[發明專利]一種基于神經網絡的燒傷創面區域自動分割方法

在審

• 申請號: 202011644754.2
• 申請日: 2020-12-31
• 公開（公告）號: CN112634291A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 劉昊;李文鈞;岳克強;程思一;潘成銘;孫潔
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/08;G06N3/04
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

1.一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述方法包括如下步驟：

S1：采集獲取燒傷病人的燒傷圖像；

S2：對燒傷圖像進行預處理和數據增強操作；

S3：將預處理和數據增強后的燒傷圖像輸入神經網絡模型中進行模型的訓練，進一步地，神經網絡模型分為編碼器模型和解碼器模型；

S4：使用訓練后的模型燒傷圖片進行燒傷創面區域預測，得到燒傷創面區域的分割結果圖。

2.根據權利要求1所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S2進一步包括：

S21：對燒傷圖像進行預處理操作；

S22：對燒傷圖像進行數據增強操作。

3.根據權利要求1所述的一種基于神經網絡對燒傷圖像燒傷創面區域自動分割方法，其特征在于，所述步驟S3進一步包括：

S31：將預處理和數據增強后的燒傷圖像輸入編碼器模型，提取燒傷圖像的特征圖；

S32：將編碼器模型提取的特征圖輸入解碼器模型，進行燒傷圖像的特征融合，輸出燒傷創面區域的分割預測圖；

S33：計算模型輸出的Loss值，通過RMSProp優化器訓練模型。

4.根據權利要求1所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S1具體包括：使用相機等設備采集燒傷患者的燒傷圖像數據。

5.根據權利要求2所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S21具體包括：對燒傷圖像進行預處理操作，預處理包括：1）對采集的燒傷圖像進行篩選，選取清晰的燒傷圖像；2）剪切去除燒傷圖像中無效的背景區域和涉及到患者隱私的區域；3）標記圖像中的燒傷創面區域，生成和原始燒傷圖片具有相同尺寸的掩模圖像作為模型訓練時的標簽；4）將燒傷圖像的RGB三個通道數值歸一化至區間[0, 1]，得到標準化燒傷圖像。

6.根據權利要求2所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S22具體包括：對燒傷圖像進行數據增強操作，具體包括：1）對燒傷圖像和對應的掩模圖像同時進行0度至360度之間的隨機旋轉，燒傷圖像和掩模圖像旋轉的角度保持一致；2）對燒傷圖像和對應的掩模圖像同時進行隨機翻轉，翻轉方式有水平翻轉和鏡像翻轉，由偽隨機數發生器隨機選擇一種方式對燒傷圖像和掩模圖像進行翻轉；3）對燒傷圖像和對應的掩模圖像同時進行隨機平移，平移方式有水平平移和垂直平移，平移范圍在0%至10%的圖像寬度和圖像高度之間，由偽隨機數發生器隨機對燒傷圖像和掩模圖像進行平移；4）對燒傷圖像和對應的掩模圖像同時進行隨機縮放，縮放方式為從圖像中心放大圖像或縮小圖像，縮放范圍在0%至10%之間，由偽隨機數發生器隨機對燒傷圖像和掩模圖像進行縮放操作。

7.根據權利要求3所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S31具體包括：將步驟S2處理后的燒傷圖像輸入編碼器模型，提取燒傷圖像的特征圖；

編碼器模型為改進的ResNet-101模型，與原始ResNet-101模型相比，改進的ResNet-101模型中刪除了原始ResNet-101模型最后一層全連接層的輸出，并且將原始ResNet-101模型中的普通卷積層（Convolution Layers）替換為空洞卷積層（Dilated ConvolutionLayers）。

8.根據權利要求3所述的一種基于神經網絡的燒傷創面區域自動分割方法，其特征在于，所述步驟S32具體包括：將編碼器模型提取的特征圖輸入解碼器模型，解碼器模型為改進的UPerNet模型；

與原始的UPerNet模型相比，改進的UPerNet模型將原始結構中的PPM（PyramidPooling Module，金字塔池模塊）由4層改進為3層，減少了模型的參數量，同時減少了模型運行時的計算量，加速模型的運行速度；

之后融合PPM各層輸出的特征圖，最后輸出和原始燒傷圖像尺寸相同的燒傷區域預測圖；

解碼器模型的輸出激活函數為Sigmoid。