[发明专利]皮肤镜图像的分割方法及其分割装置

说明书

本发明公开了一种皮肤镜图像的分割方法及其分割装置，其涉及数字图像处理技术领域，分割方法包括：在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像；采用轻量级全卷积神经网络作为图像分割模型的基本框架，并且将ResNet50作为轻量级全卷积神经网络的编码阶段，在此过程中，将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整；在图像分割模型的轻量级全卷积神经网络中采用双重注意力模块将全局信息进行聚合，以生成通道注意力向量；构建自适应权重损失模块；等等。本申请能够对皮肤镜图像中病变区域进行准确的分割。

技术领域

本发明涉及数字图像处理技术领域，特别涉及一种皮肤镜图像的分割方法及其分割装置。

背景技术

皮肤镜图像中病变区域自动分割对黑色素瘤的临床诊断和评估具有重要意义。传统分割方法过程繁琐，泛化性不强，对于正常和病变区域之间的高度相似的图像分割结果较差。

而且，由于皮肤病变区域形态多变，分割目标和背景大小极度不平衡，皮肤病变区域往往呈现复杂的形态、多尺度的变化，使得分割目标和背景极其不平衡，很难分割出精准的病变区域。最后，毛发和人工标记会影响图像质量，因此，就目前的技术而言，皮肤镜图像病变区域的准确分割仍然是一个很大的挑战，亟需尽快解决，以满足临床诊断和评估需要。

发明内容

为了克服现有技术的上述缺陷，本发明实施例所要解决的技术问题是提供了一种皮肤镜图像的分割方法及其分割装置，其能够对皮肤镜图像中病变区域进行准确的分割。

本发明实施例的具体技术方案是：

一种皮肤镜图像的分割方法，所述皮肤镜图像的分割方法包括：

在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像；

采用轻量级全卷积神经网络作为图像分割模型的基本框架，并且将ResNet50作为轻量级全卷积神经网络的编码阶段，在此过程中，将ResNet50的网络结构和轻量级全卷积神经网络的编码器结构做匹配调整；

在图像分割模型的轻量级全卷积神经网络中采用双重注意力模块将信息进行聚合，以生成通道注意力向量；

构建自适应权重损失模块，利用自适应权重损失函数根据预处理后的皮肤镜图像中分割目标区域的相对面积大小分配不同的权重；

在图像分割模型中建立融合双重注意力模块和自适应权重损失模块的分割网络，在基于轻量级全卷积神经网络的基本框架中，在编码器与解码器的连接处插入双重注意力模块，采用分段平均的方法得到最终权重，进而得到自适应权重损失模块中的自适应权重损失函数；

对融合双重注意力模块和自适应权重损失模块的分割网络的图像分割模型进行训练得到训练后的图像分割模型；

通过训练后的图像分割模型对待分割的皮肤镜图像进行分割，以自动分割出病变区域。

优选地，在步骤在皮肤镜图像的RGB彩色图像的基础上增加灰度图像信息得到预处理后的皮肤镜图像中，增加灰度图像信息的具体计算公式如下：

Gray＝0.2989*R+0.5870*G+0.1140*B；

其中，Gray表示灰度图像信息。

优选地，在步骤构建自适应权重损失模块，利用自适应权重损失函数根据预处理后的皮肤镜图像中分割目标区域的相对面积大小分配不同的权重中，具体如下：

自适应权重损失函数利用金标准的先验信息，根据分割目标区域的相对面积大小，给不同图像的损失动态分配权重，小尺度目标分配大权重，大尺度目标分配小权重，自适应权重损失函数中的初始权重如下：

β＝1+(T-α)；