一种可解释性的皮肤癌分类方法、装置、介质及设备

技术领域

本发明涉及数据识别技术领域，尤其涉及一种可解释性的皮肤癌分类方法、装置、介质及设备。

背景技术

人类皮肤是人体最大的器官，也是人体的第一道免疫防线，主要功能为保护身体、排汗及感觉。外界的各种刺激首先接触的便是皮肤，这就使得其容易被外界因素所影响，引起各种病状的产生。在众多皮肤病当中，皮肤癌是当前世界上最常见的癌症之一，它是皮肤外层细胞的癌变。调查显示，在过去30年中，皮肤癌的数量超过其他所有癌症的数量之和。在皮肤癌的多种病变类型中，病变之间同类病变的临床表现变化较大，然而不同病变相互之间却存在一定的相似性，为准确分类带来挑战。

现有技术中皮肤癌分类方法大多是基于医生根据黑色素瘤表面特征手动提取的特征进行分类，包括颜色、纹理等。此外，采用皮肤镜技术获得皮肤镜图像的方法在皮肤病医学分析领域被广泛使用。它是一种无创的皮肤成像技术，采用高倍放大因子，通过实时显示表皮、真皮与表皮交界处、真皮的微观结构，增加下表皮结构的可视性，使得皮肤科医生获得一些肉眼看不到的特征。

上述皮肤科医师单从外观肉眼判断容易产生误差，需要组织病理学切片活检进行辅助，若为多类型色素皮损，逐一活检不仅增加了患者的痛苦，而且费时费力，可能使得患者错过最佳治疗时机。基于皮肤镜进行皮肤病变识别分类的方法，主要依靠医生多年经验来对皮肤镜皮损图像的颜色、纹理和形态学特征进行判断，这就对医生人员临床经验有了一定的要求，需要皮肤科医生拥有大量的专业知识和专注力。然而，即便是经验丰富的专家，面对类内差距大、类间差距小的皮损皮肤镜图像，再加上自身对病变进行判断时的主观性，容易造成误差。受各种因素影响，针对同一张皮肤病变图像进行判断，同一专家在不同时间或者不同专家在同一时间也可能得出不同的结论。

发明内容

本发明提供一种可解释性的皮肤癌分类方法、装置、介质及设备，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

为达到上述目的，本发明采用如下技术方案：

本发明第一方面提供一种可解释性的皮肤癌分类方法，包括：

获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

将所述皮肤病变数据划分为训练集和验证集。

对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

将所述第一预分类结果和所述第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

对所述分类结果做出解释。

进一步的，所述的可解释性的皮肤癌分类方法，对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像，包括：

将所述皮肤病变图像调整至256×256，得到调整后图像。

对所述调整后图像进行图像增强。

进一步的，所述的可解释性的皮肤癌分类方法，将所述皮肤病变图像输入至EfficientNet-B1网络中，得到预分类结果,包括：

将所述处理后皮肤病变图像作为训练数据，将所述处理后皮肤病变图像对应的元数据的所述第一预分类结果作为训练标签，输入到EfficientNet-B1网络中。

进一步的，所述的可解释性的皮肤癌分类方法，所述元数据包括：

所述元数据包含所述皮肤病变图像编号、患者编号、患者性别、患者年龄、皮肤镜采集部位和皮肤病变类型。

进一步的，所述的可解释性的皮肤癌分类方法，对所述调整后图像进行图像增强，包括：

对所述调整后图像进行随机水平、上下翻转；从中心或规定大小进行裁剪；弹性变换；网格失真；对图像进行光学畸变；随机更改图片的亮度和对比度。

本发明第二方面提供一种可解释性的皮肤癌分类装置，包括：

获取单元，用于获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

划分单元，用于将所述皮肤病变数据划分为训练集和验证集。

预处理单元，用于对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

构建单元，用于构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

验证单元，用于使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

分割单元，用于将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

提取单元，用于从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

第一输入单元，用于将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

第二输入单元，用于将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

第三输入单元，用于将所述第一预分类结果和所述第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

解释单元，用于对所述分类结果做出解释。

进一步的，所述的可解释性的皮肤癌分类装置，所述预处理单元包括：

调整模块，用于将所述皮肤病变图像调整至256×256，得到调整后图像。

图像增强模块，用于对所述调整后图像进行图像增强。

本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现上述的可解释性的皮肤癌分类方法。

本发明第四方面提供一种电子设备，包括：存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现上述的可解释性的皮肤癌分类方法。

本发明提供一种可解释性的皮肤癌分类方法、装置、介质及设备，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

附图说明

为了更清楚地说明本发明实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍，附图仅用于示出实施方式的目的，而并不认为是对本发明的限制。

图1为本发明实施例中一种可解释性的皮肤癌分类方法流程示意图；

图2为本发明实施例中另一种可解释性的皮肤癌分类方法流程示意图；

图3为本发明实施例中一种可解释性的皮肤癌分类装置组成结构示意图；

图4为本发明实施例中另一种可解释性的皮肤癌分类装置组成结构示意图；

图5为本发明实施例中一种可解释性的皮肤癌分类设备组成结构示意图。

具体实施方式

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，所描述的实施例仅仅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作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。

除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明术领域的技术人员通常理解的含义相同；本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

在本发明实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

在本发明实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本发明实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。

在本发明实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。

在本发明实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明例中的具体含义。

实施例1

本发明实施例提供一种可解释性的皮肤癌分类方法，如图1所示，包括：

101、获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

其中，皮肤病变图像由相关医疗器械拍摄而来，皮肤病变图像对应的元数据包含皮肤病变图像编号、患者编号、患者性别、患者年龄、皮肤镜采集部位和皮肤病变类型。

102、将所述皮肤病变数据划分为训练集和验证集。

其中，在机器学习和模式识别等领域中，训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数。

103、对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

具体的，上述预处理包含将皮肤病变图像调整至256×256，得到调整后图像；对调整后图像进行图像增强。其中，图像增强包含对所述调整后图像进行随机水平、上下翻转；从中心或规定大小进行裁剪；弹性变换；网格失真；对图像进行光学畸变；随机更改图片的亮度和对比度。

104、构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

105、使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

具体的，经过训练集训练的图像分割神经网络，再经过验证集进行验证，经过一定次数迭代后，以验证集评价指标最好的训练结果作为最终的图像分割模型。

106、将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

107、从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

108、将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

SHAP-NET是基于Shapley值方法所建立的网络。Shapley值是为解决多个局中人在合作过程中因利益分配而产生矛盾的问题，属于合作博弈领域。Shapley值是按照成员对联盟的边际贡献率将利益进行分配，即成员所分得的利益等于该成员为他所参与联盟创造的边际利益的平均值。

109、将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

EfficientNet-B1由三部分组成:第一部分是Stem，用于进行初步的特征提取，实际内容是一个卷积+标准化+激活函数。第二部分是16个Blocks，是EfficientNet特有的特征提取结构，在Blocks堆叠的过程中完成高效的特征提取。第三部分是Con2D +GlobalAveragePooling2D + Dense，是EfficientNet的分类头。

其核心内容是16个Blocks，其它的结构与常规的卷积神经网络差距不大。16个大Blocks可以分为1、2、2、3、3、4、1个Block。Block的通用结构主要是结合深度可分离卷积和注意力机制的逆残差结构。首先利用1x1卷积升维，再使用3x3或者5x5的逐层卷积进行跨特征点的特征提取，在3x3 或者5x5网络结构后增加了一个关于通道的注意力机制，最后利用1x1卷积降维后增加一个大残差边。

110、将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

SoftMax函数：又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。

111、对所述分类结果做出解释。

本发明提供一种可解释性的皮肤癌分类方法，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

实施例2

本发明实施例提供一种可解释性的皮肤癌分类方法，如图2所示，包括：

201、获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

皮肤病变图像由原始的皮肤镜图像和作为标签的Ground-Truth构成，其中，在机器学习中，“Ground-Truth”是指真实皮肤镜图像的训练标签，是由医生人工分割好的皮肤镜图像。这在统计模型中被用来证明或否定研究假设。“Ground-Truth”这个术语指的是为这个测试收集适当的目标（可证明的）数据的过程。

元数据包括了图像编号，患者编号，性别，大约年龄，皮肤镜采集部位，皮肤病变类型。其中，皮肤病变类型主要包括七个病变种类，分为光化性角化病、基底细胞癌、良性角化病、皮肤纤维瘤、黑色素瘤、黑色素痣以及血管病变。

202、将所述皮肤病变数据划分为训练集和验证集。

在做深度学习目标检测模型训练的时候，首先是要获取数据集，然后再对数据集进行标注。然后再把标注完的数据集划分为训练集和验证集。

203、对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

2031、将所述皮肤病变图像调整至256×256，得到调整后图像。

2032、对所述调整后图像进行图像增强。

具体的，对调整后图像进行随机水平、上下翻转；从中心或规定大小进行裁剪；弹性变换；网格失真；对图像进行光学畸变；随机更改图片的亮度和对比度。

204、构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

具体的，构建基于U-net图像分割神经网络，其中，U-net是使用全卷积网络进行语义分割的算法之一。

U-net主要分为编码与解码两大部分，该网络最大特点是在编码器与解码器之间使用了跳跃连接(Skip-connection)，在通道维度上对特征层进行叠加操作，实现特征融合。编码部分包含了四个编码器，编码器包括卷积层、Relu激活层和最大池化层。编码器的作用是对输入图像进行特征提取，以得到不同分辨率大小以及不同感受野的特征层，浅层的特征层对小目标敏感，并能够提取局部信息或边缘特征，深层的特征层对大目标更敏感，并能够提取语义特征。解码部分包含了四个解码器，解码器包括反卷积层、卷积层和Relu激活层。解码器需将带有高级语义信息的特征层恢复到输入图像的分辨率。因此这部分将卷积块与上采样结合，从而扩大特征层的分辨率大小，并且在通道维度上连接从编码过程中获得的特征层，实现特征融合，这一跳跃连接能够弥补深层的特征层在下采样过程中丢失的局部信息与边缘特征，从而有效提高了分割准确率。

此处需要说明的是：预设批量可根据实际情况确定，本实施例对此不作限制。

205、使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

具体的，经过训练集训练的图像分割神经网络，再经过验证集进行验证，经过一定次数迭代后，以验证集评价指标最好的训练结果作为最终的图像分割模型。

206、将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

207、从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

具体的，首先计算皮肤病变图像的灰度共生矩阵，灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。通过灰度共生矩阵，可以反应图像的灰度值和空间分布情况。

灰度共生矩阵的定义为：在确定移动距离(a,b)的情况下，图像中任一点（x,y)点与另一点(x+a,y+b)，这两点的灰度值为(i,j)，令（x,y)在整幅图像中移动，得到不同的（i,j），统计(i,j)在整幅图像中出现的概率

其中，病变区域的非对称性计算公式为：

，

式中，A表示皮肤病变图像中病变区域的面积，

病变区域的边缘不规则度计算公式为：

，

式中，A表示皮肤病变图像中病变区域的面积，C表示病变区域的周长。

病变区域的直径计算公式为：

，

式中，C表示病变区域的周长。

病变区域的色彩变化度计算公式为：

，

式中，A表示皮肤病变图像中病变区域的面积，

皮肤病变图像的能量特征计算公式为：

，

式中，

皮肤病变图像的相关度特征计算公式为：

，

式中，

皮肤病变图像的对比度特征计算公式为：

，

式中，

皮肤病变图像的同质性特征计算公式为：

，

式中，

208、将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

其中，SHAP-NET是基于Shapley值方法所建立的网络。Shapley值是为解决多个局中人在合作过程中因利益分配而产生矛盾的问题，属于合作博弈领域。Shapley值是按照成员对联盟的边际贡献率将利益进行分配，即成员所分得的利益等于该成员为他所参与联盟创造的边际利益的平均值。

具体的，Shapley值的计算公式为：

，/>

式中，n表示特征个数，N表示特征全集，

在SHAP-NET中，特征

，

式中，

给出Shap-module

式中，f表示参数化后的神经网络。

由Shap-module组成SHAP-NET，SHAP-NET定义如下：

，

式中，f表示参数化后的神经网络，F表示Shap-module。

209、将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

具体的，将所述处理后皮肤病变图像作为训练数据，将所述处理后皮肤病变图像对应的元数据的所述预测结果作为训练标签，输入到EfficientNet-B1网络中。

210、将所述第一预分类结果和所述第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

具体的，SoftMax函数的计算公式为：

，

式中，

211、对所述分类结果做出解释。

具体的，采用类激活图的方法，找到皮肤病变图像中对网络分类结果影响比较大的区域，对分类结果做出解释。

本发明提供一种可解释性的皮肤癌分类方法，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

实施例3

本发明实施例提供一种可解释性的皮肤癌分类装置，如图3所示，包括：

获取单元31，用于获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

划分单元32，用于将所述皮肤病变数据划分为训练集和验证集。

预处理单元33，用于对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

构建单元34，用于构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

验证单元35，用于使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

分割单元36，用于将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

提取单元37，用于从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

第一输入单元38，用于将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

第二输入单元39，用于将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

第三输入单元310，用于将所述第一预分类结果和所述第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

解释单元311，用于对所述分类结果做出解释。

此处需要说明的是：本实施例各组成结构的详细说明可参照其它实施例对应部分，此处不再赘述。

本发明提供一种可解释性的皮肤癌分类装置，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

实施例4

本发明实施例提供一种可解释性的皮肤癌分类装置，如图4所示，包括：

获取单元41，用于获取皮肤病变数据；所述皮肤病变数据由皮肤病变图像和对应的元数据组成。

划分单元42，用于将所述皮肤病变数据划分为训练集和验证集。

预处理单元43，用于对所述皮肤病变图像进行预处理，得到处理后皮肤病变图像。

调整模块431，用于将所述皮肤病变图像调整至256×256，得到调整后图像。

图像增强模块432，用于对所述调整后图像进行图像增强。

构建单元44，用于构建图像分割神经网络，并将所述训练集按照预设批量输入至所述图像分割神经网络中进行训练。

验证单元45，用于使用所述验证集对所述图像分割神经网络进行验证，确定图像分割模型。

分割单元46，用于将所述处理后皮肤病变图像输入至所述图像分割模型进行分割，得到所述皮肤病变图像分割结果。

提取单元47，用于从所述分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征。

第一输入单元48，用于将所述元数据和所述特征输入至SHAP-NET网络中，得到第一预分类结果，并根据特征计算后的Shapley值来衡量特征的重要程度，从而对第一预分类结果进行解释。

第二输入单元49，用于将所述皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果。

第三输入单元410，用于将所述第一预分类结果和所述第二预分类结果输入至SoftMax函数中，确定最大值为最终分类结果。

解释单元411，用于对所述分类结果做出解释。

此处需要说明的是：本实施例各组成结构的详细说明可参照其它实施例对应部分，此处不再赘述。

本发明提供一种可解释性的皮肤癌分类装置，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

实施例5

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现上述可解释性的皮肤癌分类方法。

其中，计算机可读存储介质可以为非瞬态的可读存储介质，当计算机可读存储介质中的程序指令被电子设备运行时，该电子设备实现本发明提供的AI应用任务的管理方法中管理装置的功能。该计算机可读存储介质包括但不限于易失性存储器，例如：随机访问存储器、非易失性存储器，例如：快闪存储器、硬盘(hard disk drive，HDD)、固态硬盘(solidstate drive，SSD)。

本发明提供一种可解释性的皮肤癌分类介质，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

实施例6

本发明实施例提供一种电子设备61，如图5所示，包括：存储器611和一个或多个处理器612，所述存储器611上存储有计算机程序，所述计算机程序被所述一个或多个处理器612执行时实现上述可解释性的皮肤癌分类方法。

电子设备61旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备61还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，本实施例对此并不限制。

本发明提供一种可解释性的皮肤癌分类设备，包括：获取皮肤病变数据；将皮肤病变数据划分为训练集和验证集；对皮肤病变图像进行预处理，构建图像分割神经网络，并将训练集按照预设批量输入至图像分割神经网络中进行训练；使用验证集对图像分割神经网络进行验证，确定图像分割模型；将处理后皮肤病变图像输入至图像分割模型进行分割，得到皮肤病变图像分割结果；从分割结果中提取病变区域的非对称性、边缘不规则度、直径、色彩变化度、能量、相关度、对比度和同质性特征；将元数据和特征输入至SHAP-NET网络中，得到第一预分类结果；将皮肤病变图像输入至EfficientNet-B1网络中，得到第二预分类结果；将第一预分类结果和第二预分类结果输入至SoftMax函数中，确定最大值为分类结果；对分类结果做出解释，相比于现有技术，本发明将传统方法与深度学习网络模型相结合，提高了识别、分类的准确性；同时具有可解释性，有助于获得皮肤科医生的信任，实现人机协作，减少黑箱模型在支持医疗决策方面的局限性；改善了由于神经网络的黑盒性质带来的未知性，为分类的决策提供解释。

最后应说明的是：以上各实施例仅用以说明本发明技术方案，非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。