【技术实现步骤摘要】
一种基于深度学习的皮肤病变图像分割方法、设备及存储介质
[0001]本专利技术属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变图像分割方法、设备及存储介质。
技术介绍
[0002]皮肤疾病占全球疾病负担的很大一部分。皮肤病的种类繁多，临床上可进一步细分为数千种疾病。大多数皮肤病变的诊断依赖于专业的皮肤镜设备。皮肤镜成像是一种非侵入性(与组织活检相比)成像技术，它可以获得局部皮肤区域的放大和光线充足的图像，同时消除皮肤表面反射并增强皮肤病变的成像清晰度。与传统的视觉诊断相比，正确诊断率可提高20％～30％。皮肤镜诊断程序的普及导致皮肤镜图像数据激增。然而，不仅皮肤科医生短缺，而且手动筛选皮肤镜图像是一项耗时、艰巨的工作，其本质上受到主观性的影响。精心设计的计算机辅助诊断系统为皮肤镜图像评估提供了一种替代方法，减少皮肤科医生的工作量，提高筛查和诊断的效率和客观性，让皮肤科医生专注于最棘手的病例，最终促进提高诊断效率。
[0003]由于皮肤病变的外观和大小存在很大差异，自动皮肤病变分割是一项具有挑战性的任务。较低的...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的皮肤病变图像分割方法，其特征在于，包括以下步骤：对原始皮肤病变图像做预处理，得到作为模型的输入皮肤病变图像；基于深度学习模型，对输入皮肤病变图像提取多尺度高级特征X1,X2,X3；捕获所述多尺度高级特征X3的全局信息并动态结合，输出自适应特征；多尺度高级特征X1,X2,X3进行交互，对所述自适应特征恢复特征分辨率，并与经过交互的特征结合，输出多尺度特征F1,F2,F3,F4；对多尺度特征F1,F2,F3,F4利用空间注意机制对相邻尺度之间的特征进行交互，再进行卷积和sigmoid函数处理得到预测的分割掩码，即得到皮肤病变图像中的特征图像；所述深度学习模型基于U
‑
Net结构网络，集成多尺度桥接模块、全局
‑
局部通道空间注意力模块和尺度感知深监督模块；所述U
‑
Net结构网络包括编码器和解码器，编码器和解码器之间设置多尺度桥接模块，多尺度桥接模块用于指导多尺度上下文信息流和解码器特征的融合，在编码器顶部插入全局
‑
局部通道空间注意力模块，用来捕获全局上下文信息，所述U
‑
Net结构网络，末端设置尺度感知深监督模块，用于适应地集成多尺度信息以增强最终输出。2.根据权利要求1所述的基于深度学习的皮肤病变图像分割方法，其特征在于，皮肤镜图像被送入预训练的ResNet34组成的编码器中提取多尺度高级特征X1,X2,X3。3.根据权利要求1所述的基于深度学习的皮肤病变图像分割方法，其特征在于，特征X3经过全局
‑
局部通道空间注意力模块捕获全局信息并动态结合，输出自适应特征。4.根据权利要求1所述的基于深度学习的皮肤病变图像分割方法，其特征在于，多尺度桥接模块对特征X1,X2,X3进行交互，自适应特征经过解码器逐渐恢复特征分辨率，并与经过交互的特征结合，输出多尺度特征F1,F2,F3,F4。5.根据权利要求1所述的基于深度学习的皮肤病变图像分割方法，其特征在于，多尺度桥接模块，用于对不同尺度的特征进行交叉关注，并结合不同分辨率特征的更多尺度信息，每个级别的上采样期间，解码器的相应分辨率特征在信道上融合，具体的，X
′1,X
′2,X
′3＝MSB(X1,X2,X3)其中X1,X2,X3为输入皮肤病变图像经过编码器得到的多尺度特征，作为多尺度桥接模块的输入，X
′1,X
′1,X
′3为输出；对X
i
,i∈{1,2,3}，通过1
×
1卷积得到Q
i
,K
i
,V
i
：Q
i
,K
i
,V
i
＝Conv1x1(X
i
)对i,j∈{1,2,3},i≠j，对不同分辨率的Q
i
,K
j
,V
j
进行交互得到X
i_j
：其中，表示矩阵乘法；最终，对i,j,k∈{1,2,3},i,j,k两两不等，相同分辨率的特征X
i
,X
i_j
,X
i_k
结合在一起，经过1
×
1卷积得到输出X
′
i
：X
′
i
＝Conv1x1(Cat[X
i
,X
i_j
,X
i_k
])。6.根据权利要求1所述的基于深度学习的皮肤病变图像分割方法，其特征在于，基于编码器获得的特征，以全局和局部方式并行应用通道注...
【专利技术属性】
技术研发人员：徐颂华，孙永恒，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。