[发明专利]基于多色彩空间自适应融合的鲜红斑痣分割方法及装置

说明书

基于多色彩空间自适应融合的鲜红斑痣分割方法与装置，弥补基于RGB单一颜色空间的局限性，将人类视觉感知的颜色特征融入深度学习网络，进而提升PWS病灶的检测精度及鲁棒性，提升基线模型对颜色纹理的辨别能力，避免多色彩空间决策的相互干扰，进而促进多色彩空间对PWS分割的协同作用。方法包括：(1)通过多色彩空间检测MCSD方法引入多个颜色空间，以增强图像颜色信息的表示；(2)使用具有密集扩张残差块的Unet来生成不同颜色空间的候选结果；(3)通过这些候选结果的自适应融合得到最终的分割结果；(4)通过结构相似性损失来测量预测病变和真实病变之间的亮度、颜色和对比度差异。

技术领域

本发明涉及医用图像处理的技术领域，尤其涉及一种基于多色彩空间自适应融合的鲜红斑痣分割方法，以及基于多色彩空间自适应融合的鲜红斑痣分割装置。

背景技术

鲜红斑痣(Port Wine Stains，PWS)是一种常见的皮肤血管畸形，其临床表现为病变处皮肤呈现异于正常皮肤的红色或者紫色。常累及头部和颈部，也可能出现躯干和四肢等部位。新生儿的发病率为0.3％～0.5％，随年龄的增长病灶颜色加深、变厚，不经治疗难以自然消退。因PWS的毁容性特点，会长期影响患者的身心健康和生活质量，使患者容易出现自卑、焦虑、抑郁等负面情绪。血管靶向光动力疗法(Vascular Targeted PhotodynamicTherapy,V-PDT)被公认为是一种安全有效的PWS治疗方式，在中国已成功用于PWS治疗三十多年。V-PDT治疗PWS时，医生要根据病灶的颜色与大小、指压褪色情况等诊断信息来评估血管的分布情况，以便制订合理有效的治疗方案。然而，这些诊断信息的获取目前主要依赖于医生的视觉检查和触觉感知，这是不精准、不可靠且难以用统一的标准来量化。为了缓解上述需求，一些计算机辅助技术被开发用来辅助PWS的诊断和治疗过程，通过图像分析技术来获取病灶客观评估信息，这对于后续诊断、治疗计划和疾病进展监测有重要意义。

从数码图像中分离出PWS病灶是计算机辅助V-PDT治疗过程中的一个重要的步骤。目前针对PWS分割的研究极少，只局限于一些传统方法，比如聚类法、阈值法。例如，He等人提出了一种基于颜色相似度和空间接近度的聚类分割方法来分割PWS。Kang等人提出了一种基于双向感知色差显著性的PWS分割算法。由于这些方法都是基于小规模数据集开发的，鲁棒性差泛化能力低，难以应用于临床研究。另外，受血管分布和血氧含量的影响，PWS病灶的形态和颜色表现出很大的差异，给病灶分割任务带来了较大的挑战，比如病变与周围皮肤对比度较低、病灶颜色的不均匀性、病灶与背景有相似的外观。因此，亟需开发一种准确度高和鲁棒性好的PWS病灶分割方法。

近年来，基于深度学习的图像分割方法取得了卓越的分割性能，为皮肤病变的分割提供了一种替代解决方案。例如，2015年，Ronnberger等人提出了基于U-net的体系结构用于生物医学图像的分割，并取得了非常好的效果。2017年，Yuan等人提出了一种全自动的皮肤病变分割方法，不依赖任何数据的先验知识，通过端到端训练的19层深度卷积神经网络实现了皮肤病灶的自动分割。2018年，Li等人提出了一种基于残差学习的稠密反卷积网络(DDN)自动分割皮肤病变，该网络由稠密反卷积层(DDL)、链式残差池化(CRP)和分层监督(HS)组成。2020年，Lei等人提出了一种有效的生成对抗网络(GAN)用来分割皮肤病灶，利用具有跳越连接和基于密集卷积的Unet(UNet-SCDC)作为生成器，通过一种双重识别策略来提高对输入真伪的识别。然而，上述方法主要集中在纹理和形状信息的利用，没有考虑颜色信息的重要性，而颜色信息对于确定PWS边缘的精确定位很重要。