一种基于深度学习的黑色素瘤图像分割方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于深度学习的黑色素瘤图像分割方法。

背景技术

皮肤肿瘤是发生在皮肤的细胞增生性疾病，皮肤肿瘤的种类繁多，临床上可分为良性肿瘤和恶性肿瘤。恶性肿瘤具有不断增殖、引起转移和威胁生命的特点，被称为皮肤癌。黑色素瘤是一种由含有色素的黑色素细胞发展而来的恶性肿瘤，它在皮肤癌中的死亡率增长最快；故及时治疗黑色素瘤对于提高患者的生存率至关重要。

黑色素瘤是皮肤癌中最具恶性和致死性的一种类型，早期发现和准确诊断至关重要。随着数字成像技术的发展，皮肤镜图像为皮肤科医生提供了放大的黑色素瘤可视化，有助于根据病变的一系列复杂视觉特征进行检查。然而，手动分割黑色素瘤病灶区域耗时且容易出现误差。因此，自动分割黑色素瘤病灶区域的深度学习算法应运而生。依赖深度学习算法可以精确地将皮肤镜图像划分为皮肤病变部分和背景部分，为黑色素瘤分析生成更多概念性显著性信息，提高结果的一致性和准确性，以便更好地评估病变的严重程度。利用这种自动分割方法，可以有效地提高黑色素瘤诊断的准确性和效率，对临床实践具有实质性的改进。

发明内容

本发明的目的在于提供一种基于深度学习的黑色素瘤图像分割方法，包括以下具体步骤：

1）数据预处理：对原始黑色素瘤图像进行像素值标准化处理，在原始图像上针对训练集、验证集和测试集进行像素值标准化处理，调整图像大小以适应网络输入要求，并对调整后的图像进行像素值归一化；

2）对步骤1）所得图像进行包括随机翻转、随机调整亮度、对比度等的数据增强处理，以提高模型的泛化能力和训练效果；

3）网络模型优化：采用结合Diffusion生成模型与传统医学图像分割网络U-Net的方法；Diffusion概率扩散去噪网络可以生成像素级精确的分割结果，U-Net网络可以提取图像中病灶区域丰富的语义特征；将Diffusion生成模型与U-Net结合，可以充分利用两者的优势，提高分割准确性；在分割编码器部分，引入自适应校准过程，通过对输入特征进行自适应调整，进一步提高分割结果的精确度；在分割编码器的每一部分引入图像先验条件，以便从中学习分割映射；将当前步分割掩模与特征级先验图像以多尺度方式融合，捕获图像的底层结构和全局信息，同时保持局部细节，进一步增强了CNN的表示能力；

4）模型训练：基于改进后的网络结构，使用预处理后的皮肤镜图像数据集进行训练，采用梯度累积训练方法，通过试验获取超参数，在训练过程中持续监测验证集上的性能表现，最终得到具有最佳分割性能的模型；

5）可视化展示：使用装有皮肤镜的移动端设备拍摄黑色素瘤病灶区域图像，图像传入后端并调用模型，模型自动识别并分割，处理完图像后将结果返回给前端并展示分割后的图像，以便用户了解黑色素瘤的位置和范围，提供清晰可见的病灶区域，帮助医生更准确地诊断黑色素瘤；

6）临床试验与改进：将黑色素瘤图像分割算法投入实际医疗应用，通过与医生和患者的持续互动来评估模型的分割表现，调整模型结构，从而针对实践中的临床医学图像作出有针对性的优化，进一步提升黑色素瘤辅助诊断的精确度和效率。

优选的，深度学习时，采用图像分割掩膜作为标签，进行有监督学习。

优选的，数据增强处理时，利用数值标准化技术规范化像素值区间。

优选的，网络模型优化时，通过构建额外的学习矩阵来抑制融合所生成的高频噪声；初始学习率设定为1e-4，扩散步数为1000；采用线性衰减的学习策略和梯度累积优化算法，最终得到具有良好分割性能的模型。

本发明的优点和有益效果在于：

本发明提供一种基于深度学习的黑色素瘤图像分割方法，采用深度学习技术自动分割黑色素瘤的皮肤镜图像，并将分割结果返回给医生进行诊断，从而有效提高黑色素瘤诊断的准确率。

本发明具有如下特点：

1）本发明采用概率扩散模型与图像分割模型相结合的策略，对黑色素瘤图像进行分割；通过将增强的目标区域与精确的分割信息融合，实现了对黑色素瘤图像的高效识别和分割；此外，本发明网络同样适用于其他皮肤镜图像检测，具有广泛的应用前景。

2）本发明提出了用于黑色素瘤图像分割的应用程序开发方法，将计算机视觉的相关技术与实际应用相结合；通过简单操作应用程序，医生和患者可以实时获得分割结果，从而提高黑色素瘤诊断的准确性和效率。本发明的应用程序不仅方便使用，还能有效地帮助医生进行更准确的诊断，为患者提供更好的医疗服务。

附图说明

图1为本发明基于深度学习的黑色素瘤图像分割方法的基本流程图；

图2为本发明中网络模型结构图。

实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

用于实施本发明方案的硬件环境：CPU是11th Gen Intel(R) Core(TM) i7-11800H @ 2.30GHz，GPU是NVIDIA GeForce RTX 3070，运行环境是python3.8和 pytorch。

本发明提供一种基于深度学习的黑色素瘤图像分割方法，包括以下具体步骤：

1）从国际皮肤影像协会获取以及上海市第一人民医院皮肤科专家提供的共计10100张黑色素瘤图像，将这些图像划分成训练集和验证集；采用图像分割掩膜作为标签，进行有监督学习；

2）原始图像尺寸为1022×767，为统一图像尺寸并加速模型训练，将图像尺寸压缩至256×256；同时，利用数值标准化技术规范化像素值区间；通过随机翻转、随机调整亮度和对比度等方式对数据集进行扩充，以提升模型的泛化能力；

3）基于概率扩散模型 (Diffusion Probabilistic Model)，在前向扩散编码器部分将每一时刻的特征图与该时刻U-Net分割网络编码器所提取的特征图进行自适应融合；同时，通过构建额外的学习矩阵来抑制融合所生成的高频噪声；初始学习率设定为1e-4，扩散步数为1000；采用线性衰减的学习策略和梯度累积优化算法，最终得到具有良好分割性能的模型；

4）利用验证集对模型性能进行验证，并计算图像分割的评价指标；将分割性能最优的模型应用于临床医学图像分割，并与相应的应用程序结合；使用装有皮肤镜的移动端设备拍摄黑色素瘤病灶区域图像，应用程序即可自动识别并对病灶区域进行分割，返回分割后的图片；

5）通过临床医学使用过程中医生与患者对模型分割性能的反复测试，确定模型的改进方向，不断调整优化算法，使其更符合临床医学辅助诊断的需求。

本发明的方案包括一个深度卷积神经网络模型，如图2所示；其采用概率扩散模型来识别低分辨率图像中的分割目标信息，并与通用医学图像分割网络U-Net的编码器相结合，进而精确区分病变组织与背景图像；概率扩散模型是一种生成模型，由正向扩散阶段和反向扩散阶段两个阶段组成；在正向过程中，通过一系列步骤将高斯噪声逐渐添加到分割标签中；在反向过程中，训练神经网络通过反向噪声过程来恢复原始数据；本发明的模型是一种基于概率扩散过程的生成方法，通过模拟图像的逐渐退化和重建过程来生成新的图像；其可以捕获图像的底层结构和全局信息，同时保持局部细节；在使用U-Net构建的原始图像编码器中，利用当前步编码特征来增强原始图像编码器的中间特征；每个尺度的条件特征图与同一时刻的编码特征进行融合，并通过构建额外的学习矩阵来降低融合产生的高频噪声；实验结果证实，本发明的方法具有更高的特异性和灵敏度，说明本发明的策略有助于动态地定位和校准分割，最终实现性能更优的医学图像分割模型。

综上可知，本发明提供一种基于深度学习的黑色素瘤图像分割方法，采用优化后的U-Net分割网络与Diffusion概率扩散网络相结合，实现了对黑色素瘤图像的高效分割。本发明结合了深度学习和传统图像处理技术，显著提高了分割精度和速度，其准确率高于目前主流分割方法。为方便医生和患者查看分割结果与原始图像，本发明还采用可视化界面，便于分析和判断；界面支持数据导出，有利于后续研究与处理。通过提供API接口，本发明可以方便地集成到现有医疗系统和移动应用中，为临床医生提供实时、准确的辅助诊断工具，有助于提高诊断效率和降低误诊率。除了黑色素瘤病灶区域的图像分割，本发明还可推广至其他皮肤病病灶的检测与分析，具有广泛的应用前景。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。