[发明专利]基于深度学习算法的皮肤过敏原点刺自动检测分析方法

权利要求书

1.一种基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，包括以下步骤：

步骤S1、预设数字化点刺模板，所述数字化点刺模板设有多个点刺位置，每个所述点刺位置对应一种点刺液，所述点刺液包括阴性对照液、阳性对照液和多种皮肤致敏原液，每一所述皮肤致敏原液分别为一种皮肤致敏原经过高度纯化后得到；

步骤S2、采用基于U-Net网络基线的深度学习算法，训练能够分割出手臂发生过敏反应后形成的反应区域图像信息的U-Net网络模型；

步骤S3、按照数字化点刺模板上的点刺位置在被测人员的手臂上确定手臂点刺位置，将阴性对照液、阳性对照液和多种皮肤致敏原液点刺在手臂点刺位置上，形成点刺区域；

步骤S4、在点刺区域的两侧分别人工标注出第一边界和第二边界，作为点刺区域两侧的边界；

步骤S5、等待预定的时间，然后采集点刺区域的图像信息，并通过色彩过滤算法识别出第一边界和第二边界；

步骤S6、在采集的图像信息中截取第一边界和第二边界之间的信息，并从截取的信息中提取出皮肤区域作为有效检测区域；

步骤S7、通过训练好的U-Net网络模型对有效检测区域进行分析，识别并分割出手臂点刺位置发生过敏反应后形成的反应区域，并根据数字化点刺模板将每一反应区域分别与一种点刺液相对应；

步骤S8、计算出各反应区域的面积，作为对应的点刺液的反应面积；

步骤S9、将各皮肤致敏原液的反应面积分别与阳性对照液的反应面积进行比较，根据比较结果判定被测人员对各皮肤致敏原的过敏等级，并生成检测报告。

2.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，所述阴性对照液为生理盐水，所述阳性对照液为变应原及组胺。

3.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，在所述步骤S2中，训练U-Net网络模型包括以下子步骤：

子步骤S201、收集若干带有手臂发生过敏反应后形成的反应区域图像信息的图片作为原始图片；

子步骤S202、将原始图片按照8：1：1的比例分成训练集、验证集和测试集三部分；

子步骤S203、将训练集和验证集中的每一张原始图片做一份蒙版副本，作为监督依据；

子步骤S204、通过自带图像增强工具的人工智能框架库生成对抗网络，从而增殖生成多个训练集，以提高训练成效；

子步骤S205、将训练数据集放入U-Net网络模型进行训练，依据测试集测试结果判断模型是否达到预定要求，如果达到预定要求则执行步骤S207，否则，执行步骤S206；

子步骤S206、调整优化U-Net网络模型，返回执行步骤S205；

子步骤S207、保存训练后达到预定要求的U-Net网络模型及权重。

4.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，在所述步骤S3中，在患者手臂标注点刺区域的边界信息的方法为：在点刺区域的一侧沿直线标注至少两个第一定位锚点标记，将至少两个第一定位锚点标记所在的直线作为第一边界；在点刺区域的另一侧沿直线标注至少两个第二定位锚点标记，将至少两个第二定位锚点标记所在的直线作为第二边界。

5.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，所述第一边界与最近的点刺位置之间的距离大于或等于相邻的两个点刺位置之间的距离，所述第二边界与最近的点刺位置之间的距离大于或等于相邻的两个点刺位置之间的距离。

6.根据权利要求1所述的基于深度学习算法的皮肤过敏原点刺自动检测分析方法，其特征在于，在所述步骤S6中，采用OTSU阈值分割法取最大轮廓提取出皮肤区域。