一种基于Inception和注意力机制的皮肤癌图像分割方法

本发明涉及医学图像分割，具体为一种基于inception和注意力机制的皮肤癌图像分割方法。

背景技术：

1、皮肤癌是一种常见的恶性肿瘤，其发病率在过去几十年中不断增加，早期的皮肤癌诊断对于患者的治疗和预后至关重要，传统的皮肤癌诊断主要依赖于医生的经验和肉眼观察，这种方法存在主观性和诊断一致性差的问题，因此，发展一种自动化、准确的皮肤癌分割方法对于提高诊断的准确性和一致性具有重要意义。

2、皮肤癌分割是指将皮肤图像中的癌症区域与正常皮肤区域进行分割，并准确地定位和提取癌症区域，这一过程对于早期皮肤癌的诊断和治疗至关重要，然而，由于皮肤癌图像的复杂性和多样性，以及图像中的噪声和光照变化等因素，皮肤癌分割仍然是一个具有挑战性的任务。

3、在过去的几十年里，许多皮肤癌分割方法被提出，早期的方法主要基于图像处理技术，包括阈值分割、边缘检测、区域生长等，然而，这些方法对于复杂的皮肤癌图像往往表现出较低的准确性和鲁棒性，随着机器学习和深度学习的兴起，出现了基于机器学习和深度学习的皮肤癌分割方法，基于机器学习的方法利用特征工程和分类器来进行皮肤癌分割，这些方法需要手动提取特征并设计分类器，对于复杂的皮肤癌图像和不同类型的皮肤癌可能不具有较好的泛化能力，另一方面，深度学习方法通过构建深度神经网络模型，自动学习图像特征和分割结果，深度学习方法可以对复杂的皮肤癌图像进行准确的分割，但对于处理复杂的空间特征和边缘信息仍然会遇到很多困难。

4、目前一些数据集的影像可能存在噪声和伪影等问题，而且有的皮肤癌细胞与周围正常组织之间的边界通常是模糊的，这些问题使得准确分割皮肤癌变得具有挑战性，特别是在小肿块或早期的癌变中，除此之外，已有的分割模型由于抗干扰能力不强，难以提取出更加抽象的图像特征，对于病变区域的分割效果还是不够精准。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于inception和注意力机制的皮肤癌图像分割方法，解决了上述背景技术中所提出的问题。

3、(二)技术方案

4、本发明为了实现上述目的具体采用以下技术方案：

5、一种基于inception和注意力机制的皮肤癌图像分割方法，包括以下步骤，

6、步骤1，收集皮肤癌细胞数据集并进行预处理，包括去除噪声、调整图像大小和格式，以确保图像的一致性和质量；

7、步骤2，inception和注意力机制的皮肤癌图像分割网络模型设计；构建一个端到端的两分支神经网络架构，使用轻量化inception模块作为编码器，u-net作为解码器，在跳跃连接部分加入多尺度卷积注意力机制；

8、步骤3，使用inception和注意力机制的皮肤癌图像分割网络模型进行训练：将步骤1处理好的数据集送入到步骤3设计的分割网络模型中，设定每批送入4张图像，然后，分割模型不断学习输入图像目标的特征，使其逐渐向真实掩膜靠近，模型的最后一层是一个1×1卷积层，用于将解码器的特征图转换为分割掩模，使用sigmoid函数将输出的像素值缩放到[0,1]范围内，作为像素属于前景的概率；再通过bcewithlogitsloss损失函数，与图像真实标签比较计算损失；通过优化器来调整参数，使损失达到最小，二进制交叉熵损失(bce)计算公式如下所示；

9、

10、其中y和分别表示真实标签掩膜和预测特征图；

11、步骤4，结果测试：训练完成后，利用学习好后的网络去预测待测试的皮肤癌图像，得出分割结果并通过评价指标对分割结果进行定量分析。

12、进一步地，所述步骤1中收集皮肤癌细胞数据集并进行预处理，其中皮肤癌图像来源于国际皮肤公开挑战赛数据集(isic 2018)，该数据包含了3594张不同分辨率的皮肤癌图像；预处理包括去除噪声、调整图像大小和格式，以确保图像的一致性和质量；然后将预处理好的数据集进行划分：2594张用于训练集，359张用于验证集，641张用于测试集。

13、进一步地，所述网络模型包括轻量化inception部分和多尺度卷积注意力部分。其中轻量化inception部分简化了inception-v3模块，将原模块中的三个1×1卷积层合并，用1×3和3×1两个不对称卷积层代替原模块中的3×3卷积层。多尺度卷积注意力部分包含了通道注意力和空间注意力机制，我们的方法在通道注意机制中引入了一个多尺度卷积模块，由两个3x3卷积和一个1x1卷积组成，此外，我们修改了空间注意模块，用两个3x3卷积的组合取代了原来的7x7卷积。

14、进一步地，所述整体端到端的两分支神经网络架构，使用轻量化inception模块作为编码器，u-net作为解码器，在网络跳跃连接部分加入多尺度卷积注意力机制，形成完整的皮肤癌图像分割网络。

15、进一步地，所述训练模型使用adam优化器对网络结构进行优化，模型训练次数(epoch)设置为300，batch size设置为4，初始学习率(learning rate)设置为0.0001。模型的最后一层是一个1×1卷积层，用于将解码器的特征图转换为分割掩模，使用sigmoid函数将输出的像素值缩放到[0,1]范围内，作为像素属于前景的概率。再通过二元交叉熵损失(bce)，与图像真实标签比较计算损失；通过优化器来调整参数，使损失达到最小。

16、进一步地，所述结果测试利用学习好的最优模型去预测待测试的皮肤镜图像，得到分割结果。

17、(三)有益效果

18、与现有技术相比，本发明提供了一种基于inception和注意力机制的皮肤癌图像分割方法，具备以下有益效果：

19、(1)本发明方法基于inception和注意力机制的皮肤癌图像分割网络达到92.03％的平均交并比、97.47％的准确度、96.63％的精度、95.12％的召回率和95.87％的f1分数。

20、(2)本发明显示了模型很好的特征提取能力，有效地减少了过分割和欠分割的情况。

21、(3)本发明方法能够较好的应对边缘模糊和复杂的空间特征的挑战，显示出更好的网络泛化能力，并且有效的提高了皮肤癌病变分割的精度和准确性

技术特征：

1.一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：包括以下步骤，

2.根据权利要求1所述的一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：所述步骤1中收集皮肤癌细胞数据集并进行预处理，其中皮肤癌图像来源于国际皮肤公开挑战赛数据集(isic2018)，该数据包含了3594张不同分辨率的皮肤癌图像；预处理包括去除噪声、调整图像大小和格式，以确保图像的一致性和质量；然后将预处理好的数据集进行划分：2594张用于训练集，359张用于验证集，641张用于测试集。

3.根据权利要求1所述的一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：所述网络模型包括轻量化inception部分和多尺度卷积注意力部分。其中轻量化inception部分简化了inception-v3模块，将原模块中的三个1×1卷积层合并，用1×3和3×1两个不对称卷积层代替原模块中的3×3卷积层。多尺度卷积注意力部分包含了通道注意力和空间注意力机制，我们的方法在通道注意机制中引入了一个多尺度卷积模块，由两个3x3卷积和一个1x1卷积组成，此外，我们修改了空间注意模块，用两个3x3卷积的组合取代了原来的7x7卷积。

4.根据权利要求1所述的一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：所述整体端到端的两分支神经网络架构，使用轻量化inception模块作为编码器，u-net作为解码器，在网络跳跃连接部分加入多尺度卷积注意力机制，形成完整的皮肤癌图像分割网络。

5.根据权利要求1所述的一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：所述训练模型使用adam优化器对网络结构进行优化，模型训练次数(epoch)设置为300，batchsize设置为4，初始学习率(learning rate)设置为0.0001。模型的最后一层是一个1×1卷积层，用于将解码器的特征图转换为分割掩模，使用sigmoid函数将输出的像素值缩放到[0,1]范围内，作为像素属于前景的概率。再通过二元交叉熵损失(bce)，与图像真实标签比较计算损失；通过优化器来调整参数，使损失达到最小。

6.根据权利要求1所述的一种基于inception和注意力机制的皮肤癌图像分割方法，其特征在于：所述结果测试利用学习好的最优模型去预测待测试的皮肤镜图像，得到分割结果。

技术总结
本发明属于医学图像分割技术领域，尤其为一种基于Inception和注意力机制的皮肤癌图像分割方法，包括以下步骤，步骤1，收集皮肤癌细胞数据集并进行预处理，包括去除噪声、调整图像大小和格式，以确保图像的一致性和质量；步骤2，Inception和注意力机制的皮肤癌图像分割网络模型设计；构建一个端到端的两分支神经网络架构，使用轻量化Inception模块作为编码器，U‑Net作为解码器，在跳跃连接部分加入多尺度卷积注意力机制。本发明方法基于Inception和注意力机制的皮肤癌图像分割网络达到92.03％的平均交并比、97.47％的准确度、96.63％的精度、95.12％的召回率和95.87％的F1分数。

技术研发人员：曲英敏,李晓东,王作斌,莫慧丽,许晶,王莹,宋正勋,王国梁
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/1/15