[发明专利]一种皮肤状态图像的类别识别和特征确定方法及系统

说明书

本发明公开了一种皮肤状态图像的类别识别和特征确定方法及系统，涉及图像分析领域，包括：获取待识别皮肤状态图；将待识别皮肤状态图输入到类别识别模型中，识别待识别皮肤状态图的类别；类别识别模型是根据历史皮肤状态图，对卷积神经网络进行训练后得到的；在待识别皮肤状态图的类别为非健康状态时，利用Shapley值法确定识别结果依据的特征。本发明能够确定识别结果依据的特征，提高了皮肤状态图像类别的识别精度和可解释性。

技术领域

本发明涉及图像分析技术领域，特别是涉及一种皮肤状态图像的类别识别和特征确定方法及系统。

背景技术

皮肤病的智能辅助诊疗是一个数字化、远程医疗和信息学相互作用日益增强的交叉领域，需要对皮肤状态图像进行分类。相比于传统的统计和机器学习方法，深度学习模型能更好地从复杂的高维数据中学习非线性表示，捕获数据中的复杂结构信息。在图像分类、语义分割、目标检测和目标定位等方面已经有了非常出色地表现。但由于深度学习的复杂性和低透明性，“黑匣子”的话题一直是深度学习在医疗领域应用的一个争议。即深度学习仅能够识别出皮肤状态图像中皮肤状态的类别，但不具备可解释性，即无给出确定皮肤状态图像的类别时依据的特征，(类别包括健康状态和非健康状态中的多种皮肤病状态)造成用户难以信服，对于高精度的模型，如果无法判断模型是否抓住了皮肤病图像的“正确特征”，难以真正地被认可。可以说，模型的可解释性和精度是同等重要的。

发明内容

本发明的目的是提供一种皮肤状态图像的类别识别和特征确定方法及系统，能够确定出识别皮肤状态类别依据的特征，提高了皮肤状态图像类别的识别精度和可解释性。

为实现上述目的，本发明提供了如下方案：

一种皮肤状态图像的类别识别和特征确定方法，包括：

获取待识别皮肤状态图；

将所述待识别皮肤状态图输入到类别识别模型中，识别待识别皮肤状态图的类别；所述类别识别模型是根据历史皮肤状态图，对卷积神经网络进行训练后得到的；

在待识别皮肤状态图的类别为非健康状态时，根据所述待识别皮肤状态图上每个像素点的像素值，利用Shapley值法确定识别结果依据的特征。

可选的，在所述获取待识别皮肤状态图之前，还包括：

获取多张历史皮肤状态图；

对多张所述历史皮肤状态图的种类进行标注，得到多张历史皮肤状态标注图作为训练集；

以所述训练集为输入，以所述训练集中多张图片的种类为输出，对卷积神经网络进行训练，得到类别识别模型。

可选的，所述以所述训练集为输入，以所述训练集中多张图片的种类为输出，对卷积神经网络进行训练，得到类别识别模型，具体包括：

构建卷积神经网络为第0阶类别识别模型；

令迭代次数m等于1；

将所述训练集为输入到第m-1阶类别识别模型中，得到第m阶类别识别模型和多张历史皮肤状态伪标注图；

根据所述训练集和多张所述历史皮肤状态伪标注图，利用公式确定第m次迭代的损失函数；

判断第m次迭代的损失函数是否小于损失函数阈值，得到判断结果；

若所述判断结果为否，则根据多张所述历史皮肤状态伪标注图更新所述训练集，令迭代次数m的数值增加1，并返回步骤“将所述训练集为输入到第m-1阶类别识别模型中，得到第m阶类别识别模型和多张历史皮肤状态伪标注图”；

若所述判断结果为是，则确定第m阶类别识别模型为类别识别模型；