[发明专利]基于FTL损失函数和注意力的U-Net图像分割方法

说明书

本发明公开了一种基于FTL损失函数和注意力的U‑Net图像分割方法。本发明对U‑Net模型进行重新设计，在U‑Net模型基础上结合FocalTverskyLoss和Attention注意力机制。本发明具体步骤：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。本发明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。

技术领域

本发明提供一种基于FTL损失函数和注意力的U-Net图像分割 方法。

背景技术

在医学图像分析领域，通过对全局图像的小部分病灶区域进行 检测和分割是一项普遍的任务。由于图像病灶区域的不平衡性，使 得建立生成和辨别框架具有不稳定性。近年来，卷积神经网络( CNNs)已经成功地应用到2D和3D医学图像的自动分割中。大多数现有的深度学习方法都源于全卷积神经网络结构(FCN)，使用全卷 积层替代之前的全连接层。U-Net作为FCN的变形，因其独特的跳 跃连接和编码-解码结构，成为医学图像分割的主要网络框架。

解决类别不平衡问题是医学图像分割领域一个主要的研究方向 。Focal Loss损失函数结合调节指数，重构了交叉熵损失函数，从 而对良好分类的样本进行了降权运算。Focal Loss通过阻止大量的 容易分割的负样本主导梯度从而改善了类别不平衡问题。然而，在 实际问题中，由于医学图像的病灶区域不明显这一普遍现象，这种 方法在平衡准确率和召回率上具有很大的困难。调查研究显示例如 注意力机制的方法可以使辨别模型更专注于小的感兴趣的分割区域 。

发明内容

在医学图像处理领域，为了解决数据不平衡以及模型性能的问 题，本发明对U-Net模型进行了重新设计，在其基础上结合Focal Tversky Loss和Attention注意力机制，提出了一种基于FTL损失 函数和注意力的U-Net图像分割方法，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。

为实现上述目的，本发明提供了如下方案：

基于FTL损失函数和注意力的U-Net图像分割方法，所述方法 包括以下步骤：

步骤1、图像预处理：

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等。通过这一手段，增大了 数据量，防止了过拟合，使模型达到更好的训练效果。

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％；

步骤2、构建损失函数：Focal Tversky Loss(FTL)损失函数 用来评价分割结果，是在Dice系数的基础上进行构建的：

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。