CN116823868A - 一种黑色素肿瘤图像分割方法 - Google Patents
一种黑色素肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN116823868A CN116823868A CN202310853244.3A CN202310853244A CN116823868A CN 116823868 A CN116823868 A CN 116823868A CN 202310853244 A CN202310853244 A CN 202310853244A CN 116823868 A CN116823868 A CN 116823868A
- Authority
- CN
- China
- Prior art keywords
- convolution
- image
- segmentation
- features
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 15
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 201000001441 melanoma Diseases 0.000 claims description 14
- 230000001965 increasing effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 208000030381 cutaneous melanoma Diseases 0.000 description 7
- 201000003708 skin melanoma Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000000453 Skin Neoplasms Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 201000000849 skin cancer Diseases 0.000 description 2
- 206010040882 skin lesion Diseases 0.000 description 2
- 231100000444 skin lesion Toxicity 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种黑色素肿瘤图像分割方法，属于医学人工智能领域。本发明中所述的一种黑色素肿瘤图像分割方法，包括如下步骤：S1、获取图像数据并对图像进行预处理；S2、通过编码模块对预处理后的图像进行特征提取；S3、通过门结构控制各阶段特征信息的贡献度，将深层特征与浅层特征融合；S4、将门结构的输出与解码模块的输出按通道拼接，进行上采样得到多通道特征图；S5、送入分割头，输出二值黑白分割图。本发明使用特征融合门结构对编码模块输出的特征信息进行筛选融合，避免了简单特征融合产生特征信息冗余，采用结构上自下而上，由深到浅的融合顺序，既可以保证有效信息的相互补偿，又能减小计算复杂度，具有语义丰富特征融合高效的优点。
Description
技术领域
本发明属于医学人工智能领域，具体地说，涉及一种黑色素肿瘤图像分割方法。
背景技术
皮肤黑色素瘤（Melanoma）是一种恶性程度较高的皮肤癌，发病率逐年上升。早期诊断和治疗对提高患者生存率具有重要意义。皮肤黑色素瘤图像分割技术的发展经历了三个主要阶段:传统图像处理方法、机器学习方法和深度学习方法。
在黑色素瘤图像分割的早期研究中，研究者主要采用传统的图像处理技术，如阈值法和边缘检测等方法。这些方法虽然简单易用，但是对于复杂的图像，难以实现精确的分割，随着研究的深入，机器学习方法被引入黑色素瘤图像分割任务中。其中，随机森林和支持向量机（SVM）等方法可以自动学习图像特征，并产生较好的分割结果。但是，这些方法需要设计合适的特征工程，并需要医学专家参与，同时难以处理高维度的图像数据。
近年来，随着计算机视觉和深度学习技术的快速发展，为黑色素肿瘤图像分割带来了重大的突破。尤其是卷积神经网络（Convolutional Neural Networks, CNN）在图像识别和分割任务中表现出色，根据多名医学专家标注好的数据集，训练出一个神经网络模型，然后利用所训练的模型对输入图像进行分割，其分割结果即模型的输出是与输入图像对应的分割掩码，为皮肤黑色素瘤的自动识别和分割提供了新的可能。在皮肤黑色素瘤图像的分割任务中，U-Net网络是一种典型且高效的卷积神经网络架构。U-Net网络由Ronneberger等人于2015年提出，旨在解决医学图像分割问题。该网络以U形结构为基础，由收缩路径（Contracting Path）和扩张路径（Expanding Path）两部分组成，收缩路径包含多个卷积层、激活函数和池化层，用于提取输入图像的局部特征。扩张路径则包含多个上采样层、卷积层和激活函数，用于恢复图像的空间信息。跳跃连接（Skip Connection）将不同层次的特征图融合，提高了分割结果的精细程度。后期研究发现，针对皮肤病变区域的尺度变化和形状的不规则性以及多样性，传统的U-Net网络并不能表现出对目标从不同尺度分析的鲁棒性以及分割的精准度。
为提高网络的鲁棒性，可以增加网络的深度宽度，考虑到医学图像的标注成本较高，相应的数据集数量较少，在利用数据增强的同时，减少网络的可训练参数，来提升网络的收敛速度，提升鲁棒性；特征图的简单融合会产生冗余信息，既要保证高级的语义信息又要兼顾特征的上下文信息，因此需要设计特征图之间的融合机制，调整融合信息的贡献度，提升网络分割结果的精确度。
综上所述，在皮肤黑色素瘤图像分割应用中，U-Net网络作为一种高效且可扩展的卷积神经网络具有一定的优势，但是对于多尺度，形状多异的皮肤黑色素肿瘤分析性能的鲁棒性依然有提升的空间，通过对该网络的改进和优化，可以进一步提高皮肤黑色素瘤自动识别和分割的准确性，推动皮肤癌领域的诊断与治疗水平。
发明内容
针对现有技术存在的上述问题，本发明的目的在于提供一种黑色素肿瘤图像分割方法。
为了解决上述问题，本发明所采用的技术方案如下：
一种黑色素肿瘤图像分割方法，包括如下步骤：
S1、获取图像数据并对图像进行预处理；
S2、通过编码模块对预处理后的图像进行特征提取；
S3、通过门结构控制各阶段特征信息的贡献度，将深层特征与浅层特征融合；
S4、将门结构的输出与解码模块的输出按通道拼接，进行上采样得到多通道特征图；
S5、送入分割头，输出二值黑白分割图。
作为本发明的一种优选方案，步骤S1中按照如下方法进行图像预处理：
S101、将RGB医学图像转换为灰度图；
S102、利用Resize操作将图片裁剪为(512，512)的大小。
作为本发明的一种优选方案，所述编码模块由Improved-Inceptionv4和下采样构成，通过编码模块得到多层不同尺度的特征输出。Improved-Inceptionv4结构的提出既可以为融合结构提供更多的空间上下文信息，又能弥补融合结构的引入造成的参数量增多问题。
作为本发明的一种优选方案，Improved-Inceptionv4结构由五个分支结构组成，分支一：1x1卷积，3x3卷积，3x3卷积；分支二：1x1卷积，3x3卷积；分支三：1x5卷积，5x1卷积；分支四：1x3卷积，3x1卷积；分支五：3x3深度卷积，1x1逐点卷积，分支一到分支四的卷积模块之间都使用批归一化和ReLU激活函数。
作为本发明的一种优选方案，所述编码模块经过多次Improved-Inceptionv4卷积和下采样操作得到多种尺度的特征图m 1，…，m i，…，m l，m 1到的特征级别逐级增高、通道数逐级翻倍，尺寸大小逐级减半、语义信息逐级丰富。
作为本发明的一种优选方案，特征融合过程中自下而上将深层特征与浅层特征进行融合，具体参照如下方法对提取的特征进行融合：特征与该层以下的所有融合输出值，/>，…，/>通过特征融合门结构得到/>；底层特征/>跳过特征融合门结构直接得到/>。先输出/>，再输出/>，依次类推直至输出/>，整个特征融合的过程采用自下而上的融合顺序既可以保证有效信息的相互补偿，又能减小计算复杂度。
作为本发明的一种优选方案，步骤S4中上采样选用双线性插值。
作为本发明的一种优选方案，分割头输出通道数为2，将得到的多通道特征图转换为2通道特征图，输出结果是黑白二值图像，黑色区域代表背景，白色区域代表目标对象。
作为本发明的一种优选方案，步骤S1到S5构成的模型使用前通过ISIC2018数据集并选取二分类交叉熵损失函数（BCEWithLogitsLoss）进行模型训练，训练过程中不断更新优化网络权重，保存最佳的网络权重文件。
作为本发明的一种优选方案，二分类交叉熵损失函数公式如下：
其中，表示样本/>的真实标签（0或1），/>表示模型预测出来的得分，/>为Sigmoid函数，/>为样本数量。
相比于现有技术，本发明的有益效果为：
1.本发明使用特征融合门结构对编码模块输出的特征信息进行筛选融合，避免了简单特征融合产生特征信息冗余，使得浅层编码模块的输出既有丰富的空间上下文信息又有丰富的高层语义信息。
2.本发明在进行特征融合过程中通过自下而上的顺序将深层特征与浅层特征进行融合，整个特征融合的过程采用自下而上的融合顺序既可以保证有效信息的相互补偿，又能减小计算复杂度。
3.本发明将融合之后的输出与解码模块的输出拼接进行上采样，使接近分割头的解码模块输出，所包含的有效空间上下文信息和高层语义信息更加丰富。
4.本发明使用设计的Improved-Inceptionv4结构进行特征提取既可以为融合结构提供更多的空间上下文信息，又能弥补融合结构的引入造成的参数量增多问题，并且使用改进的Inception结构——Improved-Inceptionv4，拓宽原始卷积模块的宽度增强网络的性能和鲁棒性，并且减少网络参数。
附图说明
图1为基于特征融合门结构和Improved-Inceptionv4结构的U-Net网络分割流程；
图2为基于特征融合门结构和Improved-Inceptionv4结构的U-Net网络总体结构图；
图3为Improved-Inceptionv4结构图。
图4为特征融合门结构的结构图。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
本文提出的基于特征融合门结构和Improved-Inceptionv4结构的U-Net分割网络，该方法采用U-Net作为网络主体，使用特征融合门结构对编码模块输出的特征信息进行筛选融合，采用自下而上的融合顺序，既能保证各阶段特征信息的有效融合，又能有效避免特征信息往复来回融合，降低了网络的计算成本，避免了简单特征融合产生特征信息冗余，使得浅层编码模块的输出既有丰富的空间上下文信息又有丰富的高层语义信息，再将融合之后的输出与解码模块的输出拼接进行上采样，使解码模块的输出越接近分割头，所包含的有效空间上下文信息和高层语义信息就越丰富。同时为进一步增强网络的性能，使用改进的Inception结构——Improved-Inceptionv4，有效解决了引入特征融合结果带来的可训练参数量增多问题，而且为后续的特征融合提供更丰富的空间上下文信息，拓宽原始卷积模块的宽度，增强网络的性能和鲁棒性。两种结构相辅相成，相互促进，提升网络的性能。该方法的提出，能够解决传统分割网络对于皮肤病变区域的尺度变化和形状的不规则性不敏感，特征提取上下文信息和高层语义信息不平衡以及简单特征融合造成的信息冗余的问题。
实施例1
本发明的实现通过以下技术方案：
首先将训练数据进行适当的预处理，作为网络的输入，用于模型的训练；然后构建网络的具体结构，设置超参数，进行网络训练；最后在测试数据上对训练模型进行测试，观察网络的分割效果。具体包括以下步骤：
步骤一：数据集的预处理
获取数据集ISIC2018，对医学图像进行预处理，有利于网络的快速收敛，提升网络的训练效果。ISIC2018数据集是RGB图像，预处理操作包括：将RGB图像转换为灰度图，裁剪大小至（512，512），这样处理可以将图像的3通道转为1通道，有效降低数据维度，有助于模型后续对图像的处理和分析，大大降低了网络的计算复杂度和时间成本；且医学图像更加注重于纹理和形状特征，灰度图能够着重突出医学图像的纹理和形状特征，有助于模型获取图像的特征信息。
步骤二：基于特征融合门结构和Improved-Inceptionv4结构的U-Net模型搭建
1.设计特征融合门结构
在计算机视觉的应用任务中，利用上下文信息可以帮助更好地理解和解释图像内容，帮助算法更好地确定目标物体的边界和位置；丰富的空间上下文信息能够使模型在噪声，干扰等情况下也能有较为稳定的分割结果，提升算法的鲁棒性。高层语义信息可以为分割算法提供有效的引导，提高分割的精度和稳定性。通常，分割算法单独从像素层面对图像进行处理，会面临很多限制和挑战。例如，相似的颜色和纹理会造成不同物体之间边界的模糊，无法正确区分物体的形状和边界等。然而，高层语义信息可以提供图像更丰富的语义上下文，并指导分割算法更好地理解图片及其背后的语义。随着提取特征的级别越高，蕴含的高层语义信息越多，但蕴含的空间上下文信息越少；本文设计的特征融合门结构将高级特征与低级特征融合，弥补浅层低级特征高层语义信息的缺失，并且通过门结构有筛选地控制特征信息融合，避免产生信息冗余，有效增强模型对多尺度，不规则目标的敏感度。如图4所示，其中Xi至XL为原始特征，Yi至YL为特征门结构的融合结果，四层编码模块输出分别为m1 c1*h1*w1，m2 c2*h2*w2，m3 c3*h3*w3和m4 c4*h4*w4，m1到m4的通道数依次翻倍，尺寸大小减半，分别经过降维分支和门控分支，降维分支由1x1卷积，批归一化，ReLU激活函数组成，门控分支由1x1卷积，sigmoid激活函数组成；将两条分支的输出经过加和操作，得到最终门结构输出g_m1 C1*h1*w1，g_m2 C2*h2*w2，g_m3 C3*h3*w3和g_m4 C4*h4*w4，再通过中心裁剪，将深层特征自下而上地依次与浅层特征融合，从而兼顾空间上下文信息和高层语义信息，避免了简单融合产生的信息冗余和特征重复融合的问题，大大降低了模型的计算复杂度，特征图所包含的有效特征信息更加丰富，有效增强模型对多尺度，不规则目标的敏感度，有利于提升模型的分割性能和效果，通过自下而上的顺序将深层特征与浅层特征进行融合，整个特征融合的过程采用自下而上的融合顺序既可以保证有效信息的相互补偿，又能减小计算复杂度。
2.设计Improved-Inceptionv4结构
可以从宽度和深度两个方面提升网络性能，Inception是一种典型通过扩展网络宽度提升网络性能的结构，并且大大降低了原始卷积模块的参数量，节省了计算时间成本，使用Inception结构进行特征提取既可以为融合结构提供更多的空间上下文信息，又能弥补融合结构的引入造成的参数量增多问题。本实施例中设计一种改进Inception结构——Improved-Inceptionv4结构。如图3所示，Improved-Inceptionv4结构由五个分支结构组成，分支一：1x1卷积，3x3卷积，3x3卷积；分支二：1x1卷积，3x3卷积；分支三：1x5卷积，5x1卷积，分支四：1x3卷积，3x1卷积；分支五：3x3深度卷积，1x1逐点卷积。分支一到分支四的卷积模块之间都使用批归一化和ReLU激活函数，使模型加速收敛，避免梯度消失或爆炸的现象，增强非线性表达能力，增加模型的非线性决策边界，继而增加模型的泛化能力。分支五通过可分离卷积，增加特征图的感受野，捕获更大的上下文信息，提取更全面的特征，同时也能减少模型的参数量。通过Improved-Inceptionv4结构替代原有的卷积模块，实现捕获更多的上下文信息，减少参数量，提升网络的性能。
步骤三：构建基于特征融合门结构和Improved-Inceptionv4结构的U-Net网络
基于特征融合门结构和Improved-Inceptionv4结构的U-Net网络主体保持U型编码—解码结构，结构如图1所示，
将黑色素肿瘤医学图像作为网络输入，先经过左侧的四层编码结构，编码模块由Improved-Inceptionv4和下采样构成，会得到四种不同尺度的特征输出；再经过特征融合门结构，进行特征图的有效融合，本实施例中底层特征跳过特征融合门结构直接得到/>，特征/>与/>通过特征融合门结构得到/>，特征/>与/>、/>通过特征融合门结构得到/>，特征与/>、/>、/>通过特征融合门结构得到/>，该特征融合方式兼顾空间上下文信息和高层语义信息，之后进入解码模块，解码模块由Improved-Inceptionv4和双线性插值上采样构成，将门结构输出与解码模块输出拼接进行上采样，最终送入分割头，输出二值黑白分割图。
步骤四：设置模型超参数
本文实验在NVIDIA GeForce RTX 1080ti上，使用Pytorch架构，选取RMSprop优化器为随机梯度下降梯度优化器，对于实验中使用的ISIC2018数据集，学习率设置为0.00001，动量设置为0.9，权重衰减为1e-8，批大小为4，训练epoch数为40；损失函数使用二分类交叉熵损失函数：
其中，表示样本/>的真实标签（0或1），/>表示模型预测出来的得分，/>为Sigmoid函数，/>为样本数量。
可以看到，BCEWithLogitsLoss包含了两个部分，每个部分都对应了模型预测值和真实标签之间的差距。第一个部分是正样本（为1）的损失值，它表示模型将负样本预测为正样本的惩罚值；第二个部分是负样本（/>为0）的损失值，它表示模型将正样本预测为负样本的惩罚值。这种设计使得模型能够更加聚焦于分割错误的样本部分，加强对分割错误样本特征的学习，降低损失函数的损失值，训练过程中逐步优化模型的分割效果。
加载最佳的网络权重文件，将训练好的模型在验证数据上进行验证，量化模型的性能，本文中选取Accuracy、Precision和Sensitivity作为量化评价指标，评价指标公式表示如下：
Accuracy =(TP + TN) / (TP + TN + FP + FN)
Precision = TP / (TP + FP)
Sensitivity = TP / (TP + FN)
步骤五：加载最佳的网络权重文件，用训练完成的模型在测试数据集上测试，得出分割图像。
本实施例中通过使用Inception结构进行特征提取既可以为融合结构提供更多的空间上下文信息，又能弥补融合结构的引入造成的参数量增多问题，并且使用改进的Inception结构——Improved-Inceptionv4，拓宽原始卷积模块的宽度，增强网络的性能和鲁棒性，并且减少网络参数。在进行特征融合过程中，本实施例的特征融合门结构在对特征融合过程中采用自下而上的融合顺序，既可以保证有效信息的相互补偿，避免特征信息的重复融合，又能减小计算复杂度；使用特征融合门结构对编码模块输出的特征信息进行筛选融合，避免了简单特征融合产生特征信息冗余，使得浅层编码模块的输出既有丰富的空间上下文信息又有丰富的高层语义信息。将融合之后的输出与解码模块的输出拼接进行上采样，使解码模块的输出接近输出层，所包含的有效空间上下文信息和高层语义信息更加丰富。搭建的基于特征融合门结构和Improved-Inceptionv4结构的U-Net模型具有更好的图像处理效率以及分割效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种黑色素肿瘤图像分割方法，其特征在于，包括如下步骤：
S1、获取图像数据并对图像进行预处理；
S2、通过编码模块对预处理后的图像进行特征提取；
S3、通过门结构控制各阶段特征信息的贡献度，将深层特征与浅层特征自下而上地融合；
S4、将门结构的输出与解码模块的输出按通道拼接，进行上采样得到多通道特征图；
S5、送入分割头，输出二值黑白分割图。
2.根据权利要求1所述的一种黑色素肿瘤图像分割方法，其特征在于，步骤S1中按照如下方法进行图像预处理：
S101、将RGB医学图像转换为灰度图；
S102、利用Resize操作将图片裁剪为(512，512)的大小。
3.根据权利要求1所述的一种黑色素肿瘤图像分割方法，其特征在于，所述编码模块由Improved-Inceptionv4和下采样构成，通过编码模块得到多层不同尺度的特征输出。
4.根据权利要求3所述的一种黑色素肿瘤图像分割方法，其特征在于，Improved-Inceptionv4结构由五个分支结构组成，分支一：1x1卷积，3x3卷积，3x3卷积；分支二：1x1卷积，3x3卷积；分支三：1x5卷积，5x1卷积；分支四：1x3卷积，3x1卷积；分支五：3x3深度卷积，1x1逐点卷积，分支一到分支四的卷积模块之间都使用批归一化和ReLU激活函数。
5.根据权利要求4所述的一种黑色素肿瘤图像分割方法，其特征在于，所述编码模块经过多次Improved-Inceptionv4卷积和下采样操作得到多种尺度的特征图m 1，…，m i，…，m l，m 1到的特征级别逐级增高、通道数逐级翻倍，尺寸大小逐级减半、语义信息逐级丰富。
6.根据权利要求5所述的一种黑色素肿瘤图像分割方法，其特征在于，特征融合过程中自下而上地将深层特征与浅层特征进行融合，具体参照如下方法对提取的特征进行融合：特征与该层以下的所有融合输出值/>，/>，…/>通过特征融合门结构得到/>；底层特征/>跳过特征融合门结构直接得到/>。
7.根据权利要求6所述的一种黑色素肿瘤图像分割方法，其特征在于，步骤S4中上采样选用双线性插值。
8.根据权利要求1所述的一种黑色素肿瘤图像分割方法，其特征在于，分割头输出通道数为2，将得到的多通道特征图转换为2通道特征图，输出结果是黑白二值图像。
9.根据权利要求1所述的一种黑色素肿瘤图像分割方法，其特征在于，步骤S1到S5构成的模型使用前通过ISIC2018数据集并选取二分类交叉熵损失函数（BCEWithLogitsLoss）进行模型训练，训练过程中不断更新优化网络权重，保存最佳的网络权重文件。
10.根据权利要求9所述的一种黑色素肿瘤分割方法，其特征在于，二分类交叉熵损失函数公式如下：
其中，表示样本/>的真实标签（0或1），/>表示模型预测出来的得分，/>为Sigmoid函数，为样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853244.3A CN116823868A (zh) | 2023-07-12 | 2023-07-12 | 一种黑色素肿瘤图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853244.3A CN116823868A (zh) | 2023-07-12 | 2023-07-12 | 一种黑色素肿瘤图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823868A true CN116823868A (zh) | 2023-09-29 |
Family
ID=88118428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310853244.3A Pending CN116823868A (zh) | 2023-07-12 | 2023-07-12 | 一种黑色素肿瘤图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823868A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611610A (zh) * | 2023-12-11 | 2024-02-27 | 苏州大学 | 一种基于多尺度特征补偿的微动脉瘤分割方法 |
-
2023
- 2023-07-12 CN CN202310853244.3A patent/CN116823868A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611610A (zh) * | 2023-12-11 | 2024-02-27 | 苏州大学 | 一种基于多尺度特征补偿的微动脉瘤分割方法 |
| CN117611610B (zh) * | 2023-12-11 | 2024-05-24 | 苏州大学 | 一种基于多尺度特征补偿的微动脉瘤分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
| CN111627019B (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及系统 | |
| CN113034505B (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
| CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| CN110599502B (zh) | 一种基于深度学习的皮肤病变分割方法 | |
| CN116823868A (zh) | 一种黑色素肿瘤图像分割方法 | |
| CN114119525A (zh) | 一种细胞医学图像分割的方法和系统 | |
| CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
| CN114037699B (zh) | 一种病理图像分类方法、设备、系统及存储介质 | |
| WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 | |
| Li et al. | wUnet: A new network used for ultrasonic tongue contour extraction | |
| Tian et al. | Recognition of geological legends on a geological profile via an improved deep learning method with augmented data using transfer learning strategies | |
| CN112233017A (zh) | 一种基于生成对抗网络的病态人脸数据增强方法 | |
| CN114783072A (zh) | 一种基于远域迁移学习的图像识别方法 | |
| CN112348007B (zh) | 一种基于神经网络的光学字符识别方法 | |
| Chen et al. | Brain tumor segmentation based on CBAM-TransUNet | |
| Jaisakthi et al. | Role of Deep Learning Techniques in Detecting Skin Cancer: A Review | |
| T Padmapriya et al. | Improving the prediction accuracy of mri brain tumor detection and segmentation | |
| Imam et al. | Enhancing skin cancer classification using a fusion of Densenet and Mobilenet models: a deep learning ensemble approach | |
| CN117809289B (zh) | 一种面向交通场景的行人检测方法 | |
| CN117197156B (zh) | 基于双解码器UNet和Transformer的病变分割方法及系统 | |
| CN117765251A (zh) | 一种基于金字塔视觉转换器的膀胱肿瘤分割方法 | |
| CN118314341A (zh) | 一种基于深度学习的壁画人物语义分割方法 | |
| Thirugnanam et al. | Convolutional Neural Network with Coordinate Attention Module for the Detection of Skin Cancer. | |
| Shen et al. | The network algorithm for polyp image segmentation with fused attention mechanism |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |