本發(fā)明涉及數(shù)字醫(yī)療，尤其涉及一種基于頭皮圖像數(shù)據(jù)的處理方法和裝置。

背景技術(shù)：

1、目前人工智能在對(duì)皮膚的識(shí)別中的應(yīng)用日益增多，在進(jìn)行頭皮圖像分類方面，主要基于傳統(tǒng)的深度學(xué)習(xí)模型，然而由于頭皮圖像的高分辨率特性和分類的關(guān)鍵征象的離散性、細(xì)微性和相似性使得圖像信息濃度較高，傳統(tǒng)的深度學(xué)習(xí)模型無法有效捕捉和保留關(guān)鍵征象，因此，在針對(duì)頭皮圖像數(shù)據(jù)進(jìn)行頭皮的評(píng)估時(shí)，僅能針對(duì)少量頭皮進(jìn)行二分類評(píng)估；同時(shí)，多數(shù)智能模型的識(shí)別結(jié)果缺少可解釋性，只能直接提供最終輸出，無法有效地解釋其決策過程，這種缺乏透明度可能導(dǎo)致我們忽視由于推理過程中的錯(cuò)誤而偶然獲得的正確結(jié)果，從而限制了模型的改進(jìn)。

2、如何針對(duì)頭皮圖像進(jìn)行多種頭皮的分類以及分類后如何有效識(shí)別和定位關(guān)鍵特征，并進(jìn)行可解釋性的可視化展示，成為亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)所存在的缺陷，提供一種基于頭皮圖像數(shù)據(jù)的處理方法和裝置，針對(duì)頭皮圖像進(jìn)行多種頭皮的分類以及分類后從目標(biāo)類型圖像數(shù)據(jù)中有效識(shí)別和定位出目標(biāo)類型評(píng)估征象。

2、為實(shí)現(xiàn)上述目的，本發(fā)明第一方面提供了一種基于頭皮圖像數(shù)據(jù)的處理方法，包括：

3、獲取頭皮圖像數(shù)據(jù)的第一樣本數(shù)據(jù)，所述第一樣本數(shù)據(jù)包括多種頭皮類型；

4、基于spectformer模型構(gòu)建預(yù)訓(xùn)練頭皮分類模型；通過所述第一樣本數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型；

5、將所述第一樣本數(shù)據(jù)中的目標(biāo)類型圖像數(shù)據(jù)輸入至所述頭皮分類模型，并進(jìn)行頭皮分類輸出，其中所述頭皮分類輸出包括圖像的真實(shí)標(biāo)簽和模型預(yù)測(cè)可能類別及對(duì)應(yīng)的準(zhǔn)確率；

6、根據(jù)所述頭皮分類輸出的結(jié)果生成第二樣本數(shù)據(jù)；

7、基于yolov8模型構(gòu)建預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型；通過所述第二樣本數(shù)據(jù)中已標(biāo)注目標(biāo)類型評(píng)估征象的圖像數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成目標(biāo)類型數(shù)據(jù)評(píng)估模型；其中，所述第二樣本數(shù)據(jù)采用主動(dòng)學(xué)習(xí)策略構(gòu)建。

8、進(jìn)一步，所述通過所述第二樣本數(shù)據(jù)中已標(biāo)注目標(biāo)類型評(píng)估征象的圖像數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成目標(biāo)類型數(shù)據(jù)評(píng)估模型之后，所述方法還包括：

9、將待檢測(cè)頭皮圖像數(shù)據(jù)輸入所述頭皮分類模型，并輸出頭皮分類；

10、若頭皮分類為目標(biāo)類型，將待檢測(cè)頭皮圖像數(shù)據(jù)輸入所述目標(biāo)類型數(shù)據(jù)評(píng)估模型，并輸出目標(biāo)類型評(píng)估征象；根據(jù)所述目標(biāo)類型評(píng)估征象確定目標(biāo)類型處于活動(dòng)或非活動(dòng)期，并生成評(píng)估報(bào)告。

11、進(jìn)一步，所述將待檢測(cè)頭皮圖像數(shù)據(jù)輸入所述頭皮分類模型，并輸出頭皮分類之后，所述方法還包括：

12、利用梯度加權(quán)類激活映射對(duì)所述頭皮分類的輸出進(jìn)行可視化解釋。

13、進(jìn)一步，所述目標(biāo)類型為斑禿，所述目標(biāo)類型評(píng)估征象包括黑點(diǎn)征、黃點(diǎn)征、感嘆號(hào)樣發(fā)、斷發(fā)、短毳毛、分支狀血管。

14、進(jìn)一步，所述根據(jù)所述目標(biāo)類型評(píng)估征象確定頭皮處于活動(dòng)或非活動(dòng)期，具體為：

15、若存在黑點(diǎn)征、感嘆號(hào)樣發(fā)、斷發(fā)和短毳毛中的一種或多種目標(biāo)類型評(píng)估征象，頭皮處于活動(dòng)期。

16、進(jìn)一步，所述多種頭皮類型還包括：雄激素性脫發(fā)、瘢痕性脫發(fā)、拔毛癖、銀屑病、脂溢性皮炎、色素痣、脂溢性角化癥、病毒疣及非頭皮健康皮膚。

17、進(jìn)一步，所述根據(jù)所述頭皮分類輸出的結(jié)果生成第二樣本數(shù)據(jù)，具體包括：

18、計(jì)算每個(gè)目標(biāo)類型圖像數(shù)據(jù)經(jīng)過所述頭皮分類模型后，可能類型為斑禿、雄激素性脫發(fā)和瘢痕性脫發(fā)的準(zhǔn)確率的熵；

19、將多張目標(biāo)類型圖像數(shù)據(jù)按計(jì)算所得熵的大小從大到小進(jìn)行排列。

20、進(jìn)一步，所述通過所述第一樣本數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型，具體包括：

21、通過所述第一樣本數(shù)據(jù)中的訓(xùn)練集對(duì)所述預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練，生成頭皮分類基線模型，其中所述訓(xùn)練集中的頭皮圖像數(shù)據(jù)分辨率為224×224；

22、通過b?i?cub?i?c插值方法把基線的權(quán)重和偏置插值到適應(yīng)512×512分辨率的頭皮分類基線模型；

23、將基線的參數(shù)凍結(jié)，并解凍與偏差、類嵌入、歸一化和比例因子相關(guān)的參數(shù)；

24、通過轉(zhuǎn)化為512×512分辨率的第一樣本數(shù)據(jù)對(duì)所述頭皮分類基線模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型。

25、本發(fā)明第二方面提供了一種基于頭皮圖像數(shù)據(jù)的處理裝置，包括：

26、第一數(shù)據(jù)構(gòu)建模塊，用于獲取頭皮圖像數(shù)據(jù)的第一樣本數(shù)據(jù)，所述第一樣本數(shù)據(jù)包括多種頭皮類型；

27、分類模型構(gòu)建模塊，用于基于spectformer模型構(gòu)建預(yù)訓(xùn)練頭皮分類模型；通過所述第一樣本數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型；

28、頭皮分類輸出模塊，用于將所述第一樣本數(shù)據(jù)中的目標(biāo)類型圖像數(shù)據(jù)輸入至所述頭皮分類模型，并進(jìn)行頭皮分類輸出，其中所述頭皮分類輸出包括圖像的真實(shí)標(biāo)簽和模型預(yù)測(cè)可能類別及對(duì)應(yīng)的準(zhǔn)確率；

29、第二數(shù)據(jù)構(gòu)建模塊，用于根據(jù)所述頭皮分類輸出的結(jié)果生成第二樣本數(shù)據(jù)；

30、評(píng)估模型構(gòu)建模塊，用于基于yolov8模型構(gòu)建預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型；通過所述第二樣本數(shù)據(jù)中已標(biāo)注目標(biāo)類型評(píng)估征象的圖像數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成目標(biāo)類型數(shù)據(jù)評(píng)估模型；其中，所述第二樣本數(shù)據(jù)采用主動(dòng)學(xué)習(xí)策略構(gòu)建。

31、進(jìn)一步，所述裝置還包括：

32、結(jié)果可視化模塊，用于利用梯度加權(quán)類激活映射對(duì)所述頭皮分類的輸出進(jìn)行可視化解釋。

33、本發(fā)明實(shí)施例提供的一種基于頭皮圖像數(shù)據(jù)的處理方法和裝置，基于spectformer模型構(gòu)建頭皮分類模型，針對(duì)頭皮圖像數(shù)據(jù)進(jìn)行了多種頭皮的分類以及基于yolov8模型構(gòu)建目標(biāo)類型數(shù)據(jù)評(píng)估模型，從分類出來的目標(biāo)類型圖像數(shù)據(jù)中有效識(shí)別和定位出了目標(biāo)類型評(píng)估征象。

技術(shù)特征：

1.一種基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述通過所述第二樣本數(shù)據(jù)中已標(biāo)注目標(biāo)類型評(píng)估征象的圖像數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成目標(biāo)類型數(shù)據(jù)評(píng)估模型之后，所述方法還包括：

3.根據(jù)權(quán)利要求2所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述將待檢測(cè)頭皮圖像數(shù)據(jù)輸入所述頭皮分類模型，并輸出頭皮分類之后，所述方法還包括：

4.根據(jù)權(quán)利要求1所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述目標(biāo)類型為斑禿，所述目標(biāo)類型評(píng)估征象包括黑點(diǎn)征、黃點(diǎn)征、感嘆號(hào)樣發(fā)、斷發(fā)、短毳毛、分支狀血管。

5.根據(jù)權(quán)利要求2所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述根據(jù)所述目標(biāo)類型評(píng)估征象確定頭皮處于活動(dòng)或非活動(dòng)期，具體為：

6.根據(jù)權(quán)利要求1所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述多種頭皮類型還包括：雄激素性脫發(fā)、瘢痕性脫發(fā)、拔毛癖、銀屑病、脂溢性皮炎、色素痣、脂溢性角化癥、病毒疣及非頭皮健康皮膚。

7.根據(jù)權(quán)利要求4和6所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述根據(jù)所述頭皮分類輸出的結(jié)果生成第二樣本數(shù)據(jù)，具體包括：

8.根據(jù)權(quán)利要求1所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述通過所述第一樣本數(shù)據(jù)對(duì)所述預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型，具體包括：

9.一種基于頭皮圖像數(shù)據(jù)的處理裝置，其特征在于，所述裝置包括：

10.根據(jù)權(quán)利要求9所述的基于頭皮圖像數(shù)據(jù)的處理方法，其特征在于，所述裝置還包括：

技術(shù)總結(jié)
本發(fā)明實(shí)施例涉及一種基于頭皮圖像數(shù)據(jù)的處理方法和裝置，方法包括獲取頭皮圖像數(shù)據(jù)的第一樣本數(shù)據(jù)；基于SpectFormer模型構(gòu)建預(yù)訓(xùn)練頭皮分類模型；通過第一樣本數(shù)據(jù)對(duì)預(yù)訓(xùn)練頭皮分類模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成頭皮分類模型；將第一樣本數(shù)據(jù)中的目標(biāo)類型圖像數(shù)據(jù)輸入至頭皮分類模型，并進(jìn)行頭皮分類輸出；根據(jù)頭皮分類輸出的結(jié)果生成第二樣本數(shù)據(jù)；基于YOLOv8模型構(gòu)建預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型；通過第二樣本數(shù)據(jù)中已標(biāo)注目標(biāo)類型評(píng)估征象的圖像數(shù)據(jù)對(duì)預(yù)訓(xùn)練目標(biāo)類型數(shù)據(jù)評(píng)估模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，生成目標(biāo)類型數(shù)據(jù)評(píng)估模型；其中，第二樣本數(shù)據(jù)采用主動(dòng)學(xué)習(xí)策略構(gòu)建。

技術(shù)研發(fā)人員：劉潔,肖立,王鈞程,陳玉玲
受保護(hù)的技術(shù)使用者：中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6