[發明專利]一種皮膚鏡圖像檢測方法和裝置

在審

• 申請號: 202211514029.2
• 申請日: 2022-11-29
• 公開（公告）號: CN116012638A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 汪濤;李佐勇;黃中政;蔡遠征
• 申請（專利權）人: 閩江學院
• 主分類號: G06V10/764
• 分類號: 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所(普通合伙) 35219
• 代理人: 黃以琳

為進一步提升檢測性能，發明人提出了一種皮膚鏡圖像檢測方法，包括如下步驟：獲取皮膚鏡圖像并進行預處理；從深度神經網絡的不同層提取特征，對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設閾值進行比較，獲得最優特征值用于輸入分類器；評估出性能最優的層用于判定分布外樣本。與現有技術不同，本發明設計了一個基于分類的多尺度檢測框架來進一步提升檢測性能。

技術領域

本發明涉及計算機軟件領域，特別涉及圖像處理中一種皮膚鏡圖像檢測分類方法和裝置。

背景技術

皮膚疾病是一類常見疾病，但人類在沒有專業知識的情況下很難對其進行區分，因此深度學習被應用于這一領域，即在臨床診斷中對皮膚疾病進行自動診斷。深度神經網絡通常假設訓練集與測試集類別相同，然而在現實應用中，經常需要識別系統檢測一些不屬于訓練集類別的圖片，此時系統會在某些圖片上產生較高置信度，將外部圖片(如一些表皮顏色與病變顏色接近的動物圖片)誤識別為皮膚病，削弱了皮膚病識別系統的安全性，給患者帶來不利影響。

為了解決這個問題，深度學習中的分布外檢測方法得到應用，該方法希望通過提前辨別輸入的數據是否為分布外(OOD)樣本來減少模型的錯誤率。現有的OOD檢測方法可以分為基于密度，基于距離和基于分類。基于分類的OOD檢測方法通過使用分類器對提取的特征進行分類來判斷輸入樣本是否為OOD樣本。由于這種方法操作簡便，因此在圖像分類領域得到了廣泛的應用。有研究者證明了將分布內(ID)數據嵌入到低維空間可以使OOD數據更容易被檢測到。如果測試數據占據ID數據的區域概率為0，則屬于OOD類別。有人設計了一個基于邊界的OOD分類器，他們首先結合視覺特征和語義特征，然后找出每個類的流形邊界和中心來區分OOD樣本；還有研究人員提出了一個語義一致的OOD檢測基準，并設計了一個無監督雙分組的特征提取框架，在提高ID數據分類性能和OOD數據檢測性能的同時可以豐富語義信息。

發明內容

基于此，需要提出一種可以進一步提升檢測性能的皮膚鏡圖像檢測方案。

為此，發明人提出了一種皮膚鏡圖像檢測方法，包括如下步驟：

獲取皮膚鏡圖像并進行預處理；

從深度神經網絡的不同層提取特征，對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設閾值進行比較，獲得最優特征值用于輸入分類器；

評估出性能最優的層用于判定分布外樣本。

進一步地，所述的皮膚鏡圖像檢測方法中，所述“從其不同層提取特征，并評估出性能最優的層用于檢測”具體包括：在淺層網絡中使用的分類器為單類SVM，所述淺層網絡為神經網絡的第一層至倒數第二層；在深層網絡中使用的分類器為適應性Gram矩陣，所述深層網絡為神經網絡的最后一層。

進一步地，所述的皮膚鏡圖像檢測方法中，對待輸入單類SVM分類器的特征，對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)個元素。

進一步地，所述的皮膚鏡圖像檢測方法中，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數計算層S，并以最終異常分數計算層S的計算結果與一閾值進行比較，將低于閾值的數據判定為分布外樣本；真陰性率TNR以及異常分數計算層S的算法分別為：

其中TN為真陰性數，FP為假陽性數，s_l(·)表示不同層的單類SVM的輸出，g(·)表示適應性Gram矩陣的輸出。

發明人同時提出了一種皮膚鏡圖像檢測裝置，包括預處理單元、特征提取單元、糾正激活單元和評估單元；

所述預處理單元用于獲取皮膚鏡圖像并進行預處理；