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

说明书

本发明公开了融合残差Inception与双向ConvGRU(Convolutional GatedRecurrent Unit,ConvGRU)的皮肤病变分割方法,其设计了一种云边协同的皮肤病变智能分割服务网络模型，通过该网络模型，用户可以获得快速、准确的分割服务；其次，构建了一种新的皮肤病变智能分割模型，通过融合残差Inception与双向ConvGRU，该模型能融合不同尺度特征，提高模型特征提取能力，并能充分利用底层特征与语义特征之间的关系，捕获更丰富的全局上下文信息，取得更好的分割性能。

技术领域

本发明涉及人工智能与智慧医疗领域，尤其涉及一种融合残差Inception与双向ConvGRU 的皮肤病变分割方法。

背景技术

皮肤病是最普遍的疾病之一，而恶行皮肤病，如皮肤癌，是造成全世界人类死亡的重要原因之一。其中，黑色素瘤是最致命的皮肤癌。如果不及早发现，黑色素瘤会深入皮肤，并攻击附近健康细胞。一旦黑色素瘤扩散到身体的其他部位，就变得难以治疗，其五年生存率低于15％。Siegel等人研究发现，如果黑色素瘤能在早期阶段被诊断，5年生存率可达到92％，因此，恶性皮肤病的早期诊断至关重要。然而，良性皮肤病与恶性皮肤病在视觉上及其相似，这给皮肤病鉴别带来了极大困难。当前，皮肤病诊断需求急剧增加，主要依赖临床医生视觉评估来进行诊断，这种方法耗时繁琐，且易出错。

针对上述诊断需求量大与人工诊断易出错的问题，计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统被广泛应用于临床皮肤病的初步诊断。CAD系统的执行过程一般分为四个步骤：预处理、分割、特征提取与分类。其中，分割是对皮肤病图像进行分析的基础工作，且分割结果对皮肤病诊断的影响最大。分割可通过检查病灶的大小、形状、颜色与纹理来完成。然而，由于皮肤病种类繁多，且病灶的形状、大小、颜色各不相同，有些病灶边界不规则，有些病灶与皮肤之间的过渡很平滑，因此很难进行精确的分割。

随着机器学习与深度学习的发展，它们在各个领域取得了良好的应用效果。越来越多的研究者将其应用于医学图像领域。目前，在图像分割领域，具有代表性的方法大概有三类：基于机器学习的方法、基于全卷积神经网络的方法以及基于编码器-解码器架构的方法。

基于机器学习的方法：该类方法大多基于传统的机器学习算法，通常只能提取底层特征信息，而无法提取高级语义特征。因此，传统方法难以对复杂皮肤镜图像进行精确的分割。

基于全卷积神经网络的方法：全卷积网络(Fully Convolutional Networks,FCN)将卷积神经网络(Convolutional Neural Networks,CNN)中的所有全连接层都替换为卷积层，这使得它能接收任意大小的图像并输出相同大小的分割图。该类方法提升了皮肤病图像分割的准确率，但也存在一定的局限性，比如，没有考虑全局上下文信息，对图像细节敏感度较低等。

基于编码器—解码器架构的方法：该类方法的优势在于可以更多地感知到全局上下文信息，并且能够在训练样本缺少的情况下取得良好的分割性能。尽管U-Net在医学图像分割领域取得了很大成功，但在特征提取与特征拼接方面存在一定提升空间；例如，原始U-Net使用3×3卷积进行特征提取，无法获得多尺度感受野；虽然U-Net编码器提取的特征具有丰富的图像细节信息，解码器提取的特征包含更多的高级语义特征，但是原始U-Net中的特征拼接操作无法充分利用细节信息与语义特征的依赖关系。

发明内容