[发明专利]一种基于全卷积神经网络的皮肤镜图像自动分割方法

说明书

本发明提供一种基于全卷积神经网络的皮肤镜图像自动分割方法，该方法包括以下四个步骤：1：皮肤镜图像与真值图获取；2：全卷积神经网络结构设计；3：特征融合与逐像素分割方法设计；4：网络训练与分割；通过以上步骤，训练得到一个端到端的深度卷积神经网络，能够对皮肤镜图像做精准分割，同时对小面积皮损区域有效，解决了皮肤科计算机辅助诊断系统中，皮损区域分割不佳，影响后续诊断准确性的实际问题。

(一)技术领域：

本发明涉及一种基于全卷积神经网络的皮肤镜图像自动分割方法，属于图像处理和机器学习的技术领域。

(二)背景技术：

皮肤作为人类抵抗外界病原体入侵的第一道防线，对人类的健康起到至关重要的作用。然而，随着环境、人类饮食的变化，各种皮肤病影响着人类的生活，皮肤癌更是威胁到人类的生命。皮肤镜是一种观察活体皮肤表面以下微细结构和色素的无创性显微图像分析技术，对于皮肤病的临床诊断有着重要意义。

当临床医生采用裸眼方式通过皮肤镜诊断皮肤疾病时，往往依赖于自己的经验和主观视觉评价，诊断的准确率低、可重复性差。皮肤镜图像计算机辅助诊断系统正是解决这个问题的有效途径，其可以对病变组织自动提取、智能识别，具有定量测量和定量分析的功能，使诊断更加精确、客观、一致。皮肤镜图像计算机辅助诊断系统主要涉及五个环节：图像采集、图像预处理、图像分割、特征提取以及分类识别，其中，图像分割环节的精确程度在很大程度上决定了最终结果的准确性。由于皮肤镜图像经常存在对比度低、皮损边缘模糊不清、颜色纹理多样以及毛发噪声等各种情况，导致皮肤镜图像的分割具有非常大的挑战性。

卷积神经网络在分割和分类等多种医学图像分析任务中取得极具优势的效果，并显现出强大的适用性。本发明将全卷积神经网络引入皮肤镜图像分割中。首先根据皮肤镜图像的特点构建神经网络的特征高维映射模块。然后，为了提高模型性能，设计双分支的特征提取模块来提取全局和局部特征，最后，将两分支的特征合并，计算概率图，进而用softmax方法进行逐像素预测，实现皮肤镜图像的准确分割。

(三)发明内容：

1、目的：本发明的目的在于提供一种基于全卷积神经网络的皮肤镜图像自动分割方法，能够准确区分皮损区域和健康皮肤区域，为后续特征提取和分类识别提供保障。该方法通过学习一定量人工标记好的样本，生成具有高鲁棒性的分割模型。即使是对于边缘模糊、颜色多样或有毛发和人工标记物干扰的皮肤镜图像，该模型也可以不受干扰，实现准确分割。

2、技术方案：本发明通过以下技术方案实现。

本发明是一种基于全卷积神经网络的皮肤镜图像自动分割方法，该方法包括以下四个步骤：

步骤1：皮肤镜图像与真值图获取

①本发明所用图像来源于医院专业皮肤镜设备拍摄得到的图像，或网上公开的皮肤镜图像数据集，共9000幅，其中恶性1200幅，良性7800幅；

②对于每一幅图像，由专业皮肤科医生手动分割得到真值图；在真值图中，用0代表健康皮肤区域，1代表皮损区域；

步骤2：全卷积神经网络结构设计

典型的全卷积神经网络通过分层计算特征图得到分割结果，各层通过卷积核在本层特征图上的卷积计算得到下一层的特征图像；设x_ij为当前层位于(i，j)位置的特征向量，y_ij为下一层对应位置的特征向量，则卷积操作可表示为：

y_ij＝f_ks({ x_{i+δ i ， j+ δ j}}，θ)，0≤δi，δj≤k