[發(fā)明專利]基于空洞卷積和多尺度融合的黑色素瘤分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011094831.1
• 申請(qǐng)日: 2020-10-14
• 公開(kāi)（公告）號(hào): CN112446890A
• 公開(kāi)（公告）日: 2021-03-05
• 發(fā)明（設(shè)計(jì)）人: 張聚;潘偉棟;俞倫端;陳德臣;牛彥;施超
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/00;G06T7/41;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

基于空洞卷積和多尺度融合的黑色素瘤分割方法，包括：步驟1)醫(yī)學(xué)圖像預(yù)處理；步驟2)構(gòu)建具有靈活感受野的多尺度聚合網(wǎng)絡(luò)模型；步驟3)將訓(xùn)練集數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練；步驟4)皮膚鏡圖像病灶區(qū)域分割。本發(fā)明提出的通道注意空洞卷積模塊可以根據(jù)圖像特征自適應(yīng)的擴(kuò)大感受野，獲取更加緊密的上下文信息，緩解固定感受野引起的特征不充分問(wèn)題；聚合交互模塊可以將編碼層輸出的特征與相鄰編碼層的特征進(jìn)行聚合，獲得多尺度信息，并且降低了編碼層和對(duì)應(yīng)的解碼層之間的語(yǔ)義差距，抑制直接聚合引起的噪聲。本發(fā)明能夠分割精確的皮膚鏡圖像，起到輔助作用。

技術(shù)領(lǐng)域

本發(fā)明涉及皮膚癌黑色素瘤的分割方法

背景技術(shù)

黑色素瘤是最危險(xiǎn)的皮膚病之一。通過(guò)早期研究發(fā)現(xiàn)，最致病的黑色素瘤的5年生存率可高達(dá)99％；但是，延遲診斷會(huì)導(dǎo)致生存率下降至23％。皮膚鏡檢查是用皮膚鏡檢查皮膚病變的手段，通常用來(lái)診斷黑色素瘤。但是，即使是專業(yè)的皮膚科醫(yī)生，手動(dòng)檢查皮膚鏡圖像是一項(xiàng)容易出錯(cuò)和耗時(shí)的工作。

因此，有必要開(kāi)發(fā)一種協(xié)助皮膚科醫(yī)生準(zhǔn)確地分割黑色素瘤的計(jì)算支持系統(tǒng)。由于黑色素瘤存在不同的大小，形狀和紋理，這項(xiàng)任務(wù)仍然具有挑戰(zhàn)性。而且，一些皮膚鏡圖像可能包含干擾物，例如頭發(fā)，標(biāo)尺標(biāo)記和顏色校準(zhǔn)。卷積神經(jīng)網(wǎng)絡(luò)被大量用來(lái)解決語(yǔ)義分割任務(wù)。其中，U-Net廣泛應(yīng)用于醫(yī)學(xué)圖像分割，采用編碼器(下采樣)和解碼器(上采樣)結(jié)構(gòu)，用跳躍連接將低級(jí)紋理特征和對(duì)應(yīng)的高級(jí)語(yǔ)義特征整合在一起。由于淺層特征未經(jīng)過(guò)處理，直接和深層特征整合在一起，會(huì)導(dǎo)致信息冗余，進(jìn)而影響分割精度結(jié)果。

由于黑色素瘤區(qū)域存在邊界模糊、形狀各異，對(duì)于一般的分割網(wǎng)絡(luò)難以精確分割出黑色素瘤。醫(yī)學(xué)圖像中大范圍像素之間可能具有很強(qiáng)的聯(lián)系，然而一般的分割網(wǎng)絡(luò)通常采用固定大小的卷積核對(duì)圖像進(jìn)行下采樣，這樣導(dǎo)致網(wǎng)絡(luò)只能捕獲到局部的上下文信息。關(guān)于提出的空洞空間卷積池化金字塔(ASPP)在下采樣之后也只能提取到部分的上下文信息，無(wú)法產(chǎn)生緊密的多尺度特征。

發(fā)明內(nèi)容

本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提供一種基于空洞卷積和多尺度融合的黑色素瘤分割方法。

本發(fā)明為了應(yīng)對(duì)皮膚鏡圖像中存在的干擾導(dǎo)致神經(jīng)網(wǎng)絡(luò)無(wú)法獲得較好分割精度，對(duì)傳統(tǒng)U-Net中的下采樣結(jié)構(gòu)和簡(jiǎn)單跳躍連接做相應(yīng)的改變，有效地?cái)U(kuò)大感受野以及抑制淺層特征和深層特征直接融合帶來(lái)的噪聲，提供一種基于空洞卷積和多尺度融合的黑色素瘤分割方法。

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清晰，下面就對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步描述。基于空洞卷積和多尺度融合的黑色素瘤分割方法，包括以下步驟：

步驟1)預(yù)處理醫(yī)學(xué)圖像；

對(duì)采集到的皮膚鏡圖像的數(shù)據(jù)按照7：1：2劃分為訓(xùn)練集，驗(yàn)證集和測(cè)試集，對(duì)用于網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集圖像做數(shù)據(jù)增廣處理；

步驟2)構(gòu)建具有靈活感受野的多尺度聚合網(wǎng)絡(luò)模型；

2.1構(gòu)建通道注意空洞卷積模塊用于特征提取；

以通道注意空洞卷積層代替U-Net中的編碼層，將步驟1)中的皮膚鏡圖像作為輸入，輸出提取到的特征圖featuremap為后續(xù)網(wǎng)絡(luò)提供輸入；每一層都使用三個(gè)平行的空洞卷積提取特征，每個(gè)空洞卷積的擴(kuò)張率都不同；然后對(duì)提取到的特征圖進(jìn)行全局平均池化操作，通過(guò)考慮每個(gè)通道及其k個(gè)鄰居通道，捕獲跨通道交互信息，為特征圖的每個(gè)通道重新分配權(quán)重，然后將三個(gè)特征圖相加得到這一層的輸出特征圖；淺層通常學(xué)習(xí)到簡(jiǎn)單的紋理信息，隨著層數(shù)越深，將捕獲到復(fù)雜的抽象信息；

2.2構(gòu)建聚合交互模塊，即AIM；