[发明专利]一种基于深度学习的皮肤病变分割方法

摘要

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。

主权项

1.一种基于深度学习的皮肤病变分割方法，其特征在于，步骤包括：/n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；/n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；/n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；/n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；/n所述第二步中五层神经网络构建步骤如下:/n2.1 所述的五层神经网络包括conv_block、up_conv以及attention_block三个模块；其中，conv_block是网络进行特征提取的模块，它包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和池化层(pooling)；模块所用的卷积核大小均为3×3，填充(padding)为1，池化层都是采用2×2的卷积池，步长为2，其他为默认值；up_conv是对经过conv_block处理后的图片进行上采样，它包含了上采样层(upsample)、卷积、归一化层(BatchNorm2d)和修正线性单元(rectified liner unit)；采样因子为2，卷积核大小为3×3；attention_block就是在Unet网络上增加的注意力机制模块，在decoder部分使用Attention Gates，Attention Gates包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectifiedliner unit)和sigmoid函数；其卷积核大小为1×1，填充(padding)为0，步长为1；首先将步骤一中得到的训练样本依次通过5个conv_block模块进行采样；/n2.2 将步骤2.1中经过了5次conv_block得到的结果通过up_conv进行2倍的上采样后得到的结果g和上一层encoder得到的结果x直接对应像素相加后通过激活函数Relu，之后再用卷积核大小为1×1，步长为1，填充为0，通道数为1对其进行处理；得到的结果再用激活函数sigmoid得到了一张原图权重分布的概率图，将其与x相乘后再与g进行拼接后通过conv_block将所得结果通道数由1024变为512；/n2.3 将步骤2.2中得到的结果进行重复计算；/n先通过Attention Gates得到概率图后在与上一层结果(即通过conv_block_3)相乘后进行拼接；经过conv_block得到通道数为256的结果；一直进行相同的步骤直到与conv_block_1后结果进行拼接后终止这一步，然后对其进行conv_block操作将结果通道数由128改为64；之后通过卷积核大小为1×1，步长为1，无填充；得到与标签样本一样大小的分割概率图；/n2.4 将2.3得到的分割概率图，使用softmax函数将概率图的值归一化到0到1；/n2.5 然后使用交叉熵代价函数将2.4中得到的归一化的图和标签图进行对比；/n2.6 得到2.5中代价函数值后，根据Adam算法进行反向传播，更新网络中参数的值；/n2.7 将验证样本按同样的方式输入网络，使用交叉熵代价函数得到结果值，但是不进行反向传播进行网络权重参数的更新；/n2.8 将2.7中得到的结果值进行对比。/n