1.本发明涉及一种计算机视觉技术，尤其是一种基于计算机视觉玫瑰痤疮类别识别软件。
技术背景
2.玫瑰痤疮是一种好发于面中部的慢性炎症性皮肤病,常见于20～70岁的女性人群中，其中女性患者数量远多于男性患者数量，并且老年人和儿童同样有较高的患病风险。虽然有很多关于玫瑰痤疮的患病率和易发人群的研究，但是这些研究结果存在着显著性差异。研究结果存在的差异很可能与研究方法不同、诊断标准不一致、饮食生活习惯不同、基因或种族差异、地域气候不同等因素有关，但从全局来看，玫瑰痤疮的在不同人群中的总体患病率呈逐年增长的趋势。玫瑰痤疮的临床表现特征具有多样性，它包括不同类型的临床症状，即面部中央区阵发性潮红或持续性红斑、毛细血管扩张、肥大增生、炎症性丘疹或脓疱及眼部特征等客观表现症状和皮肤干燥、瘙痒、灼热、刺痛等主观症状。玫瑰痤疮虽然是一种临床常见疾病，但极易被误诊误治，医疗周期长，易反复发作，严重影响玫瑰痤疮患者的工作生活和心理健康。只有快速准确地对玫瑰痤疮进行诊断，才能有效地治疗玫瑰痤疮，为患者减少损失。根据相关调查显示，每年玫瑰痤疮患者数量不断增加，而皮肤科医生数量严重不足，导致皮肤科医生经常进行超负荷的工作，大大降低了皮肤科医生对玫瑰痤疮进行诊断的准确率和效率，因此迫切需要一种新的技术手段来辅助皮肤科医生对玫瑰痤疮进行快速和准确的诊断。传统医学存在大量冗余的数据生成，导致学习效率低下的问题，手工提取特征难以捕捉高级语义特征和复杂内容。随着卷积神经网络，计算机能力及计算机视觉等方向的发展，基于深度学习的医学图像分类经在精度和实时性方面，远远赶超传统图像。
技术实现要素：3.本发明提供一种基于计算机视觉的玫瑰痤疮分类软件，以解决上述问题。
4.一种基于计算机视觉的玫瑰痤疮分类软件，包括移动端图像采集系统、玫瑰痤疮类别数据系统、玫瑰痤疮判定识别系统和个性化用户升级系统，利用移动端对患者面部图像进行拍摄，进一步通过学习模型进行玫瑰痤疮类别识别，从而完成玫瑰痤疮疾病分类，辅助医生进行临床判断；移动端图像采集系统，直接通过移动端的照相功能采集患者的面部图像；玫瑰痤疮类别数据系统，前期通过收集大量的以往患者的面部图像进行常见玫瑰痤疮类别学习，建立玫瑰痤疮分类识别的学习模型和数据库，利用深度学习模式对玫瑰痤疮类别数据进行高强度的学习和训练；玫瑰痤疮类别判定系统，根据所述玫瑰痤疮类别数据系统对已拍摄的患者面部图像学习后的结果，与学习模型中的类别进行结果匹配，获得类别结果；个性化用户升级系统，针对患者的个人信息，比如饮食习惯和遗传因素习惯等因素进行新增门目，从而考虑到不同患者的特殊性，保证玫瑰痤疮疾病种类分类的准确性；
5.所述移动端图像采集系统，患者在移动客户端上安装玫瑰痤疮分类软件时，需要
给与玫瑰痤疮分类软件一定的操作权限，即玫瑰痤疮分类软件需要获取移动端的图像使用权限，具体步骤为：
6.步骤1、使用移动端的图像采集设备，根据患者自身玫瑰痤疮疾病分布特点去采集患病部位图像，可以直接访问患者移动端中已经存储的患病部位图像或者直接利用拍摄装置进行图像拍摄；
7.步骤2、将采集到的患者面部图像导入玫瑰痤疮分类系统中的深度学习模型里，与学习模型中的玫瑰痤疮分类数据进行图像比对；
8.步骤3、经过深度学习模型中层层计算，最终计算出患者面部图像中玫瑰痤疮分类标签，并将分类标签呈现在之前采集的图像上，此时医生可以根据图像上的标签结果将该患者的玫瑰痤疮疾病种类进行正确的进行分类，从而进行正确的后续治疗。
9.根据本发明的一个方面，所述玫瑰痤疮类别数据系统通过仿照人工神经网络的模式进行患者面部图像分类学习，从而获得对玫瑰痤疮疾病类别数据的高准确度判断，具体步骤为：
10.步骤1、收集大量以往患者的面部玫瑰痤疮类别数据；
11.步骤2、通过在医院病例与互联网上收集到的特征明显的玫瑰痤疮患者的面部图像构建玫瑰痤疮类别的数据库，图片搜索方式主要分成：红斑毛细血管扩张型、丘疹脓疱型、增生肥大型和眼型四类；
12.步骤3、针对每一个种类的玫瑰痤疮类别，需要进行常用玫瑰痤疮疾病种类识别并进行图像学习，具体根据常用网站的玫瑰痤疮分类识别进行图片搜索，保证常用玫瑰痤疮疾病种类能够快速获得识别结果；
13.步骤4、最终学习到的玫瑰痤疮类别数据由患者面部图像和患者面部图像上的标签两部分组成，标签是对应每张图像的玫瑰痤疮位置及其类别；
14.步骤5、将玫瑰痤疮类别数据进行划分为训练集和测试集，训练集将用于深度学习模型的高强度训练和学习，测试集用于测试深度学习模型学到的玫瑰痤疮疾病种类的分类能力，并根据测试结果对该模型进一步的优化和更新。
15.根据本发明的一个方面，所述玫瑰痤疮类别数据系统需要进行深度学习模型的构建，具体可以分成卷积层、池化层和数据激活层；其中，当获得患者的面部图像后，通过多通道对图像数据的信息进行输入并卷积，卷积层的每个卷积产生一个通道的输出，从而可以得到多个通道的输出，其中，卷积定义为：
[0016][0017]
其中，z[x,y]是计算结果，g[x,y]是输入数据，f[x,y]是卷积核，*表示卷积操作；
[0018]
对于输入通道的每一个数值需要通过激活函数进行数值修改，从而获得相同大小的输出，这种计算过程在激活层中完成，具体可以使用relu函数：f(x)＝max(0,x)
[0019]
对于输出数据，需要在池化层进行按比例采样，其采样方法可以表示为：f(x)＝max([x])最后，深度学习模型可构建出识别出玫瑰痤疮分类的结果图；输入患者面部图像，图像经过多次卷积过程和激活过程后，经过池化操作得到多维特征图，根据特征图进行边框回归计算从而判断边框内的类别，之后根据图像实际情况优化网络结构和参数。
[0020]
根据本发明的一个方面，所述玫瑰痤疮类别判定系统将采集到的图像与深度学习
模式中的玫瑰痤疮疾病分类图像进行匹配对比之后可以初步划定玫瑰痤疮类别，进一步通过进入学习模式的训练和学习，保证玫瑰痤疮分类的最终类别判定的准确度，最终在原图像上直接显示玫瑰痤疮分类后的标签。
[0021]
根据本发明的一个方面，所述个性化用户升级系统可以直接面向患者本身，增加患者的饮食习惯、居住环境、遗传因素等因素，从而提高玫瑰痤疮疾病分类识别的准确度，可以在医生无法根据以往经验进行肉眼识别玫瑰痤疮疾病种类的情况下，让患者上传自己的患病面部图像，并且将识别的结果归类在该患者的个性化文件下，从而丰富医院存储的玫瑰痤疮疾病的种类，保证玫瑰痤疮疾病识别的准确率。
[0022]
针对玫瑰痤疮患病部位相对固定、患病时特征相对集中这一特点，本专利设计一种语义分割识别的方法，其特征在于，为了突出患病部位在面部的特殊位置，在遇到所述玫瑰痤疮分类数据系统中患者存储的面部图像时，可以通过语义分割的方法，对于患者面部图像进行显著化处理后，加强患病部位的图像特征，提高后续的深度学习模型识别的准确率。
附图说明
[0023]
为了更清楚地说明本发明具体实施方案，下面将对本发明专利中的技术、实现方案进行描述并且附加图像加以辅助说明。在所有附加图片中，只给予流程步骤描述，不加以具体大小区分。
[0024]
图1是本发明的应用单元运行示意图。
[0025]
图2是本发明的深度学习网络的运行流程图。
[0026]
图3是本发明的分类后图像的示意图。
具体实施方式
[0027]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
图1示出了本发明一种基于计算机视觉的玫瑰痤疮类别辅助诊断系统的流程框图，包括：包括移动端图像采集系统、玫瑰痤疮类别数据系统、玫瑰痤疮类别判定系统和个性化用户升级系统。所述移动端图像采集系统通过移动端的照相功能对面部的玫瑰痤疮疾病图像进行采集；所述玫瑰痤疮类别数据系统可以利用深度学习模式对玫瑰痤疮类别数据进行高强度学习和训练；玫瑰痤疮类别判定系统对患者面部玫瑰痤疮照片根据学习模型匹配结果获得类别结果；所述个性化用户升级系统可以针对用户习惯性产出的垃圾进行新增门目，从而保证玫瑰痤疮分类的准确性。本发明实现了对玫瑰痤疮分类的智能化识别，通过简单的拍摄操作就可以完成不同种类的玫瑰痤疮的同时分类识别，为医生临床诊断提供便利。
[0029]
移动端图像采集系统获取患者面部的医疗原始图像数据，在进行下一步操作之前，针对玫瑰痤疮数据集中的图像存在成像模糊、特征缺失、尺寸不一、格式混乱等特点，对数据集进行了一系列预处理，去除了无用的数据，包括数据清洗、数据规范等，具体步骤包
括：
[0030]
(1)数据清洗：由于玫瑰痤疮患者拍摄图像数据时拍摄设备型号不同、图片命名方式不一致、室内外光线差别较大等因素，需要进行数据清洗，清洗掉像素较差、成像模糊、分辨力过低等数据。这一步骤主要通过人工逐一查看图像数据来进行筛选。
[0031]
(2)数据规范：数据清洗之后，将清晰的患者图像数据进行命名规范，并且通过差值算法将图像数据统一为168x168的规格，使用玫瑰痤疮疾病类型和对应的数字编号进行重命名。这样，原始的患者面部图像经过一系列预处理，得到了大小一致、像素清晰、特征明显、编号一致的玫瑰痤疮数据集，大大提高后续输入深度学习系统进行玫瑰痤疮疾病分类的准确率。
[0032]
玫瑰痤疮类别数据系统，通过收集经过预处理的大量的患者面部图像数据照片进行常用玫瑰痤疮疾病类别学习，建立玫瑰痤疮分类识别的学习模型和数据库，利用深度学习模式对玫瑰痤疮类别数据进行高强度的学习和训练；
[0033]
玫瑰痤疮类别判定系统，根据所述玫瑰痤疮类别数据系统对患者已拍摄的面部图像学习后的结果，与学习模型中的类别进行结果匹配，获得类别结果；
[0034]
个性化用户升级系统，针对用户自身的饮食习惯、居住环境、遗传影响等因素，保证玫瑰痤疮疾病分类的准确性；
[0035]
所述移动端图像采集系统，患者在移动客户端上安装玫瑰痤疮疾病分类软件时，需要给与玫瑰痤疮分类软件一定的操作权限，即垃圾分类软件需要获取移动端的图像使用权限，具体步骤为：
[0036]
步骤1、使用移动端的图像采集设备，根据患者自身玫瑰痤疮的特点去采集面部图像，可以直接访问患者移动端中已经存储或者上传的患病部位图像，也可以直接利用拍摄装置进行图像拍摄；
[0037]
步骤2、将采集到患者面部图像导入玫瑰痤疮分类系统中的深度学习模型里，与学习模型中的已有的大量经过预处理的玫瑰痤疮患者图像数据进行图像比对；
[0038]
步骤3、经过深度学习模型中层层计算，最终计算出患者面部图像中的分类标签，并将分类标签呈现在之前采集的患者面部图像上，此时医生可以根据患者面部图像上的标签结果进行正确的玫瑰痤疮疾病分类。
[0039]
在进一步的实施例中，所述玫瑰痤疮类别数据系统通过仿照人工神经网络的模式进行玫瑰痤疮患者面部图片分类学习，从而获得对玫瑰痤疮类别数据的高准确度判断，具体步骤为：
[0040]
步骤1、收集大量的玫瑰痤疮患者面部图像；
[0041]
步骤2、将收集到的图像数据进行预处理为大小一致、命名规范、像素清晰的玫瑰痤疮数据集；
[0042]
步骤2、通过在互联网上收集到常见玫瑰痤疮类型的数据库，数据库主要由四个常见玫瑰痤疮疾病种类组成：红斑毛细血管扩张型、丘疹脓疱型、增生肥大型和眼型；
[0043]
步骤3、针对每一个不同种类的玫瑰痤疮，需要进行常见玫瑰痤疮种类识别并进行图像学习，具体根据常见患者面部图像组成的数据库进行图片搜索，保证常见玫瑰痤疮疾病种类能够快速获得识别结果；
[0044]
步骤4、最终学习到的玫瑰痤疮类别数据由患者面部图像和患者面部图像上的标
签两部分组成，标签是对应每张图像的玫瑰痤疮位置及其疾病类别；
[0045]
步骤5、将玫瑰痤疮数据集中的图像数据进行划分为训练集和测试集，训练集将用于深度学习模型的高强度训练和学习，测试集用于测试深度学习模型学到的玫瑰痤疮疾病分类能力，并根据测试结果对该模型进一步的优化和更新。
[0046]
在进一步的实施例中，所述玫瑰痤疮类别数据系统需要进行深度学习模型的构建，如图二所示，具体可以分成卷积层、池化层和数据激活层；其中，当软件获得待识别的患者面部图像后，通过多通道对图像数据的信息进行输入并卷积，卷积层的每个卷积产生一个通道的输出，从而可以得到多个通道的输出，其中，卷积定义为：
[0047][0048]
其中，z[x,y]是计算结果，g[x,y]是输入数据，f[x,y]是卷积核，*表示卷积操作；
[0049]
对于输入通道的每一个数值需要通过激活函数进行数值修改，从而获得相同大小的输出，这种计算过程在激活层中完成，具体可以使用relu函数：
[0050]
f(x)＝max(0,x)
[0051]
对于输出数据，需要在池化层进行按比例采样，其采样方法可以表示为：
[0052]
f(x)＝max([x])
[0053]
最后，深度学习模型可构建出识别出玫瑰痤疮疾病分类的结果图；输入待识别的患者面部图像，经过多次卷积过程和激活过程后，经过池化操作得到多维特征图，根据特征图进行边框回归计算从而判断边框内的类别，之后根据图像实际情况优化网络结构和参数。
[0054]
在进一步的实施例中，所述玫瑰痤疮类别判定系统将采集到的图像与深度学习模式中的玫瑰痤疮数据集中的图像数据进行匹配对比之后可以初步划定患者玫瑰痤疮疾病类别，进一步通过进入学习模式的训练和学习，保证玫瑰痤疮疾病种类分类的最终类别判定的准确度，如图三所示，最终在原图像上直接显示玫瑰痤疮疾病分类后的标签。
[0055]
在进一步的实施例中，所述个性化用户升级系统可以直接面向患者个人，增加患者自身的特性，从而提高玫瑰痤疮疾病分类识别的准确度，可以在医生无法根据经验识别患者患病种类情况下，让患者自己根据自身多种特性进行详细判断，并且将识别的结果归类在该患者的个性化文件下，保证玫瑰痤疮疾病种类识别的准确率。
[0056]
总之，本发明具有以下优点：借助深度学习模型的分类能力，可以准确进行玫瑰痤疮分类识别，避免了繁琐的玫瑰痤疮类别查询过程或者不必要的玫瑰痤疮疾病种类分类记忆过程；在大量的数据照片支撑下，学习模型中的玫瑰痤疮分类数据庞大且完善，可以方便快捷地准确获取玫瑰痤疮的类别；多目标标注的使用可以一次性完成多种玫瑰痤疮疾病种类的分类，节约了直线查询方法的时间。本发明整体上可以大大减医生临床面临大量玫瑰痤疮患者的压力，更快更好地帮助医生进行疾病诊断。
[0057]
以上对本发明实施例所提供的基于计算机视觉的玫瑰痤疮分类软件进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：1.一种基于计算机视觉的玫瑰痤疮分类软件，包括移动端图像采集系统、玫瑰痤疮类别数据系统、玫瑰痤疮判定识别系统和个性化用户升级系统，利用移动端对患者面部进行拍摄，进一步通过学习模型进行玫瑰痤疮疾病类别识别，从而完成玫瑰痤疮类型的分类；移动端图像采集系统，直接通过移动端的照相功能采集患者的面部的图像；玫瑰痤疮类别数据系统，前期通过收集大量的玫瑰痤疮患者的图像进行常用玫瑰痤疮疾病类别学习，建立玫瑰痤疮疾病分类识别的学习模型和数据库，利用深度学习模式对玫瑰痤疮疾病类别数据进行高强度的学习和训练；玫瑰痤疮类别判定系统，根据所述玫瑰痤疮类别数据系统对已拍摄的患者面部图像学习后的结果，与学习模型中的类别进行结果匹配，获得类别结果；个性化用户升级系统，针对患者的饮食习惯和遗传因素、自身体质，从而考虑到不同用户的特殊性，保证玫瑰痤疮疾病类别的准确性。2.所述移动端图像采集系统，其特征在于，用户在移动客户端上安装玫瑰痤疮疾病类别识别软件时，需要给与玫瑰痤疮疾病分类软件一定的操作权限，即玫瑰痤疮疾病分类软件需要获取移动端的图像使用权限，具体步骤为：步骤1、使用移动端的图像采集设备，患者对自身的面部图像进行拍摄和图像上传工作，系统可以直接访问患者移动端中已经存储并且上传的患病部位的图像；步骤2、将采集到患者面部图像导入玫瑰痤疮分类系统中的深度学习模型里，与学习模型中的玫瑰痤疮分类数据进行图像比对；步骤3、经过深度学习模型中层层计算，最终计算出图像中各部分玫瑰痤疮分类标签，并将分类标签呈现在之前采集的图像上，此时皮肤科医生可以根据图像上的标签结果将玫瑰痤疮疾病类型进行正确的进行分类。3.根据权利要求1所述的一种基于计算机视觉的玫瑰痤疮分类软件，其特征在于，所述玫瑰痤疮类别数据系统通过仿照人工神经网络的模式进行玫瑰痤疮疾病分类学习，从而获得对玫瑰痤疮类别数据的高准确度判断，具体步骤为：步骤1、收集大量的医院存在的患者玫瑰痤疮疾病类别数据；步骤2、通过在互联网上收集到的已经分类准确的玫瑰痤疮疾病的图像构建玫瑰痤疮疾病类别的数据库，数据库的图片搜索方式主要分成：红斑毛细血管扩张型、丘疹脓疱型、增生肥大型和眼型四类；步骤3、针对每一个种类的玫瑰痤疮疾病类别，需要进行常用玫瑰痤疮疾病识别并进行图像学习，具体已知玫瑰痤疮常用病种分类的疾病分类识别进行图片搜索，保证玫瑰痤疮疾病能够快速被获得识别结果；步骤4、最终学习到的玫瑰痤疮类别数据由患者面部图像和患者面部图像上的标签两部分组成，标签是对应每张患者图像的玫瑰痤疮位置及其类别；步骤2、将玫瑰痤疮类别数据进行划分为训练集和测试集，训练集将用于深度学习模型的高强度训练和学习，测试集用于测试深度学习模型学到的玫瑰痤疮分类能力，并根据测试结果对该模型进一步的优化和更新。4.根据权利要求1所述的一种基于计算机视觉的玫瑰痤疮分类软件，其特征在于，所述玫瑰痤疮类别数据系统需要进行深度学习模型的构建，具体可以分成卷积层、池化层和数据激活层；其中，当获得待识别的患者面部图像后，通过多通道对图像数据的信息进行输入并卷积，卷积层的每个卷积产生一个通道的输出，从而可以得到多个通道的输出，其中，卷积定义为：
其中，z[x,y]是计算结果，g[x,y]是输入数据，f[x,y]是卷积核，*表示卷积操作；对于输入通道的每一个数值需要通过激活函数进行数值修改，从而获得相同大小的输出，这种计算过程在激活层中完成，具体可以使用relu函数：f(x)＝max(0,x)对于输出数据，需要在池化层进行按比例采样，其采样方法可以表示为：f(x)＝max([x])最后，深度学习模型可构建出识别出玫瑰痤疮分类的结果图；输入待分类的患者面部图像,图像经过多次卷积过程和激活过程后，经过池化操作得到多维特征图，根据特征图进行边框回归计算从而判断边框内的类别，之后根据图像实际情况优化网络结构和参数。5.根据权利要求1所述的一种基于计算机视觉的玫瑰痤疮分类软件，其特征在于，所述玫瑰痤疮类别判定系统将采集到的图像与深度学习模式中的玫瑰痤疮分类图像进行匹配对比之后可以初步划定玫瑰痤疮疾病类别，进一步通过进入学习模式的训练和学习，保证玫瑰痤疮疾病分类的最终类别判定的准确度，最终在原图像上直接显示患者面部图像的标签。6.根据权利要求1所述的一种基于计算机视觉的玫瑰痤疮分类软件，其特征在于，所述个性化用户升级系统可以直接面向患者本身，增加玫瑰痤疮疾病分类的非常用门目，从而提高玫瑰痤疮疾病类识别的准确度，可以在医生无法准确判断患者面部图像病种的情况下，让患者在软件上自主上传病症图像，软件将识别的结果归类在该患者的个性化文件下，从而丰富玫瑰痤疮疾病的种类，保证玫瑰痤疮疾病识别的准确率。7.针对玫瑰痤疮患病部位相对固定、患病时特征相对集中这一特点，本专利设计一种语义分割识别的方法，其特征在于，为了突出患病部位在面部的特殊位置，在遇到所述玫瑰痤疮分类数据系统中患者存储的面部图像时，可以通过语义分割的方法，对于患者面部图像进行显著化处理后，加强患病部位的图像特征，提高后续的深度学习模型识别的准确率，具体步骤为：步骤1、在数据处理方面，对于收集到的以往患者的玫瑰痤疮的数据集进行一系列预处理，使用标注工具手工为图像逐一标注了语义标签，建立了玫瑰痤疮语义分割数据集。步骤2、在模型设计上，基于unet模型进行了改进，针对unet模型性能不足、难以收敛的问题，将unet模型的特征提取网络由vgg16更改为性能更好的resnet50网络，组成了新的语义分割网络resnet50-unet。步骤3、将收集到的大量患者面部图像采用数据规范，采用差值法等算法，将图像规范为统一为168x168的规格。对所述玫瑰痤疮分类数据系统中收集患者面部图像进行轮廓识别并建立起学习模式，将预处理过后的患者面部图像放到学习模式中进行训练和学习，简单匹配出玫瑰痤疮疾病分类的类别。
技术总结本发明公开了一种基于计算机视觉的玫瑰痤疮识别分类软件，包括移动端图像采集系统、玫瑰痤疮类别数据系统、玫瑰痤疮类别判定系统和个性化用户升级系统；所述移动端图像采集系统通过移动端的照相功能对面部的玫瑰痤疮疾病图像进行采集；所述玫瑰痤疮类别数据系统可以利用深度学习模式对玫瑰痤疮类别数据进行高强度学习和训练；玫瑰痤疮类别判定系统对患者面部玫瑰痤疮照片根据学习模型匹配结果获得类别结果；所述个性化用户升级系统可以针对患者自身的特性进行新增玫瑰痤疮疾病种类门目，从而保证玫瑰痤疮分类的准确性。本发明通过简单的拍摄操作就可以完成不同种类的玫瑰痤疮的同时分类识别，为医生临床诊断提供便利。利。利。
技术研发人员：赵旭 杨莎莎 王晓庆
受保护的技术使用者：联想新视界（南昌）人工智能工研院有限公司
技术研发日：2022.05.18
技术公布日：2022/7/5
