[发明专利]一种AGA临床图像的AI辅助毛发的粗细分布分析方法

说明书

本发明公开了一种AGA临床图像的AI辅助毛发的粗细分布分析方法，属于人工智能的图像识别领域。将人工智能与AGA临床图像的识别相结合，采用深度学习的方式，对AGA临床图像进行辅助毛发粗细分布估计，从而减轻人工工作负担，提高了诊断准确率。可以对任意一张光照良好，图片清晰的AGA临床图像进行解析。通过图像预处理，卷积神经网络提取图像特征，候选区域生成网络生成候选框，分类和回归器检测出毛发粗细类别及其位置，毛发粗细分布统计自动进行毛发粗细分布估计。分析的效率高，且自动化程度好，给予医生的判断提供了详细而且准确的数据支持，有利于推广。

技术领域

本发明涉及人工智能的图像识别领域，更具体地说，涉及一种AGA临床图像的AI辅助毛发的粗细分布分析方法。

背景技术

近年来，AI在医学图像识别领域迅速发展，并具有较高的准确性，可大幅度减轻医生的工作负担。在图像识别方面，AI算法从经处理的临床照片、皮肤镜图片、病理切片中提取特征，进行自动分类诊断，在眼科、皮肤科等领域中有较多研究。但对于AGA临床图像的辅助量化和分级，还缺乏相应的AI图像识别方法。

AGA的治疗方案选择及疗效评估与其分级密切相关。目前，AGA的分级方法主要为汉密尔顿分级。该分级方法主要依靠医师肉眼对患者的发际线形态、毛发密度进行粗略判断，具有很强的主观性，缺乏定量标准，容易造成结果的不统一。通过对AGA的临床图像进行毛发的粗细分布评估将大大提高分级的准确性，但该过程会产生大量的机械性工作，费时费力，加重了医生的工作负担，降低就医效率。

现有的也有对于皮肤病症的一些识别方法，但是其针对性不强，且没有给出对应整合计算的方法，中国专利申请，申请号201711030895，公开日2018年4月13日，公开了一种基于深度学习的皮肤癌黑色素瘤的图像识别方法，包括：皮肤病变皮肤镜图像数据库、数据预处理和质量评估筛选、级联深度卷积神经网络、引入迁移学习和分类器；在训练阶段，首先在原始数据上进行增强或筛除；再在输入正负样本后，进行样本扩充技术和防止过拟合，在预处理阶段，加入数据增强，随后进行两个深度卷积神经网络级联，再将在自然图像上预训练出的现成特征迁移学习到识别网络中，最后利用分类器进行分类的预测，根据网络收敛和预测情况再进行网络参数微调；此发明提高了皮肤病变分类的准确性，且避免了人工选取特征的局限性，适应能力更强，对于医疗皮肤疾病图像分析有一定意义。但是其主要针对于部分裸露病症的图像，未考虑被遮挡区域的图像因素，准确率不是很高，有局限性。

发明内容

1.要解决的技术问题

针对现有技术中存在的主要针对于部分裸露病症的图像，未考虑被遮挡区域的图像因素，准确率不是很高，有局限性的问题，本发明提供了一种AGA临床图像的AI辅助毛发的粗细分布分析方法，它可以实现对有遮挡以及各种不清晰的皮肤病变图像进行识别和量化分级，准确率高。

2.技术方案

本发明的目的通过以下技术方案实现。

一种AGA临床图像的AI辅助毛发的粗细分布分析方法，步骤如下：

101)数据预处理：对输入的AGA临床图像进行预处理，选取适合进一步分析的图像块；

102)通过训练好的卷积神经网络提取图像特征；

103)通过训练好的候选区域生成网络找出候选区域；

104)对于步骤103)得到的候选区域，在这些区域上通过训练好的分类回归器进行分类和位置参数回归；

105)统计毛发粗细分布比例：由步骤104)得到输入图像中所包含的不同粗细类别的毛发，统计毛发粗细分布比例。

更进一步的，步骤101)中，预处理包括，尺寸归一化、必要的图像增强、噪声抑制，以及对图像进行分块质量评估。