[發(fā)明專利]一種皮膚鏡圖像檢測(cè)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202211514029.2
• 申請(qǐng)日: 2022-11-29
• 公開（公告）號(hào): CN116012638A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 汪濤;李佐勇;黃中政;蔡遠(yuǎn)征
• 申請(qǐng)（專利權(quán)）人: 閩江學(xué)院
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/52;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 福州市景弘專利代理事務(wù)所(普通合伙) 35219
• 代理人: 黃以琳

1.一種皮膚鏡圖像檢測(cè)方法，其特征在于，包括如下步驟：

獲取皮膚鏡圖像并進(jìn)行預(yù)處理；

從深度神經(jīng)網(wǎng)絡(luò)的不同層提取特征，對(duì)提取所得的特征作糾正激活操作，所述糾正激活操作為：將提取所得特征與預(yù)設(shè)閾值進(jìn)行比較，獲得最優(yōu)特征值用于輸入分類器；

評(píng)估出性能最優(yōu)的層用于判定分布外樣本。

2.如權(quán)利要求1所述的皮膚鏡圖像檢測(cè)方法，其特征在于，所述“從其不同層提取特征，并評(píng)估出性能最優(yōu)的層用于檢測(cè)”具體包括：在淺層網(wǎng)絡(luò)中使用的分類器為單類SVM，所述淺層網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)的第一層至倒數(shù)第二層；在深層網(wǎng)絡(luò)中使用的分類器為適應(yīng)性Gram矩陣，所述深層網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)的最后一層。

3.如權(quán)利要求1所述的皮膚鏡圖像檢測(cè)方法，其特征在于，對(duì)待輸入單類SVM分類器的特征，對(duì)其在通道維度上作降維處理，所述降維處理的算法具體為：其中w、h為寬度、高度，為f^l(x)的第(i，j，k)個(gè)元素。

4.如權(quán)利要求1所述的皮膚鏡圖像檢測(cè)方法，其特征在于，所述判定分布外樣本的方法包括：以每層分類器輸出的最大真陰性率確定最終異常分?jǐn)?shù)計(jì)算層S，并以最終異常分?jǐn)?shù)計(jì)算層S的計(jì)算結(jié)果與一閾值進(jìn)行比較，將低于閾值的數(shù)據(jù)判定為分布外樣本；真陰性率TNR以及異常分?jǐn)?shù)計(jì)算層S的算法分別為：

其中TN為真陰性數(shù)，F(xiàn)P為假陽性數(shù)，s_l(·)表示不同層的單類SVM的輸出，g(·)表示適應(yīng)性Gram矩陣的輸出。

5.一種皮膚鏡圖像檢測(cè)裝置，其特征在于，包括預(yù)處理單元、特征提取單元、糾正激活單元和評(píng)估單元；

所述預(yù)處理單元用于獲取皮膚鏡圖像并進(jìn)行預(yù)處理；

所述特征提取單元用于從深度神經(jīng)網(wǎng)絡(luò)的不同層提取特征，所述糾正激活單元用于對(duì)提取所得的特征作糾正激活操作，所述糾正激活操作為：將提取所得特征與預(yù)設(shè)閾值進(jìn)行比較，獲得最優(yōu)特征值用于輸入分類器；

所述評(píng)估單元用于評(píng)估出性能最優(yōu)的層用于判定分布外樣本。

6.如權(quán)利要求5所述的皮膚鏡圖像檢測(cè)裝置，其特征在于，在特征提取單元和糾正激活單元“從其不同層提取特征，并評(píng)估出性能最優(yōu)的層用于檢測(cè)”的過程中，在淺層網(wǎng)絡(luò)中使用的分類器為單類SVM，所述淺層網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)的第一層至倒數(shù)第二層；在深層網(wǎng)絡(luò)中使用的分類器為適應(yīng)性Gram矩陣，所述深層網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)的最后一層。

7.如權(quán)利要求5所述的皮膚鏡圖像檢測(cè)裝置，其特征在于，還包括降維單元，所述降維單元用于對(duì)輸入單類SVM分類器的特征，在通道維度上作降維處理，所述降維處理的算法具體為：

其中w、h為寬度、高度，為f^l(x)的第(i，j，k)個(gè)元素。

8.如權(quán)利要求5所述的皮膚鏡圖像檢測(cè)裝置，其特征在于，所述評(píng)估單元判定分布外樣本的方法包括：以每層分類器輸出的最大真陰性率確定最終異常分?jǐn)?shù)計(jì)算層S，并以最終異常分?jǐn)?shù)計(jì)算層S的計(jì)算結(jié)果與一閾值進(jìn)行比較，將低于閾值的數(shù)據(jù)判定為分布外樣本；真陰性率TNR以及異常分?jǐn)?shù)計(jì)算層S的算法分別為：

S＝argmax[TNR(s₁(x))，…，TNR(s_L-2(x))，TNR(s_L-1(x))，TNR(g_L(x))}；

其中TN為真陰性數(shù)，F(xiàn)P為假陽性數(shù)，s_l(·)表示不同層的單類SVM的輸出，g(·)表示適應(yīng)性Gram矩陣的輸出。