[发明专利]一种基于卷积注意力模型的皮肤病变分割方法

说明书

本发明公开了一种基于卷积注意力模型的皮肤病变分割方法，该分割方法具体按以下步骤：步骤1：选取ISIC‑2017数据集和PH2数据集，包含8位RGB皮肤镜检查图像，图像大小从540×722‑4499×6748像素不等，数据集提供2000张训练图像、用于验证的150张图像的单独数据集以及用于测试的600张图像的单独数据集，数据集中所有皮肤镜检查图像分别被标记为良性痣、黑色素瘤或脂溢性角化病，PH2数据集包含200张图像，其中160张图像为痣，分为普通痣和非典型性痣。本发明用于皮肤镜检查图像中准确的皮肤病变分割，对于医学研究者具有实际参考价值。模型添加多尺度输入模块，利用卷积注意力模块提取图像特征，通过多标签损失函数来更新参数以训练模型，生成最终的分割图。

技术领域

本发明涉及计算机视觉医学图像处理领域，特别涉及一种基于卷积注意 力模型的皮肤病变分割方法。

背景技术

众所周知，皮肤作为人体最大的器官，通常直接暴露在空气中，使得皮 肤病成为人类最常见的疾病之一。黑素瘤作为一种致死率最高的恶性皮肤肿 瘤，每年导致的死亡人数就超过10,000例。但是，如果能尽早发现，黑色素 瘤可以通过简单的切除术治愈。可是，在实际诊断中，即使由经验丰富的皮 肤科医生进行皮肤镜检查，也不能仅依靠他们的感知和视力来正确地对黑色 素瘤进行检测。计算机辅助分析避免了许多这样的问题，并且越来越多地被 研究以帮助皮肤科医生提高皮肤镜图像分析的效率和客观性。皮肤病变的自 动分割是计算机辅助皮肤镜图像分析的重要步骤。

在早期，采用基于阈值的方法进行图像分割，但这种方法通常只能对图 像进行模糊区分，无法获得精确的分割效果。近年来，卷积神经网络已被广 泛用于解决图像分割问题。特别是对于医学图像分割，这些基于卷积神经网 络的方法可以按像素分类以区分背景对象和前景对象，从而实现最终的分割。 相对于早期方法，卷积神经网络已极大地提高了图像分割性能。但在皮肤病 变分割领域，由于皮肤病变区域边界模糊，不同受试者的病变在位置、形状 和颜色上表现出明显的差异性以及大量伪影包括固有的皮肤特征(例如头发、 血管)和人工伪影(例如气泡、直尺标记、不均匀的照明、病变区域不完整 等)的存在，使得一般卷积神经网络对于皮肤病变边界的准确分割仍具有巨 大的挑战。之前的文献，已经在一定程度上解决了以上问题，但是，模型所 使用的皮肤表层影像图来自患者皮肤表面照片而非公开可用的公共数据集， 无法更好的验证模型的性能。其次，卷积神经网络结构，随着深度的增加， 数据信息会不断地丢失，特征提取不完善导致模型分割性能不佳。多次重复 卷积操作虽然可以增强特征的提取，但这个过程中却容易造成参数量过大， 数据计算冗余进一步使得模型产生过拟合的问题，这极大地降低了模型的预 测准确率。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于卷积注 意力模型的皮肤病变分割方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于卷积注意力模型的皮肤病变分割方法，该分割方法具体 按以下步骤：

步骤1：选取ISIC-2017数据集和PH2数据集：

ISIC-2017数据集包含8位RGB皮肤镜检查图像，图像大小从540× 722-4499×6748像素不等，数据集提供2000张训练图像、用于验证的150张 图像的单独数据集以及用于测试的600张图像的单独数据集，数据集中所有 皮肤镜检查图像分别被标记为良性痣、黑色素瘤或脂溢性角化病，PH2数据集 包含200张图像，其中160张图像为痣，分为普通痣和非典型性痣，其余40 张图像为黑色素瘤，PH2数据集中的图像是大小固定为768×560像素的8位 RGB图像，在相同条件下使用20倍放大倍数采集；

步骤2：数据预处理：