[发明专利]一种基于端到端全卷积网络的皮肤病变多类语义分割方法

权利要求书

1.一种基于端到端全卷积网络的皮肤病变多类语义分割方法，其特征在于，主要包括数据集(一)；标定好的格式(二)；全卷积网络(三)；双层转移学习方法(四)；性能指标(五)。

2.基于权利要求书1所述的数据集(一)，其特征在于，仅使用公开的ISBI-2017皮肤癌数据集来训练全卷积深度学习模型；RGB色彩空间用于表示该数据集中的所有图像；它包括三个重要的皮肤病变类别的皮肤镜像，分别是良性痣、黑色素瘤和脂溢性角化病，这三个类别之间具有类间高度相似性；该数据集包括2000个皮肤镜图像的训练集，其中1372个皮肤镜图像被分类为良性痣、374个为黑素瘤和274个脂溢性角化病；验证集中有150个图像，测试集中有600个图像；在这个数据集中，图像的大小在540×722和4499×6748之间变化；对于全卷积网络(FCN)的训练，将所有的图像调整到500×375，以提高性能，降低计算成本；在分割任务中，将整个数据集分为三类，即良性痣、黑色素瘤和脂溢性角化病。

3.基于权利要求书1所述的标定好的格式(二)，其特征在于，因为用于语义分割的卷积神经网络的性能在PASCALVOC 2012数据集中广泛测试；在这个数据集中，输入图像全部在RGB色彩空间中定义，并且8位调色板图像用于表示输入图像的真实数据；ISBI皮肤镜数据集具有相同格式的输入图像，即RGB彩色空间；如上所述，分割只针对一个类，因此使用二进制掩码来表示真实数据；PASCALVOC数据集最初有21个类，在任务中有三个类来表示良性痣、黑色素瘤和脂溢性角化病。

4.基于权利要求书1所述的全卷积网络(三)，其特征在于，卷积神经网络的计算强度非常强，可以将层次结构提取到特征中，检测图像中的对象；最先进的卷积神经网络(CNN)在大数据集上进行训练，并通过为每个类别提供分数来分类不同对象的类别数量；FCN和编码器-解码器CNN可以检测多个对象，并通过使用像素预测来定位对象；FCN已经成为非医学和医学成像分割任务的最先进的方法，并且证明了它们比传统机器学习和其他深度学习方法的优越性；因此使用FCN-AlexNet、FCN-32s、FCN-16s和FCN-8s的四种不同的FCNs来执行皮肤癌分割任务。

5.基于权利要求书4所述的FCN-AlexNet，其特征在于，FCN-AlexNet是AlexNet原创的最先进的分类模型的修改版本；它通过使用上采样特征的通过较早的卷积层学习的去卷积层来进行像素预测；输入和标定好的图像都是500×375；对网络参数进行了微调，使得该方法有更多的时间通过使用100次学习率为0.0001的随机梯度下降来学习皮肤镜图像的特征。

6.基于权利要求书4所述的FCN-32s、FCN-16s和FCN-8s，其特征在于，FCN-32s、FCN-16s和FCN-8是基于另一个最先进的分类网络，这些模型之间的差异是不同像素跨度的上采样层；正如这些FCNs的名称，在FCN-32s中，上采样是在32像素跨度的帮助下进行的，FCN-16s的像素跨度为16像素，FCN-8的跨度为8像素；根据小像素的跨度，模型能够预测对象的更细粒度的分析；同样，使用与FCN-AlexNet相同的网络参数来训练这些模型。

7.基于权利要求书1所述的双层转移学习方法(四)，其特征在于，卷积神经网络通常需要一个巨大的数据集来学习这些特征，以获得检测图像中目标的阳性结果；因为在皮肤镜像中使用了RGB图像，所以使用ImageNet和Pascal-VOC数据集等非医学背景的庞大数据集进行双层转移学习，可以收敛与每个卷积层网络相关的权重；使用双层转移学习的主要原因是医学成像数据集是非常有限的，因此，当卷积神经网络在这些数据集上从头开始训练时，由于权重的不收敛性，它们不会产生有效的结果与具有有限的医学成像数据集的每个卷积层相关联。