[发明专利]一种息肉图像的分割方法和装置

说明书

本发明实施例公开了一种息肉图像的分割方法和装置，包括：获取待输入的息肉图像；从预设的训练集中选取与所述息肉图像颜色不同的参考图像，并将所述参考图像与所述息肉图像的颜色进行交换；从颜色交换后的息肉图像中提取浅层特征和深层特征，并利用浅层注意力模型抑制所述浅层特征的背景噪声，以及将所述浅层特征和所述深层特征进行融合；采用概率矫正策略模型对融合后的特征进行预测响应值再均衡处理，得到边缘清晰的息肉特征图像。本发明可以精确高效地从图像中分割出息肉部位，并在各种复杂的实际场景中具有更好的泛化性。

技术领域

本发明实施例涉及图像处理技术领域，尤其是一种息肉图像的分割方法和装置。

背景技术

息肉容易引起癌变，尤其是多发性息肉，因此对息肉进行早期筛查和治疗非常必要。息肉分割(Polyp Segmentation)作为一种计算机视觉任务，可以自动地将图像或视频中的息肉部位分割出来，大大地降低医生的工作量，因此建立一套精确的息肉分割模型对于临床医学诊断具有重大意义。

目前，基于平行反向注意力网络的PraNet是最常用的现有技术。PraNet首先利用Res2Net神经网络从息肉图像中抽取不同语义级别的特征，然后利用并行的解码器对高语义级别的特征进行聚合从而获得图像的全局上下文信息，但由于高语义级别的特征损失了过多的细节信息，因此其获得的息肉分割结果相对粗糙。为了进一步挖掘息肉边界线索，PraNet利用反向注意力模块来构建息肉区域和息肉边界间的关系。通过息肉区域和息肉边界间的不断交互补充，PraNet可以获得更为精确的息肉分割预测结果。

虽然PraNet可以获得相对准确的结果，但其存在两个重要缺陷：(1)对小息肉目标分割结果较差。因为小息肉在高语义级别的特征中损失信息过多，难以直接恢复；另外，小息肉边界标注存在较大误差，对最终分割结果影响较大；(2)忽视了数据集中存在的颜色偏差。通常，不同条件下采集的息肉图像的颜色存在较大差异，这种差异会干扰息肉分割模型的训练，特别是当训练图像较少时，模型很容易过拟合到息肉颜色上，导致模型在实际应用场景中存在明显泛化能力下降。

发明内容

为解决上述技术问题，本发明创造的实施例提供一种息肉图像的分割方法，包括：

获取待输入的息肉图像；

从预设的训练集中选取与所述息肉图像颜色不同的参考图像，并将所述参考图像与所述息肉图像的颜色进行交换；

从颜色交换后的息肉图像中提取浅层特征和深层特征，并利用浅层注意力模型抑制所述浅层特征的背景噪声，以及将所述浅层特征和所述深层特征进行融合；

采用概率矫正策略模型对融合后的特征进行预测响应值再均衡处理，得到边缘清晰的息肉特征图像。

进一步地，所述将所述参考图像与所述息肉图像的颜色进行交换，包括：

将所述息肉图像X1以及参考图像X2的颜色由RGB颜色空间转换为LAB颜色空间，得到所述息肉图像X1以及所述参考图像X2在LAB颜色空间中的颜色值L1和L2；

计算所述息肉图像X1在LAB颜色空间中通道的均值和标准差以及所述参考图像X2在LAB颜色空间中通道的均值和标准差；

利用预设的颜色转换公式得到RGB颜色空间中息肉图像Y1的颜色值，以及RGB颜色空间中参考图像Y2的颜色值。

进一步地，所述利用浅层注意力模型抑制所述浅层特征的背景噪声，包括：

将所述深层特征通过双线性差值上采样使得采样后的深层特征与浅层特征的分辨率相同；

从采样的深层特征中选取大于0的元素确定为所述浅层特征的注意力图，得到待融合的深层特征；

将所述待融合的深层特征与所述浅层特征逐元素相乘得到抑制背景噪声后的浅层特征。