[发明专利]一种息肉影像语义分割方法及装置

权利要求书

1.一种息肉影像语义分割方法，其特征在于：具体包括以下步骤：

步骤一、数据获取

将拍摄的肠镜视频转换为息肉图像，作为样本Image；制作样本Image对应的单通道标签Label；将样本Image与标签Label一一对应后，按比例划分为训练集和验证集；

步骤二、数据预处理

使用分步掩模法对训练集和验证集中的样本Image进行预处理：提取图像中的高亮区域，然后进行插值修复，将修复后的高亮区域与原图像中不反光的部分相或，得到去反光的样本Image；

步骤三、网络构建

构建包括编码器、中间层、解码器的Ext-HarDNet网络；编码器基于HarDNet主干网络，提取输入数据的浅层特征和不同尺寸的深层特征，并将浅层特征丢弃、深层特征输入到中间层；中间层引入注意力机制，对不同尺寸的深层特征分别进行注意力特征图提取；解码器通过PPM和深层聚合上采样，对中间层提取的多张注意力特征图进行融合，将融合后的一张特征图进行双线性采样，输出分割结果；

所述编码器用于提取得到不同尺寸的浅层特征和深层特征；编码器的结构依次为卷积层、最大池化层、HardBlock×8结构块、最大池化层、HardBlock×16结构块、HardBlock×16结构块、最大池化层、HardBlock×16结构块、最大池化层和HardBlock×4结构块；其中HardBlock×h结构块为HarDNet网络的主干部分，h为结构块中节点的个数；编码器对于HardBlock×h结构块中的第l个节点，如果l能整除2^p，则第l个节点与第l-2^p个节点相连，其中0＜p≤h、l-2^p≥0；第l个节点的信道数为其中h_max是满足l整除以2^h的最大数，m为压缩因子；

步骤四、网络训练优化

将经过步骤二预处理的训练集数据输入到步骤三构建的Ext-HarDNet网络中进行语义分割，网络通过训练集的样本Image和对应的标签Label训练网络模型参数，训练1个batch后，将预处理后验证集的样本Image输入到Ext-HarDNet网络中进行语义分割，将输出结果与对应的验证集标签Label进行计算，得到模型分割结果的指标，根据指标修改网络参数完善网络，从而完成模型的训练优化；

步骤五、息肉图像分割

将待检测的肠镜视频转换为息肉图像，经过步骤二预处理后输入步骤四优化后的网络进行语义分割，得到分割后的息肉轮廓图像。

2.如权利要求1所述一种息肉影像语义分割方法，其特征在于：训练集和验证集的数据比例为4:1。

3.如权利要求1所述一种息肉影像语义分割方法，其特征在于：所述分步掩模法具体包括以下步骤：

s2.1、设置阈值为200，对RGB三通道的Image图像进行二值化处理，提取高亮区域；再设置阈值为255，将RGB三通道的Image图像转化为单通道的灰度图像，得到掩模Mask；

s2.2、使用s2.1得到的掩模Mask对RGB三通道的Image图像进行步长为10的流体力学插值处理，得到插值修复图；

s2.3、对s2.2得到的插值修复图进行滤波核为25的大核中值滤波，并将滤波后的图像与掩模Mask相与，得到修复后的高亮区域；

s2.4、将s2.2得到的插值修复图与掩模Mask进行反相与，得到原图像中不反光的部分；

s2.5、将s2.3、s2.4得到的修复后的高亮区域、原图像中不反光的部分相或，然后进行滤波核为3的小核中值滤波，得到去反光的样本Image。

4.如权利要求1所述一种息肉影像语义分割方法，其特征在于：HardBlock×h结构块中，节点通道数的压缩因子m＝1.7。