[发明专利]一种基于深度学习的皮肤疾病检测方法以及系统

说明书

本发明公开了一种基于深度学习的皮肤疾病检测方法以及系统，方法包括：将待检测皮肤的图片预处理后输入改进的Faster RCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习，本发明可以更加有效的提升模型的性能，比基础的Faster RCNN的检测效果提升，适用于面部皮肤疾病检测以及其它部位的疾病检测或者非健康区域检测，可用于医疗行业和医学美容行业的各种疾病检测。

技术领域

本发明涉及皮肤疾病检测领域，尤其涉及一种基于深度学习的皮肤疾病检测系统。

背景技术

近年来，面部皮肤疾病发病率较高而且呈上升趋势，特别是护肤品密切相关的疾病，例如痤疮、面部敏感皮肤、激素依赖皮炎、口周皮炎、酒渣鼻、黄褐斑等均较常见，而且类型非常多。如何选择护肤品、如何协调好护肤品和外用药物同时使用的情况，是目前人们特别是女性特别关注的问题。选择正确的护肤品的前提是要对面部皮肤疾病做准确的判断，否则会因为护肤品使用不当加重病情。由于目前皮肤科医生非常紧缺，在面部皮肤诊断有专长的皮肤科医生更少。而且很多情况下，病人并不主动寻求医生的诊断，而是咨询美容行业的从业人员，由于此类人员的专业性较差，往往咨询效果不佳。准确高效的诊断出面部皮肤问题成为现在美容护肤行业的一个迫切需求。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的皮肤疾病检测方法以及系统。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的皮肤疾病检测方法，方法包括：将待检测皮肤的图片预处理后输入改进的Faster RCNN神经网络模型，该神经网络模型输出检测皮肤的疾病区域和疾病类型；其中，该神经网络模型使用深度宽度残差网络对输入的图片做特征提取，且提取后的特征图片作为疾病区域和疾病类型的共享特征实现两个优化目标同时学习。

在本发明所述的基于深度学习的皮肤疾病检测方法中，该神经网络模型包括：

特征提取层：针对输入的预处理后的图片，使用深度宽度残差网络提取图片特征，得到特征图；

候选区域检测层：使用区域建议网络从特征图里提取候选区域；

目标区域池化层：把特征图的候选区域里的目标通过池化操作来筛选出来；

回归层：确定目标的区域中的疾病区域；

分类层：确定每个疾病区域里的疾病类别。

在本发明所述的基于深度学习的皮肤疾病检测方法中，所述深度宽度残差网络包括使用四十层网络，该四十层网络包括三十七层卷积层、一层平均池化层、一层全连接层和一层分类层，每个卷积层的宽度为2，每个卷积层使用3*3的卷积。

在本发明所述的基于深度学习的皮肤疾病检测方法中，该三十七层卷积层由依次连接的一个第一卷积单元、六个第二卷积单元、六个第三卷积单元以及六个第四卷积单元组成，其中，第一卷积单元包含一个卷积层，第二卷积单元、第三卷积单元以及第四卷积单元分别包含两个卷积层。

在本发明所述的基于深度学习的皮肤疾病检测方法中，第二卷积单元至第四卷积单元中的任意两个卷积层之间还包括丢弃层。

在本发明所述的基于深度学习的皮肤疾病检测方法中，所述方法还包括：在所述神经网络模型进行皮肤检测之前，使用标注了皮肤疾病的疾病区域和疾病类型的图片作为训练数据，经过预处理后训练所述神经网络模型。