[发明专利]一种显著边缘特征提取模块引导网络的肠道疾病分割方法

说明书

一种显著边缘特征提取模块引导网络的肠道疾病分割方法，首先输入数据集，骨干网络Res2net提取特征，然后采用不同核大小的GCN模块进行多尺度上下文信息的提取，再利用边界细化模块提高物体边界的划分性能，对特征进行进一步的提取；利用第二层侧边输出特征生成边缘信息，再利用三个融合的高层语义信息抑制边缘信息中的噪声，将mask图生成边缘图对生成的显著边缘特征进行显著边缘监督，形成最终的显著边缘特征提取模块；最后将显著边缘特征提取模块中生成的边缘信息与各层侧边输出信息共同输入RAS模块中，训练模型得到训练参数，利用训练参数进行测试得到最终的结果。本发明改善了胃肠道中息肉分割定位不准确和边界模糊的问题。

技术领域

本发明涉及人工智能的图像处理技术领域，具体涉及一种显著边缘特征提取模块引导网络的肠道疾病分割方法。

背景技术

结直肠癌是全球癌症相关死亡病例的第三大常见原因，通常源于结肠内息肉的异常生长。结肠镜检查是筛查和预防息肉癌变的主要方法，然而，结肠镜检查依赖于高技能的内窥镜医生和高度的眼手协调，研究表明接受结肠镜检查患者的息肉漏检率达到了22％-28％。从正常粘膜中分割出息肉可以帮助内窥镜医生改善错误分割和主观性。为了准确的分割息肉，已经提出了很多不同的方法。现有的息肉分割研究工作大致归结为三种主要方法，第一种是基于传统的图像处理方法，如基于阈值的分割方法、基于区域的分割方法等；第二种是基于传统分类器，如支持向量机的方法，先提取特征，然后使用分类器进行分割；第三种是使用卷积神经网络(CNN)进行分割的方法。目前，随着深度学习的快速发展，卷积神经网络成功的突破了传统手工特征的限制。这些基于CNN的方法极大的刷新了几乎所有广泛使用的基准，而且因为高效和高性能逐渐取代了传统的图像分割方法，但是现有大多数基于FCN的方法仍然存在对象边界粗糙及定位目标不准确的问题。如Fan等人在MICCAI会议上提出了一种息肉分割的网络结构(PraNet)，该网络采用一个级联部分解码器(CPD)和基于反向注意力的残差网络(RAS)两个显著目标检测模块对息肉进行了分割。该方法丢弃了低层信息，通过融合三层语义特征生成一个粗略的显著性图，RAS模块采用迭代的方式，从粗到细来补全粗略显著图得到最终的分割效果图。但是仅仅依靠高层语义特征对显著性目标进行分割不够精确，低层结构中包含了丰富的边缘信息，能够更加精确的定位目标位置，同时很多网络忽略了低层信息与高层语义信息之间的互补关系。在本发明中，为了解决目标定位不够准确导致的错误分割，设计了一个显著边缘特征提取模块来引导网络分割的方法。

发明内容

为了克服分割中存在的边界粗糙以及目标定位的准确性的不足，本发明提出了利用显著边缘特征提取模块引导网络进行肠道疾病分割的方法，来研究边缘信息与显著目标之间的互补性关系。同时借助全局卷积网络(Global Convolutional Network，GCN)和边界细化模块(Boundary Refinement block，BR)来提高图像分割前景物体边界的定位精度。改进了PraNet网络由于目标定位不准确以及边界模糊导致对含有光斑的图像进行错误分割的问题，同时提高了分割精度。

为了解决上述技术问题，本发明采用如下的技术方案：

一种显著边缘特征提取模块引导网络的肠道疾病分割方法，包括以下步骤：

步骤1：输入数据集X＝{x₁,x₂,...,x_n}，其中，X表示数据集中输入的样本，x_n∈R^352×352，n表示样本数量，骨干网络Res2net提取特征，得到Conv1、Conv2、Conv3、Conv4、Conv5五个输出特征；

步骤2：由于结直肠息肉数据集中息肉的尺度大小，形状变化差异大，采用了不同核大小的GCN模块进行多尺度上下文信息的提取，再利用边界细化模块(BR模块)进一步提高物体边界的划分性能，利用该模块对骨干网络提取到的特征进行信息提取，得到五个侧边输出特征，简单表示为：