[发明专利]基于InceptionV3+全连接网络的皮肤真菌识别检测方法

说明书

技术领域

本发明属于医疗图像处理技术领域，具体地涉及一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法。

背景技术

随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学习的人工智能计算机视觉飞速发展，斯坦福大学计算机系终身教授李飞飞曾表示如今人工智能的水平已经可以开始对医疗健康领域做出贡献。

1、皮肤真菌种类的识别现状

传统真菌种类识别方法多以形态学、细胞学、生理学和生态学的特征为依据，尤其以有性态的形态特征为主要依据。目前世界上使用广泛的Ainsworth真菌分类系统按照真菌孢子的类型和有性态的有无，将真菌分为鞭毛菌、接合菌、子囊菌、担子菌和半知菌五个亚门。基于形态特征对真菌进行分类，方法简单直观且不需要昂贵的仪器，但是，容易受到人为因素的干扰，且诊断周期长，无法满足日益增多且高精确的需求。

目前，真菌学检验的基本技术包括：(1)直接镜检：该方法是最简单也是最有用的实验室诊断方法；(2)真菌培养：通过从临床标本中对致病真菌进行培养。该方法的目的是为了进一步提高对病原体检出的阳性率，弥补直接镜检的不足，同时确定致病菌的种类；(3)培养检查：通过对接种的标本观察指标：生长速度、外观、大小、质地、颜色、菌落边缘、菌落高度和下沉现象、渗出物等进行判别。直接镜检方式误诊相对较高，真菌培养以及培养检查等方式诊断时间相对较长且诊断成本相对较高。而粗略估计，我国每年大约有180万例威胁生命的真菌病例，提高诊断效率以及诊断精确率则显得很有必要。

2、深度学习对皮肤真菌种类的识别

皮肤真菌有很多种，大多都有自己的特有形态，如：红色毛癣菌和须癣毛癣菌，红色毛癣菌形态可见分枝分隔菌丝，小分生孢子侧生于菌丝两侧，或在短分生孢子柄的末端，数目或多或少，梨形或棒状。间或可见少数大分生孢子，间生厚壁孢子，球拍菌丝及结节菌丝。或可见较大分生孢子，棒状或铅笔状，薄壁光滑有3-10隔。小分生孢子棒状或梨形，侧生，无柄或具短柄；须癣毛癣菌形态可见菌丝教细，小分生孢子圆形或梨形、无大分生孢子及螺旋菌丝，偶见球拍菌丝及结节菌丝。镜检可见较多的圆形或梨形小分生孢子，侧生或呈葡萄簇状排列，无螺旋菌丝及大分生孢子。深度学习如卷积神经网络能够对图像数据特征进行自动提取，其最终提取的结果中包含了图像中事物的形态等信息。深度学习通过从大数据中自动学习特征，在图像特征明显的情况下，能够极大提高识别性能。

发明内容

本发明的目的在于提供一种能够使用户置身于虚拟现实环境中从而提高实操培训的互动性和实训效果的基于InceptionV3+全连接网络的皮肤真菌识别检测方法及系统。

本发明的技术方案如下：一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法包括如下步骤：

一、获得皮肤真菌图像集，并对所述皮肤真菌图像集内的图像进行预处理；

二、利用InceptionV3+卷积层提取所述皮肤真菌图像集内预处理后图像的图像特征；

三、构建两层全连接网络，并利用提取图像特征训练所述两层全连接网络，从而形成基于皮肤真菌图像的预测模型；

四、利用所述预测模型对新的皮肤真菌图像进行真菌类别预测。

优选地，步骤一具体包括如下步骤：将所述皮肤真菌图像集内图像的bmp格式转换为jpg格式；对格式转换后的图像进行去噪处理。

优选地，在步骤二中，具体包括如下步骤：读取InceptionV3+网络；将预处理后的皮肤真菌图像集输入所述InceptionV3+网络，其卷积层的输出即为自动提取的图像特征。

优选地，在步骤三中，具体包括如下步骤：构建第一层全连接网络，并采用relu激活，以设定的概率丢弃部分网络节点，以防止过拟合；构建第二层全连接网络，并采用softmax激活；利用Adam优化器训练两层全连接网络。

优选地，在利用Adam优化器训练两层全连接网络步骤中具体包括如下步骤：输入步骤二提取的图像特征，并使用交叉熵作为优化目标；利用Adam优化器进行优化，并进行若干次迭代后得到训练好的全连接网络，从而形成基于皮肤真菌图像的预测模型。

优选地，在步骤四中，具体包括如下步骤：对新的皮肤真菌图像根据步骤一进行数据预处理，并根据步骤二提取图像特征；利用所述预测模型根据所述新的皮肤真菌图像的图像特征进行真菌类别预测，并输出预测结果。

本发明的有益效果在于：