本發明涉及人工智能和醫學圖像分割，尤其涉及的是一種模糊邊緣增強的皮膚病變圖像分割方法和系統。

背景技術：

1、皮膚病有數千種不同形式，在臨床上可以進一步分類大多數皮膚病變的診斷依賴于專業的皮膚鏡設備。皮膚鏡成像是一種無創(與組織活檢相比)成像技術，可以獲得局部皮膚區域放大且明亮的圖像，同時消除皮膚表面反射并增強皮膚病變的成像清晰度。皮膚鏡診斷的普及導致皮膚鏡圖像數據激增。然而，手動篩查皮膚鏡圖像既耗時又乏味，并且容易出現觀察者之間和觀察者內部的差異，而皮膚科醫生的短缺又加劇了這種情況。計算機輔助診斷(cad)系統為皮膚鏡圖像評估提供了另一種方法。它們不僅提高了診斷的效率和客觀性，而且使臨床醫生從繁瑣的篩查工作中解放出來，專注于具有挑戰性的問題，最終改善臨床結果。皮膚病灶分割是cad的重要步驟。它將每個像素分類為病變或背景的一部分，這有利于定位感興趣區域并進一步分析。鑒于皮膚病變的外觀和大小差異很大，自動皮膚病變分割具有挑戰性。此外，皮膚鏡圖像中的病變邊界不規則，顏色分布不均勻且不規則。惡性病變早期，病變與正常皮膚區域對比度低，界限模糊。此外，一些其他組織，如頭發、血管和氣泡偽影，使得自動皮膚病變分割對計算機系統來說非常具有挑戰性。

2、近年來，vision?transformers(vit)[1]的出現引領圖像處理領域。通過將圖像視為一系列補丁并采用自注意力機制進行全局特征聚合，注意力網絡在醫學圖像分割中也表現出了潛力。例如，transunet[2]和transfuse[3]在皮膚病變分割領域的應用，雖然已取得一定的成果，但仍存在不足。部分研究嘗試改進基于transformer的網絡，結合邊界信息以提高性能，但尚未全面探索邊界信息與全局背景的潛在有效性。此外，transformer網絡中包含的卷積模塊由于其感受野限制，可能會對性能造成一定影響。為解決這一問題，xbound-former[4]提出了一種新型的跨尺度邊界感知transformer，結合邊界先驗知識與自注意力機制，有效處理上述問題，通過考慮全局背景來粗略定位病變區域，尤其關注模糊區域以精確確定病變邊界。在pmjaf-net[5]中，提出了一種金字塔多尺度聯合注意力與自適應融合網絡，專為可解釋的皮膚損傷分割設計。該網絡首先設計了自適應空間注意力模塊，以建立像素間的長期相關性，豐富全局和局部上下文信息，并細化特征細節。但目前以上方法忽略圖像中存在的梯度信息以及在處理模糊邊界圖像時存在邊界難定位的問題，導致分割效果差。此外集成自注意力機制的方法在運算量和參數量上存在冗余問題，不利于在臨床推廣。

3、論文[1]、[2]、[3]、[4]、[5]是基于卷積神經網絡、vision?transformer等圖像分割方法在醫學圖像分割領域中的應用：

4、[1]dosovitskiy?a.an?image?is?worth?16x16?words:transformers?for?imagerecognition?at?scale[j].arxiv?preprint?arxiv:2010.11929,2020.

5、[2]chen?j,lu?y,yu?q,et?al.transunet:transformers?make?strong?encodersfor?medical?image?segmentation[j].arxiv?preprint?arxiv:2102.04306,2021.

6、[3]zhang?y,liu?h,hu?q.transfuse:fusing?transformers?and?cnns?formedical?image?segmentation[c]//medical?image?computing?and?computer?assistedintervention-miccai?2021:24th?international?conference,strasbourg,france,september?27-october?1,2021,proceedings,part?i?24.springer?internationalpublishing,2021:14-24.

7、[4]wang?j,chen?f,ma?y,et?al.xbound-former:toward?cross-scale?boundarymodeling?in?transformers[j].ieee?transactions?on?medical?imaging,2023,42(6):1735-1745.

8、[5]li?h,zeng?p,bai?c,et?al.pmjaf-net:pyramidal?multi-scale?jointattention?and?adaptive?fusion?network?for?explainable?skin?lesionsegmentation[j].computers?in?biology?and?medicine,2023,165:107454.

技術實現思路

1、本發明所要解決的技術問題是針對現有技術的不足提供一種模糊邊緣增強的皮膚病變圖像分割方法和系統，具體是一種基于殘差像素差分卷積的模糊邊緣增強皮膚病變圖像分割方法和系統。

2、本發明的技術方案如下：

3、一種模糊邊緣增強的皮膚病變圖像分割方法，包括步驟s110-s140：

4、s110：收集臨床皮膚病變圖像數據，標注數據中包含原始圖像以及對應分割掩碼，將其分別構成原始圖像數據集和標簽數據集l；并對數據集進行精細化預處理；

5、s120：構建殘差像素差分卷積的模糊邊緣分割網絡respdcnet，記作殘差像素差分卷積網絡用于皮膚病變分割；所述respdcnet網絡結構包括輸入端、編碼器、跳躍連接、瓶頸層bottleneck、解碼器和輸出端；在編碼器中，包括五個細節增強模塊deblock、五個最大池化層。每個deblock由一個2d卷積層、一個水平像素差分卷積和一個relu激活層以及一個殘差連接組成，輸入特征圖通過一個3×3的卷積核提取空間特征，保持輸入的大小不變，在卷積輸出的特征圖上計算相鄰像素的水平差分，提取邊緣細節信息，強調目標區域的梯度變化；對像素差分的結果應用relu激活函數，引入非線性表達能力，同時抑制負值的影響；將激活后的結果與模塊的輸入特征相加，形成最終輸出特征圖，增強局部細節的同時保留全局信息；最終，deblock模塊能夠突出圖像中的細節變化，尤其是模糊邊界區域，從而提升圖像分割模型的邊界檢測能力；

6、s130：對構建的respdcnet進行訓練；

7、s140：根據網絡訓練結果，給出皮膚病變區域分割結果。

8、所述的分割方法，所述的跳躍連接包括一個殘差注意力感知模塊raam，raam由細節增強模塊deblock以及通道注意力和空間注意力以及一個殘差連接組成。

9、所述的分割方法，所述的跳躍連接中，首先接收來自主干網絡的輸入特征圖fi，輸入特征圖fi首先經過細節增強模塊deblock，提取細節邊緣信息，輸出增強后的特征圖；將經過細節增強的特征圖輸入到通道注意力模塊ca，計算各通道的重要性權重，生成通道增強特征圖；同時增強特征圖還會經過空間注意力模塊sa，計算各像素位置的權重分布，生成空間增強特征圖；通道注意力和空間注意力的輸出相乘，以融合通道和空間的權重信息，得到進一步優化的特征圖fp；

10、將優化后的特征圖fp再次通過細節增強模塊deblock，然后與原始輸入特征fi相加，形成模塊的最終輸出fo。

11、所述的分割方法，瓶頸層bottleneck由兩個swin?transformer模塊串聯組成，在bottleneck層還設計了一個殘差連接用來校準特征圖信息；swin?transformer模塊是基于移位窗口構建，每個swin?transformer塊由層歸一化ln、多頭自注意力模塊w-msa、殘差連接和具有gelu非線性的2層mlp組成。

12、所述的分割方法，瓶頸層bottleneck中具體的算法步驟為：首先，對輸入特征進行層歸一化，以標準化特征分布，然后，將特征劃分為固定大小的窗口，在每個窗口內執行多頭自注意力w-msa操作，從而高效捕獲局部區域的信息；多頭自注意力w-msa的輸出與原始輸入特征通過殘差連接相加，以保留輸入特征的信息；隨后，再次對特征進行層歸一化ln，并通過一個具有gelu激活函數的多層感知機mlp提取非線性特征，形成第一個swintransformer模塊的輸出；第二個swin?transformer模塊的結構與第一個塊區別在于使用移位窗口的多頭自注意力sw-msa機制，通過將窗口劃分方式移位，跨窗口捕獲全局信息，實現更豐富的特征交互；

13、所述的分割方法，解碼器采用五個細節增強模塊deblock；在上采樣階段，為了降低參數量，采用雙線性插值來恢復特征圖的空間尺寸；此外，解碼器還接收來自跳躍連接的特征圖，并與通過雙線性插值得到的特征圖在通道維度上進行拼接，進一步整合多層特征信息；具體而言，解碼器第五層接收來自bottleneck的輸出特征，并對其進行上采樣；上采樣后的特征圖與來自第四個raam的輸出特征拼接后，輸入第五個deblock進行特征整合；整合后的特征圖進入解碼器第四層，經過上采樣后，與來自第三個raam的特征拼接，再傳入第四個deblock處理；以此類推，解碼器第三層將整合后的特征圖上采樣，并與來自第二個raam的特征拼接，送入第三個deblock完成特征融合；解碼器第二層重復上述操作，將上采樣特征與第一個raam的輸出拼接后，傳入第二個deblock進行整合；最后，解碼器第一層對特征圖進行上采樣，輸入最后一個deblock完成最終的特征提取。

14、所述的分割方法，所述的輸出端，分割頭使用一個1x1的卷積核以及sigmoid激活函數，得到最終的圖像分割結果。

15、所述的分割方法，在步驟s130中，利用步驟s110中準備的原始圖像訓練數據集itrain和手動標注的標簽數據集ltrain對模型進行訓練。

16、所述的分割方法，具體訓練流程如下：首先，將訓練圖像輸入網絡以生成當前迭代的預測結果；然后，將該預測結果與對應的手動標注進行比較，通過損失函數計算損失值；接著，使用隨機梯度下降優化器計算梯度，并通過反向傳播更新網絡權重；重復上述步驟，直至滿足預設的誤差標準，從而完成模型訓練；最后，使用原始圖像測試數據集itest和對應的手動標注測試數據集ltest對模型進行驗證，以評估其性能；

17、上述步驟中的損失函數使用dice?loss損失函數，具體損失定義如下所示：

18、

19、

20、其中tp、tn、fp、fn分別表示真陽性、真陰性、假陽性、假陰性。

21、一種基于殘差像素差分卷積的模糊邊緣增強皮膚病變分割系統，所述系統執行任一所述的方法。

22、針對目前臨床皮膚病變圖像中存在的前景區域與背景區域的像素差異小和病變部位大小不一導致邊界模糊難以定位等問題。本發明提出一種基于殘差像素差分卷積的模糊邊緣增強皮膚病變圖像分割方法。這種方法通過殘差像素卷積塊提取目標病變區域的細節邊緣細節，解決臨床醫學圖像中存在的前景區域與背景區域的像素差異小的問題，其次通過殘差注意力塊進行空間和通道的特征提取感知病變部位大小和位置，解決病變部位大小不一、病變位置難以定位問題。對比效果如圖1所示。通過上述方法能夠有效的解決上述問題。