[发明专利]一种应用于web的七类皮肤肿瘤检测方法

说明书

本发明公开了一种应用于Web的七类皮肤肿瘤检测方法，本发明基于Tensorflow为中介的模型迁移技术将模型的权重与Web端结合，使得模型可以在用户熟悉的浏览器环境下正常快速运行，同时可视化模型结果。模型采用优化后的Inception‑ResNetV2分类网络，针对皮肤肿瘤图像，提出了一种皮肤肿瘤分类方法，该方法能够检测七类皮肤肿瘤，并取得了理想效果，可有效辅助医生诊断。发明提出的用于七类皮肤肿瘤检测的Web端开发方法，简化了检测皮肤肿瘤的流程，将得到的概率结果响应给客户端浏览器，浏览器进行渲染可视化，使得医生患者仅需简单操作Web端即可实时得到检测结果。

技术领域

本发明涉及人工智能领域，涉及一种应用于web端的七类皮肤肿瘤检测方法。

背景技术

皮肤恶性肿瘤是一种发于皮肤表面的恶性肿瘤，也是所有癌症中最常见的癌症之一，全球每年大约新增两至三百万人患病，造成超过五万人死亡。但是只要皮肤恶性肿瘤能够在早期确诊，无论手术、放疗或其他治疗方法，对皮肤恶性肿瘤均有很好的疗效，治愈率可在90％以上。

而深度学习算法自从2006年的成功以后备受人们关注，在多个领域与非深度学习算法相比，整体效果高20％-30％。近几年来，在算法上面的突破更是层出不穷，使得深度学习模型越来越完善，能够处理绝大多数图像问题。深度学习在人脸识别，自然图像分类，物体检测中已经取得了不错的成绩。在医学领域如胸片，乳腺癌的分类方面，基于深度学习的自动检测系统识别准确率已经高于专业的病理医生。

临床主要通过皮肤科专家个人主观判断来诊断皮肤癌，这些方法在观察者间和观察者内的可重复性都不理想，容易发生误诊，且对皮肤科专家的临床经验要求很高。皮肤癌最终确诊主要是通过活体检测诊断。活检结果是一种创伤性的诊断方法，虽然诊断结果可靠度高，但盲目实施活检往往会给病人造成不必要的刨伤和痛苦。并且，在未确诊肿瘤为良性或恶性之前，活检手术的手术范围也较难确定。因此，医学界迫切需要研究非创伤性的皮肤癌诊断技术。

从上述现象可看出，皮肤肿瘤的死亡率正随发病率的上升逐年上涨，但医患比例严重失衡，医疗资源匮乏，传统诊断方式费用高昂等问题都亟待解决。使用人工智能这种非创伤性的检测手段，能够有效帮助医生做初次筛查，减轻医生负担，保证准确率的同时提高医生诊断效率，这对于患者和医生无疑都是个巨大的福音。

发明内容

为解决目前医疗资源严重不足的问题，本发明提出一种应用于手机的七类皮肤肿瘤检测方法。采用深度学习方法分类七类皮肤肿瘤的皮肤镜图像，并将其应用到web端，辅助医生诊断，缓解患者看病难的问题。

本发明采用的应用程序开发方法包含以下步骤：

步骤1、数据预处理：分别为训练集、验证集、测试集。使用随机仿射变换提高数据集分布范围。仿射变换相当于建立每个因子特征与相应类别的权重关系，减弱背景(或噪音)因子的权重，也就可以产生更好的学习效果，增加模型稳定性。

步骤2、数据增强：采取RGB直方图均衡化，能有效的解决训练图片质量层次不齐，明暗关系与色彩关系失衡对网络产生干扰的问题。同时作为有效的数据扩增手段，RGB直方图均衡化能为训练提供更多的训练样本。

步骤3、独特的数据上采样方法：生成对抗网络(GAN)是2014年10月提出一种通过对抗过程估计生成模型的框架，是近年来无监督学习最具前景的代表之一。我们搭建的GAN包括了两个部分：生成模型G和判别模型D，定义LS为真假样本来源(Source)判别分类正确的最大似然估计，LC为样本类型(Class)判别正确的最大似然估计，通过模型的互相博弈学习产生相当好的输出，并添加标签约束以提高生成图片质量。