基于MSU

技术特征：
1.基于msu2net的皮肤黑色素瘤分割算法，其特征包括以下步骤：步骤1：数据预处理阶段：采用形态学操作算法进行毛发噪声的提取，采用快速匹配算法进行图像修复，减少毛发噪声对网络模型的干扰；步骤2：特征提取阶段：使用多尺度融合思想对特征提取阶段进行改进，使用inception模块代替传统的卷积操作，使模型能够提取皮肤镜图像中更加丰富的语义信息；步骤3：损失函数阶段：使用了dice和bce混合损失函数取代传统的bce损失函数，进一步提高模型精度；步骤4：基于msu2net的皮肤黑色素瘤分割模型的构建。2.根据权利要求1所述的基于msu2net的皮肤黑色素瘤分割算法，其特征在于，所述步骤1中，引入形态学闭操作对皮肤镜图像中的毛发噪声进行提取，在形态学闭操作中选择椭圆结构化元素实现更准确的毛发噪声提取；同时采用快速匹配算法进行毛发噪声区域的修复，生成干净的皮肤镜图像。3.根据权利要求1所述的基于msu2net的皮肤黑色素瘤分割算法，其特征在于，所述步骤2中，使用inception模块代替传统的卷积模块，该模块有三个并行的分支，分别是1
×
1卷积，3
×
3卷积和两个堆叠的3
×
3卷积，经过不同卷积层处理的结果矩阵拼接成一个更深的矩阵，这样就扩充了网络的深度和宽度。在3
×
3卷积之前使用1
×
1卷积对尺度较大的矩阵进行降维处理，减少参数量的同时实现了在不同尺寸上对特征信息进行聚合。4.根据权利要求1所述的基于msu2net的皮肤黑色素瘤分割算法，其特征在于，所述步骤3中，使用dice和bce混合损失函数代替bce损失函数，α和β分别表示dice损失函数和bce损失函数的权重，θ∈[0,1]是一个可调参数，用于防止被零除误差，同时也避免模型出现过拟合。n是像素的总数，y
i
是像素i的真实标签，表示像素i的预测输出。当样本属于正类的时候(y＝1)，我们想要尽可能的接近1；当样本属于负类的时候(y＝0)，我们想要尽可能的接近0。α＝0.7,β＝0.3可以让交叉熵损失函数占据较大的比例，以确保模型能够正确分类不同的样本，同时通过dice损失函数提供额外的类别不平衡性惩罚，从而提高模型对少数类别的准确度。具体如下：5.根据权利要求1所述的基于msu2net的皮肤黑色素瘤分割算法，其特征在于，所述步骤4中，采用六个编码器块和五个解码器块组成最终的网络模型，其中en_1、en_2、en_3、en_4、en_5、en_6是编码器模块，de_1、de_2、de_3、de_4、de_5是解码器模块。解码器模块和对应的编码器模块是完全相同的结构。en_1、en_2、en_3、en_4以及对应的de_1、de_2、de_3、de_4都由rsu-inception-l模块构成，l表示该模块的深度。en_5、en_6、de_5是由rsu-l模块构成。

技术总结
皮肤癌症是一种严重危害人身体健康的公共卫生疾病。皮肤镜图像的准确分割有助于提高计算机辅助诊断系统的诊断率。黑色素瘤是各种皮肤癌中最致命的一种，但是由于病变与皮肤之间对比度低、黑色素瘤与非黑色素瘤病变之间的视觉相似性高、毛发噪声干扰等特点，黑色素瘤的准确识别极具挑战性。本发明公开了一种有效的黑色素瘤分割算法。该算法结合毛发噪声去除算法能有效的去除皮肤镜图像中的毛发噪声；RSU-Inception-L模块可以提取更加丰富的图像特征；DICE BCE混合损失函数解决了BCE损失函数偏向于关注非病变区域而不是病变区域的问题。使用ACC、Precision、Recall、mIoU和Dice指标测试模型的准确性，评估结果表明，本发明提出的皮肤分割算法在ISIC2018数据集上表现出优异的性能。优异的性能。


技术研发人员：王莉莉 张仁帅
受保护的技术使用者：哈尔滨理工大学
技术研发日：2023.05.14
技术公布日：2023/8/9