一种基于MultiResUnet的寻常疣新型辅助诊断治疗方法
技术领域
本发明涉及计算机
技术领域
，具体涉及图像分割领域。背景技术
近年来随着深度学习领域不断发展，使得深度学习在医学图像处理领域的技术越来越成熟。其中在医学图像分割领域应用十分广泛。由Long等人提出的FullyConvolutional Network(FCN)对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到与输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息。因此，FCN成为了深度学习解决分割问题的奠基石。随后出现的UNET是在FCN的基础上进行改进的一个网络，主要包括下采样部分与上采样部分。下采样部分主要负责图像特征提取，上采样部分进行特征融合并恢复图像的尺寸。UNET采用了完全不同的特征融合方式：拼接，UNET采用将特征在Channel维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征。因此UNET在图像分割领域的应用较FCN来说更加广泛。但经典的UNET体系结构在某些方面似乎比较缺乏，于是又诞生了MultiResUnet网络结构。它对UNET结构进行了改进，它将UNET中的两个3X3的卷积替换成3X3，7X7卷积运算与5X5卷积运算并行合并、使用Res Path替换传统UNET中的简单的SkipConnection，且参数量比UNET少但效率却高于UNET。
本发明利用MultiResUnet网络架构来辅助医生诊断出患者的寻常疣位置并进行下一步治疗，可改善医生误诊情况，极大提高医生的工作效率。
发明内容
本发明设计一种基于MultiResUnet的寻常疣新型辅助诊断治疗方法，主要用于解决部分寻常疣形状较小不太明显以及因其传染性而导致的个数不定，医生单用肉眼判断冷冻治疗位置时有难度且耗时，并且当接诊病人量较大时，医生因疲惫而对寻常疣冷冻位置判断失误从而伤害到其余不相关皮肤组织，对病人造成不必要伤害的问题。为了达到该目的，所采用的处理方法是使用特定区域(相对较平直的区域，例如手心、手背、脚底等)的寻常疣图片数据集对MultiResUnet网络进行大量训练，经过微调超参数等最终得到一个损失函数收敛、精度最高、MIoU值最大的分割模型，输入特定区域的寻常疣图片到网络中，能分割出寻常疣底部位于皮肤表面的大致区域。
本发明的主要步骤是首先获取特定区域的寻常疣图片，然后对这些图片进行数据增强扩充样本量，再对数据增强后的寻常疣图片进行制作二值标签图(病变区域标签和背景标签)。之后将制作好的数据集分为训练集、验证集以及测试集，三者比例为6∶2∶2。再将处理好的数据(包括训练集、验证集)输入到MultiResUnet网络中进行学习。进行多次训练，观察损失函数、模型分割精度、MIoU经过超参数微调后是否收敛、是否有提高，训练完后采用损失函数较收敛、分割精度最高、MIoU值最大的超参数作为模型的最终参数。最后用测试集对训练好的神经网络模型进行预测评估。
区别于现有的处理方法，本发明的有益效果是：
1、相对于现有治疗方法来说，本发明采用深度学习技术辅助医生进行诊断治疗代替医生单纯使用肉眼诊进行断治疗，该方法可减少医生可能因疲惫而导致误诊情况的发生，从而减少对病人的不必要伤害。
2、相对于UNET来说，MultiResUnet将UNET中的两个3X3的卷积替换成3X3，7X7卷积运算与5X5卷积运算并行合并，使用Res Path替换传统UNET中的简单的Skip Connection，且参数量比UNET少但效率却高于UNET。
3、本发明将MultiResUnet中Multi_Res_Block模块中卷积层激活函数改用为PReLU代替ReLU，Res_Path模块中卷积层激活函数采用ReLU，实验表明用PReLU+ReLU结果较好于单用ReLU。且PReLU可用来解决ReLU带来的神经元坏死的问题。
4、经多次实验表明，在相同数据集、相同超参数情况下，对UNET、MultiResUnet两个网络进行相同循环迭代次数的训练，结果表明MultiResUnet网络Loss Function收敛较快且对图像的分割效果较好，MIoU值较高。
附图说明
下面结合附图对本发明的
具体实施方式
作进一步详细的描述。
图1是本发明使用MultiResUnet网络对特定区域寻常疣进行分割的流程图；
图2是本发明采用的MultiResUnet网络中Res Path结构图。
具体实施方式
下面结合附图详细说明本发明具体实施方式。
请参阅图1所示：
一种基于MultiResUnet的寻常疣新型辅助诊断治疗方法，所采用的方法具体包括以下五个步骤：
步骤一：获取获取特定区域的寻常疣图片，并进行数据增强，主要方式包括：翻转、旋转、模糊、亮度调节等，再对数据增强后的寻常疣图片进行制作二值标签图(病变区域标签和背景标签)，进入步骤二；
步骤二：划分处理好的数据集。将数据集划分为训练集、验证集、测试集，三者的比例为6∶2∶2，进入步骤三；
步骤三：采用MultiResUnet网络，将Multi_Res_Block模块中卷积层ReLU激活函数用PReLU代替，用来解决ReLU带来的神经元坏死的问题；
步骤四：将划分好的数据集(包括训练集、验证集)输入MultiResUnet网络网络并采取边训练边验证的方式进行学习，损失函数采用交叉熵函数，优化器使用Adam，分割评价指标采用均交并比MIoU(Mean Intersection over Union，计算公式：其中k+1表示类别个数(包含空类)，i表示真实值，j表示预测值，Pij表示将i预测为j。或可变形为其中k+1表示类别个数(包含空类)，TP表示真正例，FP表示假真例，FN表示假负例，TN表示真负例)，并进行多次训练，观察损失函数、模型分割精度、MIoU经过超参数微调后是否收敛、是否有提高、是否增加，训练完后采用损失函数较收敛、分割精度最高、MIoU值最大的超参数作为模型的最终参数，进入步骤五；
步骤五：使用测试集对训练完的神经网络模型进行预测，评测模型的泛化能力。
请参阅图2所示：
图2是本发明采用的MultiResUnet网络中Res Path结构图。区别于UNET中直接将编码器得到的特征图直接与解码器输出的特征图直接进行特征融合，Res Path将编码器得到的特征图经过一些3x3和1x1的卷积操作，并将经过卷积得到的特征图进行残差连接，再将最终的结果与解码器输出的特征图进行特征融合。
