[发明专利]基于密集编码器和混合注意力的皮肤病图像分割方法

权利要求书

1.一种基于密集编码器和混合注意力的皮肤病图像分割方法，主要包括以下步骤：

S1、数据预处理：将数据集原始图片宽度作为裁剪后的边长，并依据图片中心进行自动裁剪，裁剪后的图片进行缩放形成尺寸为256×256像素的图片；

S2、特征提取：将S1中得到的数据使用本发明构建的密集编码器和混合注意力作为特征提取网络，对数据进行多尺度特征提取；

S3、特征解码：利用S2提取的特征恢复到原图尺寸,通过辅助损失函数更新参数训练模型，最终得到分割结果。

2.根据权利要求1所述的基于密集编码器和混合注意力的皮肤病图像分割方法，所述步骤S2包括如下步骤：

特征提取主干网络由卷积神经网络搭建构成，具体网络结构为：

S21、编码部分运用密集编码模块提取多尺度特征，每个密集连接模块由一个3×3卷积核、两个3×3的深度可分离卷积核、批归一化、Relu激活函数和空洞空间金字塔池化组成。

S22、密集连接层与后续层特征融合，每一层根据上一层的输出学习新特征，将前三层的特征图连接(Concat)，多尺度融合的特征继续作为下一层的输入；

S23、构建全局高斯池化层，根据特征图内每个特征点关联性程度大小进行统计加权，其中x_i代表第i个一维特征向量，N代表一维特征向量的数量，显著特征值计算如公式所示：

参数c表示高斯函数曲线的曲率，c的数值越大，高斯曲线越平缓，c的数值越小，高斯曲线越陡峭，参数c的计算如公式所示：

高斯权重表示池化区域内每一个元素距离显著特征值b的关联程度，其中参数a＝1，b表示显著特征值，c为池化区域内元素的曲率大小，为了防止曲率c为0，导致训练中断的问题，使用δ进行调节，取值为0.1，高斯权重的计算公式为：

根据每个元素的高斯权值加权融合，得到一个具有多个重要性元素特征的一维特征向量，全局高斯池化的公式为：

S24、特征输入通道注意力机制，即进行全局均值池化后再通过一维卷积完成跨通道间的信息交互，卷积核的大小由自适应函数确定，通道数较大的层可以更多地进行跨通道交互，自适应函数公式如下所示：

C为通道数，其中b＝1，γ＝2；

S25、输入特征按空间进行最大池化、全局均值池化和全局高斯池化，将池化层生成的三个二维向量拼接后通过sigmoid分配权重，跨通道注意力和全局空间注意力提取的特征进行多尺度融合后再通过密集残差连接层。

3.根据权利要求1所述的基于密集编码器和混合注意力的皮肤病图像分割方法，所述解码部分步骤S3包括如下步骤：

S31、解码路径通过卷积核为2、步长也为2的反卷积，将低分辨率图片转换为高分辨率，再经过1×1的卷积通过sigmoid完成皮肤病变区域的预测；

S32、构建辅助损失函数利用中间输出层与最后输出层进行反向传播输出损失更新训练参数，对于样本(x,y),x＝{x_i,i＝1,……,n}表示训练数据，y＝{y_i,i＝1,……,n}是对应的标签真实值，其中y_i＝{0,1}，第i个样本被预测为1的概率记为对于每个输出图像，损耗为的定义为如下公式所示：

n表示样本的总数，m表示输出层数，输出层之间对应的损失权重表示为a_m＝{0.5、0.5}，最后的总损失为如下公式所示：

4.一种基于密集编码器和混合注意力的皮肤病图像分割方法，包括以下模块：

编码部分密集编码模块，多尺度融合提取图片特征；

高效混合注意力模块，注意力机制能通过网络自主学习出一组权重参数，以动态加权的方式提取图像中感兴趣区域的特征，同时抑制无用信息区域。