[發明專利]基于深度神經網絡的黑色素瘤圖片組織分割方法和系統

有效

• 申請號: 201810188964.1
• 申請日: 2018-03-08
• 公開（公告）號: CN108510502B
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 柏朋成;趙躍龍;張聲超
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.基于深度神經網絡的黑色素瘤圖片組織分割系統，其特征在于：包括有數據預處理模塊、皮膚鏡圖片組織分割模型訓練模塊、皮膚鏡圖片組織分割模型存儲模塊、皮膚鏡圖片組織分割模塊；其中：

所述數據預處理模塊包括數據集加載單元和數據集基本處理單元；所述數據集加載單元負責加載用于訓練、驗證、測試模型的數據集以及訓練好模型之后需要進行分割處理的新的數據，對于訓練、驗證、測試模型，要保證訓練數據和數據標簽之間的對應關系；所述數據集基本處理單元用于對圖片調整至統一大小，對圖片像素值做歸一化處理，對圖片的RGB像素值減去ImageNet數據集對應通道的平均值以及針對數據集大小達不到要求的情況進行數據增強；

所述皮膚鏡圖片組織分割模型訓練模塊用于訓練黑色素瘤的皮膚鏡圖片組織分割模型；所述皮膚鏡圖片組織分割模型是由一種深度神經網絡訓練而來，該網絡是一個21層的深度神經網絡，由“收縮路徑”和“擴張路徑”兩部分構成，兩部分之間由兩個全連接層連接，所述網絡的結構如下：

第一部分叫收縮路徑，第二部分稱為擴張路徑，在收縮路徑和擴張路徑之間用兩個全連接層連接起來；所述收縮路徑的接收維度為N×M×D的三維數據作為輸入，其中N、M、D分別代表長、寬和通道數，在實際中輸入圖片通道D為3，然后進行以下三個階段的收縮操作：先對數據加入高斯噪聲再依次輸入三個卷積層和一個池化層，然后再對數據加入高斯噪聲之后輸入三個卷積層和一個池化層，接著再一次加入高斯噪聲后輸入三個卷積層和一個池化層，并增加隨機失活操作，得到的數據拉伸成一維之后，作為全連接層輸入；收縮路徑中每個階段卷積層中卷積核的個數都是上一個階段的兩倍，也就是說第二個階段中卷積層的卷積核個數是第一個階段中的兩倍，而第三個階段中卷積層的卷積核個數又是第二個階段中的兩倍；收縮路徑主要用于提取和聚合上下文特征；所述擴張路徑主要由卷積層和轉置卷積層組成，其輸入是經過全連接層之后再重塑成N×M×D的三維數據，然后同樣對該數據進行三個階段擴張操作：首先對該數據進行轉置卷積，把長和寬放大為原來的兩倍，然后再用跳躍連接把收縮路徑中第三階段收縮操作得到的數據和經過轉置卷積放大的數據連接起來，進行D維度上的拼接，接著對拼接之后的數據隨機失活之后輸入三個卷積層；第二階段擴張操作同樣先對得到的數據進行轉置卷積，把長和寬再擴大至兩倍，然后再把收縮路徑中第二階段收縮操作得到的數據和放大后的數據進行D維度上的拼接，隨機失活之后再輸入三個卷積層；第三階段擴張操作同樣先對數據進行轉置卷積，然后和第一次收縮操作得到的數據進行D維度上的拼接，隨機失活之后輸入三個卷積層；這三個階段卷積核的個數逐階段遞減為前一個階段的二分之一，所以擴張路徑最后一個階段的卷積核的數量和收縮路徑第一階段的卷積核數量是相同的；擴張路徑主要用于把分割后的圖片恢復到原始尺寸并對可疑組織的邊界實現精確定位；兩個全連接層中第一層的神經元個數為8192，并使用隨機失活操作，第二層神經元的個數為32768，并在后面增加加入高斯噪聲的操作；輸出層由一個通道數為1，卷積核大小為1×1的卷積層構成，最后的輸出為N×M×1的數據，表示成單通道的二維圖像，像素值表示每個像素經過神經網絡之后所得到的是否屬于黑色素瘤的分割結果：白色代表可疑組織區域，黑色代表正常皮膚區域；

皮膚鏡圖片組織分割模型訓練模塊訓練好上述神經網絡之后，把訓練得到的最終模型保存到皮膚鏡圖片組織分割模型存儲模塊中，用于對新輸入的皮膚鏡圖片進行組織分割操作；

所述皮膚鏡圖片組織分割模型存儲模塊保存由皮膚鏡圖片組織分割模型訓練模塊訓練得到的皮膚鏡圖片組織分割模型，供需要調用該模型的新的輸入數據調用；

所述皮膚鏡圖片組織分割模塊利用皮膚鏡圖片組織分割模型存儲模塊保存的模型對新輸入的皮膚鏡圖片進行感興趣區域的分割；具體來說，就是把疑似病變組織的邊界輪廓找出來；分割的輸出結果是由黑白兩種顏色的圖片，黑色表示正常皮膚，白色表示可疑組織的皮膚，黑白交界的地方就是組織的邊界輪廓，有了這個輪廓才方便把接下來分析的重點放在這個輪廓所覆蓋的區域上；對于皮膚科醫師來說需要對該新輸入的圖片進行進一步分析的重點就在這個輪廓內部；所以組織分割模塊的目的就是找到感興趣區域，方便后續處理。