[发明专利]基于改进的UNet网络模型的皮肤超声影像分割方法

说明书

一种基于改进的UNet网络模型的皮肤超声影像分割方法，包括：使用50MHz皮肤超声生物显微镜采集人体皮肤的二维超声图像，并将图片按照1:1:8的比例分为验证集、测试集和训练集；分别对验证集、测试集和训练集进行手工标注，标注出真皮层和表皮层；对手工标注后的验证集和训练集通过灰度变换、左右翻转的操作进行数据增强；将数据增强的验证集和训练集输入改进后的UNet模型中进行训练；将训练得到的模型参数作为预测模型，将测试集输入所述的预测模型进行图像分割，得到分割结果。本发明使网络变得更宽更深的同时还可以捕获更高层次的特征，提高分割精度。

技术领域

本发明涉及一种皮肤超声影像分割方法。特别是涉及一种基于改进的UNet网络模型的皮肤超声影像分割方法。

背景技术

皮肤是人体与外界环境直接接触的器官，在人体皮肤中，表皮层位于最外层，覆盖全身，起到保护作用，真皮层位于表皮层之下，内部含有网状纤维、弹力纤维、胶原纤维三种纤维结缔组织。人体表皮层和真皮层的厚度及其变化是皮肤特征的一个重要评价指标，系统性硬化(Systemic sclerosis，SSC)早期症状就是皮肤厚度增加、回声降低，对于局限性皮肤系统性硬化(limited cutaneous SSc，lcSSc)患者，监测皮肤厚度可以判断其病变程度以及是否会演变为弥散性系统性硬化患者(diffusecutaneous SSc，dcSSc)，并且皮肤厚度也与性别、年龄、体质指数(Body Mass Index，BMI)呈正相关。因此对皮肤真皮层与表皮层进行监测可以实时了解人体皮肤的健康状态。

图像分割是机器视觉技术中对于图像理解的重要一环，也是实现完全场景理解的重要方式之一。目前，不同领域的研究者对于计算机辅助分割技术进行了大量研究，目前主要包括手工提取特征法、传统机器学习方法以及基于深度学习的图像分割法。手工提取特征的方法包括阈值法、边缘法、区域法等，其中每种方法都有其优缺点。阈值分割的方法由于直接利用图像的灰度特性，所以计算便捷、运算效率高，但是分割图像中会出现纹路和噪声，对灰度值相差较小的目标和背景分割效率低下；基于区域的分割对于具有区域结构的图分割较好，但容易造成图像的过度分割；边缘分割方法可以快速搜索图像中的边缘信息，但不能得到较好的区域结构，精度的提高会造成抗噪性下降。传统机器学习技术只能进行浅层学习，比如支持向量机(Support Vector Machines,SVM)、SIFT特征提取算法、决策树等方法，将输入数据变换到一两个连续的空间，无法得到复杂问题所需要的精确表示，对于特征工程的设计也给科研人员造成了很大的麻烦。与前两种方法相比较，基于深度学习的方法对于特征工程这一步骤完全自动化，可以一次性学习所有特征。

近几年，随着深度学习的发展，在分割任务中出现了许多优秀的网络：FCN、SegNet、GoogleNet、Deeplab等，这些基于深度学习的分割方法在图像识别、面部识别等领域甚至已经超过了人类的表现。2015年，Olaf Ronneberger基于FCN(Fully ConvolutionalNetworks)提出了U-Net网络，在医学图像分割领域取得了较好的效果，U-Net通过连续的池化操作和卷积操作降低特征分辨率，来学习越来越抽象的特征表示，有利于分类或目标检测任务，但对于语义分割任务，往往需要比较详细的空间信息，需要维护高分辨率特征映射，网络的分割性能有待提高。

UNet网络是一种图像分割网络，最初应用于医学图像分割，他进行4次下采样和4次上采样，并在上采样时进行多尺度融合，得到的分割结果较为精确，UNet网络通过连续的池化操作和卷积操作降低特征分辨率，但是在语义分割任务中，往往需要比较详细的空间信息，需要维护高分辨率特征映射，提高分割性能。

发明内容

本发明所要解决的技术问题是，提供一种能够提高分割精度的基于改进的UNet网络模型的皮肤超声影像分割方法。

本发明所采用的技术方案是：基于改进的UNet网络模型的皮肤超声影像分割方法，包括如下步骤：