皮肤镜图像的分割方法及其分割装置制造方法及图纸

本发明专利技术公开了一种皮肤镜图像的分割方法及其分割装置，其涉及数字图像处理技术领域，分割方法包括：在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像；采用轻量级全卷积神经网络作为图像分割模型的基本框架，并且将ResNet50作为轻量级全卷积神经网络的编码阶段，在此过程中，将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整；在图像分割模型的轻量级全卷积神经网络中采用双重注意力模块将全局信息进行聚合，以生成通道注意力向量；构建自适应权重损失模块；等等。本申请能够对皮肤镜图像中病变区域进行准确的分割。肤镜图像中病变区域进行准确的分割。肤镜图像中病变区域进行准确的分割。

【技术实现步骤摘要】
皮肤镜图像的分割方法及其分割装置


[0001]本专利技术涉及数字图像处理
，特别涉及一种皮肤镜图像的分割方法及其分割装置。

技术介绍

[0002]皮肤镜图像中病变区域自动分割对黑色素瘤的临床诊断和评估具有重要意义。传统分割方法过程繁琐，泛化性不强，对于正常和病变区域之间的高度相似的图像分割结果较差。
[0003]而且，由于皮肤病变区域形态多变，分割目标和背景大小极度不平衡，皮肤病变区域往往呈现复杂的形态、多尺度的变化，使得分割目标和背景极其不平衡，很难分割出精准的病变区域。最后，毛发和人工标记会影响图像质量，因此，就目前的技术而言，皮肤镜图像病变区域的准确分割仍然是一个很大的挑战，亟需尽快解决，以满足临床诊断和评估需要。

技术实现思路

[0004]为了克服现有技术的上述缺陷，本专利技术实施例所要解决的技术问题是提供了一种皮肤镜图像的分割方法及其分割装置，其能够对皮肤镜图像中病变区域进行准确的分割。
[0005]本专利技术实施例的具体技术方案是：
[0006]一种皮肤镜图像的分割方法，所述皮肤镜图像的分割方法包括：
[0007]在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像；
[0008]采用轻量级全卷积神经网络作为图像分割模型的基本框架，并且将ResNet50作为轻量级全卷积神经网络的编码阶段，在此过程中，将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整；
[0009]在图像分割模型的轻量级全卷积神经网络中采用双重注意力模块将信息进行聚合，以生成通道注意力向量；
[0010]构建自适应权重损失模块，利用自适应权重损失函数根据预处理后的皮肤镜图像中分割目标区域的相对面积大小分配不同的权重；
[0011]在图像分割模型中建立融合双重注意力模块和自适应权重损失模块的分割网络，在基于轻量级全卷积神经网络的基本框架中，在编码器与解码器的连接处插入双重注意力模块，采用分段平均的方法得到最终权重，进而得到自适应权重损失模块中的自适应权重损失函数；
[0012]对融合双重注意力模块和自适应权重损失模块的分割网络的图像分割模型进行训练得到训练后的图像分割模型；
[0013]通过训练后的图像分割模型对待分割的皮肤镜图像进行分割，以自动分割出病变区域。
[0014]优选地，在步骤在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预
处理后的皮肤镜图像中，增加灰度图像信息的具体计算公式如下：
[0015]Gray＝0.2989*R+0.5870*G+0.1140*B；
[0016]其中，Gray表示灰度图像信息。
[0017]优选地，在步骤构建自适应权重损失模块，利用自适应权重损失函数根据预处理后的皮肤镜图像中分割目标区域的相对面积大小分配不同的权重中，具体如下：
[0018]自适应权重损失函数利用金标准的先验信息，根据分割目标区域的相对面积大小，给不同图像的损失动态分配权重，小尺度目标分配大权重，大尺度目标分配小权重，自适应权重损失函数中的初始权重如下：
[0019]β＝1+(T-α)；
[0020]其中，T∈(0，1)，T是划分阈值，图像中病变区域面积占图像总面积大于T则该图像为大目标，图像中病变区域面积占图像总面积小于T则该图像为小目标，β∈(T，T+1)β表示根据分割目标大小生成的权重。
[0021]优选地，采用分段平均的方法得到最终权重，具体如下：
[0022][0023]其中，γ表示最终生成的权重系数；
[0024]自适应权重损失模块中的自适应权重损失函数Loss的计算公式表示为：
[0025]Loss＝γ(1-Dice)；
[0026]其中，Dice系数的公式为：
[0027][0028]其中，X表示分割网络预测的结果，Y表示分割金标准。
[0029]优选地，在步骤对融合双重注意力模块和自适应权重损失模块的分割网络的图像分割模型进行训练得到训练后的图像分割模型中，具体为：
[0030]在训练过程中，使用随机旋转的在线皮肤镜图像进行训练；将训练使用的皮肤镜图像的四个通道的像素值全部归一化到0至1之间，并使用Adam优化器来更新网络参数，初始学习率设为1
×
e-4
，批次大小设为4，并且每训练30轮学习率衰减为之前的0.1倍。
[0031]一种皮肤镜图像的分割装置，包括存储器和处理器，存储器中存储计算机程序，所述计算机程序在被所述处理器执行时，实现以下步骤：如上述任一所述的皮肤镜图像的分割方法。
[0032]本专利技术的技术方案具有以下显著有益效果：
[0033]本申请提出的皮肤镜图像的分割方法及其分割装置首先使用ResNet50作为主干网络改进U-Net的编码阶段，提高网络的特征提取能力，并在RGB三通道的基础上增加一个灰度通道以提升网络对边界的敏感性；然后，引入注意力机制，使分割网络能够更多地关注皮肤病变区域并抑制无用的噪声干扰；最后，针对分割目标和背景极度不平衡的问题提出一种自适应权重损失函数，根据分割目标大小动态分配权重，提高分割网络对小尺度目标
的关注度，获得更准确的分割结果。本申请中的皮肤镜图像的分割方法及其分割装置能够用于皮肤镜图像的精准分割，且其利用了注意力机制和自适应权重损失，能够很好地解决医学图像分割任务中普遍存在的分割目标和背景大小极度不平衡问题。
[0034]参照后文的说明和附图，详细公开了本专利技术的特定实施方式，指明了本专利技术的原理可以被采用的方式。应该理解，本专利技术的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本专利技术的实施方式包括许多改变、修改和等同。针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
附图说明
[0035]在此描述的附图仅用于解释目的，而不意图以任何方式来限制本专利技术公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本专利技术的理解，并不是具体限定本专利技术各部件的形状和比例尺寸。本领域的技术人员在本专利技术的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本专利技术。
[0036]图1为本专利技术实施例中皮肤镜图像的分割方法的流程示意图；
[0037]图2为本专利技术实施例中皮肤镜图像的分割方法的框架结构图；
[0038]图3为为本专利技术实施例中双重注意力模块原理图；
[0039]图4为皮肤镜图像的原始图像和对应的病变区域分割金标准；
[0040]图5为采用本申请中皮肤镜图像的分割方法进行分割的示例。
具体实施方式
[0041]结合附图和本专利技术具体实施方式的描述，能够更加清楚地了解本专利技术的细节。但是，在此描述的本专利技术的具体实施方式，仅用于解释本专利技术的目的，而不能以任何方式理解成是对本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种皮肤镜图像的分割方法，其特征在于，所述皮肤镜图像的分割方法包括：在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像；采用轻量级全卷积神经网络作为图像分割模型的基本框架，并且将ResNet50作为轻量级全卷积神经网络的编码阶段，在此过程中，将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整；在图像分割模型的轻量级全卷积神经网络中采用双重注意力模块将信息进行聚合，以生成通道注意力向量；构建自适应权重损失模块，利用自适应权重损失函数根据预处理后的皮肤镜图像中分割目标区域的相对面积大小分配不同的权重；在图像分割模型中建立融合双重注意力模块和自适应权重损失模块的分割网络，在基于轻量级全卷积神经网络的基本框架中，在编码器与解码器的连接处插入双重注意力模块，采用分段平均的方法得到最终权重，进而得到自适应权重损失模块中的自适应权重损失函数；对融合双重注意力模块和自适应权重损失模块的分割网络的图像分割模型进行训练得到训练后的图像分割模型；通过训练后的图像分割模型对待分割的皮肤镜图像进行分割，以自动分割出病变区域。2.根据权利要求1所述的皮肤镜图像的分割方法，其特征在于，在步骤在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像中，增加灰度图像信息的具体计算公式如下：Gray＝0.2989*R+0.5870*G+0.1140*B；其中，Gray表示灰度图像信息。3.根据权利要求1所述的皮肤镜图像的分割方法，其特征在于，在将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整中，具体包括：移出原始ResNet50最后的平均池化层和全连接层，保持网络的全卷积结构,从而替换轻量级全卷积神经网络中的编码器部分；把ResNet50中第一个7
×
7卷积层替换为能够保持图像输入大小的两个3
...

【专利技术属性】
技术研发人员：丁赛赛，左文琪，
申请(专利权)人：苏州斯玛维科技有限公司，
类型：发明
国别省市：