[发明专利]基于深度学习的皮肤图像处理方法

权利要求书

1.一种基于深度学习的皮肤图像处理方法，其特征在于，所述方法包括：

获取训练集；

构建改进的U-Net网络模型，所述改进的U-Net网络模型包括编码解码结构以及分类分支结构，所述分类分支结构的输入端与所述编码解码结构的编码部分底端输出相连接，所述编码解码结构的编码部分包括深度卷积模块，解码部分包括上采样模块，所述编码解码结构的输出为分割结果，所述分类分支结构的输出为分类结果；

通过所述训练集对所述改进的U-Net网络模型进行训练；

获取待处理皮肤图像，将所述待处理皮肤图像输入至训练完成的所述改进的U-Net网络模型中，得到分类结果和分割结果。

2.根据权利要求1所述的方法，其特征在于，所述通过所述训练集对所述改进的U-Net网络模型进行训练之前，还包括：

获取样本集，将所述样本集划分为训练集和测试集；

对所述样本集中的数据进行预处理操作。

3.根据权利要求2所述的方法，其特征在于，所述对所述样本集中的数据进行预处理操作，包括：

对所述样本集中的数据进行翻转、旋转、缩放和仿射变化操作。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述改进的U-Net网络模型还包括：

跳跃连接结构，所述跳跃连接结构包括十字交叉注意力模块，所述十字交叉注意力模块的输入端与所述编码部分的输出端相连接，所述十字交叉注意力模块的输出端与所述解码部分的输入端相连接，以与所述解码部分经过上采样操作后的特征图进行在通道维度上的拼接，所述十字交叉注意力模块用于计算每个像素点与所述像素点所在行和列中的其它像素点的相关性。

5.根据权利要求4所述的方法，其特征在于，所述跳跃连接结构包括两个串联的所述十字交叉注意力模块。

6.根据权利要求1至3任意一项所述的方法，其特征在于，所述分类分支结构包括一池化层、特征图扁平化处理层以及全连接神经网络；所述池化层用于将所述编码部分的输出转换为预设通道数和大小的特征图，所述特征图扁平化处理层用于将所述池化层输出的特征图转换为预设维度的特征向量，所述连接神经网络用于将所述预设维度的特征向量转换为分类标签向量。

7.根据权利要求2或3所述的方法，其特征在于，所述通过所述训练集对所述改进的U-Net网络模型进行训练，包括：

采用五折交叉验证方式通过所述训练集对所述改进的U-Net网络模型进行训练。

8.根据权利要求7所述的方法，其特征在于，所述通过所述训练集对所述改进的U-Net网络模型进行训练，包括：

对所述分割结果通过Sigmoid函数进行处理后，使用Dice Loss评价指标计算预测数据和真实数据的相似程度；

使用Softmax函数将所述分类结果进行归一化后，使用交叉熵损失函数计算预测标签向量与真实标签向量的差异；

根据所述相似程度和所述差异计算得到综合损失函数；

根据所述综合损失函数使用Adam算法进行反向传播更新网络参数；

判断所述综合损失函数是否满足最优值，若是，输出训练完成的改进的U-Net网络模型。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

当所述综合损失函数不满足最优值时，则继续根据所述训练集对所述改进的U-Net网络模型进行训练，直至所述综合损失函数满足最优值。

10.根据权利要求8或9所述的方法，其特征在于，所述方法还包括：

获取测试集；

将所述测试集输入至训练完成的改进的U-Net网络模型中，得到测试集对应的分割结果和分类结果；

根据所述测试集对应的分割结果和分类结果得到所述改进的U-Net网络模型评价指标，所述评价指标包括预测数据和真实数据的相似程度和预测标签向量与真实标签向量的差异。