一种基于深度学习的皮肤癌病变分割方法技术

本发明专利技术公开一种基于深度学习的皮肤癌病变分割方法，包括步骤1，获取训练皮肤镜图像样本；步骤2，数据归一化；步骤3，边缘感知神经网络模型设计；步骤4，边缘感知神经网络模型训练；步骤5，分割。本发明专利技术利用浅层的细节信息和深层的语义信息相融合方式，能够较好的实现对图像的边缘细节的检测，同时利用MultiBlock模块来扩大模型的感受野从而加强对不同尺度目标的敏感能力，同时结合空间注意力机制来抑制背景信息的干扰。

【技术实现步骤摘要】
一种基于深度学习的皮肤癌病变分割方法
本专利技术涉及计算机辅助诊断
，尤其涉及一种基于深度学习的皮肤癌病变分割方法。
技术介绍
皮肤癌及各种色素性皮肤病正严重威胁着人类的健康。目前医学领域主要通过医生观察分析皮肤镜图像中的病灶特征实现色素性皮肤病诊断。皮肤镜图像是一种利用无创性显微成像技术获取的医学图像,可以清晰的显示皮肤病的病灶特征。但是由于不同病例的病灶差别很小,使医生通过裸眼观察方式分析判断病灶类别变得十分困难。为了实现有效治疗,针对皮肤镜图像的计算机辅助诊断系统需求量上升,通过计算机辅助诊断,可以缓解医生的就诊压力,有助于提升诊断的效率和准确率。目前传统的皮肤镜图像分割方法包括基于边缘、区域或阈值的分割、基于聚类的分割以及监督学习方法,这些方法会受主观因素以及图像中毛发、水泡等杂质的影响,分割效果不理想。基于边缘的方法是利用图像中梯度变化较大的区域作为目标边界，这种方法没有背景干扰和目标边界清晰的情况下分割效果较好。基于阈值的分割方法是利用目标颜色与背景颜色之间的不一致设置一个或多个阈值来划分不同区域，从而实现对目标的分割，但是阈值的大小难以选择。基于监督学习的方法是通过手工设计皮肤镜图像中的病灶特征，再训练分类器对特征进行分类，这种方法较为依赖特征设计与选择难以适应较为复杂的环境。随着深度学习在各个领域的不断发展与应用，卷积神经网络也逐渐应用在医学图像处理领域中。相对于传统的图像分割方法，卷积神经网络在图像分类与特征提取方面有着很好的效果。由于皮肤镜图像本身具有的复杂性，卷积神经网络虽然能很好的完成自然图片的语义分割任务,但在皮肤镜图像分割领域应用不成熟，分割效果扔有进一步提升空间。由于皮肤镜图像存在的一些挑战：病变皮肤的尺度变化较大、图像中存在较多的背景干扰以及病变皮肤的模糊的边缘。
技术实现思路
为了解决上述现有技术中的不足，本专利技术提供一种基于深度学习的新型皮肤癌病变分割方法，该模型具有两个分支，一个语义分支，具有通道窄，层次深，来获取高层次的语义语境，一个细节分支，具有宽通道和浅层，用于捕获低层细节并生成高分辨率的特征表示。本专利技术的一种基于深度学习的新型皮肤癌病变分割方法是通过以下技术特征实现的：一种基于深度学习的皮肤癌病变分割方法，包括以下步骤：步骤1，获取训练皮肤镜图像样本：步骤2，数据归一化；步骤3，边缘感知神经网络模型设计：构建一个端到端的两分支神经网络架构，其中一个分支为语义分支，用于捕获低层细节并生成高分辨率的特征表示；另外一个分支为细节分支，用于获取目标的边缘细节信息；所述语义分支与所述细节分支并行；步骤4，边缘感知神经网络模型训练：将经过上述步骤1和2预处理好后的训练集皮肤镜图像分批送入到步骤3设计的边缘感知神经网络模型中，设定每批送入8张图像，然后，边缘感知神经网络模型不断学习输入图像目标的特征，使其逐渐向真实掩膜靠近，模型最后一层输出的特征图经过sigmoid函数，得到目标区域的分布概率图，再通过二元交叉熵损失(BCE)，与图像真实标签比较计算损失；损失在网络中反向传递，从而得到网络参数的梯度，再根据自适应矩估计(Adam)优化器来调整参数，使损失达到最小，网络达到最佳；二元交叉熵损失(BCE)计算公式如下所示：其中，Pj和Gj分别表示预测特征图和真实标签掩膜；步骤5，分割：训练完成后，直接向网络输入待分割的皮肤镜图像，利用学习好后的网络去预测待测试的皮肤镜图像，测试图像通过网络后输出目标区域的分布概率图，其取值范围是0-1，设置阈值为0.5，大于0.5视为待分割的目标，小于0.5视为背景，然后将目标设置1，背景设置为0，最后就得到需要分割的病变皮肤目标的分割结果。进一步地，所述语义分支包括编码器，所述编码器后紧跟着一个用来抑制背景干扰的空间注意力模块，所述空间注意力模块后面跟着解码器；所述编码器包含五个子模块，第一个子模块包含一个Multiblock模块和1×1的卷积，第二个到第四个模块都由一个MutiBlock模块组成，每个子模块之后有一个2×2的最大池化实现的下采样层；所述解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像一致；然后使用跳跃连接将上采样结构与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入；所述编码器第一至第五个子模块的分辨率分别是256×256，128×128，64×64，32×32，16×16。进一步地，所述细节分支由两个子模块构成，第一个子模块包含一个1×1卷积和Multiblock模块，第二个子模块包含一个MuitiBlock模块，在第一个子模块后跟随着一个2×2的最大池化，然后将第二个子模块上采样到输入图像大小，然后将两个子模块的输出结构输入到语义分支对应分辨率的子模块中进行跳跃连接。进一步地，所述MultiBlock模块是DenseNet的变体，将原本的主干分支通道数减半(主干分支感受野3×3)，并添加一个新分支，在所述新分支中添加了两个3×3的卷积，且所述新分支的感受野为5×5。进一步地，所述空间注意力模块是沿着空间维度推断出注意力特征图，然后将注意力特征图与输入的特征图相乘进行自适应特征细化。进一步地，所述皮肤镜图像样本来源于国际皮肤公开挑战赛数据集(ISIC2018)，包含2594张不同分辨率的原始皮肤镜图像，其中原始图像的真实标签是由皮肤科医院手动标注的二值图像；为了方便处理，使用双线性插值的方式将原始图像以及图像真实标签缩放到256×256的分辨率，然后将处理后的皮肤镜图像样本进行划分：1815张用于训练，259张用于验证，520张用于测试。进一步地，步骤2所述数据归一化是使用常规方法min-max标准化，对样本数据进行线性变换，使处理后的皮肤镜图像样本数据落到[0，1]区间。进一步地，在步骤4中使用动态的学习率来调整模型优化步伐，当网络的评价指标不再提升的时候，降低网络的学习率来提高网络性能，同时在100次迭代中，当验证损失达到最小时，保存模型此时的参数。本专利技术相比于现有技术而言，具有以下有益效果：1)本专利技术的模型整体架构是将空间细节和分类语义分开处理，实现了高精度和高效率的语义分割；2)本专利技术的MultiBlock模块能提取得到的特征就不只是单一尺度，且能同时兼顾小目标和大目标；3)本专利技术利用浅层的细节信息和深层的语义信息相融合方式，能够较好的实现对图像的边缘细节的检测，同时利用MultiBlock模块来扩大模型的感受野从而加强对不同尺度目标的敏感能力，同时结合空间注意力机制来抑制背景信息的干扰；4)本专利技术方法能够较好的应对皮肤镜图像中存在的一些挑战，并且有效的提高了皮肤癌病变分割的精度和鲁棒性，能够稳定的输出分割结果。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构本文档来自技高网...

【技术保护点】
1.一种基于深度学习的皮肤癌病变分割方法，其特征在于，包括以下步骤：/n步骤1，获取训练皮肤镜图像样本；/n步骤2，数据归一化；/n步骤3，边缘感知神经网络模型设计：/n构建一个端到端的两分支神经网络架构，其中一个分支为语义分支，用于捕获低层细节并生成高分辨率的特征表示；另外一个分支为细节分支，用于获取目标的边缘细节信息；所述语义分支与所述细节分支并行；/n步骤4，边缘感知神经网络模型训练：/n将经过上述步骤1和2预处理好后的训练集皮肤镜图像分批送入到步骤3设计的边缘感知神经网络模型中，设定每批送入8张图像，然后，边缘感知神经网络模型不断学习输入图像目标的特征，使其逐渐向真实掩膜靠近，模型最后一层输出的特征图经过sigmoid函数，得到目标区域的分布概率图，再通过二元交叉熵损失，与图像真实标签比较计算损失；损失在网络中反向传递，从而得到网络参数的梯度，再根据自适应矩估计(Adam)优化器来调整参数，使损失达到最小，网络达到最佳；二元交叉熵损失计算公式如下所示：/n

【技术特征摘要】
1.一种基于深度学习的皮肤癌病变分割方法，其特征在于，包括以下步骤：
步骤1，获取训练皮肤镜图像样本；
步骤2，数据归一化；
步骤3，边缘感知神经网络模型设计：
构建一个端到端的两分支神经网络架构，其中一个分支为语义分支，用于捕获低层细节并生成高分辨率的特征表示；另外一个分支为细节分支，用于获取目标的边缘细节信息；所述语义分支与所述细节分支并行；
步骤4，边缘感知神经网络模型训练：
将经过上述步骤1和2预处理好后的训练集皮肤镜图像分批送入到步骤3设计的边缘感知神经网络模型中，设定每批送入8张图像，然后，边缘感知神经网络模型不断学习输入图像目标的特征，使其逐渐向真实掩膜靠近，模型最后一层输出的特征图经过sigmoid函数，得到目标区域的分布概率图，再通过二元交叉熵损失，与图像真实标签比较计算损失；损失在网络中反向传递，从而得到网络参数的梯度，再根据自适应矩估计(Adam)优化器来调整参数，使损失达到最小，网络达到最佳；二元交叉熵损失计算公式如下所示：



其中，Pj和Gj分别表示预测特征图和真实标签掩膜；
步骤5，分割：
训练完成后，直接向网络输入待分割的皮肤镜图像，利用学习好后的网络去预测待测试的皮肤镜图像，测试图像通过网络后输出目标区域的分布概率图，其取值范围是0-1，设置阈值为0.5，大于0.5视为待分割的目标，小于0.5视为背景，然后将目标设置1，背景设置为0，最后就得到需要分割的病变皮肤目标的分割结果。


2.如权利要求1所述的一种基于深度学习的皮肤癌病变分割方法，其特征在于，所述语义分支包括编码器，所述编码器后紧跟着一个用来抑制背景干扰的空间注意力模块，所述空间注意力模块后面跟着解码器；
所述编码器包含五个子模块，第一个子模块包含一个Multiblock模块和1×1的卷积，第二个到第四个模块都由一个MutiBlock模块组成，每个子模块之后有一个2×2的最大池化实现的下采样层；
所述解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像一致；然后使用跳跃连接将上采样结构与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入；
所述编码...

【专利技术属性】
技术研发人员：屈爱平，程志明，梁豪，钟海勤，黄家辉，
申请(专利权)人：南华大学，
类型：发明
国别省市：湖南;43