[發明專利]一種基于深度卷積神經網絡的皮膚病圖像病灶分割方法

在審

• 申請號: 202010860172.1
• 申請日: 2020-08-25
• 公開（公告）號: CN112132833A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 崔文成;張鵬霞;邵虹
• 申請（專利權）人: 沈陽工業大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/174;G06T7/187;G06T5/00;G06T5/30
• 代理公司: 沈陽智龍專利事務所(普通合伙) 21115
• 代理人: 宋鐵軍

1.一種基于深度卷積神經網絡的皮膚病圖像病灶分割方法，其特征在于：該分割方法包括三個步驟，分別為數據預處理、數據擴充、構建分割模型進行訓練并驗證；

其中，數據預處理步驟負責對皮膚病圖像進行降噪處理，將圖像中有礙確定病灶位置的人工、天然噪聲移除；

數據擴充步驟負責將經過降噪處理的圖像進行形變、旋轉的方式擴充數據集；

構建分割模型進行訓練并驗證步驟，該步驟分為三部分，第一部分用一個由空洞卷積構成的模塊對圖像進行第一次特征提取；第二部分是一個空洞空間金字塔池化模塊，對所提取到的特征再進行編碼獲得更多細節特征；第三部分是解碼模塊，對編碼所得的高細節特征解碼的同時融合第一次得到的特征獲得預測圖。

2.根據權利要求1所述的基于深度卷積神經網絡的皮膚病圖像病灶分割方法，其特征在于：在數據預處理步驟中，對圖像的人工、天然噪聲進行處理，

具體步驟如下：

(1)將原始RGB圖像轉換到HSL空間的亮度分量L，公式如下：

其中，R、G、B分別為RGB色彩空間的三個分量；

(2)將L＜20的像素點標記為黑點，然后統計黑點所占每行/列的比例p；

(3)如果每行/列的p0.7，則將該行/列標記為黑框行/列；

(4)得到整幅圖像的黑框行、列位置信息，并在原始RGB圖像中刪除所有黑框行/列，以移除人工操作導致的黑框噪聲；

(5)對(4)得到的結果先從RGB空間轉換到LUV空間，再對L、U、V三個分量分別進行形態學閉操作得到圖像MR，公式如下：

MR＝(L',U',V') (2)

其中L'、U'、V'分別為LUV空間三個分量的處理結果，是形態學膨脹操作，！是腐蝕操作，B為結構元素；

(6)然后對閉操作前后的圖像做差，進行波谷檢測得到毛發圖像CR；

(7)對CR圖像進行區域連通處理，并統計連通區域N，N即為毛發數量；

(8)若NT(T為用來區分粗密毛發模式、稀疏毛發模式的閾值)，則轉到粗密毛發處理模式，采用偏微分運算修復毛發部位，設初始圖像為u₀(i,j)，利用公式(3)對圖像進行修復：

其中，公式中的函數c(x)是擴散系數函數，常用形式為式中x是變量，k是系數，(i,j)表示像素點坐標，D表示像素(i,j)的鄰域，n表示鄰域點個數，t表示迭代次數；

(9)否則轉到稀疏毛發處理模式，采用雙線性插值修復毛發信息，以移除天然毛發噪聲。

3.根據權利要求1所述的基于深度卷積神經網絡的皮膚病圖像病灶分割方法，其特征在于：在數據擴充步驟中，通過形變對數據量進行擴充；數據擴充對預處理后的圖像及對應的二進制標簽圖像進行翻轉、旋轉、改變對比度操作，以增強數量；然后對得到的數據集進行歸一化處理，得到歸一化后的數據集。

4.根據權利要求1所述的基于深度卷積神經網絡的皮膚病圖像病灶分割方法，其特征在于：在構建分割模型進行訓練并驗證步驟中，構建分割模型的三個模塊，具體步驟如下：

(1)深度空洞卷積特征提取模塊由輸入、中間處理、輸出三部分組成；輸入構建：一個卷積核3×3，步長為2的卷積層、卷積核3×3，步長為1的卷積層、兩個卷積核為3×3的深度可分離卷積層、一個步長為2，卷積核為3×3的深度可分離卷積、兩個卷積核為3×3的深度可分離卷積、一個步長為2，卷積核為3×3的深度可分離卷積、兩個卷積核為3×3的深度可分離卷積、一個步長為2，卷積核為3×3的深度可分離卷積；中間處理由16個三個卷積核為3×3的深度可分離卷積構成；輸出構建：兩個卷積核為3×3的深度可分離卷積、一個步長為2，卷積核為3×3的深度可分離卷積、三個卷積核為3×3的深度可分離卷積；

(2)空洞空間金字塔池化模塊包括1個卷積核大小為1×1的卷積層和3個卷積核大小為3×3、空洞卷積率分別為6，12，18的空洞卷積層以及一個平均池化上采樣層、一個卷積核1×1的卷積層；

(3)解碼部分由一個卷積核為1×1的卷積層、一個特征融合層、一個卷積核為3×3的卷積層以及一個雙線性插值的上采樣層構成。