近年来，随着计算机技术的高速发展，计算机辅助诊断（computeraideddiagnosis，CAD）也随之取得了一系列的进展，特别是在涉及医学影像学的领域。实践证明，CAD在提高诊断准确率、减少漏诊、提高工作效率等方面起到了极大的积极促进作用。所以，本项目对改善目前的医疗水平，以及缓解皮肤科医生压力等都具有很大的意义。
算法模型初步采用Inceptionv3模型，我们在原始模型的基础上，利用迁移学习的思想，在ImageNet预训练获得初始权重，后对网络进行微调，以到达可以有效区分不同种皮肤病的目的。
银屑病图像在Inceptionv3网络中的激活特征图
第一步是采集数据。所有图像均经湘雅医院患者知情同意后由皮肤科医生采集。为了获得高质量的图像，使用专业数码相机（佳能，分辨率：350dpi）捕捉皮肤病变区域的每个视觉特征，并保持足够的照明。此外，还收集了不同缩放级别的图像，以获取空间分布特征和纹理等精细特征。为了更好的泛化性能，数据集的多样性是必要的，所以这个数据库包含了患者多个身体部位的临床皮肤学图像。
数据库样本图
第二步是数据过滤和注释。数据采集完成后，我们过滤掉不合格的图像，并为剩下的图像打上标签。在数据预处理过程中，我们移除了四类图像以获得干净的数据集：Case1：皮肤损伤被可见的局部治疗或任何其他有色残留物遮挡或改变，这可能会对训练过程产生严重的不利影响。Case2：特殊部位，如手指，病变区域比正常部位小，不够清晰。Case3：皮肤被毛发或其他视觉元素覆盖，这使得提取图像的有效特征变得困难。Case4：渗出液过多，导致表面外观和疾病特异性纹理丧失。随后，由来自湘雅医院从事皮肤科10多年的专业皮肤科医生根据相应的病历和病理结果对每张图像进行注释，生成最终的标准化实验数据集。下图所示的为数据过滤和注释处理过程。
数据处理过程示意图
本系统建立了两种图片获取的方法，一种为直接通过手机拍摄，另外一种可从手机中的本地图库中调出。通过不同渠道获取的图片会上传到本地服务器中，本地服务器接受到手机传来的图片后，会带入之前设计好的分类器中进行分类。在获取结果文档之前，手机会不断地向服务器索要结果文档，直到图片分析完成后产生文档。最终，手机接收到结果文档之后，将其打印于结果显示界面。
APP部分截图
①竞赛成果
本项目凭借作品AIMADS（皮肤病部分）参加了中国高校计算机大赛人工智能创意赛，并获得了全国总决赛一等奖的成绩。智能医疗辅助诊断系统（AIMADS：ArtificialIntelligenceMedicalAidedAiagnosisSystem）可用于常见皮肤病的辅助诊断的APP（兼容Android与IOS），患者或医生可通过在客户端上传患处图片到服务器，服务器端通过本团队设计训练完成的深度卷积神经网络模型对上传数据进行分析，在APP中显示诊断结果。对于皮肤病诊断可直接给出所患常见皮肤病（扁平苔藓、红斑狼疮、基底细胞癌、鳞状细胞癌、正常皮肤、天疱疮、银屑病、脂溢性角化）的分类，并给出置信度。
AIMADS智能诊断系统之皮肤诊断
②论文成果
基于深度学习的皮肤肿瘤风险评估系统流程图
2.SmartIdentificationofPsoriasisbyImagesUsingConvolutionalNeuralNetworks:ACaseStudyinChina(未见刊)
银屑病智能识别系统展望
3.XiangyaDerm:AClinicalImageDatasetofAsianRaceforSkinDiseaseAidedDiagnosis（未见刊）
皮肤病是人类很常见的疾病，它会出现在所有种族和年龄，严重影响人民生活质量或者甚至危及人们的生命。在本文中，我们提出了一个大规模的，以亚洲区域为主的皮肤病数据集，它具有boundingbox标签，即XiangyaDerm。它包含107565张临床图片，涵盖541种皮肤病。此数据集中的每个图像都由专业医生标记。就我们所知，这个数据集是亚洲最大的皮肤病临床图像集，可以在全球计算机辅助诊断（cad）系统中使用。我们在这个数据集上比较了几种先进卷积神经网络的分类结果（cnns）。InceptionResNetV2是治疗80种皮肤病的最佳选择top1和top3准确率分别达到0.588和0.764，这证明了所提出的基准数据集的有用性，并给出了它的基线性能。与DERM101数据集的交叉测试实验向我们展示了CNN模型对不同种族的数据集有着非常不同的测试效果。因此，为了建立一个高性能、高稳定性的皮肤病cad系统，我们建议建立一个针对不同地区、不同种族的皮肤病数据集。