[发明专利]基于深度学习的黑色素瘤识别方法及装置

说明书

本发明公开了一种基于深度学习的黑色素瘤识别方法及装置，通过采集色素痣与黑色素瘤的图像数据；利用深度残差网络技术对所述色素痣与黑色素瘤的图像数据进行特征信息的提取；将提取后的特征信息与色素痣与黑色素瘤进行对应，建立相应的关系数据库；利用贝叶斯网络技术建立色素痣与黑色素瘤的贝叶斯网络关系图；根据所述贝叶斯网络关系图建立线性回归决策树分类器，通过所述分类器对色素痣与黑色素瘤图像进行认知识别。本发明能够提高对色素痣与黑色素瘤识别的正确率，同时也提高了整个系统运行的效率，提高了用户体验。

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种基于深度学习的黑色素瘤识别方法、装置、计算机设备和存储介质。

背景技术

黑色素瘤(melanoma，mm)，又称恶性黑色素瘤，是来源于黑色素细胞的一类恶性肿瘤，常见于皮肤，亦见于黏膜、眼脉络膜等部位。黑色素瘤是皮肤肿瘤中恶性程度最高的瘤种，容易出现远处转移，是致命的一种皮肤病，其病因和发病机制尚不明确。由于该病临床及病理类型较多，易与色素痣(nevus，ns)、脂溢性角化病(seborrheickeratosis，sk)等相混淆。并且部分色素痣(包括胎记、太田痣、黑毛痣、鲜红斑痣、咖啡斑、兽皮痣、伊藤痣、疣状痣、皮脂腺痣、表皮痣、贝壳痣、色素痣、雀斑样痣、黑色素细胞痣等)与黑色素瘤(包括血管瘤、良性角化病、基底细胞癌、上皮内癌、皮肤纤维瘤、皮肤血管瘤等)发生发展也有一定关系。同时，恶性皮肤病数据在不同年龄段、肤色、性别、国籍所占比例完全不同，因此色素痣与黑色素瘤难以鉴别。特别是在数据样本偏少、数据分布不均衡的情况下，要想实现黑色素瘤的精准识别以及判定其是恶性或者是良性更是难上加难。

针对相关技术中黑色素瘤的分类方式的样本偏少、数据不均衡导致的分类识别率较低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供一种基于深度学习的黑色素瘤识别方法、装置、计算机设备和存储介质，用以解决相关技术中黑色素瘤的分类方式的样本偏少、数据不均衡导致的分类识别率较低的问题。

为了实现上述目的，本发明实施例的第一方面，提供一种基于深度学习的黑色素瘤识别装置，包括：

数据采集模块，用于采集色素痣与黑色素瘤的图像数据；

特征提取模块，用于利用深度残差网络技术，对所述色素痣与黑色素瘤的图像数据进行特征信息的提取，其中特征信息包括表皮颜色、皮损面积、皮损状态和边界；

数据库建立模块，用于将提取后的特征信息与色素痣与黑色素瘤进行对应，建立相应的关系数据库；

关系图建立模块，用于利用贝叶斯网络技术，建立色素痣与黑色素瘤的贝叶斯网络关系图；

认知识别模块，用于根据所述贝叶斯网络关系图建立线性回归决策树分类器，通过所述分类器对色素痣与黑色素瘤图像进行认知识别。

可选地，在第一方面的一种可能实现方式中，所述关系图建立模块包括：

关系图建立单元，用于利用贝叶斯网络模型，根据色素痣与黑色素瘤名称、语义特征信息要素，以及特征信息与名称的相互关系，建立各语义特征信息与名称的贝叶斯网络关系图。

可选地，在第一方面的一种可能实现方式中，所述关系图建立单元包括：

语义特征信息确定子单元，用于根据色素痣与黑色素瘤症状信息确定语义特征信息作为贝叶斯网络节点变量；

无向图构建子单元，用于统计色素痣与黑色素瘤两两语义特征信息组合出现的频次，如果所述频次大于或者等于预设阈值，则将两语义特征信息进行连接确定一条边，以此类推确定所有边来建立无向图；

有向图构建子单元，用于在确定无向图的所有边后，如果两语义特征信息存在关系，则根据两语义特征信息与给定语义特征信息之间互信息的差值来判断两语义特征信息间的关系方向，从而确定所有边的方向来建立有向图；