一种用于耳穴分割的轻量型算法制造技术

本发明专利技术公开了一种用于耳穴分割的轻量型算法，属于医学图像分割领域，主旨在于通过轻量型算法实现耳穴分割；建立耳穴数据库；基于编码器

【技术实现步骤摘要】
一种用于耳穴分割的轻量型算法


[0001]本专利技术涉及医学图像分割领域，具体涉及一种用于耳穴分割的轻量型算法。

技术介绍

[0002]耳穴疗法已经成为了一种越来越流行的替代医学疗法，广泛应用于各种疾病的治疗。然而，由于人的耳朵形态和耳穴位置的差异，准确地定位和刺激耳穴一直是一个具有挑战性的问题。实现耳穴可视化可以帮助医生或患者更快速、准确地定位耳穴的位置,从而提高治疗的效果和准确性。
[0003]对于耳穴的定位目前有很多辅助性工具可以通过电子信号、皮肤染色等方式定位耳穴，但是这种方式实时性很差，非常消耗时间。对耳朵图像的处理，目前大部分研究集中在对耳朵的分割和提取，对于耳穴的图像分割尚未得到深入研究。我们的算法重点关注对耳穴的分割。
[0004]最近，深度学习模型解决了许多计算机视觉的任务。在耳穴分割任务中，也可以借鉴一些基于深度学习的语义分割方法。例如FCN,u
‑
net,deeplab系列等，这些分割方法在分割问题上有较好的性能和准确度。然而，在这些模型中通常会引入数百万个参数，导致模型尺寸大，计算成本高，很难将这样的模型部署到实时程序。

技术实现思路

[0005]本专利技术的目的在于构建了一种用于耳穴分割的轻量化模型，实现了耳穴可视化，可以帮助医生或患者更快速、准确地定位耳穴的位置。
[0006]为了实现上述目的本专利技术采用以下技术手段：
[0007]一种用于耳穴分割的轻量型算法，包括以下步骤：
[0008]步骤1：采集耳朵图像数据，严格按照国家标准GB/T 13734
‑
2008进行数据集标签制作，建立耳穴数据库；
[0009]步骤2：基于编码器
‑
解码器结构构建MobileAPN轻量型深度学习模型，所述MobileAPN轻量型深度学习模型包括编码器和解码器，所述编码器为骨干网络和CBAM_DenseASPP级联构成用于特征提取，得到浅层特征和深层特征，所述解码器为原deeplabv3+的解码器用于将浅层特征和深层特征进行特征融合后上采样得到预测结果；
[0010]步骤3：利用耳穴数据库中的训练集样本训练所述MobileAPN轻量型深度学习模型，得到最优模型；
[0011]步骤4：利用所述最优模型对耳穴数据库中的测试集样本进行分割，得到耳郭区域的预测结果；
[0012]步骤5：利用耳穴位置的相对固定性得到最终耳穴的预测结果。
[0013]上述技术方案中，构建MobileAPN轻量型深度学习模型的具体步骤如下：
[0014]步骤2.1构建主干网络，用于特征提取，不仅具有空间信息学习能力且具有全局感受野；
[0015]步骤2.2构建CBAM_DenseASPP网络结构，用于多尺度特征提取，且具有空间注意力和通道注意力；
[0016]步骤2.3构建编码器中的1
×
1卷积，用于调整输入特征层通道数；
[0017]步骤2.4构建解码器中的1
×
1卷积，用于对主干网络输出的浅层特征层进行通道数调整；
[0018]步骤2.5构建解码器中的上采样结构，用于对输入特征层进行大小调整；
[0019]步骤2.6构建解码器中的特征融合结构，用于对浅层特征层和深层特征层进行特征融合；
[0020]步骤2.7构建3
×
3卷积，用于特征融合；
[0021]步骤2.8构建softmax激活函数用于输出最终的类别预测结果。
[0022]上述技术方案中，步骤2.1中所述的主干网络依次连接的3
×
3卷积、倒残差结构、Block结构。
[0023]上述技术方案中，所述的Block结构包括依次连接的深度可分离卷积、模块一、前馈神经网络、模块二、前馈神经网络、逐点卷积层，其中对模块一、前馈神经网络、模块二、前馈神经网络之间需进行残差连接。
[0024]上述技术方案中，步骤2.2中，CBAM_DenseASPP网络结构，包括CBAM结构级联DenseASPP结构。
[0025]上述技术方案中，其中模块一包括，将输入特征层折叠成n个序列，所述n为每个patch的像素个数，所述每个序列的特征维度为通道数，并将所述序列输入到可分离自注意力中进行处理，最后折叠回原特征层尺寸。
[0026]上述技术方案中，其中模块二包括将输入特征层折叠成n个序列，所述n为通道数，特征维度为每一个patch的像素个数，并将所述序列输入到自注意力中进行处理，最后折叠回原特征层尺寸。
[0027]上述技术方案中，所述步骤2、3、4提出了一种用于耳穴分割的有效训练策略，所述训练策略为先利用MobileAPN轻量型深度学习模型对耳郭类别进行分割然后利用耳穴位置的相对固定性对耳穴进行分割。所述利用相对固定性即对于耳甲2区域利用聚类算法，其中相似度度量方式为Manhattan距离；对于耳轮、耳舟、对耳轮、耳甲1区域，利用其狭长的特征采用曲线拟合的方式进行等比例分割，所述曲线拟合指利用最小二乘法进行多项式拟合；对于耳甲4、耳屏区域计算区域中点，以中点为基准画出分割线；对于耳甲3区域计算区域中点，以中点为基线画圆画出心区域，再以心区域上下两点为基准画出两条分割线得到气管区域，在此基础上去掉心、气管区域得到肺区域；对于对耳屏区域和耳垂区域，以对耳屏区域和耳垂区域都以相交的这条线为基准画出其他分割线。
[0028]上述技术方案中，所述步骤3中的训练过程具体为：
[0029]步骤3.1初始化所述MobileAPN轻量型深度学习模型的参数；
[0030]步骤3.2将所述MobileAPN轻量型深度学习模型进行前向传播，得到所述耳穴样本的耳郭类别预测标签；
[0031]步骤3.3利用交叉熵损失反向计算所述MobileAPN轻量型深度学习模型的参数梯度，利用所述参数梯度更新所述MobileAPN轻量型深度学习模型；
[0032]步骤3.4利用所述损失值反向计算所述MobileAPN轻量型深度学习模型的参数梯
度，利用所述参数更新所述MobileAPN轻量型深度学习模型；
[0033]步骤3.5利用损失值判断所述MobileAPN轻量型深度学习模型是否收敛，若收敛，则结束训练，否则跳转步骤3.2。
[0034]上述技术方案中，所述步骤3.3中，交叉信息熵损失函数公式为：
[0035][0036]其中，L表示计算得到的交叉信息熵损失值，n表示耳穴训练集样本总数，a表示耳穴样本的耳郭类别预测标签，y表示耳穴样本的耳郭类别真实标签。
[0037]因为本专利技术采用上述技术手段，因此具备以下有益效果：
[0038]1.因为本专利技术采用深度学习方法，结合CNN和transformer的优点，提出了一种用于耳穴分割的MobileAPN轻量型深度学习模型，解决了耳穴定位困难的问题，其效果优于本领域其他轻量型网络。2.因为本专利技术采用折叠输入模块一、二特征层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于耳穴分割的轻量型算法，其特征在于：包括以下步骤：步骤1：采集耳朵图像数据，严格按照国家标准GB/T 13734
‑
2008进行数据集标签制作，建立耳穴数据库；步骤2：基于编码器
‑
解码器结构构建MobileAPN轻量型深度学习模型，所述MobileAPN轻量型深度学习模型包括编码器和解码器，所述编码器为骨干网络和CBAM_DenseASPP级联构成用于特征提取，得到浅层特征和深层特征，所述解码器为原deeplabv3+的解码器用于将浅层特征和深层特征进行特征融合后上采样得到预测结果；步骤3：利用耳穴数据库中的训练集样本训练所述MobileAPN轻量型深度学习模型，得到最优模型；步骤4：利用所述最优模型对耳穴数据库中的测试集样本进行分割，得到耳郭区域的预测结果；步骤5：利用耳穴位置的相对固定性得到最终耳穴的预测结果。2.根据权利要求1所述的一种用于耳穴分割的轻量型算法，其特征在于：构建MobileAPN轻量型深度学习模型的具体步骤如下：步骤2.1构建主干网络，用于特征提取，不仅具有空间信息学习能力且具有全局感受野；步骤2.2构建CBAM_DenseASPP网络结构，用于多尺度特征提取，且具有空间注意力和通道注意力；步骤2.3构建编码器中的1
×
1卷积，用于调整输入特征层通道数；步骤2.4构建解码器中的1
×
1卷积，用于对主干网络输出的浅层特征层进行通道数调整；步骤2.5构建解码器中的上采样结构，用于对输入特征层进行大小调整；步骤2.6构建解码器中的特征融合结构，用于对浅层特征层和深层特征层进行特征融合；步骤2.7构建3
×
3卷积，用于特征融合；步骤2.8构建softmax激活函数用于输出最终的类别预测结果。3.根据权利要求2所述的一种用于耳穴分割的轻量型算法，其特征在于：步骤2.1中所述的主干网络依次连接的3
×
3卷积、倒残差结构、Block结构。4.根据权利要求3所述的一种用于耳穴分割的轻量型算法，其特征在于：所述的Block结构包括依次连接的深度可分离卷积、模块一、前馈神经网络、模块二、前馈神经网络、逐点卷积层，其中对模块一、前馈神经网络、模块二、前馈神经网络之间需进行残差连接。5.根据权利要求2所述的一种用于耳穴分割的轻量型算法，其特征在于：步骤2.2中，CBAM_DenseASPP网络结构，包括CBAM结构级联DenseASPP结构。6.根据权...

【专利技术属性】
技术研发人员：袁国慧，王卓然，左玮遐，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：