[發明專利]一種基于卷積神經網絡的糖尿病足部潰瘍分類方法

在審

• 申請號: 201711368840.3
• 申請日: 2017-12-18
• 公開（公告）號: CN108108757A
• 公開（公告）日: 2018-06-01
• 發明（設計）人: 夏春秋
• 申請（專利權）人: 深圳市唯特視科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/32;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經網絡的糖尿病足部潰瘍分類方法，其特征在于，主要包括創建糖尿病足潰瘍(DFU)數據集(一)；感興趣區域(ROI)標記(二)；增加數據(三)；訓練補丁的預處理和常規機器學習(四)；構建糖尿病足潰瘍網絡(DFUNet)(五)。

2.基于權利要求書1所述的創建糖尿病足潰瘍(DFU)數據集(一)，其特征在于，收集來自不同患者的DFU的標準化彩色圖像的數據集，訓練各種深度學習模型；收集292張DFU患者足部圖像和105張健康足部圖像，圖像采用全尺寸的特寫拍攝，距離約30-40厘米，平行于潰瘍平面；避免使用閃光燈作為主要光源，而是使用足夠的室內燈光使圖像中顏色一致；同時應確保近距離對焦，避免因近距離而造成圖像模糊。

3.基于權利要求書1所述的感興趣區域(ROI)標記(二)，其特征在于，對于潰瘍足部的每個完整圖像，醫學專家圍繞潰瘍的重要區域描繪了感興趣區域(ROI)，包括正常和異常的顯著組織皮膚；對于同時伴有潰瘍和非潰瘍的圖像注釋，總共有292個ROI(僅用于具有潰瘍的足部圖像)；從這些注釋中，共產生了1679個皮膚補丁，包括641個正常補丁和1038個異常補丁；最后，將數據集劃分為1423個補丁的訓練集、84個補丁的驗證集和172個補丁的測試集。

4.基于權利要求書1所述的增加數據(三)，其特征在于，深度網絡需要大量的訓練圖像數據，特別是需要通過學習算法調整卷積層相關的權重；因此，使用增加數據的方法來提高深度學習方法的性能；即使用各種圖像處理技術的組合，如旋轉、翻轉、增強對比度、使用不同的色彩空間、隨機縮放或通過90°、180°、270°的角度對圖像進行旋轉；然后，對原始色塊執行三種類型的翻轉(水平翻轉、垂直翻轉、水平并垂直翻轉)；用于數據增加的四個顏色空間是Ycbcr、NTSC、HSV和L*a*b；增強對比度時，使用了調整圖像強度值、直方圖均衡的增強對比度、限制對比的自適應直方圖均衡三個函數；使用隨機偏移量和隨機方向從皮膚補丁的原始數據集中生成了兩倍的裁剪補丁；通過這些技術，一共增加了15次訓練和驗證補丁的數量，即21345個訓練補丁和1260個用于驗證的補丁。

5.基于權利要求書1所述的訓練補丁的預處理和常規機器學習(四)，其特征在于，由于數據增獲加得了大量的訓練數據，因此對這些補丁進行預處理是非常重要的；使用零中心技術對這些獲得的補丁進行預處理，然后對每個像素進行歸一化處理；

對DFU和健康皮膚之間差異進行觀察，可知顏色和紋理特征描述符是分類的視覺線索；對于這個兩類分類問題，選擇順序最小優化(SMO)作為基于支持向量機(SVM)的機器學習分類器；

(1)特征描述符：將整個數據集的補丁大小調整為256×256，以提取統一的顏色和紋理特征描述符；使用的三種顏色空間：RGB、HSV和L*u*v；

(2)局部二元模式(LBP)是分類中最常用的紋理描述符之一；提取LBP特征以識別足部異常區域中的紋理的強烈變化，從而檢測DFU；

(3)定向梯度直方圖(HOG)將基于像素的表示轉換為基于梯度；在這種分類的背景下，HOG在圖像中的異常位置處的圖像梯度給出了該位置的強度變化；梯度是一個向量，它既有大小又有方向。

6.基于權利要求書1所述的構建糖尿病足潰瘍網絡(DFUNet)(五)，其特征在于，DFUNet結合了兩種卷積層，即網絡起始處的傳統卷積層，其使用單個卷積濾波器，接著是平行卷積層，其使用多個卷積層用于從相同輸入中提取多個特征；

健康的皮膚趨向于表現出光滑的質地，而DFU具有許多明顯的特征，包括邊緣大、強度或顏色變化強烈、周圍的健康皮膚和潰瘍本身之間快速變化；DFUN分為三個主要部分：初始化層，比先前的網絡層更有效地區分潰瘍的平行卷積層，最后是完全連接層和基于softmax的輸出分類器；用于DFUNet訓練的參數是40個時期，批量大小為8，Adam求解器的學習率為0.001；學習率降低33％，γ值設置為0.1時采用降壓策略；

DFUNet包括輸入數據、平行卷積、完全連接層和輸出分類器。