[发明专利]一种色素痣与黑素瘤的智能判别系统及方法

权利要求书

1.一种色素痣与黑素瘤的智能判别系统，其特征在于，包括：

输入模块，接收病理图像，发送至判别模块；

判别模块，接收所述病理图像，分类为色素痣或黑素瘤，将分类结果发送至输出模块；

输出模块，输出所述病理图像的所述分类结果；

所述判别模块，包括：

样本收集与预处理模块，收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为不同倍数下的色素痣与黑素瘤训练样本；

模型训练模块，针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型，通过对样本图像数据进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；

模型融合模块，为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型。

2.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述样本收集与预处理模块中所述不同倍数为20倍、100倍和400倍。

3.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述样本收集与预处理模块中所述标准化像素矩阵为标准化n*n像素的0～255灰度图像矩阵，n代表标准化图像的行或列像素个数。

4.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型训练模块中所述多层网络化训练模型为α层网络化训练模型，其中α≥3，包括输入层、输出层与至少一个中间层；所述输入层、所述中间层与所述输出层各层由n₁,n₂,n₃个神经元组成，所述神经元包含赋权函数，每个所述神经元接收上一层所述神经元的输出值、通过所述神经元的赋权函数计算输出值、传递输出值到下一层的神经元中。

5.根据权利要求1或3所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型训练模块中所述训练模型为BP神经网络、卷积神经网络或径向基神经网络。

6.根据权利要求2所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型融合模块中20倍数下所述训练好的网络化训练模型的所述设定权重为0.3，100倍数下所述训练好的网络化训练模型的所述设定权重为0.3，400倍数下所述训练好的网络化训练模型的所述设定权重为0.4。

7.一种色素痣与黑素瘤的智能判别方法，其特征在于，包括以下步骤：

(1)收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为得到不同倍数下的色素痣与黑素瘤训练样本；

(2)针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；

(3)为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型，用于色素痣与黑素瘤的智能判别。