[发明专利]一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法

权利要求书

1.一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法，步骤如下：

101)采集图像，数据预处理：对输入的AGA临床图像进行预处理，选取适合进一步分析的图像块；预处理包括，尺寸归一化、必要的图像增强、噪声抑制，以及对图像进行分块质量评估；尺寸归一化通过固定毛发镜放大倍数或通过放大缩小图像来实现尺寸归一化，图像增强包括图像锐化、对比度增强，噪声抑制包括模糊处理、通过中值滤波或均值滤波去除图像上的噪点；图像分块评估是为了选取需要进行毛发检测的图像区域，将图像划分为九宫格，训练一个二分类器，这个二分类器的输入即为九宫格中的一块，输出即为该图像区域是否适合进行毛发检测的置信度；

102)通过训练好的卷积神经网络提取图像特征；卷积神经网络采用如下方式进行训练，利用所属步骤201)的方式采集AGA临床图像，并将采集的AGA临床图像分为训练样本、验证样本和测试样本，三类样本之间无交叉，训练阶段，模型参数的初始化为在ImageNet预训练的MobileNet模型参数，从而加快模型的收敛速度；

103)将特征输入到训练好的分类器中对其进行雄秃汉密尔顿分级预测。

2.根据权利要求1所述的一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法，其特征在于：所述卷积神经网络采用MobileNet模型，所述MobileNet模型第一层为标准卷积层，其后接13段深度可分解卷积，所有卷积层后面连接BatchNorm层和ReLU层，所述深度可分解卷积将标准卷积分解成一个深度卷积和一个点卷积，深度卷积将每个卷积核应用到每一个通道，1×1卷积用来组合通道卷积的输出。

3.根据权利要求1所述的一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法，其特征在于：所述的分类器为一个全卷积层级联一个Softmax层，所述全卷积层的输入为步骤103)卷积神经网络提取到的特征图，拥有n个卷积核，每个卷积核的大小为1×1，所述全卷积层输出一个n维向量，级联输入Softmax层，所述Softmax层同样输出一个n维向量，根据图像输入不同，计算出的向量的值也不同，每一维代表的含义为输入AGA临床图像所属对应类别的概率，总和为1，最终AGA临床图像所属类别为n个概率中获得最大得分的概率对应的类别。

4.根据权利要求3所述的一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法，其特征在于：所述步骤，103)分类器采用如下方式进行训练：由于所述分类器与步骤103)所述卷积神经网络采用级联的方式，分类器的输入即为步骤103)所述的卷积神经网络输出的特征图，训练过程的样本与所述步骤103)采用相同的样本，并且与步骤103)所述的卷积神经网络同时进行训练，所述分类器模型全卷积层参数的初始化方式采用MSRA方法，训练分类器模型直至其收敛到损失最小，MSRA初始化是一个均值为0方差为2/n的高斯分布：

5.根据权利要求1或3所述的一种AGA临床图像的AI辅助雄秃汉密尔顿分级预测分析方法，其特征在于：所述步骤103)输出预测结果共七类。