[發明專利]基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統

在審

• 申請號: 202011241527.5
• 申請日: 2020-11-09
• 公開（公告）號: CN112233776A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 潘輝;程偉;鄭威
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06T7/00;G06N3/04
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 杭行

1.一種基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，包括硬件部分和軟件部分，所述硬件部分包括個人終端設備、前端顯示模塊、后端處理模塊；所述軟件部分包括自學習輔助判定程序。

2.根據權利要求1所述的基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，所述自學習輔助判定程序包括以下步驟：

步驟一：用戶通過個人終端設備對疑似皮膚病區域進行拍照；

步驟二：將步驟一的圖片通過前端顯示模塊上傳并選擇是否授權個人數據用于幫助后續算法改進；

步驟三：將步驟二中授權的數據存入數據庫中后送入服務器或者將步驟二中未授權的數據直接送入服務器；

步驟四：針對步驟三得到的圖片進行預處理以獲得歸一化輸入；

步驟五：利用漸進式空洞網絡對步驟四的歸一化數據進行壓縮、根據紋理特征進行特征提取和識別判定；

步驟六：針對步驟五的判定結果返回至前端顯示模塊；

步驟七：服務器空余算力大于50％時，將自動讀取數據庫中的數據并進行數據增廣以自我迭代，提升算法的識別精度。

3.根據權利要求2所述的基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，所述步驟五和步驟七所設計的一種基于視覺漸近式空洞網絡的皮膚病自學習輔助判定方法，包括以下流程：

流程a：在輸入層中將輸入算法的數據壓縮為128×128pixels，將數據統一以提升模型兼容性，數據壓縮使得算法可以適應不同質量的數據圖像，有利于提升模型的泛化能力；

流程b：第一層中使用一個卷積層，可以快速對提升特征維度、去除圖像冗余、增加非線性能力；

流程c：后續層級吸收殘差思想，將空洞卷積融入殘差塊模塊中；

流程d：殘差模塊中的快捷連接可以幫助卷積層學習上下文信息，避免網絡退化并減少模型訓練時間，殘差塊中包含兩個堆疊的空洞卷積層，同時各個層使用批標準化技術和Relu激活函數；

Relu＝max(0,x)

其中空洞卷積表示為：

式中，第L層的卷積核K^l大小為k×k，D_k為空洞卷積的空洞率；

流程e：將流程d的堆疊殘差塊中的空洞卷積的空洞率依次設置為：

dilated rate＝(2n)??！

式中，n為正整數；

流程f：每隔三個殘差塊中間插入一個最大池化層，該操作與流程e是為了解決空洞卷積的棋盤效應；

流程g：使用隨機梯度下降stochastic gradient descent,SGD訓練步驟七設計的網絡；

流程h：使用SoftMax分類器并配合知識蒸餾來計算識別的概率：

式中，z是上一層的輸出，SoftMax的輸入，維度為C，yi為SoftMax公式

qi為知識蒸餾后的SoftMax公式，T為調節參數

流程i)針對流程h的概率進行排序，取最大值P_y(max)與其對應的標簽作為結構返回至前端顯示。

4.根據權利要求3所述的基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，所述步驟七的數據增廣方法包括：圖像變換、圖像裁剪、圖像混疊。

5.根據權利要求4所述的基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，步驟七具體方法包括以下內容：在原始圖像上進行隨機裁剪和隨機翻轉操作，基于一定的策略對原始圖像數據進行圖像處理；策略包括銳化、亮度變化和直方圖均衡化；在原始數據中設置掩碼、隨機遮擋以使網絡獲得非顯著特征；在進行批處理后，將數據和數據、病例與病例之間進行混疊，形成新的批數據。

6.根據權利要求1-5任一項所述的基于視覺漸近式空洞網絡的皮膚病自學習輔助判定系統，其特征在于，所述的個人終端設備為擁有至少800W像素且配備網絡連接功能的個人終端設備；所述前端顯示模塊是采用HTML5技術編寫的自適應網頁；所述后端服務器是配備了NVIDIAGTX 2080Ti的GPU計算機服務器集群。