[发明专利]黑色素瘤图像识别方法、装置、计算机设备及存储介质

权利要求书

1.一种基于神经网络的黑色素瘤图像识别方法，其特征在于，包括：

基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；

获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；

将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；

在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；

若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；

接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。

2.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化的步骤包括：

将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中，利用联合优化公式对所述图像预测结果和所述图像真实结果进行对抗训练，以提高所述图像预测结果与所述图像真实结果之间的相似度；

在得到所述对抗训练对应的训练结果时，根据所述训练结果对所述图像分割网络和所述评判网络对应的模型参数进行优化。

3.如权利要求1或2所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型的步骤之后，还包括：

将所述黑色素瘤图像识别模型存储至区块链网络。

4.如权利要求3所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将所述黑色素瘤图像识别模型存储至区块链网络的步骤之后，还包括：

检测到所述区块链网络上存储的黑色素瘤图像识别模型更新时，从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数；

根据获取到的模型参数更新本地存储的黑色素瘤图像识别模型。

5.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤包括：

接收到目标图像时，检测所述目标图像的图像质量是否满足预设条件；

若是，则将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率；

若否，则输出提示信息，所述提示信息用于提示重新采集目标图像。

6.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤之后，还包括：

检测所述目标图像属于黑色素瘤图像的概率是否大于预设阈值；

若是，则输出所述目标图像对应的告警信息。

7.如权利要求6所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述输出所述目标图像对应的告警信息的步骤之后，还包括：

接收到所述告警信息的确定响应时，将所述目标图像作为所述黑色素瘤图像样本，并基于所述目标图像更新所述黑色素瘤图像识别模型。