[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

说明书

本发明公开了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。具体步骤是：首先将ISIC2017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，裁剪后再对图片进行缩放。然后，在编码部分运用密集编码模块强特征提取，根据特征图内每个特征点关联性程度大小进行加权提出高斯池化层，设计高效混合注意力机制在空间与通道两个维度提取特征。最后，在输出层两侧构建一个加权的辅助损失函数计算网络结构总损失，生成最终的分割图。

技术领域

本发明涉及计算机辅助诊断和医学图像处理领域，具体为使用卷积神经网络搭建皮肤病图像分割框架，发明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。

背景技术

据世界卫生组织评估，全球新出现的恶性黑色素瘤病例在2018年高达287723例，其中死亡人数为60712人。在医学实践中，利用皮肤镜技术进行早期检查对于发现黑色素瘤具有重要作用。医生可以借助皮肤镜技术进行早期检查，结合医学知识和临床经验进行主观判断，但可能会存在误诊的情况。皮肤病变分割技术可以对病变的形态、结构等进行定量化分析，为医学研究提供了数据支持和依据，促进了皮肤病学的发展。在实现皮肤病变自动化诊断的同时，提高了医疗服务的效率和精准度，为大众提供了更好的医疗保障。在实际应用中，早期基于数字图像处理的皮损区域分割方法鲁棒性有待提高，很难适应样本高度变化的皮肤镜图像。传统的基于特征工程设计并提取特征的方法，对特定任务设计、选择合适的特征非常繁琐，分类器的好坏取决于特征的优劣，不能取得令人满意的分割效果。随着神经网络不断发展，网络深度不断增加，卷积神经网络在特征提取上的潜力得到挖掘，在目标识别、检测和分割等领域得到广泛的研究与应用，不再需要手动设计特征，神经网络通过有监督的学习，由损失函数和梯度下降算法驱动网络去学习对图像任务理解有帮助的特征，整个过程端到端，比较简洁。

文献1(M.Jafari,E.Nasr-Esfahani,N.Karimi,et al.Extraction of SkinLesions from Non-Dermoscopic Images Using Deep Learning[J].arXiv preprintarXiv:1609.02374,2017.)使用卷积神经网络进行黑色素瘤病变的分割，利用整体窗口和局部窗口来判断每个像素是否存在病变。文献2(Y.Yuan,M.Chao,Yeh-Chi L.AutomaticSkin Lesion Segmentation Using Deep Fully Convolutional Networks with JaccardDistance[J].IEEE Transactions on Medical Imaging,2017,36(9):1876-1886.)采用19层全卷积神经网络进行黑素瘤分割，提出了一个基于雅卡德距离的新颖损失函数。文献3(Y.Wang,Simon S,Jahow J,et al.Skin lesion segmentation using atrousconvolution via DeepLab v3[J].arXiv preprint arXiv:.08891,2018.)使用DeeplabV3将深度分离卷积创造性的应用到了解码器和金字塔池化模块上，并在皮肤皮损区域分割任务上取得了较好的效果。

专利1(蒋芸，曹思敏，陶生鑫，吴超，刘文欢.一种基于卷积注意力模型的皮肤病变分割方法[P].中国专利：CN113744178A,2021.12.03)公开了一种基于卷积注意力模型的皮肤病变分割方法。专利2(帅仁俊，卢伟.基于多注意力机制模型MCDC_Net的皮肤病变分割方法[P].中国专利：CN115530766A,2022.12.30)涉及深度学习和医学图像分割领域，提供了一种新颖的深度学习模型用于解决皮肤病变分割问题。专利3(代笃伟，徐颂华，李宗芳.一种基于多尺度残差编解码网络的图像分割方法及系统[P].中国专利：CN114004811A,2022.02.01)对皮肤病变图像进行预处理，预处理后的图像进行数据增强。但上述方法并未有效区分病灶区域和背景，且皮肤病变数据集中存在类内距离大、类间距离小，病变区域的边界不连续且模糊的问题。本专利使用了多尺度融合方法构建密集编码器，并设计了混合注意力模块，实现对皮肤病图像分割。

发明内容