[发明专利]基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统

说明书

技术领域

本发明涉及图像处理领域，深度学习领域，尤其涉及一种基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统。

背景技术

图像处理已经成为一门引人注目，前景广阔的新型学科，并正在向更高、更深层次发展。国内外大量文献报道证明了人们已经开始研究如何用计算机解释图像，实现用计算机视觉系统理解外部世界。许多国家都正在大力探索和研究图像理解和机器视觉，并取得了不少重要成果。其中在图像分割中应用的最广泛的技术，最高效，成果最好的技术就是使用深度学习来对图像进行处理。

随着深度学习的飞快发展，在图像处理领域的大多成果记录都被刷新，在各个方面证明了深度学习得优良性质。近年来，国内外许多高校和大型企业都在分析研究语义分割，并取得了重大成果。从2006年，Hinton提出了深度网络训练中梯度消失的问题的解决方案，深度学习得风潮就在各个相关领域掀起。2014年，Jonathan Long等人提出了一种端到端的图像分割手段，使用了跳跃连接，改善了上采样的粒度程度。2015年，Olaf Ronneberger等人提出了U-net的编码解码结构的深度卷积网络，在医学图像分割上取得了巨大结果。2015年，Fisher Yu等人提出了基于膨胀卷积(dilated convolution)的神经网络,来处理多尺度的目标信息。而在细胞病变黑素瘤图像分割方面，国内外都作出了巨大努力。2017年的ISBI上提出了一种增强卷积和反卷积网络，在黑素瘤皮肤分割上以Jaccard index 0.765.夺得第一名。

在国内，在传统的黑色素瘤疾病检测中主要方法有ABCD法则、模式分析法、7点检测法、三点检法、孟氏法以及CASH法等，这些方法均是利用颜色、纹理以及形态结构等特征来进行识别，不能够对图像中传递的其他一些有用的细节性信息进行利用，所以对黑色素瘤图像特征进一步的提取并研究分类对当前的临床诊断的有很强的意义。黑色素瘤皮肤图片主要难度在于形态各异，颜色多变，大小不一，以及噪声多样。而且医学图像能提供的训练样本小，样本需要专业人员才能标注，花费大。深度学习恰恰需要大样本才能展现良好的分割效果。

发明内容

本发明的目的针对由于黑色素瘤皮肤病变分割的难度大，传统提取特征再分类的方法效果差，训练样本少，样本间差异大，提供一种基于膨胀卷积的多尺度深度学习识别系统，最终提高分割准确率。

为了实现上述目的。本发明采用的技术方案是：

本发明公开了一种基于膨胀卷积的多尺度深度学习识别系统，具体实施步骤包括：

(1)对样本库样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片。

(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络。

(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片。

(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到预测图片。

(5)对(4)中得到的预测图片进行后处理，完成对测试图片的分割。

所述步骤(1)中的预处理步骤如下：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行旋转，翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是513×513。

(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是513×513。

(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：