[发明专利]基于FTL损失函数和注意力的U-Net图像分割方法

权利要求书

1.基于FTL损失函数和注意力的U-Net图像分割方法，其特征在于对U-Net模型进行重新设计，在U-Net模型基础上结合Focal Tversky Loss和Attention注意力机制，改进了准确率和召回率的不平衡问题，并且对于多尺度输入的图像有更好的输出特征表示，具体包括如下步骤：

步骤1、图像预处理；

步骤2、构建损失函数：用FTL损失函数来评价分割结果；

步骤3、构建注意力机制：在模型的上采样过程中加入Attention注意力模块，使得模型在输出高水平特征图时不会丢失空间细节信息；

步骤4、训练网络模型：将划分好的数据集输入到搭建好的网络模型中，通过训练集和验证集完成训练后，将测试集输入到网络模型中，得到分割结果。

2.根据权利要求1所述的基于FTL损失函数和注意力的U-Net图像分割方法，其特征在于步骤1具体实现如下：

1-1、采用公共数据集ISIC 2018皮肤病灶数据集；对图像集进行数据增强操作处理，方法包括对图像进行旋转、平移、重构尺寸、正则化、随机亮度对比以及高斯模糊；

1-2、将数据集划分为训练集、验证集和测试集，所占比例分别为80％，10％和10％。

3.根据权利要求1所述的基于FTL损失函数和注意力的U-Net图像分割方法，其特征在于步骤2具体实现如下：

FTL损失函数在Dice loss的基础上进行构建，具体如下：

如公式(1)所述，其中g_ic∈{0,1}和p_ic∈[0,1]分别表示真实标签和预测标签，c表示预测类别，N表示一张图像中像素的总量，∈是数值常量来防止分母除零；DSC系数在医学图像分割领域中是被广泛使用的交叉指数评估指标；

如公式(2)所述，Dice loss表示预测值与真实值重叠的最小值；

Dice loss的缺点是它对假正例(FP)和假负例(FN)赋予同样的权重，其中FP表示预测为真，实际为假的样本，FN表示预测为假，实际为真的样本；这在实际情况中将导致分割特征结果输出高准确率但是低召回率的结果；

准确率：

召回率：

如公式(3)、(4)所述，TP表示预测为真正例，即正确预测为病灶的区域，FN表示假负例，即错误预测为非病灶区域，FP表示假正例，即错误预测为病灶区域；

对于例如皮肤病灶此类数据集高度不平衡且病灶区域不明显的图像，FN需要比FP赋予更高的权重，来达到提高召回率的目的；

如公式(5)所述，Tversky相似指数TI是Dice系数的泛化，提供了平衡FP和FN的灵活性；其中p_ic表示像素i预测为病灶类别c的概率，表示像素i预测为非病灶类别的概率；依此类推，g_ic和表示真实标签；超参数α和β能够在大量类别不平衡的情况下，通过微调改变权重来改进召回率；当α和β都等于0.5时，Tvesky指数便简化为Dice指数；

如公式6所述，TL_c表示Tvesky损失；

如公式(7)所述，FTL损失构建如下：

其中γ在[1,3]范围内取值。

4.根据权利要求3所述的基于FTL损失函数和注意力的U-Net图像分割方法，其特征在于步骤3的线性注意力系数求解如下：

如公式(8)所述，表示线性注意力系数，通过逐元素相加和1×1线性变换运算，并由W_x、W_g和b_g参数化；表示在第l层的像素i，g表示注意力门信号，用来决定每个像素i需要关注的区域，σ₁为ReLU激活函数；

如公式(9)所述，表示注意力系数，σ₂表示sigmoid激活函数，通过改变的大小，最终只获取激活的特征图；这些经过裁剪的特征和解码阶段的每一尺度的上采样输出图像进行连结；接下来，在每一个解码模块进行1×1×1的卷积和sigmoid激活操作。