一种基于图像自适应增强、动态滤波的创面分割系统的制作方法

本发明属于医学图像处理，具体涉及创面分割系统。

背景技术：

1、伤口不仅会给患者带来严重的身体疼痛，如伤口本身引起的疼痛和临床干预带来的手术疼痛，还会引入一定程度的心理负担，严重时可能会导致抑郁症。此外，由于慢性伤口需要很长时间才能愈合，因此患者必须接受持续护理以防止感染，持续的伤口诊断和治疗给个人和社会带来了沉重的经济负担。因此，需要一种低成本、快速、准确的创面图像处理技术，为伤口诊断、预后、护理和其他相关任务提供帮助。

2、随着人工智能和互联网技术的快速发展，医学图像处理技术已成为现代医疗诊断领域不可或缺的一部分，伤口图像可以为专家准确诊断伤口提供有价值的信息。伤口面积的准确测量对于慢性伤口的评估和管理至关重要，以监测伤口愈合轨迹并确定未来的干预措施。然而，手动测量非常耗时且通常不准确，这可能会对患者造成负面影响。从图像中分割伤口是解决这些问题的一种流行解决方案，它不仅可以自动测量伤口区域，还可以将数据有效地输入到电子病历中，以加强患者护理。

3、关于伤口分割的相关研究大致可分为两类：传统的计算机视觉方法和基于深度学习的方法。第一类方法的研究重点是将计算机视觉技术和传统的机器学习方法相结合，这类方法的局限性包括：手工制作的特征受到皮肤色素沉着，照明和图像分辨率的影响；依赖于手动调整的参数和根据经验手工制作的特征，不能保证最佳结果；对于严重病例和罕见病例性能不佳，不适合临床应用。

4、近年来，深度学习在计算机视觉领域的应用激发了人们对使用深度卷积神经网络(cnn)进行语义分割的兴趣。通过基于全卷积神经网络(fcn)的方法解决创面分割问题在学术界取得了突破性的进展和突破，极大地提升了创面分割的准确性和效率，提供了标准化慢性伤口评估的方法，极大地减少了临床医生的工作量。

5、尽管如此，由于创面分割任务的可用的标记训练数据的较少和神经网络的大小，基于fcn的分割算法的性能和应用受到一定的局限。此外，大规模网络通常过于复杂，无法部署在移动设备等资源受限的平台上。另外，受限于可用于训练的数据集数量有限且成像质量单一，目前的技术难以处理成像质量差距较大的创面图像，尤其是成像环境昏暗或模糊的创面图像，难以实习高性能的分割任务。

6、2023年杨晟等人(cn117745734)提出了一种基于自监督学习的伤口图像分割方法，通过引入自监督的对比学习方法，对伤口进行针对性优化，在伤口图像标注数据稀少时有效提升分割效果；使用聚类算法对慢性伤口图像进行自动分类，解决伤口种类繁多，训练样本不平衡问题；针对伤口边缘优化了不确定性算法，同时结合阈值自适应方法，提高模型分割精度。2021年赵奎等人(cn 115713477)使用深度迁移学习解决了伤口图像分割领域缺乏大型数据集的难题，同时利用深度残差网络解决了训练时深度神经网络的退化问题，另一方面利用danet网络引入空间和通道注意力机制提高了准确率。2021年石霏等人(cn113947574)基于空间注意力机制和通道注意力机制对创面图像进行边缘增强处理和空间增强处理，对边缘特征增强后的特征图和空间特征增强后的特征图进行通道拼接，得到分割图像。

技术实现思路

1、本发明的目的在于提出一种分割准确性和效率高的基于图像自适应增强、动态滤波的创面分割系统，以提高不同拍摄环境下成像质量不同的创面图像的分割效果，实现对患者创面的持续监控，以指导诊疗方案，

2、本发明提出的基于图像自适应增强、动态滤波的创面分割系统，包括视觉编码器、动态滤波控制器、图像自适应增强模块和分割网络共四部分，如图1；所述视觉编码器用于对输入图像进行特征提取，并将其投影到1024维潜在空间；所述动态滤波控制器，从视觉编码器获取1024维图像特征图，并通过一全局平均池化(gap)聚合图像特征，通过动态滤波控制器得到图像自适应增强模块的参数和权重，利用自适应图像增强模块得到增强图像，将增强图像作为分割网络的输入，用分割网络的分割损失训练网络，进行端到端的创面检测。

3、所述视觉编码器，网络结构如图2，由五个卷积层组成，每个卷积层的核大小为3，步幅为1。每层的通道数是前一层的两倍，从第一层的64个到最后一层的1024个。每个卷积操作之后是平均池化层(核大小为3，步幅为2)。

4、所述动态滤波控制器，网络结构如图3，用于生成动态获取图像增强参数：对于传统的卷积层，学习到的参数在训练后是固定的，并由所有测试集共享。因此，针对训练集进行训练得到的网络在其他数据集中效果可能达不到最优。为了克服这一瓶颈提高分割网络的鲁棒性和泛化能力，本发明引入动态滤波控制器，根据输入的测试图像自适应地动态生成图像增强参数。具体来说，单个卷积层用作特定任务的控制器φ(·)，通过全局平均池化(gap)聚合图像特征作为的输入，输出动态参数ω：

5、ω＝φ(gap(fe)；θφ)

6、θφ是该控制器的参数。

7、所述自适应图像增强模块，如图1，由多个门控图像处理子模块(称为ip)组成，这些子模块对图像进行单独增强，然后通过权重进行组合。每个子模块都包含一个线性层、一个可微分图像处理操作、一个门(返回0和1之间的值的移位tanh函数)和一个归一化操作。通过线性层计算用作可微ip块输入的参数标量值。每个子模块的各个线性层都传递一个作为输入的动态参数ω，该特征从动态滤波控制器获得。ip操作的输出乘以门的标量输出。最终将单个块的加权输出聚合在一起，获得增强图像。

8、具体地，自适应图像增强模块包含六个门控图像处理子模块：特征保持、白平衡(wb)、伽马、对比度、色调和锐化，对应的变换函数和对应的参数见表1，表达式如下：

9、

10、其中，x是输入图像，z是增强图像，fi(x)表示第i个ip操作，由其各自的标量门输出wi∈[0,1]，n是min-max归一化操作。归一化确保所有图像处理操作的输出的像素强度范围相同。

11、表1

12、。

13、表1中，第二列中的参数由于需要通过神经网络反向传播进行预测，所以这些参数在第三列的函数中均为可微分的，第三列中等式右侧的i均为输入图像像素值张量，等式左侧则为输出图像像素值张量。

14、特征保持操作中，输出即为原输入图像；

15、白平衡操作中，表达式右边为三个白平衡参数wr、wg、wb分别与输入图像i中各像素的rgb分量ri,gi,bi进行数值相乘；

16、伽玛操作中，γ为幂变换参数；

17、对比度操作中，表达式右边为原始图像i和增强图像en(i)的线性插值，α为插值的权重，en(i)的表达式为式中lum(p)＝0.27pr+0.67pg+0.06pb，pi为i中的任一像素值，pr、pg、pb分别为pi在rgb三个通道中的分量；

18、色调操作中，如图5所示，以单调分段线性函数作为色调映射滤波器，滤波器的参数为ti∈*t0,t1,…,tl-1+，图5中标出的点坐标表示为(k/l,tk/tl)，其中，l表示分段个数，l＝4，序号k∈*1,2,3,4+，tl＝tk(k＝l)，色调映射函数由可微参数ti表示，其中：

19、

20、

21、

22、clip表示将张量(l·bi-j)中的数值元素限制在0到1之间，ri,gi,bi表示输入图像i中各像素的rgb分量；

23、锐化操作中，gaussian(i)表示对输入图像进行高斯滤波，λ为比例参数。

24、所述分割网络，采用deeplabv2[1]，用于分割图像：deeplabv2的训练过程中，在0.5到1.0的范围内采用大小为512×512的随机裁剪，并应用随机水平翻转来扩展训练数据集。使用动量为0.9且权重衰减为5×10-4的随机梯度下降(sgd)优化器训练模型。初始学习率设置为2.5×10-4，采用poly学习率策略以0.9的幂来降低它。批大小设置为4。

25、应用不同来源的数据集进行测试：通过动态自适应的图像增强策略可以显著提高创面分割算法的泛化能力，有效降低单一数据集训练可能导致的过拟合风险，提高了创面分割算法的临床应用能力，可以有效地监测病情的进展，进而辅助指导进一步的医疗决策。