一种基于改进U-Net模型的结肠息肉分割方法

本发明涉及图像分割，具体是一种基于改进u-net模型的结肠息肉分割方法。

背景技术：

1、据世界卫生组织国际癌症研究机构(iarc)发布的2020年全球最新癌症数据显示，世界范围内，结直肠癌的发病率和死亡率分别居恶性肿瘤的第3位和第2位，结肠癌是一种常见的发生于结肠部位的消化道恶性肿瘤，其发生和发展与结肠息肉密切相关，结肠息肉是结肠黏膜上的小肿块，通常是结肠癌的前体病变。早期发现和及时治疗结肠息肉，对于减少结肠癌的发病率和提高患者的生存率至关重要。

2、人们在结肠息肉分割方面做了很多研究，早期的大部分研究都是基于手工制作的方法，使用颜色、形状和纹理等低级特征，或通过组合这些特征分析图像，而随着卷积神经网络(cnn)的成功应用，基于深度学习的方法在医学影像分割中取得了显著的突破。如使用fcn、res-unet等分割网络用于语义分割，旨在解决深层网络训练中的梯度消失和梯度爆炸问题以及提高图像分割任务的性能，但其网络结构复杂需要更多的计算资源和时间来训练。

3、因此，有必要对这样一种算法进行改善，以克服上述缺陷。

技术实现思路

1、本发明的目的在于提供一种基于改进u-net模型的结肠息肉分割方法，通过引入残差连接、通道注意力以及特征增强，能够充分利用通道间的关系信息以及上下文信息来捕捉输入数据中的重要特征，增加了感受野，明确息肉和其周围粘膜之间的边界，提高息肉分割精度。

2、本发明为了实现发明目的采用如下技术方案：

3、一种基于改进u-net模型的结肠息肉分割方法，包括以下步骤：

4、步骤1、获取内窥镜检查的胃肠道图像的结肠息肉初始数据集。

5、步骤2：对初始的结肠息肉数据集进行数据增强处理，增加初始数据集的数量，得到扩充数据集。

6、步骤3：在u-net网络的编码器部分引入残差连接，构建一条处理初始图片的捷径，从而补充初始图片的语义信息。

7、步骤4：在网路的跳跃连接部分使用通道注意力，充分利用通道间的关系信息以及上下文信息来捕捉输入数据中的重要特征。

8、步骤5：在u-net网络的下采样中结合特征增强方法，在保证图像的分辨率不降低的情况下扩大感受野，提高息肉分割的准确性。

9、步骤6：针对网络使用ioubceloss损失函数，更好的关注局部像素级别的准确性以及全局信息。

10、步骤7：将扩充数据集输入到改进的u-net模型中，设置相应的训练次数，随着训练次数的增加，u-net模型的损失函数曲线逐渐收敛。

11、步骤8：利用改进u-net模型对结肠息肉进行分割，将息肉从图片中分割出来并进行标注。

12、本发明技术方案的进一步改进在于：

13、其中，所述步骤2中采用随机旋转、随机裁剪、随机亮度和对比度变化等方式进行数据增强，具体流程为：

14、随机旋转是在一定角度范围内随机旋转图像；随机裁剪是在图像中随机选择一个起始点和裁剪区域的大小对图像进行裁剪；随机亮度变化是在一个预定的范围内随机选择一个亮度变化因子，将图像的每个像素值乘以亮度变化因子，从而调整图像的整体亮度；对比度变化是在一个预定的范围内随机选择一个对比度变化因子，将图像转换为浮点类型，并将其中心化后乘以对比度变化因子，最后将图像恢复到原始范围，使用以上方式对初始数据集中每张图像进行3次变换，最终扩充到3000张图像。

15、所述步骤3中在u-net网络编码器的4个层中加入残差连接。

16、具体公式为：

17、xl＝c(c(xf))+f(c(f(c(xf))))

18、其中，xf表示初始图像，c表示卷积操作，f表示进行批量归一化和relu激活函数，xl表示经过处理后所得到的结果图像，残差连接首先接受一个初始输入张量，该输入张量通过一个卷积层后进行批量化处理，然后通过relu函数进行学习，经过激活函数的输出再次通过第二个卷积层进一步提取特征，然后将第二个卷积层的输出与经过u-net卷积层所产生的输出相加，以便于更好的保留原始输入信息。

19、其中，所述步骤4中在网路的跳跃连接部分使用通道注意力。

20、具体流程为：通过全局平均池化将输入特征图的压缩成宽和高为1×1的c维向量以此减小特征图的尺寸，通道数不变，然后通过一个小型的全连接网络把全局信息向量映射到一个权重向量，将权重向量归一化确保它们的总和等于1，这样就获得了一个归一化的权重向量以表示每个通道的重要性分布，接着使用得到的通道权重向量来进行加权，使得模型更加关注有助于区分息肉和周围粘膜的特征，尤其是在边缘不清的情况下，最后把特征权重图和输入特征图在通道上相乘，通道注意力能够对全局信息进行压缩，并在通道维度进行特征学习，形成各个通道的重要性，从而适应不同的数据分布，不仅可以捕捉输入数据中的重要特征，而且增加了感受野，并且帮助模型自动学习并关注与息肉特征相关的通道，抑制与任务无关的通道。

21、其中，所述步骤5中在u-net网络的下采样中结合特征增强方法。

22、具体流程为：特征增强部分包含了膨胀因子为1、6、12、18的四个膨胀卷积块，输入张量通过膨胀卷积后利用注意力进行处理并连接，以捕获图像特征通道之间的关系，所得输出经过3×3的卷积层与经过1×1的初始张量进行相加，将该输出通过空间注意力以抑制不相关区域并捕捉重要区域特征最后得到输出特征，特征增强对于处理有复杂纹理和颜色变化的息肉有帮助，能够突出息肉的形状和纹理，提高模型的准确率。

23、其中，所述步骤6针对网络使用ioubceloss损失函数。

24、具体计算公式为：

25、

26、其中，p表示预测图像，q表示真实标签，y表示样本的真实标签，p是模型的预测输出，将iou损失函数与二分类交叉熵损失函数结合使用能够训练出性能更好的分割模型，这是因为iou损失函数主要关注局部像素级别的准确性，用于衡量分割结果的准确性，而二分类交叉熵损失函数关注类别级别的全局信息，可以帮助模型更好地处理像素级别的分类问题，二者结合用于模型可以平衡全局信息和局部信息，提高模型的鲁棒性，并且如果某个损失在训练过程中出现问题时另一个损失可以起到补充作用，保持训练的稳定性。

27、其中，所述步骤7中的训练过程。

28、具体流程为：将扩充数据集输入到改进的u-net模型中，设置相应的训练次数为200次，随着训练次数的增加，u-net模型的损失函数曲线逐渐收敛。

29、其中，所述步骤8中改进的u-net模型的息肉分割网络由编码器和解码器组成，分割完毕后生成输入图片大小的分割结果图。

30、本发明提供的一种基于改进u-net模型的结肠息肉分割方法，其优点体现在：

31、1、本发明提供了一种基于改进u-net模型的结肠息肉分割方法，该方法有助于捕获结直肠息肉的各种特征，包括颜色、质地和形状。同时，提高模型对息肉特征的敏感性，减少了干扰因素对分割的影响，此外，此模型对于处理有复杂纹理和颜色变化的息肉有帮助，能够突出息肉的形状和纹理，对于息肉分割的准确率有一定的提高；

32、2、本发明引入残差连接，能够构建一条处理初始图片的捷径，从而让浅层的输出直接参与到深层的输入中，不仅避免了梯度消失问题，还可以补充初始图片的语义信息，使得模型跨层次共享信息。引入通道注意力，充分利用通道间的关系信息来捕捉输入数据中的重要特征，帮助模型自动学习并关注与息肉特征相关的通道，抑制与任务无关的通道。使用特征增强的方法，保证了图像的分辨率不降低的情况下扩大感受野，这对于处理有复杂纹理和颜色变化的息肉有帮助。引入ioubceloss损失函数，可以平衡全局信息和局部信息，提高模型的鲁棒性并保证训练稳定性。