[發(fā)明專利]一種皮膚鏡圖像分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210535191.6
• 申請日: 2022-05-17
• 公開（公告）號: CN115100107A
• 公開（公告）日: 2022-09-23
• 發(fā)明（設計）人: 董玉民;衛(wèi)力行
• 申請（專利權）人: 重慶師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權代理有限公司 37221
• 代理人: 王雪

本發(fā)明屬于圖像處理領域，提供了一種皮膚鏡圖像分割方法及系統(tǒng)。該方法包括，獲取皮膚鏡圖像，并對所述皮膚鏡圖像進行預處理；基于預處理后的皮膚鏡圖像，采用分割模型，得到分割結果，所述分割模型包括：采用ResNet網(wǎng)絡提取第一特征圖；將第一特征圖作為Transformer的輸入，在Transformer中加入了邊界門以提取局部細節(jié)來處理模糊邊界，得到第二特征圖；基于第二特征圖，采用DenseASPP網(wǎng)絡增強特征表示和處理多尺度信息，得到第三特征圖，將得到的結果進行上采樣恢復分辨率得到分割結果。本發(fā)明采用一種新的transformer和CNN的混合架構，以獲取足夠的全局視野同時能夠提取足夠的局部細節(jié)來處理模糊邊界，采用DenseASPP網(wǎng)絡增強了特征表示和處理多尺度信息。

技術領域

本發(fā)明屬于圖像處理領域，尤其涉及一種皮膚鏡圖像分割方法及系統(tǒng)。

背景技術

本部分的陳述僅僅是提供了與本發(fā)明相關的背景信息，不必然構成在先技術。

皮膚鏡輔助診斷技術在國內(nèi)外迅速發(fā)展，為臨床醫(yī)生帶來了巨大的便捷與效率上的提升，同時隨著國家大力發(fā)展人工智能，皮膚鏡輔助診斷技術與人工智能的結合進一步提高了臨床診斷的準確率。但是對于皮膚圖像中病變部分實現(xiàn)準確的分割仍是非常困難的任務：(1)周圍皮膚與病變區(qū)域?qū)Ρ榷缺容^低問題(2)皮膚鏡圖像存在紋理且圖像中存在毛發(fā)問題(3)病變區(qū)域形狀不規(guī)則，而且邊界模糊問題，這使得分割任務非常具有挑戰(zhàn)性。

近年來，基于數(shù)據(jù)驅(qū)動的深度學習方法被廣泛應用到醫(yī)學圖像分割領域，其優(yōu)勢在于依靠于數(shù)據(jù)驅(qū)動自動學習圖像特征從而表現(xiàn)良好的性能。目前，為了實現(xiàn)精確分割，大多數(shù)研究人員利用卷積神經(jīng)網(wǎng)絡(CNN)來設計基于深度學習的方法。其中最典型是Long等人提出的一種用于分割任務的全卷積神經(jīng)網(wǎng)絡(FCN)，該網(wǎng)絡采用端到端、像素到像素的方式超過了當時最先進的水平，盡管FCN對醫(yī)學圖像處理做出了很大的貢獻，但是由于FCN訓練比較麻煩，而且得到的結果還是不精細。為了緩解FCN的不足，作為生物醫(yī)學圖像分割的經(jīng)典框架，UNet綜合上述方法通過在編碼器和解碼器層之間添加快捷方式實現(xiàn)了高性能，Unet在醫(yī)學圖像分割領域中表現(xiàn)出色，因此現(xiàn)階段醫(yī)學圖像分割多由U-Net演化而來。在皮膚鏡圖像分割中，Wen采用具有四個卷積分支的inception模塊，這種模塊具備非線性特征學習能力，可以應用于層數(shù)較少的FCN模型。除此之外還利用條件隨機場細化處理分割的結果。Thao等人通過全卷積-反卷積網(wǎng)絡將皮膚腫瘤與周圍皮膚分割開。Yu等人引入深度殘差網(wǎng)絡用于皮膚病變的自動分割。通過將多個殘差塊堆疊起來，提高了模型的表達能力。上面提到的方法也許可以取得比較好的結果，但是它們存在只能產(chǎn)生有限感受野的問題，無法捕獲全局依賴性，最近，有人提出通過自我注意機制將圖像劃分成一系列小塊從而獲取全局視野，最典型的TransUnet采用CNN和transformer的混合架構在多器官分割方面表現(xiàn)良好，transformer被認為是一種很有前途的全局上下文建模工具，它采用了一種強大的全局注意機制，但其在分割任務中的主要缺點之一是無法有效地提取足夠的局部細節(jié)來處理模糊邊界。

發(fā)明內(nèi)容

為了解決上述背景中存在的相關問題，本發(fā)明提供一種皮膚鏡圖像分割方法及系統(tǒng)，其能夠?qū)崿F(xiàn)精準、高效地實現(xiàn)分割任務。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

本發(fā)明的第一個方面提供一種皮膚鏡圖像分割方法。

一種皮膚鏡圖像分割方法，包括：

獲取皮膚鏡圖像，并對所述皮膚鏡圖像進行預處理；

基于預處理后的皮膚鏡圖像，采用分割模型，得到分割結果，所述分割模型包括：采用ResNet網(wǎng)絡提取第一特征圖；將第一特征圖作為Transformer的輸入，在Transformer中加入了邊界門以提取局部細節(jié)來處理模糊邊界，得到第二特征圖；基于第二特征圖，采用DenseASPP網(wǎng)絡增強特征表示和處理多尺度信息，得到第三特征圖，將得到的結果進行上采樣恢復分辨率得到分割結果。