基于密集编码器和混合注意力的皮肤病图像分割方法

本发明涉及计算机辅助诊断和医学图像处理领域，具体为使用卷积神经网络搭建皮肤病图像分割框架，发明一种基于密集编码器和混合注意力的皮肤病图像分割方法。

背景技术：

1、据世界卫生组织评估，全球新出现的恶性黑色素瘤病例在2018年高达287723例，其中死亡人数为60712人。在医学实践中，利用皮肤镜技术进行早期检查对于发现黑色素瘤具有重要作用。医生可以借助皮肤镜技术进行早期检查，结合医学知识和临床经验进行主观判断，但可能会存在误诊的情况。皮肤病变分割技术可以对病变的形态、结构等进行定量化分析，为医学研究提供了数据支持和依据，促进了皮肤病学的发展。在实现皮肤病变自动化诊断的同时，提高了医疗服务的效率和精准度，为大众提供了更好的医疗保障。在实际应用中，早期基于数字图像处理的皮损区域分割方法鲁棒性有待提高，很难适应样本高度变化的皮肤镜图像。传统的基于特征工程设计并提取特征的方法，对特定任务设计、选择合适的特征非常繁琐，分类器的好坏取决于特征的优劣，不能取得令人满意的分割效果。随着神经网络不断发展，网络深度不断增加，卷积神经网络在特征提取上的潜力得到挖掘，在目标识别、检测和分割等领域得到广泛的研究与应用，不再需要手动设计特征，神经网络通过有监督的学习，由损失函数和梯度下降算法驱动网络去学习对图像任务理解有帮助的特征，整个过程端到端，比较简洁。

2、文献1(m.jafari,e.nasr-esfahani,n.karimi,et al.extraction of skinlesions from non-dermoscopic images using deep learning[j].arxiv preprintarxiv:1609.02374,2017.)使用卷积神经网络进行黑色素瘤病变的分割，利用整体窗口和局部窗口来判断每个像素是否存在病变。文献2(y.yuan,m.chao,yeh-chi l.automaticskin lesion segmentation using deep fully convolutional networks with jaccarddistance[j].ieee transactions on medical imaging,2017,36(9):1876-1886.)采用19层全卷积神经网络进行黑素瘤分割，提出了一个基于雅卡德距离的新颖损失函数。文献3(y.wang,simon s,jahow j,et al.skin lesion segmentation using atrousconvolution via deeplab v3[j].arxiv preprint arxiv:.08891,2018.)使用deeplabv3将深度分离卷积创造性的应用到了解码器和金字塔池化模块上，并在皮肤皮损区域分割任务上取得了较好的效果。

3、专利1(蒋芸，曹思敏，陶生鑫，吴超，刘文欢.一种基于卷积注意力模型的皮肤病变分割方法[p].中国专利：cn113744178a,2021.12.03)公开了一种基于卷积注意力模型的皮肤病变分割方法。专利2(帅仁俊，卢伟.基于多注意力机制模型mcdc_net的皮肤病变分割方法[p].中国专利：cn115530766a,2022.12.30)涉及深度学习和医学图像分割领域，提供了一种新颖的深度学习模型用于解决皮肤病变分割问题。专利3(代笃伟，徐颂华，李宗芳.一种基于多尺度残差编解码网络的图像分割方法及系统[p].中国专利：cn114004811a,2022.02.01)对皮肤病变图像进行预处理，预处理后的图像进行数据增强。但上述方法并未有效区分病灶区域和背景，且皮肤病变数据集中存在类内距离大、类间距离小，病变区域的边界不连续且模糊的问题。本专利使用了多尺度融合方法构建密集编码器，并设计了混合注意力模块，实现对皮肤病图像分割。

技术实现思路

1、本发明公开了一种基于密集编码器和混合注意力的皮肤病分割网络，该网络在编码部分运用密集编码模块进行多尺度融合加强特征提取，根据特征图内每个特征点关联性程度大小进行加权提出高斯池化层，设计了在空间与通道两个维度提取特征的高效混合注意力机制模块，最后利用辅助损失函数思想，在输出层两侧使用一个加权的交叉熵损失函数来计算模型的总损失训练网络。

2、1.一种基于密集编码器和混合注意力的皮肤病分割网络，主要包括以下步骤：

3、s1、数据预处理：将数据集原始图片宽度作为裁剪后的边长，并依据图片中心进行自动裁剪，裁剪后的图片进行缩放形成尺寸为256×256像素的图片；

4、s2、特征提取：将s1中得到的数据使用本发明构建的密集编码器和混合注意力作为特征提取网络，对数据进行多尺度特征提取；

5、s3、特征解码：利用s2提取的特征恢复到原图尺寸,通过辅助损失函数更新参数训练模型，最终得到分割结果。

6、2.根据权利要求1所述的基于密集编码器和混合注意力的皮肤病图像分割方法，所述步骤s2包括如下步骤：

7、特征提取主干网络由卷积神经网络搭建构成，具体网络结构为：

8、s21、编码部分运用密集编码模块提取多尺度特征，每个密集连接模块由一个3×3卷积核、两个3×3的深度可分离卷积核、批归一化、relu激活函数和空洞空间金字塔池化组成。

9、s22、密集连接层与后续层特征融合，每一层根据上一层的输出学习新特征，将前三层的特征图连接(concat)，多尺度融合的特征继续作为下一层的输入。

10、s23、构建全局高斯池化层，根据特征图内每个特征点关联性程度大小进行统计加权，其中xi代表第i个一维特征向量，n代表一维特征向量的数量，显著特征值计算如公式所示：

11、

12、参数c表示高斯函数曲线的曲率，c的数值越大，高斯曲线越平缓，c的数值越小，高斯曲线越陡峭，参数c的计算如公式所示：

13、

14、高斯权重表示池化区域内每一个元素距离显著特征值b的关联程度，其中参数a＝1，b表示显著特征值，c为池化区域内元素的曲率大小，为了防止曲率c为0，导致训练中断的问题，使用δ进行调节，取值为0.1，高斯权重的计算公式为：

15、

16、根据每个元素的高斯权值加权融合，得到一个具有多个重要性元素特征的一维特征向量，全局高斯池化的公式为：

17、

18、s24、特征输入通道注意力机制，即进行全局均值池化后再通过一维卷积完成跨通道间的信息交互，卷积核的大小由自适应函数确定，通道数较大的层可以更多地进行跨通道交互，自适应函数公式如下所示：

19、

20、c为通道数，其中b＝1，γ＝2。

21、s25、输入特征按空间进行最大池化、全局均值池化和全局高斯池化，将池化层生成的三个二维向量拼接后通过sigmoid分配权重，跨通道注意力和全局空间注意力提取的特征进行多尺度融合后再通过密集残差连接层。

22、3.根据权利要求1所述的基于密集编码器和混合注意力的皮肤病图像分割方法，所述解码部分步骤s3包括如下步骤：

23、s31、解码路径通过卷积核为2、步长也为2的反卷积，将低分辨率图片转换为高分辨率，再经过1×1的卷积通过sigmoid完成皮肤病变区域的预测。

24、s32、构建辅助损失函数利用中间输出层与最后输出层进行反向传播输出损失更新训练参数，对于样本(x,y),x＝{xi,i＝1,……,n}表示训练数据，y＝{yi,i＝1,……,n}是对应的标签真实值，其中yi＝{0,1}，第i个样本被预测为1的概率记为对于每个输出图像，损耗为的定义为如下公式所示：

25、

26、n表示样本的总数，m表示输出层数，输出层之间对应的损失权重表示为am＝{0.5、0.5}，最后的总损失为如下公式所示：

27、