【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的说是涉及一种基于反馈注意的皮肤病变图像分割方法及装置。
技术介绍
1、皮肤癌是一种非常常见的癌症。由于人们对皮肤癌的相关知识缺乏深入了解，加上对皮肤癌的诊断缺乏准确性，不能有效的在发病早期对皮肤癌进行及时的治疗，导致了比较高的死亡率，因此，早期诊断，及时治疗，对降低死亡率极为重要。
2、目前，一般通过分割病灶，确定病灶的位置、形状、大小等定量信息，实现对可疑皮肤病变的检测，例如皮肤科医生根据皮肤镜图像通过肉眼检测皮肤病变，该种方式的诊断结果主要依赖于医生的主观经验，结果极为不稳定，且对于经验有限的医生甚至可能无法区分正常皮肤和病变皮肤。
3、随着深度学习的发展，基于深度卷积神经网络的分割方法取得了优异的性能。但现有的cnn模型在医学图像分割上虽然已经取得了不错的成绩，当应用至恶性病变早期阶段时，由于病变与正常皮肤区域之间的对比度低，使其在皮肤病变分割中仍然存在不足，具体表现为：
4、(1)目前模型大多数是属于一次性分割，即每次对一张图片分割完后除了得到loss信息后便再无法从中获取其它信息，对分割得到的mask利用效率太低；
5、(2)皮肤病变边界模糊，无法准确识别边界部分；
6、(3)病变皮肤与正常皮肤之间的对比度低，模型无法区分重要部分和非重要部分的特征。
技术实现思路
1、有鉴于此，为至少部分解决上述技术问题，本专利技术提供了一种基于反馈注意的皮肤病变图像分割方法及装置。
3、第一方面，本专利技术提供了一种基于反馈注意的皮肤病变图像分割方法，包括：
4、获取皮肤病变图像，提取所述皮肤病变图像中图像特征，
5、基于所述图像特征依次通过注意力学习和反馈学习进行迭代后，输出分割图像；其中，通过注意力学习和反馈学习进行迭代的过程包括：
6、根据图像特征和上一轮经反馈学习的预测分割图，为重要特征和非重要特征分配权重，获取本轮经注意力学习的预测分割图，以反馈至下一轮反馈学习中；
7、基于图像特征、上一轮经注意力学习的预测分割图和上一轮经反馈学习的预测分割图，确定对所述重要特征的关注度，输出本轮经反馈学习的预测分割图，
8、当满足迭代条件后，以当前经反馈学习的预测分割图作为分割图像。
9、优选地，为重要特征和非重要特征分配权重，获取本轮经注意力学习的预测分割图的过程包括：
10、对图像特征进行初步注意力学习，得到初步特征图，基于初步特征图确定第一重要特征，
11、将经上一轮反馈学习的预测分割图与第一重要特征进行与操作，所得结果再次与第一重要特征进行异或运算后，得到第一运算结果；
12、在空间注意力中提取初步特征图中元素的最大值图和平均值图，根据第一运算结果降低最大值图和平均值图中不重要特征的权重，而后输出第一中间特征；
13、基于降低最大值图和平均值图中不重要特征权重所得特征图确定第二重要特征，
14、将经上一轮反馈学习的预测分割图与第二重要特征进行与操作，所得结果与上一轮反馈学习所得预测分割图进行异或运算后，得到第二运算结果；
15、根据第二运算结果和第一中间特征对降低权重后的最大值图和平均值图进行权重增加，以输出第二中间特征；
16、将第二中间特征与所述图像特征进行逐元素相乘，得到经注意力学习的预测分割图。
17、优选地，确定第一重要特征或第二重要特征的步骤包括：
18、取初步特征图或降低最大值图和平均值图中不重要特征权重所得特征图中前n个最大特征值，通过求和确定特征值矩阵；
19、计算所述特征值矩阵的平均值，将特征值矩阵中高于平均值的位置设置为1，低于平均值的位置设置为0；
20、以值为1的特征作为第一重要特征或第二重要特征。
21、优选地，根据第一运算结果降低最大值图和平均值图中不重要特征的权重的步骤包括：
22、获取初步特征图的初始权重图，并进行归一化，以归一化后的权重与第一运算结果的乘积作为比例对初步特征图中元素的最大值和平均值进行缩减，以降低不重要特征的权重。
23、优选地，根据第二运算结果和第一中间特征对降低权重的最大值图和平均值图进行权重增加的步骤包括：
24、根据第一中间特征确定重要特征权重扩充因子；
25、以第二运算结果与重要特征权重扩充因子的乘积作为比例对降低权重的最大值图和平均值图进行扩增，以增加重要特征的权重。
26、优选地，根据第一中间特征按如下公式确定重要特征权重扩充因子；
27、
28、式中，out1表示第一中间特征，a2表示第二重要特征，avg'表示降低权重的平均值图。
29、优选地，确定对所述重要特征的关注度，输出本轮经反馈学习的预测分割图的过程包括：
30、对图像特征进行上采样，得到初始特征图；
31、将所述初始特征图与上一轮经注意力学习的预测分割图进行连接，并进行上采样，得到中间特征图，将所述中间特征图转换为第一二进制掩码；
32、将上一轮经注意力学习的预测分割图和上一轮经反馈学习的预测分割图进行逻辑与操作，得到第二二进制掩码；
33、将第一二进制掩码和第二二进制掩码进行逻辑或操作，得到硬注意图；
34、将所述硬注意图与初始特征图进行逐元素乘后再次与所述初始特征图进行连接，得到本轮经反馈学习的预测分割图。
35、优选地，通过以res2net101网络模型为主干网络的深度神经网络模型提取所述皮肤病变图像中图像特征；
36、其中，所述深度神经网络模型中每个解码器，均结合上一轮反馈学习所得预测分割图，为当前所得解码特征中重要特征和非重要特征分配权重。
37、第二方面，本专利技术提供了一种基于反馈注意的皮肤病变图像分割装置，包括：
38、特征提取模块，用于获取皮肤病变图像，提取所述皮肤病变图像中图像特征，
39、图像分割模块，用于基于所述图像特征依次通过注意力学习和反馈学习进行迭代后，输出分割图像；
40、其中，所述图像分割模块包括注意力学习单元和反馈学习单元；
41、所述注意力学习单元，用于根据图像特征和上一轮经反馈学习的预测分割图，为重要特征和非重要特征分配权重，获取本轮经注意力学习的预测分割图，以反馈至下一轮反馈学习中；
42、所述反馈学习单元，用于基于图像特征、上一轮经注意力学习的预测分割图和上一轮经反馈学习的预测分割图，确定对所述重要特征的关注度，输出本轮经反馈学习的预测分割图，且当满足迭代条件后，以当前经反馈学习的预测分割图作为分割图像。
43、优选地，所述特征提取模块，通过以res2net101网络模型为主干网络的深度神经网络模型提取所述皮肤病变图像中图本文档来自技高网...
【技术保护点】
1.一种基于反馈注意的皮肤病变图像分割方法，其特征在于，
2.根据权利要求1所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，为重要特征和非重要特征分配权重，获取本轮经注意力学习的预测分割图的过程包括：
3.根据权利要求2所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，确定第一重要特征或第二重要特征的步骤包括：
4.根据权利要求2所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，根据第一运算结果降低最大值图和平均值图中不重要特征的权重的步骤包括：
5.根据权利要求4所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，根据第二运算结果和第一中间特征对降低权重的最大值图和平均值图进行权重增加的步骤包括：
6.根据权利要求5所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，根据第一中间特征按如下公式确定重要特征权重扩充因子；
7.根据权利要求1所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，确定对所述重要特征的关注度，输出本轮经反馈学习的预测分割图的过程包括：>
8.根据权利要求1所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，通过以res2net101网络模型为主干网络的深度神经网络模型提取所述皮肤病变图像中图像特征；
9.一种基于反馈注意的皮肤病变图像分割装置，其特征在于，包括：
10.根据权利要求9所述的一种基于反馈注意的皮肤病变图像分割装置，其特征在于，所述特征提取模块，通过以res2net101网络模型为主干网络的深度神经网络模型提取所述皮肤病变图像中图像特征，
...【技术特征摘要】
1.一种基于反馈注意的皮肤病变图像分割方法，其特征在于，
2.根据权利要求1所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，为重要特征和非重要特征分配权重，获取本轮经注意力学习的预测分割图的过程包括：
3.根据权利要求2所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，确定第一重要特征或第二重要特征的步骤包括：
4.根据权利要求2所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，根据第一运算结果降低最大值图和平均值图中不重要特征的权重的步骤包括：
5.根据权利要求4所述的一种基于反馈注意的皮肤病变图像分割方法，其特征在于，根据第二运算结果和第一中间特征对降低权重的最大值图和平均值图进行权重增加的步骤包括：
6.根据权利要求5所述的一...
【专利技术属性】
技术研发人员：李辉辉，吴海杰，张丽，刘晓勇，
申请(专利权)人：广东技术师范大学，
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。