[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

说明书

本发明中提出的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，其主要内容包括：数据集、标定好的格式、全卷积网络、双层转移学习方法和性能指标，其过程为，先对数据集进行分类，用于训练全卷积深度学习模型，接着使用二进制掩码来表示真实数据，然后在大数据集上训练卷积神经网络，获得检测图像中目标的阳性结果，再使用非医学背景的数据集进行双层转移学习，收敛与每个卷积层网络相关的权重，最后利用性能指标对结果进行评估。本发明提出了一种转移学习的方法，它使用部分转移学习和全转移学习来训练用于皮肤病变的全卷积网络的多级语义分割，克服了数据不足的问题，也大大提高了识别和分类的效率和准确性。

技术领域

本发明涉及语义分割领域，尤其是涉及了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。

背景技术

图像语义分割是计算机视觉中重要的基本问题之一，其目标是对图像的每个像素点进行分类，将图像分割为若干个视觉上有意义的或感兴趣的区域，以利于后续的图像分析和视觉理解。将图像语义分割技术应用到医学诊断上，作为计算机辅助诊断的方式，将会成为未来医学发展的一个趋势。例如，皮肤癌是所有其他癌症中最常见的癌症，常见的皮肤病变主要有三种，即良性痣、黑色素瘤和脂溢性角化病，由于这些皮肤病变类别之间的类间相似性，使得医生仅凭肉眼难以对其进行分辨和诊断。因此，如果利用计算机对皮肤病变图像进行语义分割并进行分类，将能有效辅助医生进行诊断，减少由于医生主观判断而带来的误差，同时也将大大减少医生的工作量，提高诊断的效率。除了将图像语义分割应用在皮肤病变的诊断上，也可以将其应用在如CT、MRI图像的分类和分析上。然而，目前还没有关于多类语义分割的研究用于检测所有类型的皮肤癌病变。

本发明提出了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，先对数据集进行分类，用于训练全卷积深度学习模型，接着使用二进制掩码来表示真实数据，然后在大数据集上训练卷积神经网络，获得检测图像中目标的阳性结果，再使用非医学背景的数据集进行双层转移学习，收敛与每个卷积层网络相关的权重，最后利用性能指标对结果进行评估。本发明提出了一种转移学习的方法，它使用部分转移学习和全转移学习来训练用于皮肤病变的全卷积网络的多级语义分割，克服了数据不足的问题，也大大提高了识别和分类的效率和准确性。

发明内容

针对目前仍未将语义分割运用于皮肤病变分割的问题，本发明的目的在于提供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，先对数据集进行分类，用于训练全卷积深度学习模型，接着使用二进制掩码来表示真实数据，然后在大数据集上训练卷积神经网络，获得检测图像中目标的阳性结果，再使用非医学背景的数据集进行双层转移学习，收敛与每个卷积层网络相关的权重，最后利用性能指标对结果进行评估。

为解决上述问题，本发明提供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，其主要内容包括：

(一)数据集；

(二)标定好的格式；

(三)全卷积网络；

(四)双层转移学习方法；

(五)性能指标。

其中，所述的数据集，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。