一种皮肤镜图像中病灶的分割方法技术

一种皮肤镜图像中病灶的分割方法，属于图像处理分割领域，包括对收集到的原始皮肤镜图像和对应的分割标签进行预处理；将预处理后的皮肤镜图像和对应的分割标签划分为训练集、验证集和测试集，并对训练集做数据增强处理；构建用于分割皮肤镜图像中病灶的分割网络；训练用于分割皮肤镜图像中病灶的分割网络；生成分割结果。通过主干网络实现了特征的重用和深度监督；通过级联融合模块提取了病灶高级语义特征和空间位置信息；通过空间通道注意力模块增强了通道和空间相关信息的提取，减少了错误信息；通过互嵌入模块增强了特征的融合。本发明专利技术对于大小不同、不规则、毛发遮挡和模糊边界的病灶具有突出的分割性能，强适应性、高鲁棒性和高分割精度。和高分割精度。和高分割精度。

【技术实现步骤摘要】
一种皮肤镜图像中病灶的分割方法


[0001]本专利技术涉及一种皮肤镜图像中病灶的分割方法，属于图像处理分割


技术介绍

[0002]在早期的皮肤镜图像的研究中，主要基于经典的数字图像方法实现病灶的分割。通常可以分为：阈值法、区域法、边界法和活动轮廓法四大类。早期基于数字图像处理的病灶分割方法的鲁棒性有待提高，在实际应用中很难适应高度变化的样本。特别的，无法有效处理皮肤镜图像病灶区域的不规则和对比度低的问题，因此早期的分割算法很难取得令人满意的分割效果。自从深度学习的概念出现后，基于卷积神经网络(ConvolutionNeuralNetwork，CNN)的深度学习方法在图像分割、图像分类和目标检测上取得了巨大的成功。同样地，卷积神经网络(ConvolutionNeuralNetwork，CNN)改变了皮肤镜图像分割和识别领域的发展，实现了端到端的训练与预测。虽然基于卷积神经网络的皮肤镜图像分割方法作用显著，但是在深度建模过程中仍然存在很多挑战，大多数现有的皮肤镜图像分割模型存在特征信息提取不充分以及分割结果中保留的边缘信息较少且边缘模糊的难题。如公开号为CN107203999A的中国专利公开的《一种基于全卷积神经网络的皮肤镜图像自动分割方法》以及公开号为CN109886986A的中国专利公开的《一种基于多分支卷积神经网络的皮肤镜图像分割方法》，它们都是采用基于卷积神经网络的分割方法实现的皮肤镜图像分割方法，都存在无法有效处理边界模糊、特征信息提取不充分以及分割结果中保留的边缘信息较少的问题。
专利技术内容
[0003]本专利技术的目的是针对现有皮肤镜图像分割模型存在的无法有效处理边界模糊、特征信息提取不充分以及分割结果中保留的边缘信息较少的问题，提供一种皮肤镜图像中病灶的分割方法。
[0004]本专利技术为解决技术问题所采用的技术方案如下：
[0005]本专利技术的一种皮肤镜图像中病灶的分割方法，包括以下步骤：
[0006]步骤S1、对收集到的原始皮肤镜图像和对应的分割标签进行预处理；
[0007]步骤S2、将预处理后的皮肤镜图像和对应的分割标签划分为训练集、验证集和测试集，并对训练集做数据增强处理；
[0008]步骤S3、构建用于分割皮肤镜图像中病灶的分割网络；
[0009]步骤S4、训练用于分割皮肤镜图像中病灶的分割网络，获取最优分割模型；
[0010]步骤S5、利用最优分割模型生成分割结果。
[0011]进一步的，步骤S1的具体操作过程如下：
[0012]S1.1收集原始皮肤镜图像，原始皮肤镜图像来源于国际皮肤公开挑战赛数据集ISIC2016和已公开的皮肤镜图像数据集PH2；
[0013]S1.2采用三次插值的方法将原始皮肤镜图像的分辨率缩放至512
×
512，采用最近
邻的方法将对应的分割标签的分辨率缩放至512
×
512，并将缩放后的皮肤镜图像和对应的分割标签转化为.npy格式。
[0014]进一步的，步骤S2的具体操作过程如下：
[0015]S2.1数据集划分
[0016]将来源于国际皮肤公开挑战赛数据集ISIC2016且经预处理后的皮肤镜图像和对应的分割标签划分为训练集和验证集，训练集包含900个样本，验证集包含379个样本；将来源于皮肤镜图像数据集PH2且经预处理后的皮肤镜图像和对应的分割标签划分为测试集，测试集包含200个样本；
[0017]S2.2训练集数据增强处理；
[0018]对训练集中的皮肤镜图像和对应的分割标签进行数据增强处理，包括水平翻转、垂直翻转和随机旋转。
[0019]进一步的，步骤S3中，所述分割网络包括：主干网络、级联融合模块、空间通道注意力模块、互嵌入模块、第六1
×
1卷积层、第七1
×
1卷积层、第八1
×
1卷积层、第九1
×
1卷积层和第十1
×
1卷积层；通过主干网络对原始皮肤镜图像进行特征提取，输出四张多尺度特征图，其中一张特征图通过空间通道注意力模块进行处理以增强通道和提取空间相关信息，另外三张特征图分别经过第六1
×
1卷积层、第七1
×
1卷积层、第八1
×
1卷积层处理后通过级联融合模块进行特征交互操作；通过互嵌入模块将级联融合模块处理后的特征与空间通道注意力模块处理后的特征进行特征融合操作，所得结果经过第十1
×
1卷积层处理后输出对应的特征图；级联融合模块处理后的特征经过第九1
×
1卷积层处理后输出对应的特征图；将第十1
×
1卷积层输出的特征图和第九1
×
1卷积层输出的特征图进行元素相加操作，得到最终的分割结果。
[0020]进一步的，所述主干网络包括：第一8层谐波稠密块至第五8层谐波稠密块、第一3
×
3卷积层、第二3
×
3卷积层、第一1
×
1卷积层至第五1
×
1卷积层、第一最大池化层至第四最大池化层；将原始皮肤镜图像导入主干网络，依次经过第一3
×
3卷积层、第二3
×
3卷积层、第一最大池化层、第一8层谐波稠密块、第一1
×
1卷积层处理后，所得结果分别导入空间通道注意力模块和第二最大池化层进行处理，导入第二最大池化层处理后的结果再依次经过第二8层谐波稠密块、第二1
×
1卷积层、第三8层谐波稠密块、第三1
×
1卷积层处理后，所得结果分别导入第六1
×
1卷积层和第三最大池化层进行处理，导入第三最大池化层处理后的结果再依次经过第四8层谐波稠密块、第四1
×
1卷积层处理后，所得结果分别导入第七1
×
1卷积层和第四最大池化层进行处理，导入第四最大池化层处理后的结果再依次经过第五8层谐波稠密块和第五1
×
1卷积层处理后，所得结果导入第八1
×
1卷积层进行处理。
[0021]进一步的，所述级联融合模块包括：第一特征金字塔模块至第五特征金字塔模块、第三3
×
3卷积层、第四3
×
3卷积层；对第八1
×
1卷积层的处理结果进行2倍上采样，所得结果分别导入第一特征金字塔模块和第二特征金字塔模块，将第一特征金字塔模块的处理结果与第七1
×
1卷积层的处理结果进行相乘操作，所得结果与第二特征金字塔模块的处理结果进行串联操作，最后通过第三3
×
3卷积层进行处理得到串联后的特征；对第七1
×
1卷积层的处理结果进行2倍上采样，所得结果导入第三特征金字塔模块，对第八1
×
1卷积层的处理结果进行4倍上采样，所得结果导入第四特征金字塔模块，将第三特征金字塔模块的处理结果、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种皮肤镜图像中病灶的分割方法，其特征在于，包括以下步骤：步骤S1、对收集到的原始皮肤镜图像和对应的分割标签进行预处理；步骤S2、将预处理后的皮肤镜图像和对应的分割标签划分为训练集、验证集和测试集，并对训练集做数据增强处理；步骤S3、构建用于分割皮肤镜图像中病灶的分割网络；步骤S4、训练用于分割皮肤镜图像中病灶的分割网络，获取最优分割模型；步骤S5、利用最优分割模型生成分割结果。2.根据权利要求1所述的一种皮肤镜图像中病灶的分割方法，其特征在于，步骤S1的具体操作过程如下：S1.1收集原始皮肤镜图像，原始皮肤镜图像来源于国际皮肤公开挑战赛数据集ISIC 2016和已公开的皮肤镜图像数据集PH2；S1.2采用三次插值的方法将原始皮肤镜图像的分辨率缩放至512
×
512，采用最近邻的方法将对应的分割标签的分辨率缩放至512
×
512，并将缩放后的皮肤镜图像和对应的分割标签转化为.npy格式。3.根据权利要求1所述的一种皮肤镜图像中病灶的分割方法，其特征在于，步骤S2的具体操作过程如下：S2.1数据集划分将来源于国际皮肤公开挑战赛数据集ISIC 2016且经预处理后的皮肤镜图像和对应的分割标签划分为训练集和验证集，训练集包含900个样本，验证集包含379个样本；将来源于皮肤镜图像数据集PH2且经预处理后的皮肤镜图像和对应的分割标签划分为测试集，测试集包含200个样本；S2.2训练集数据增强处理；对训练集中的皮肤镜图像和对应的分割标签进行数据增强处理，包括水平翻转、垂直翻转和随机旋转。4.根据权利要求1所述的一种皮肤镜图像中病灶的分割方法，其特征在于，步骤S3中，所述分割网络包括：主干网络、级联融合模块、空间通道注意力模块、互嵌入模块、第六1
×
1卷积层、第七1
×
1卷积层、第八1
×
1卷积层、第九1
×
1卷积层和第十1
×
1卷积层；通过主干网络对原始皮肤镜图像进行特征提取，输出四张多尺度特征图，其中一张特征图通过空间通道注意力模块进行处理以增强通道和提取空间相关信息，另外三张特征图分别经过第六1
×
1卷积层、第七1
×
1卷积层、第八1
×
1卷积层处理后通过级联融合模块进行特征交互操作；通过互嵌入模块将级联融合模块处理后的特征与空间通道注意力模块处理后的特征进行特征融合操作，所得结果经过第十1
×
1卷积层处理后输出对应的特征图；级联融合模块处理后的特征经过第九1
×
1卷积层处理后输出对应的特征图；将第十1
×
1卷积层输出的特征图和第九1
×
1卷积层输出的特征图进行元素相加操作，得到最终的分割结果。5.根据权利要求4所述的一种皮肤镜图像中病灶的分割方法，其特征在于，所述主干网络包括：第一8层谐波稠密块至第五8层谐波稠密块、第一3
×
3卷积层、第二3
×
3卷积层、第一1
×
1卷积层至第五1
×
1卷积层、第一最大池化层至第四最大池化层；将原始皮肤镜图像导入主干网络，依次经过第一3
×
3卷积层、第二3
×
3卷积层、第一最大池化层、第一8层谐波稠密块、第一1
×
1卷积层处理后，所得结果分别导入空间通道注意力模块和第二最大池化
层进行处理，导入第二最大池化层处理后的结果再依次经过第二8层谐波稠密块、第二1
×
1卷积层、第三8层谐波稠密块、第三1
×
1卷积层处理后，所得结果分别导入第六1
×
1卷积层和第三最大池化层进行处理，导入第三最大池化层处理后的结果再依次经过第四8层谐波稠密块、第四1
×
1卷积层处理后，所得结果分别导入第七1
×
1卷积层和第四最大池化层进行处理，导入第四最大池化层处理后的结果再依次经过第五8层谐波稠密块和第五1
×
1卷积层处理后，所得结果导入第八1
×
1卷积层进行处理。6.根据权利要求5所述的一种皮肤镜图像中病灶的分割方法，其特征在于，所述级联融合模块包括：第一特征金字塔模块至第五特征金字塔模块、第三3
×
3卷积层、第四3
×
3卷积层；对第八1
×
1卷积层的处理结果进行2倍上采样，所得结果分别导入第一特征金字塔模块和第二特征金字塔模块，将第一特征金字塔模块的处理结果与第七1
×
1卷积层的处理结果进行相乘操作，所得结果与第二特征金字塔模块的处理结果进行串联操作，最后通过第三3
×
3卷积层进行处理得到串联后的特征；对第七1
×
1卷积层的处理结果进行2倍上采样，所得结果导入第三特征金字塔模块，对第八1
×
1卷积层的处理结果进行4倍上采样，所得结果导入第四特征金字塔模块，将第三特征金字塔模块的处理结果、第四特征金字塔模块的处理结果和第六1
×
1卷积层的处理结果...

【专利技术属性】
技术研发人员：孙海江，白瑞峰，江山，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：