【技术实现步骤摘要】
一种基于多尺度残差编解码网络的图像分割方法及系统
[0001]本专利技术属于人工智能或深度学习
，具体涉及一种基于多尺度残差编解码网络的图像分割方法及系统。
技术介绍
[0002]皮肤病是最常见的疾病之一，其中皮肤癌的致死率非常之高。例如，黑色素瘤的五年生存率不足15％。皮肤镜作为一种非介入式的成像工具，广泛的被用于辅助筛查和诊断皮肤病变。然而人工筛查皮肤病图片是一项费时费力且易受主观影响的工作。为了解决上述问题，计算机辅助诊断技术被引入临床医生的日常诊断中，以帮助临床医生高效的筛查和诊断皮肤病变。在皮肤病辅助诊断中，一个关键的步骤就是准确的定位病变的边界，即皮肤病变分割。病变分割的准确率会影响整个辅助诊断系统的准确率。因此，科研工作者投入了巨大的精力设计自动的皮肤病变分割算法，其中包括了经典的机器学习算法和当前流行的深度学习算法。
[0003]经典机器学习算法主要包括：聚类算法，阈值算法，可变性轮廓模型，和区域生长算法。这些算法严重依赖手工特征和精细的后处理方法，导致其在复杂的应用场景中性能较差。另一方面，深...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度残差编解码网络的图像分割方法，其特征在于，对皮肤病变图像进行预处理；对所述预处理后的图像进行数据增强，得到更多的图像数据，即输入特征图像；基于多尺度残差编解码网络对所述输入特征图像进行特征提取、编码特征融合以及解码特征融合；其中，多尺度残差编解码网络基于CS2
‑
Net，采用多尺度特征提取模块M2F2代替CS2
‑
Net中的卷积模块，用多尺度残差编码特征融合模块MsR
‑
EFM整合网络编码阶段不同层之间的多尺度上下文信息，用多尺度残差解码特征融合模块MsR
‑
DFM整合网络解码阶段不同层之间的多尺度上下文信息；多尺度特征提取模块M2F2中设置四条支路，每条支路中设置卷积层、多尺度特征提取单元以及特征拆分拼接单元，每条支路将输入特征图进行卷积以及多尺度特征提取后，分别得到对应的特征图，再过特征拼接单元将特征图进行拼接后得到需要提取的多尺度特征图；编码阶段不同层的多尺度特征图作为多尺度残差编码特征融合模块MsR
‑
EFM的输入；多尺度残差编码特征融合模块MsR
‑
EFM中设置卷积单元、池化单元以及权重分配单元，卷积单元用于改变多尺度特征图的通道数量，池化单元用于缩小特征图的尺寸，权重分配单元用于分别赋予不同层特征图像权重；多尺度残差解码特征融合模块MsR
‑
DFM中设置上采样单元、卷积单元、池化单元和多层感知机；上采样单元用于将解码阶段不同层的特征图统一至最终输出所需的尺寸，卷积单元用于捕获特征图的局部信息并改变特征图的通道数量；池化单元和多层感知机用于提炼特征图的空间信息，以得到特征图的空间注意力，对拼接后的特征F进行最大值池化、平均池化及soft池化，得到其空间注意力特征，然后再对其进行通道注意力操作，得到通道注意力后的特征，再对该特征进行sigmoid激活操作，得到最终的分割结果。2.根据权利要求1所述的基于多尺度残差编解码网络的图像分割方法，其特征在于，多尺度特征提取模块M2F2将输入特征图的通道数通过卷积改变至输出特征图所需的通道数，将所得到的特征图记为F1；将输入特征图的通道数通过卷积降低至1/4，再提取多尺度特征，将所得到的特征图记为F2；将输入特征图的通道数通过卷积降低至1/8，然后提取多尺度特征，将所得到的特征图记为F3；将输入特征图的通道通过卷积层数降至1/8，然后再进行卷积后提取多尺度特征，将所得到的特征图记为F4；将特征图F2、F3和F 4
拼接起来记为F
234
，，将特征图F
234
通道数变为和输出特征相同的通道数记为F
123
；M2F2最终的输出特征图F1+F
123
。3.根据权利要求1所述的基于多尺度残差编解码网络的图像分割方法，其特征在于，多尺度残差编码特征融合模块MsR
‑
EFM中，首先通过卷积单元和池化单元将网络编码阶段不同层的特征图像重采样至同一尺寸，得到重采样后的特征图像，同时分别赋予各层权重，得到有效融合后的多尺度编码特征。4.根据权利要求1所述的基于多尺度残差编解码网络的图像分割方法，其特征在于...
【专利技术属性】
技术研发人员：代笃伟，徐颂华，李宗芳，
申请(专利权)人：西安交通大学医学院第二附属医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。