[发明专利]一种应用于web的七类皮肤肿瘤检测方法

摘要

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。

主权项

1.一种应用于web的七类皮肤肿瘤检测方法，其特征在于，该方法具体包括以下步骤：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，减弱背景因子的权重；步骤2、数据增强：采取RGB直方图均衡化；步骤3、数据上采样：搭建的生成对抗网络GAN，生成对抗网络GAN包括了两个部分：生成模型G和判别模型D，定义LS为真假样本来源判别分类正确的最大似然估计，LC为样本类型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；步骤4、网络模型优化：在原有的Inception块结构内部也加入了Inception结构，并用1*1的卷积核对内部Inception结构进行卷积操作；并在相邻Inception块之间用残差网络连接，使网络能够高速收敛；设置初始学习率为1e‑4，并使用余弦退火算法，得到分类性能不错的模型；采用Focal loss作为新的损失函数，使相似样本更易训练；步骤5、模型分类：基于改进后的网络进行迁移学习，通过试验获取超参数的最优值，最后经过训练得到分类性能最佳的模型；步骤6、模型移植：在Web服务端将经Tensorflow训练好的模型加载成二进制字节流的形式，另一方面将病灶区图像在内存中进行大小色彩像素等预处理生成四维Tensor，将这两者一起传到Tensorflow工具集的分析接口中，这样就完成了模型移植，并在图像预处理阶段保留了模型的权重；步骤7、分类皮肤肿瘤检测：患者通过浏览器上传病灶区图像，浏览器发送请求交由服务端处理，服务端应用程序识别病灶区图像，并将分析的检测结果返回给浏览器，检测结果对应的就是患者患七类皮肤肿瘤分别的概率。