间向量X1;

利用若干个注意力残差单元学习结构ARL对中间向量X1进行卷积、归一化、下采样处理,获得输出向量y;

1

利用全局平均池化层处理输出向量y,获得第一图像块对应的的第一特征向量F。

4.根据权利要求1所述的一种皮肤病变图像分类方法,其特征在于,利用上分支网络中的病变定位结构根据第一特征向量进行病变区域定位的方法为:1

将第一特征向量F 输入到病变定位结构的隐藏层,利用Relu非线性激活函数得到隐藏层状态g:

1

g=Relu(U3F+b3)其中,U3为隐藏层的参数矩阵,b3为隐藏层的偏置项;

根据隐藏层状态g,在病变定位结构的输出层中利用sigmoid非线性激活函数获取第一图像块的病变区域坐标,病变区域坐标的表达式如下:[tx,ty,tl]=n*sigmoid(U4g+b4)其中,tx表示病变区域中心点的横坐标,ty表示病变区域中心点的纵坐标,tl表示病变区域的半径,n为第一图像块的边长,U4为输出层的参数矩阵,b4为输出层的偏置项。

5.根据权利要求4所述的一种皮肤病变图像分类方法,其特征在于,获取第二图像块的方法为:

根据病变区域坐标获取第一图像块中裁剪区域的顶点坐标:裁剪区域的左上角坐标为(tx(tl),ty(tl)),裁剪区域的左下角坐标为(tx(tl),ty(br)),裁剪区域的右上角坐标为(tx(br),ty(tl)),裁剪区域的右下角坐标为(tx(br),ty(br)),其中,tx(tl)=tx‑tl,ty(tl)=ty‑tl,tx(br)=tx+tl,ty(br)=ty+tl;

根据裁剪区域的顶点坐标裁剪第一图像块,获得第一图像块对应的裁剪图像;

根据第一图像块的边长对裁剪图像进行缩放处理,获得第二图像块:其中, 表示第二图像块中第i行第j列上的像素值, 表示裁剪图像中第h行第w列上的像素值,α=h‑[i/λ],β=w‑[j/λ], [·]为取整函数,{·}为小数部分函数,h∈[tx(tl),tx(br)],w∈[ty(tl),ty(br)],i,j∈{1,2,…,n}。

6.根据权利要求1或2所述的一种皮肤病变图像分类方法,其特征在于,神经网络模型的训练方法包括如下步骤:

获取皮肤病变数据集,所述皮肤病变数据集中包括多个皮肤病变类别下的多幅样本图像;

对皮肤病变数据集中的每幅样本图像进行中心裁剪,获得第一样本图像块,并利用所有第一样本图像块组成预处理后的皮肤病变数据集;

根据皮肤病变类别将预处理后的皮肤病变数据集划分为多个类别数据集,并根据图像相关性将每个类别数据集分解为多个子类数据集;

利用上分支网络的特征提取结构对每个子类数据集中的每个第一样本图像块进行特征提取,获得第一特征向量,并利用辅助输出层获得第一病变类别预测概率;

利用上分支网络的病变定位结构根据第一特征向量对每个第一样本图像块进行病变区域定位;

根据所定位的病变区域对每个第一样本图像块进行裁剪,获得第二样本图像块;

利用下分支网络的特征提取结构对每个第二样本图像块进行特征提取,获得第二特征向量,并利用辅助输出层获得第二病变类别预测概率;

利用特征融合结构对第一特征向量和第二特征向量进行特征融合,获得融合向量;

利用输出层中的softmax激活函数处理融合向量,获得皮肤病变类别预测概率;

基于第一病变类别预测概率、第二病变类别预测概率和皮肤病变类别预测概率,利用排列损失函数和加权损失函数对神经网络模型进行参数训练,并通过迭代收敛获得训练好的神经网络模型。

7.根据权利要求6所述的一种皮肤病变图像分类方法,其特征在于,设预处理后的皮肤病变数据集中共有d个类别数据集,Z=1,2,…,d,则根据图像相关性将第Z个类别数据集分解为多个子类数据集的方法为:(1)对第Z个类别数据集中的每个第一样本图像块进行灰度处理,获得第一样本图像块对应的灰度图像;

(2)从第Z个类别数据集中随机选取一个第一样本图像块作为初始聚类中心cZ1;

(3)根据第一样本图像块对应的灰度图像计算第Z个类别数据集中每个第一样本图像块到初始聚类中心cZ1的距离,并根据该距离计算每个第一样本图像块被选为下一个聚类中心的概率,计算公式如下:

其中,zk表示第Z个类别数据集中第k个第一样本图像块,P(zk)表示zk被选为下一个聚类中心的概率,D(zk)表示zk到初始聚类中心cZ1的距离,k=1,2,…,K,K为第Z个类别数据集中第一样本图像块的数量;

(4)在[0,1]内随机生成一个随机数,当该随机数属于区间时,选取第Z个类别数据集中第r+1个第一样本图像块作为第二个聚类中心点cZ2,其中,r=1,2,…,K‑1;

(5)重复步骤(4),直到从第Z个类别数据集中选出N个聚类中心:cZ1,cZ2,...,cZN;

(6)计算第Z个类别数据集中每个第一样本图像块到N个聚类中心的汉明距离,根据就近原则将第Z个类别数据集中每个第一样本图像块划分到N个聚类中心中,获得N个簇;

(7)重新计算N个簇的聚类中心,计算公式如下:其中, 表示第p+1次迭代聚类时第v个簇的聚类中心, 表示第p次迭代聚类时的第v个簇, 表示第p次迭代聚类时第v个簇的样本数目,v=1,2,…,N;

(8)重复步骤(6)、(7),直到每个簇中连续两次迭代聚类的聚类中心满足获取最终聚类的N个簇,一个簇表示一个子类数据集。

8.根据权利要求6所述的一种皮肤病变图像分类方法,其特征在于,利用排列损失函数和加权损失函数对神经网络模型进行参数训练的方法为:根据皮肤病变数据集中样本图像的真实皮肤病变类别分别从第一病变类别预测概率、

1 2

第二病变类别预测概率、皮肤病变类别预测概率中提取样本图像的第一概率p、第二概率p3

和第三概率p;

1 2 3

固定病变定位结构的网络参数,根据第一概率p、第二概率p 和第三概率p ,利用加权损失函数对神经网络模型中的其他网络参数进行优化,加权损失函数的表达式如下:其中,LF表示加权损失函数,H为皮肤病变数据集中样本图像的数量,ρZ表示第Z个类别数据集中第一样本图像块的数量,γ为人工设置的超参数,Z=1,2,…,d,d为皮肤病变数据集中类别数据集的数量;

1 2

固定神经网络模型中的其他网络参数,利用排列损失函数Lrank(p ,p)对病变定位结构

1 2

的网络参数进行优化,Lrank(p,p)的表达式如下:

1 2 1 2

Lrank(p,p)=max(0,p‑p+margin)其中,margin为预设的小数。

9.根据权利要求6或8所述的一种皮肤病变图像分类方法,其特征在于,第一病变类别预测概率的计算公式如下:

1

P1=softmax(U2F+b2)1

其中,U2为辅助输出层的参数矩阵,F表示第一特征向量,b2为辅助输出层的偏置项。