一种基于深度学习的皮肤病灶图像分割方法技术

本发明专利技术公开了一种基于深度学习的皮肤病灶图像分割方法，该分割方法包括：获取皮肤电镜图像，将图片调整为统一尺寸，对图像进行预处理；将所述数据集划分为训练集、验证集和测试集；搭建模型，搭建FCP‑Net网络，计算神经网络模型的输出与皮肤病灶图像掩模的损失值，并据此更新神经网络模型的参数；遍历所有训练样本，不断训练，直到在10次遍历内模型的损失值不发生变化时停止训练，得到皮肤病灶图像分割模型；实际分割，将图像输入FCP‑Net网络中进行分割，输出分割后的图像。本发明专利技术所提供的分割方法能够显著提高图像分割准确率。

【技术实现步骤摘要】
一种基于深度学习的皮肤病灶图像分割方法
本专利技术属于医学图像处理与计算机视觉
，具体地说涉及一种基于深度学习的皮肤病灶图像分割方法。
技术介绍
恶性色素瘤是世界上增长最快的癌症之一，如今，尽管一些先进的治疗技术，如放射治疗和免疫治疗，越来越多地与临床手术结合，但晚期黑色素瘤的五年生存率仍低至15%，而早期黑色素瘤的五年生存率超过95%。这种差异尤为突出了及时诊断和治疗黑色素瘤对患者生存的重要性。皮肤镜是一种流行的体内无创成像工具，它使用偏振光帮助皮肤科医生根据一组形态学特征检查色素皮肤病变。虽然与传统的使用ABCD标准进行分析相比，皮肤镜检查已被证明会导致诊断准确性的提高，但正确地解释皮肤镜检查图像通常是耗时的、复杂的。因此，计算机化的分析方法已经被开发出来，以帮助皮肤科医生提高其对皮肤镜图像的视觉解释的效率和客观性。从皮肤图像中自动分割色素瘤是皮肤镜图像计算机分析的重要步骤。然而，这项任务并不简单，因为色素瘤通常在大小、形状和颜色上有大量的外观，不同类型的皮肤和纹理。同时，一些病变有不规则和模糊的边界。然而自动分割方法的优劣，直接会导致最后的图像是否清楚直观，目前现有技术的分割方法效果并不理想。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于深度学习的皮肤病灶图像分割方法，实现皮肤病灶图像的自动分割并且达到良好的分割效果。为解决上述问题，本专利技术的技术方案是：一种基于深度学习的皮肤病灶图像分割方法，包括如下步骤：步骤一、获取原始皮肤病灶图像数据集；步骤二、对获取到的皮肤病灶图像数据集进行预处理；步骤三、对预处理后的皮肤病灶图像数据集进行数据集划分，分成训练集、验证集和测试集；步骤四、将预处理后的训练集、验证集图像数据输入到FCP-Net网络模型中进行训练，得到皮肤病灶图像的分割模型，将测试集图像数据中每个图像传入已经训练完成的FCP-Net网络模型中进行预测，得到分割结果；其中，所述FCP-Net网络模型的编码结构包括嵌入式特征集合(EFE)模块、扩展空间映射和通道注意力(DSMCA)模块和分支层融合(BLF)模块，所述FCP-Net网络模型的解码结构包括扩展空间映射和通道注意力(DSMCA)模块和多尺度融合(MSFF)模块；所述嵌入式特征集合模块使用深度可分离卷积提取特征，然后输入轻量化通道注意力结构中进行通道特征提取，将提取到的通道特征信息相加，最后使用1×1卷积提取特征，轻量化通道注意力结构计算公式如下：Sep表示深度可分离卷积的结果，H,W为特征图的高度和宽度，W1,W2,W3,W4表示卷积层的参数，δ表示Swish激活函数，σ表示Sigmoid激活函数，si指的是第i通道的尺度因子，U表示嵌入式特征集合模块的输出，Dropout表示Dropout层的结果；所述扩展空间映射和通道注意力模块将通道注意力和空间注意力进行组合，以捕获嵌入式特征集合模块的通道和空间依赖性，并提取聚合的信息，该扩展空间映射和通道注意力模块的计算公式如下：其中W5、W6、W7、W8、W9、W10是卷积层参数，δ表示Swish激活函数，σ表示Sigmoid激活函数，表示空洞卷积，r是空洞卷积的膨胀率，Xin是扩张空间映射和通道注意模块的输入，S是轻量化通道注意力结果的输出，DSM_𝐵1和DSM_𝐵2项分别表示空间注意力块1和空间注意力块2的输出，Dropout表示Dropout层的结果；所述分支层融合模块使用‘算术加’操作和‘拼接’操作融合从嵌入式特征集合模块输出的各分支。作为本专利技术的一种优选改进，在步骤一中，所述原始皮肤病灶图像数据集包括从ISBI2016和ISBI2017挑战赛中获取皮肤病灶图像数据和PH2数据集的图像数据。作为本专利技术的一种优选改进，在步骤二中，所述预处理包括如下步骤：将皮肤病灶图像数据集中图像的尺寸调整为统一的尺寸，对ISIC2016和ISIC2017数据集中的每个皮肤病灶图像样本进行翻转，首先进行水平翻转，翻转样本的概率为0.5，然后以相同的概率进行垂直翻转；应用旋转操作，将图像旋转θ角度，θ从-40度到40度范围内的高斯分布中随机采样得到；然后用一个在[0.7,1.3]范围内的高斯随机因子重新校准这些图像。作为本专利技术的一种优选改进，在步骤三中，按照7：1：2的比例把皮肤病灶图像数据集分成训练集、验证集和测试集。作为本专利技术的一种优选改进，在步骤四中，FCP-Net网络模型编码结构的下采样阶段选用Xception结构。作为本专利技术的一种优选改进，在步骤四中，所述分支层融合(BLF)模块使用‘算术加’操作和‘拼接’操作融合从嵌入式特征集合(EFE)模块输出的各分支。作为本专利技术的一种优选改进，所述多尺度融合(MSFF)模块使用扩展空间映射和通道注意力模块和拼接操作实现多尺度特征融合。本专利技术与现有技术相比，具有如下有益效果：基于深度学习的皮肤病灶图像分割方法，建立了一种新的特征压缩金字塔网络(FCP-Net)，组合三个模块来捕获和集成全局/多尺度的上下文信息，本模型使用端到端的训练，不需要后处理或先验知识，提高了色素瘤分割的准确率；在编码阶段，构建了三种新的块嵌入式特征集合模块、扩展空间映射和信道注意模块和分支层融合模块，使得提取空间信息的效率更高，特征之间的空间相关性的识别更有效，整合来自不同分支的多感受野特征；在解码阶段，使用DSMCA模块和多尺度特征融合模块建立多个跳跃连接，融合多尺度信息。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：图1为本专利技术诊断复杂的皮肤病变的示例图；图2为本专利技术的FCP-Net网络模型的结构图；图3为本专利技术的嵌入式特征集合(EFE)模块的结构图；图4为本专利技术的扩展空间映射和通道注意力(DSMCA)模块的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本专利技术提供了一种基于深度学习的皮肤病灶图像分割方法，该方法具体包括如下步骤：步骤一、获取原始皮肤病灶图像数据集；具体的，所述原始皮肤病灶图像数据集包括从ISBI2016和ISBI2017挑战赛中获取皮肤病灶图像数据和P本文档来自技高网...

【技术保护点】
1.一种基于深度学习的皮肤病灶图像分割方法，其特征在于，包括如下步骤：/n步骤一、获取原始皮肤病灶图像数据集；/n步骤二、对获取到的皮肤病灶图像数据集进行预处理；/n步骤三、对预处理后的皮肤病灶图像数据集进行数据集划分，分成训练集、验证集和测试集；/n步骤四、将预处理后的训练集、验证集图像数据输入到FCP-Net网络模型中进行训练，得到皮肤病灶图像的分割模型，将测试集图像数据中每个图像传入已经训练完成的FCP-Net网络模型中进行预测，得到分割结果；其中，所述FCP-Net网络模型的编码结构包括嵌入式特征集合模块、扩展空间映射和通道注意力模块和分支层融合模块，所述FCP-Net网络模型的解码结构包括扩展空间映射和通道注意力模块和多尺度融合模块；/n所述嵌入式特征集合模块使用深度可分离卷积提取特征，然后输入轻量化通道注意力结构中进行通道特征提取，将提取到的通道特征信息相加，最后使用1×1卷积提取特征，轻量化通道注意力结构计算公式如下:/n

【技术特征摘要】
1.一种基于深度学习的皮肤病灶图像分割方法，其特征在于，包括如下步骤：
步骤一、获取原始皮肤病灶图像数据集；
步骤二、对获取到的皮肤病灶图像数据集进行预处理；
步骤三、对预处理后的皮肤病灶图像数据集进行数据集划分，分成训练集、验证集和测试集；
步骤四、将预处理后的训练集、验证集图像数据输入到FCP-Net网络模型中进行训练，得到皮肤病灶图像的分割模型，将测试集图像数据中每个图像传入已经训练完成的FCP-Net网络模型中进行预测，得到分割结果；其中，所述FCP-Net网络模型的编码结构包括嵌入式特征集合模块、扩展空间映射和通道注意力模块和分支层融合模块，所述FCP-Net网络模型的解码结构包括扩展空间映射和通道注意力模块和多尺度融合模块；
所述嵌入式特征集合模块使用深度可分离卷积提取特征，然后输入轻量化通道注意力结构中进行通道特征提取，将提取到的通道特征信息相加，最后使用1×1卷积提取特征，轻量化通道注意力结构计算公式如下:















Sep表示深度可分离卷积的结果，H,W为特征图的高度和宽度，W1,W2,W3,W4表示卷积层的参数，δ表示Swish激活函数，σ表示Sigmoid激活函数，si指的是第i通道的尺度因子，U表示嵌入式特征集合模块的输出，Dropout表示Dropout层的结果；
所述扩展空间映射和通道注意力模块将通道注意力和空间注意力进行组合，以捕获嵌入式特征集合模块的通道和空间依赖性，并提取聚合的信息，该扩展空间映射和通道注意力模块的计算公式如下：















其中W5、W6、W7、W8、W9、W10是卷积层参数，δ表示Swish激活函...

【专利技术属性】
技术研发人员：周剑，刘业鑫，段辉高，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43