[发明专利]融合残差Inception与双向ConvGRU的皮肤病变分割方法

权利要求书

1.融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，包括以下步骤：

步骤1、构建云边协同的皮肤病变智能分割服务网络；

步骤2、基于所述分割服务网络，构建一个基于U-Net的皮肤病变智能分割模型；

步骤3、将采集的图像输入基于改进的残差Inception的编码器，提取图像特征；

步骤4、将编码器输出的特征图输入基于改进的残差Inception与双向ConvGRU的解码器，双向ConvGRU模块融合编码器产生的和解码器的上采样产生的特征图，由解码器输出分割结果。

2.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，所述编码器包含四个结构相同的编码器子模块，每个编码器子模块包括两个残差Inception模块、一个线性整流函数的激活函数及一个用于实现下采样的2×2最大池化层。

3.根据权利要求2所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，所述残差Inception模块包含三个1×1卷积核与三个3×3卷积核；前层的输出经过三组不同的卷积操作后，得到具有三组不同感受野的特征图；三组特征图进行拼接后，前层输出的特征图经过残差连接与之相加；残差连接的实现定义为：

m＝F(n，{c_i})+n

其中，n与m是残差Inception模块的输入与输出，F函数表示残差Inception模块中的各个操作，c_i表示各个卷积操作的权重，i为1-k的数值，k为Inception模块中卷积核的总数。

4.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，所述解码器包含四个结构相同的解码器子模块，每个解码器子模块包括一个双向ConvGRU模块、三个残差Inception模块和在Inception模块后的一个Relu激活函数层，每个解码器子模块之后有一个批标准化层及一个用于上采样的2×2反卷积层。

5.根据权利要求4所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，所述双向ConvGRU包括一个前向ConvGRU与一个后向ConvGRU，前向ConvGRU从左至右控制序列，后向ConvGRU从右至左控制序列；

前向隐藏状态与后向隐藏状态分别与对应权重相乘，并将结果相加得到最终的隐藏状态h_t，即双向ConvGRU的最终输出结果为y_t：

其中，与分别对应输出层中前向ConvGRU与后向ConvGRU的权重。

6.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法，其特征在于，步骤1中，所述分割服务网络包括用户、边缘服务器、云服务器和医疗机构；

所述用户上传图像至边缘服务器；

所述边缘服务器接收云服务器的训练参数后为用户提供分割服务；边缘服务器将图片输入至分割模型，然后将接收到的分割结果发送至用户，并同时存储诊断业务中的样本；对置信度高的分割结果，边缘服务器存储该结果及原始图片，对置信度低分割结果，边缘服务器将该结果及原始图像发送至医疗机构校正，经过校正的样本将发送至边缘服务器进行存储，边缘服务器中的新样本作为扩充的训练样本用于后续的模型的训练；

所述云服务器对医疗机构提供的数据集进行训练，并将训练参数上传到边缘服务器；

所述医疗机构为云服务器中的模型训练模块提供训练样本，并对边缘服务器中分割结果置信度较低的样本进行校正，然后将校正好的样本反馈给边缘服务器。