基于轻量多尺度UNet的皮肤病变图像分割方法技术

本发明专利技术提供一种基于轻量多尺度UNet的皮肤病变图像分割方法，方法包括：获取皮肤病变图像并进行预处理；建立轻量多尺度UNet网络结构即LMUNet：以原始的UNet模型为基础，使用多尺度倒置残差模块替代UNet编码路径中原有的卷积模块，并在编码路径和解码路径之间加入非对称空洞空间金字塔池化模块，同时减少每层的通道数，并将UNet原有的跳跃连接修改为通道相加；利用预处理的皮肤病变图像对LMUNet网络进行训练；将待分割的皮肤病变图像输入训练好的LMUNet网络获取分割结果。实验结果表明本发明专利技术解决了基于UNet的皮肤病变图像模型复杂度高、计算量大和参数多的问题，并提高了皮肤病变图像分割的准确率和速度，实现了皮肤病变图像的快速分割。快速分割。快速分割。

【技术实现步骤摘要】
基于轻量多尺度UNet的皮肤病变图像分割方法


[0001]本专利技术属于医学图像处理
，具体为一种基于轻量多尺度UNet的皮肤病变图像分割方法。

技术介绍

[0002]皮肤病变图像分割是皮肤诊断研究的一个重要部分。传统的方法是在皮肤镜下制作高分辨率的受损皮肤图像，然后由专业医生进行诊断。然而，由于皮损区域的大小和形状各不相同，人工判断费时费力，且含有主观成分，增加了诊断的难度。早期的计算机辅助医学图像分割方法通常依赖于边缘检测、模板匹配技术和传统的机器学习技术。这些方法在一定程度上取得了良好的效果，但它们往往需要对原始图像进行复杂的预处理，这就需要有经验的工程师来设计特征提取器并选择合适的分类器进行分类。所以，这种方法的泛化能力较弱，难以实现复杂的多分类任务。
[0003]随着大数据时代的到来和计算机硬件的巨大进步，深度学习技术，特别是卷积神经网络，在图像分类和检测等许多任务中取得了比传统方法更好的效果。近年来，许多研究人员都专注于开发高精度的分割方法。其中，UNet是一个基于全卷积网络的语义分割网络，适用于医学图像分割，该网络修本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量多尺度UNet的皮肤病变图像分割方法，其特征在于，包括以下步骤：步骤1、获取皮肤病变图像并进行预处理；步骤2、建立轻量多尺度UNet网络结构即LMUNet：以原始的UNet模型为基础，使用多尺度倒置残差模块替代UNet编码路径中原有的卷积模块，并在编码路径和解码路径之间加入非对称空洞空间金字塔池化模块，同时减少每层的通道数，并将UNet原有的跳跃连接修改为通道相加；步骤3、利用预处理的皮肤病变图像对LMUNet网络进行训练；步骤4、将待分割的皮肤病变图像输入训练好的LMUNet网络获取分割结果。2.根据权利要求1所述的基于轻量多尺度UNet的皮肤病变图像分割方法，其特征在于，步骤1对皮肤病变图像进行预处理具体包括：统一图像尺寸、数据增强和数据集划分，其中，统一图像尺寸是将通过缩放或裁剪的方式将获取的皮肤病变图像尺寸进行统一；数据增强采用旋转和翻转图像几何变换方法以及直方图均衡中的一种或多种；数据集划分是指将数据增强操作后的图像划分为训练集、验证集和测试集。3.根据权利要求1所述的基于轻量多尺度UNet的皮肤病变图像分割方法，其特征在于，步骤2所述的建立轻量多尺度UNet网络结构即LMUNet，具体如下：LMUNet网络结构包括编码路径、解码路径和多尺度信息融合模块；编码路径由多尺度倒置残差模块和2
×
2最大化池化模块组成，负责对输入图像进行特征提取并降低图像尺寸，减少冗余的参数量；解码路径由反卷积层和标准卷积层组成，负责恢复特征图信息；多尺度信息融合模块位于编码路径和解码路径之间，用于融合不同尺度下的特征，丰富上下文信息。4.根据权利要求3所述的基于轻量多尺度UNet的皮肤病变图像分割方法，其特征在于，所述编码路径包括多尺度倒置残差模块和2
×
2最大化池化模块；其中，多尺度倒置残差模块负责提取在多尺度下图像的特征信息，而2
×
2最大化池化模块可以对图像进行压缩，提取图像的主要特征并且减少网络冗余的参数量。所述多尺度倒置残差模块包括第一3
×
3深度卷积模块、第二3
×
3深度卷积模块、3
×
3深度空洞卷积模块以及1
×
1点卷积模块，第一3
×
3深度卷积模块包括3
×
3深度卷积、批归一化层和ReLU6激活函数，输入信息一次经过3
×
3深度卷积、批归一化层和ReLU6激活函数...

【专利技术属性】
技术研发人员：周鹏飞，熊吉川，刘学峰，徐彬，倪斌，曾晖，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：