[發明專利]一種甲黑線皮膚鏡圖像分析方法及系統

有效

• 申請號: 202110326945.2
• 申請日: 2021-03-26
• 公開（公告）號: CN113012138B
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 徐向民;劉浩帆;邢曉芬;馬寒
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

1.一種甲黑線皮膚鏡圖像分析方法，其特征在于，包括以下步驟：

S1、建立帶有二值化掩膜圖像標簽的甲黑線皮膚鏡圖像原始訓練樣本集，對圖像標簽進行邊緣提取，生成邊緣檢測標簽；

S2、對原始訓練樣本集進行數據增強，構建數據增強訓練樣本集；

S3、搭建編碼-解碼結構的全卷積分割網絡；

S4、全卷積分割網絡輸出指甲區域和變色區域的輪廓，利用圖像學知識獲取圖像分析相關指標，完成甲黑線皮膚鏡圖像分析；

原始訓練樣本集中的樣本為固定精度皮膚鏡儀器拍攝的甲黑線圖像；步驟S2中，進行數據增強的方法包括平移，翻轉，加噪和裁剪；

步驟S3中，采用經ImageNet預訓練的卷積神經網絡作為編碼器提取特征，解碼器采用反卷積進行分割結果重建，具體包括以下步驟：

S3.1、在全卷積分割網絡的編碼器中，加入空間注意力模塊，使全卷積分割網絡在做特征提取時學習到圖像中不同位置區域的重要程度，使全卷積分割網絡將注意力更多的放在指甲區域和病變區域；

S3.2、在全卷積分割網絡的解碼器中，加入邊緣增強模塊，全卷積分割網絡的編碼器輸出的特征復制成兩路特征：第一特征和第二特征，分別進入兩個解碼通道；一路對第一特征做反卷積輸出目標區域的分割結果；另一路對第二特征做反卷積輸出目標區域的邊緣檢測結果，同時把邊緣檢測結果壓縮并聯到第一特征中；

S3.3、在訓練中同時監督兩路輸出的結果，得到訓練好的全卷積分割網絡；對全卷積分割網絡進行邊緣增強能加強全卷積分割網絡對目標區域邊緣像素點的學習，提高分割的準確率；

步驟S3.1中，編碼器以預訓練的殘差網絡Res-Net34為基礎骨架，去掉全連接層；

分別在殘差網絡Res-Net34第二層到第五層中任意相鄰的兩層之間加入一個空間注意力模塊；

編碼器采用其他CNN網絡為基礎骨架，其他CNN網絡包括Google-Net或Mobile-Net，可按照需求和實驗結果在卷積層之間加入若干空間注意力模塊，具體位置和數量不做限制；

第i個空間注意力模塊中，生成和殘差網絡Res-Net34第N層輸出的中間特征的高度、寬度一致的空間注意力特征圖與中間特征相乘，得到第i個空間注意力模塊最終生成的特征，讓全卷積分割網絡在提取特征的過程中學習到更多目標區域的位置信息，排除背景噪聲的干擾，其中，2=N5，i=N-1；編碼器中，殘差網絡最后一層輸入最后一個空間注意力模塊最終生成的特征，輸出編碼特征至解碼器；

在步驟S3.2中，加入邊緣增強模塊；把編碼器得到的編碼特征復制成兩部分：第一特征和第二特征，分別進入目標區域分割通道和目標區域邊緣檢測通道，利用反卷積進行兩路重建；

在目標區域邊緣檢測通道中把第二特征重建成目標區域邊緣檢測掩膜，即生成目標區域邊緣檢測結果；然后，將目標區域邊緣檢測預測結果圖壓縮成大小，并聯到解碼器目標區域分割通道的第一特征中，在目標區域分割通道中把第一特征重建成目標區域分割掩膜，即生成目標區域分割結果；C、H和W分別表示通道數、特征高度和特征寬度；目標區域分割結果作為全卷積分割網絡的輸出結果；

S3.3中，在訓練中同時監督兩路輸出的結果，把兩路通道的結果分別與步驟S1得到的對應的標簽圖計算損失函數值，損失函數采用交叉熵損失函數，全卷積分割網絡最終的損失函數由兩者加權相加，最終得到訓練好的全卷積分割網絡。