[发明专利]基于深度学习与色差评定的PWS自动选区评分方法

说明书

本发明公开了一种基于深度学习与色差评定的PWS自动选区评分方法，至少包括以下步骤：S1：获取激光前后图片；S2：激光前后图片进行透视变换矫正位置；S3：激光前图片通过U‑Net分割获取得到病灶区域掩膜图片，并病灶区域掩膜图片与人脸特征点进行其他皮肤区域的自动选区；S4：计算得到激光前后病灶区域与其他皮肤区域的LAB色差值，前后色差值变化情况量化得到最终结果。本发明实现了对激光前后鲜红斑痣(port‑wine stains，PWS)的自动量化评分，具有成本低、适应性强、效率高等特点，为后续激光方案确定提高更可靠的医学解释。

技术领域

本发明属于医学与机器视觉应用领域，涉及一种基于深度学习与色差评定的PWS自动选区评分方法。

背景技术

鲜红斑痣(port-wine stains，PWS)又名葡萄酒色斑、毛细血管扩张痣，其本质是一种毛细血管和后微静脉的畸形，鲜红斑痣一般多见于出生时或出生不久后出现，发病原因不明。鲜红斑痣初发皮损一般为粉红、暗红或紫色斑片，但是随着患者年龄不断成长亦有可能在皮面上发生结节状损害。因为鲜红斑痣多见于患者的面部与颈部，严重影响患者美观，损害患者的身心健康与给患者日常生活带来巨大的精神压力。

随着激光医学的飞速发展，出现了许多新型的激光方法，但是由于研究者所采用的疗效评估方法与标准并不统一，对于术后疗效大多时候依靠医生目测，这种方法易受主观因素影响，医生的感官也容易受环境因素(角度，光照情况，激光后周围的组织水肿)的影响，其他的心理与生理因素都会影响到医生的实际评估。在这样多种因素影响下的疗效评定结果因为主观误差的存在并不能满足判断要求。

尽管病人需求的增长，但目前激光激光PWS的激光效果不佳，在过去的三十年中没有明显改善。缺乏进展的一个因素可能是在确定激光方案时，缺乏对病变的深度和程度的考虑。无法量化的结果既不能用于科研交流，极大的限制了临床医学在PWS上的科研发展，也无法提供客观及时的评测结果以便医生与患者的沟通，长此以往不利于后续激光的跟进，甚至产生医患纠纷。综上所述，探索一种可靠并且客观经济的评估方法非常有必要。

发明内容

为解决上述问题，本发明针对传统的PWS诊断方法的缺点，提出了一种基于深度学习与色差评定的PWS自动选区评分方法，让识别处理更便捷以提高PWS的识别效率。

为实现上述目的，本发明的技术方案为一种基于深度学习与色差评定的PWS自动选区评分方法，包括以下步骤：

S1：获取激光前后图片；

S2：激光前后图片进行透视变换矫正位置；

S3：分割得到病灶区域与其他皮肤区域；

S4：计算得到前后色差值变化情况。

优选地，所述S2进一步包括以下步骤：

获取激光前后的68对人脸特征点；

68对特征点依据最小反射错误率的原则计算得到最佳的3*3变换矩阵；

激光后图片依据3*3变换矩阵进行透视变换与激光前图片重合病灶位置。

优选地，所述S2中基于68对特征点生成最佳3*3变换矩阵，通过投影变换矫正激光后图片，具体为68对人脸特征点任取四对均得到一个3*3的变换矩阵：

其中，用于产生图像的线性变换，T₂＝[h₁₃ h₂₃]^T用于产生图像的透视变换，T₃＝[h₃₁ h₃₂]用于图像平移变换矩阵中z轴归一化为1，h33＝1；

计算激光前后图片坐标变换公式为：