[发明专利]一种基于深度学习的皮肤病变分割方法

说明书

本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U‑Net的分割精度更高。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。

背景技术

近年来，图像处理摆脱了原来的设备和技术的限制，渐渐成为了一门新型的、前景广阔的学科。国内外大量的学者和研究人员都在大力探索和研究图像理解和机器视觉，并取得了不少重要成果。图像分割是图像处理的关键技术之一，随着近几年深度学习的高速发展，将深度学习方法应用到图像分割中取得了目前最高效的结果。

图像处理领域的大多记录在加入了深度学习方法后都被刷新，这证明了深度学习在图像处理方面的优越性。分割任务最初流行的深度学习方法是图像块分类(patchclassification)，即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层(full connected layer)，且要求固定尺寸的图像。2014年，加州大学伯克利分校的Long等人提出了全卷积网络(FCN)，使用这种方法可生成任意大小的图像分割图，且该方法比图像块分类法要快上许多。之后，分割领域几乎所有先进方法都采用了该模型。但是该方法在进行在上采样中丢失了很多细节信息，这对于医学图像这种数据集较少的分割效果不理想。2015年，Olaf Ronneberger等人提出了U-net的编码器-解码器结构的深度卷积网络，这在医学图像分割取得了巨大成功。

目前传统的黑色素瘤疾病的检测的主要方法有ABCD法则、模式分析法、孟氏法以及CASH法等，这些方法都是利用颜色、纹理和外部结构特征来进行识别的，它们只能看到一些浅显的信息，不能学习到内部潜在的规律，这容易受皮肤毛发、斑点、纹理等因素的影响造成定位的困难，给相关疾病的检测、确诊造成很大影响。本发明是在U-net基础上加入了注意力机制提出来的一种基于深度学习的皮肤病变分割方法，在一定程度上克服了上述问题。

发明内容

本发明是针对由于黑色素瘤皮肤病变分割的难度大，传统的先提取特征再分类的方法耗时耗力，缺少简单有效的分割方法的现状。因此提出了一种基于深度学习的皮肤病变分割方法，实现对黑素瘤图像的自动分割。提高了分割效率和分割准确率。

为实现上述目的，本发明采用的技术方案是：

一种基于深度学习的皮肤病变分割方法，步骤包括：

第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。

第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。

第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。

第四步，将第三步中处理后得到的测试图片输入到训练好的分类器网络中，得到预测图片。

所述第二步中五层神经网络构建步骤如下: