[发明专利]一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法

权利要求书

1.一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，根据患者皮肤组织病理图像特征进而检测及分辨出表皮细胞是否正常，操作步骤如下：

1.1获取已知诊断结果的皮肤基底细胞癌和鲍温病的皮肤组织细胞病理图像样本，建立具有皮肤组织细胞诊断结果标签的皮肤组织细胞病理图像数据集；

1.2将步骤1.1中的皮肤组织细胞病理图像进行预处理，包括图像增强和数据增强；

1.3通过训练好的深度卷积神经网络，提取皮肤组织细胞图像特征；

1.4使用Softmax模型对步骤1.3提取到的病理图像特征进行训练，得到用于皮肤基底细胞癌和鲍温病识别的分类模型；

1.5将步骤1.4训练好的皮肤基底细胞癌和鲍温病识别的分类模型和深度卷积神经网络模型封装成终端界面软件，直接使用此软件进行的皮肤基底细胞癌和鲍温病的识别检测。

2.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.1获取的皮肤组织细胞病理图像，和专业医师合作，并添加皮肤组织细胞病理图像的种类标签，保证所建立的数据库的标签全部正确。

3.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.2具体包括如下步骤：

1.2.1对于在采集、传播和存储过程中清晰度质量降低的图像，通过图像增强、锐化方式提高图像的质量；

1.2.2对数据集中的每张图片进行图片翻转、旋转和平移的数据增强方式增大数据集的容量；

1.2.3数据集中包括三类样本：正常皮肤组织细胞、基底细胞癌和鲍温病，由于各种类图片数量不一致，通过欠采样的方式保证最后每种类型细胞图片数量一致，以基底细胞癌这一样本的数量为标准。

4.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于：所述步骤1.3采用基于IamgeNet数据库训练的GoogLeNet模型预训练权重，将已训练好的模型参数迁移到步骤1.3建立的深度卷积神经网络中，即将低层的轮廓等模型特征迁移到该深度卷积神经网络上极大缩短训练周期，使用图形处理器(GPU)训练深度卷积神经网络，同时将数据集分成训练集、验证集和测试集三部分，提高模型的泛化能力。

5.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于：所述步骤1.4通过Softmax逻辑回归模型训练所述步骤1.3中深度神经网络提取到的特征，得到用于皮肤基底细胞癌和鲍温病识别的分类模型。

6.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.5通过QT将分类模型与深度卷积神经网络相关文件封装好，通过界面软件呈现，用户通过终端设备包括电脑、手机，输入皮肤细胞组织病理图像至终端，由所述步骤1.3的深度卷积神经网络自动提取组织细胞特征，所述步骤1.4分类模型进行皮肤组织细胞识别检测，系统将返回皮肤组织细胞检测分类结果至终端设备。