[发明专利]基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统

权利要求书

1.一种基于膨胀卷积的多尺度深度学习识别系统，所述方法包括：

(1)对样本库样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片；

(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络；

(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片；

(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到预测图片；

(5)对(4)中得到的预测图片进行后处理，完成对测试图片的分割。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行旋转，翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是513×513；

(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是513×513；

(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：

(21)构建一个如图1的深度神经网络，其中网络的特征提取采用卷积(convolution)，修正线性单元(rectified liner unit),池化层(pooling)结合的模块，模块中的卷积均采用3×3的卷积核，填充(pad)为[1,1,1,1]，步长为1，内核扩张因子(dilate)为1，池化层都是3×3池化池，步长为2，填充量为[1,2,1,2]，三个模块级联完成特征提取。(13)中得到的训练样本依次通过三个特征提取模块，先进入第一个模块(图1中con-relu-con-relu-block 1模块)，得到特征通道B1，特征通道的特征大小是257×257，得到的特征B1进入第二个特征提取模块(图1中con-relu-con-relu-block 2模块)，得到特征通道B2，特征通道的特征大小是129×129，得到的特征B2进入第三个特征提取模块(图1中con-relu-con-relu-block 3模块)，得到特征通道B3，特征通道的特征大小是65×65；

(22)将(21)中得到的特征通道B3分别输入四个带内核扩张因子的膨胀卷积(dilated convolution)的多尺度特征提取模块(图1中dicon-relu-drop-con-relu-drop-con模块)，得到四个不同尺度视野的特征通道，这四个模块均是由膨胀卷积层，修正线性单元，dropout层，1×1的卷积核的卷积层，dropout层，1×1的卷积核的卷积层.其中四个模块的膨胀卷积层膨胀因子分别为6,12,18,24.；

(23)将(22)中得到的不同尺度视野特征通道加在一起，融合得到训练样本的最终特征；

(24)将(23)中得到的最终特征经过一层卷积层，一层修正线性单元，一层卷积层，和上采样层后，与第三个con-relu-con-relu-block 3得到的特征加在一起，融合成特征尺度是129×129的特征通道；

(25)将(24)得到的特征通道，依次进入反卷积层，修正线性单元，反卷积层，特征大小保持，不变，之后再进入上采样层，输出特征大小为257×257的特征通道；

(26)将(25)得到的特征大小为257×257的特征通道，与特征提取模块con-relu-con-relu–block 2得到的特征加在一起，融合成特征尺度是257×257的特征通道；

(27)将(26)中得到的特征尺度是257×257的特征通道进行上采样，卷积，激活函数，卷积。得到与输入图像一样的大小的预测概率图；

(28)将(27)得到的概率图，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：

(29)使用交叉熵代价函数(cross-entropy loss)将(28)中得到的归一化的概率图与标签图对比，

交叉熵代价函数如下：

(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值；

(211)将验证样本依同样的方式输入网络，得到交叉熵代价函数的结果值，但不进行反向传播更新网络参数的值；

(212)将(31)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练，以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。