[发明专利]一种色素痣与黑素瘤的智能判别系统及方法

说明书

本发明涉及一种色素痣与黑素瘤的智能判别系统及方法：首先，将样本库中待训练色素痣与黑素瘤的病理照片在不同倍数下进行提取、分类，并处理为标准化像素矩阵作为训练样本；其次，分别搭建不同倍数下的多层网络化训练模型针对不同类别、不同倍数下的色素痣与黑素瘤训练样本进行在线智能学习及对多层网络化训练模型的优化，以达到预期的训练精度；最后，将多个训练好的网络化训练模型与不同倍数下的色素痣与黑素瘤训练样本权重进行融合，构建不同倍数下色素痣与黑素瘤的智能判别方法；本发明具有智能性强、精确度高的特点，提高了色素痣与黑素瘤的自主判别效率及精度，大大节省了人工成本。

技术领域

本发明涉及人工智能领域，尤其涉及一种色素痣与黑素瘤的智能判别系统及方法。

背景技术

近年来，黑素瘤的发病率愈发增高，而色素痣与黑素瘤在外表上的相似性特征给皮肤科医师在临床诊断中带来了一定困难。传统的判别方法是根据经验医师通过对病理切片进行观察得到诊断结果，此方法虽然能够有效地解决临床的诊断问题，但是随着病人的增多，病理切片的数量也随之增多，有限的人力已经无法满足现在的就医问题。高强度的工作会给医生的临床诊断精度带来巨大影响，如何在现有的基础上，结合医师的经验并大大解放亲力亲为的状态，是亟需解决的一个关键问题。伴随着计算机技术的飞速发展，人工智能领域正处在蓬勃发展的时期。借助人工智能技术的自主性高、智能性强的优点，人脸检测、车牌识别、无人机等系统已经成为炙手可热的研究领域。现有文献所采用的技术大多通过化学实验与人工阅片的方式对病理图像进行处理与判别，近年来有相关研究利用计算机技术进行疾病的判别，如发表于《甘肃科技》杂志的“判别分析方法在疾病诊断中的应用”，其中采用Bayes判别法和马氏距离对疾病进行分类，但是对于黑素痣与黑素瘤的判别不仅不具有针对性，而且缺乏对数据样本的在线学习能力，在判别效率上存在极大的提升空间。亟需找到一个高效、准确的黑素痣与黑素瘤判别方法。

发明内容

本发明的技术解决问题是：针对色素痣与黑素瘤的判别，提供一种智能自主判别方法，在保证判别准确度前提下，提升了判别的自主性，大大节省了人工成本。

本发明的技术解决方案为：

本发明的一种色素痣与黑素瘤的智能判别系统，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的进行在线实时学习；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。

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。此三个倍数是经过反复试验得出的判别倍数。在临床样本图像检测的过程中，色素痣与黑素瘤在这三个倍数下的性状特征具有比较明显的特征区别。

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。