1.基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述皮肤病变分隔与特征提取方法包括如下步骤:步骤1:构建一个基于深度残差金字塔的皮肤病智能提取模型;
步骤2:构建深度残差金字塔多尺度编码网络,通过残差金字塔多尺度编码网络和训练服务器对提取的模型进行训练,提取多尺度特征,输出分割与提取结果;
步骤3:设计基于焦点损失和梯度协调机制的损失梯度监督机制,平衡离群点、易分样本和难分样本的权重,使模型适度关注难分样本。
2.根据权利要求1所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述步骤2深度残差金字塔多尺度编码网络基于CNN,应用于皮肤病变分割与特征提取的模型分为五层,即输入层、卷积层、激活层、池化层和瓶颈层,其中:输入层:在输入层,本发明模型加载预处理后的样本集;
卷积层:卷积层为CNN的主要模块,从皮肤病样本集中提取不同的输入特征;
激活层:激活层在卷积层后为使训练网络适应非线性,激活层在CNN中使用非线性函数;
池化层:池化层在激活层后,用于降维;
瓶颈层:基于ResNet设计瓶颈层,由多个瓶颈层1和多个瓶颈层2组成,每个所述瓶颈层
1和每个所述瓶颈层2均由卷积块、批标准化和线性整流组成。
3.根据权利要求2所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述卷积层全部为32的小卷积核。
4.根据权利要求2所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述激活层的非线性函数为ReLU与双曲正切函数。
5.根据权利要求1所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述步骤3具体包括如下内容:采用的损失函数从二元分类的交叉熵损失引入CE损失定义为:
在公式(1)中,对二分类任务而言,y∈{±1},p∈[0,1],表示模型对带有标签y=1的概率估计,为了简化,用pt代替p,即为公式(2)则公式(1)可重写为
CE(p,y)=CE(pt)=‑log(pt). (3)将y=1引入加权因子α∈[0,1],将y=‑1引入加权因子1‑α,定义pt的方式定义αt,即将α平衡后的CE损失写为:
CE(pt)=‑αtlog(pt). (4)这种损失是对CE的简单扩展,即本发明梯度协调机制的实验基准;
γ
在交叉熵损失中添加一个调制系数(1‑pt) ,且参数γ≥0,焦点损失定义为:γ
FL(pt)=‑(1‑pt) log(pt). (5)因为易分样本和特别难分样本数量都要比一般样本多,则改进的损失梯度监督机制为:
其中,δe(gk,g)表示样本梯度模长分布在(g‑e/2,g+e/2)范围内的样本个数,le(g)表示区间(g‑e/2,g+e/2)的长度,平衡后采用的损失梯度监督机制为:其中,λ为调制因子,取值范围为[0,1],取值基于样本和实验调整。
6.根据权利要求1所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述步骤1中模型的提取过程具体为:步骤1‑1:用户通过采集设备收集病变图片,将数据上传到提取云并从提取云下载提取结果,获取提取服务;
步骤1‑2:提取云通过模型训练获取用于提取的训练模型,并为模型训练提供提取结果数据下载;
步骤1‑3:模型训练通过样本源提供的训练样本,构建残差金字塔多尺度编码网络训练模型;
步骤1‑4:样本源提供用于训练的脱敏数据,同时从模型训练服务器下载提取云上传的用户采集的数据,用于核验分析模型训练的提取结果,调整模型训练的参数并标注样本以扩充样本集。
7.根据权利要求6所述基于深度残差金字塔的皮肤病变分割与特征提取方法,其特征在于:所述步骤1中的模型由四个部分组成:用户、提取云、模型训练与数据提供,其中:用户:用户为皮肤病患者与皮肤科医生;
提取云:提取云为由云服务、模型存储与数据缓存组成,提供提取与数据存储传输服务,其中,模型存储将模型训练的模型存储用于提取服务,提取模型根据模型训练结果及时更新以提高提取准确率;数据缓存将用户数据缓存用于模型训练的下载,从而提供给样本源,用于核验提取结果与扩充样本集;
模型训练:模型训练基于残差金字塔多尺度编码网络,在训练服务器中结合数据提供方提供的训练样本进行训练,优化模型训练并更新参数,并将参数上传到提取云,训练服务器由数个图形处理单元(GPU)与中央处理器(CPU)组成;
数据提供:在数据提供中,样本由ISIC提供的开源数据与医疗机构中专业的皮肤镜采集人员采集并由皮肤科医生进行标注的样本构成。