[发明专利]一种皮肤病影像的病灶定位方法

说明书

本发明公开了一种皮肤病影像的病灶定位方法，通过训练皮肤病的鉴别模型以及病灶候选框的生成模型，再用模板遮挡法处理包含候选框的图片，从而实现病灶定位。利用Google inception v3架构以及迁移学习进行训练。利用OpenCV级联训练分类器训练正负样本，生成xml文档。对于生成的病灶候选框，采用模板遮挡的方法，对于每一个候选框逐一的通过鉴别模型进行鉴别判断，从而筛选出真正的病灶。本发明在测试时不需要医生标注图片的情况下，得到的病灶定位模型也能准确且快速的圈出病灶区域，节省了医生标注大量图片的时间和精力。

技术领域

本发明涉及医学数据处理，特别是一种皮肤病影像的病灶定位方法。

背景技术

病灶定位通俗上来讲可以理解为对目标的检测，如今，目标检测与识别的研究方法主要有两大类：(1)基于传统图像处理和机器学习算法的目标检测与识别方法，传统的目标检测与识别方法主要可以表示为：目标特征提取->目标识别->目标定位。(2)基于深度学习的目标检测与识别方法。随着深度学习的发展，基于深度学习的目标检测与识别成为主流方法，主要可以表示为：图像的深度特征提取->基于深度神经网络的目标识别与定位，其中主要用到深度神经网络模型是卷积神经网络CNN。目前可以将现有的基于深度学习的目标检测与识别算法大致分为以下三大类：1.基于区域建议的目标检测与识别算法，如R-CNN,Fast-R-CNN,Faster-R-CNN；2.基于回归的目标检测与识别算法，如YOLO,SSD；3.基于搜索的目标检测与识别算法，如基于强化学习的算法。但是，就目前而言，这些目标检测的算法多是用于日常图片中的目标检测，几乎没有应用于皮肤病影像的病灶定位。

在皮肤病影像的病灶定位上，总体上分为两种方法，(1)人工方法，依赖于医生的肉眼观察和主观经验，由于用户是影像的最终使用者，医生通过人机交互圈出病灶区域这种方法显得最简单灵活，最能准确表达用户意图。(2)机器自动检测，目前，对于圈出病灶区域的方法，医学上提出的比较常见的是图像分割法。如基于区域的图像分割、基于边缘的图像分割等等。在肺部病灶区域检测时，有学者就提出过肺部ct图像病灶半自动分割方法，它通过CT值的不同对医疗影像图像的分割，获取到不同区域的二值图像，根据二值图像初步确定病灶位置。

(1)人工方法进行病灶定位很大程度上受人的主观意识的影响，可能对影像信息产生错判误判，影响之后的病理分析。

(2)在中国，无论实在城镇的大医院还是乡村的小医院，都存在不同程度的医护人员缺乏现象，这意味着让专业的皮肤科医生去大量的圈出皮肤病影像上的病灶区域是不现实的，这会造成医疗资源的严重浪费。

(3)由于皮肤病的复杂性、不规则性以及不同个体之间的差异性，一般的图像分割方法对皮肤病影像并不理想，导致病灶区域的定位也不准确。

(4)如yolo、Faster-R-CNN等目标检测算法虽然在日常普通图片中能进行较好的定位，但是它的训练需要大量的数据，且医学影像相对于日常图片有很大不同，这类目标检测算法不能准确提取医学影像特征，这会导致病灶定位的准确率不高。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种皮肤病影像的病灶定位方法，在测试时不需要医生标注图片，准确且快速的圈出病灶区域，节省医生标注大量图片的时间和精力。

为解决上述技术问题，本发明所采用的技术方案是：一种皮肤病影像的病灶定位方法，包括以下步骤：

1)使用迁移学习方法将分类器鉴别模型的训练集加载到Google Inception v3模型进行训练，得到适用于被训练的皮肤病的分类器模型；所述分类器模型的训练集包括由皮肤病图像分类得到的特征图像集和非特征图像集；将测试图片输入到分类器鉴别模型中，即得到图片是否为特征图片的鉴别结果；同时，加载正样本和负样本，对所有正样本、负样本进行特征选择与提取，获得正样本、负样本的特征，并进行训练，生成病灶候选框的生成模型；