(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211381603.1 (22)申请日 2022.11.04 (71)申请人 南京工业大 学 地址 211816 江苏省南京市浦口区浦珠南 路30号南京工业大 学 (72)发明人 帅仁俊　卢伟　 (51)Int.Cl. A61B 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/11(2017.01) (54)发明名称 基于多注意力机制模型MCDC_Net的皮肤病 变分割方法 (57)摘要 本发明公开一种基于多注意力机制模型 MCDC_Net的皮肤病变分割方法， 涉及深度学习和 医学图像分割领域， 提供了一种新颖的深度学习 模型用于解决皮肤病变分割问题。 本发明主要步 骤如下： 采集皮肤镜图像数据集， 并进行相应的 预处理； 搭建MCDC_Net模型， 将预处理好的数据 输入模型进行训练； 训练完成后， 加载训练时保 存的最佳模 型参数来对测试集进行预测， 输出分 割结果。 使用ISIC  Challange  2017 Datasets来 验证模型效果 ， 经多次实验发现 ， 相比 于 MultiResUNet， 本发明提出的MCDC_Net模型分割 效果更好。 权利要求书1页 说明书4页 附图4页 CN 115530766 A 2022.12.30 CN 115530766 A 1.一种基于多注意力机制模型MCDC_Net的皮肤病变分割方法， 其特征在于： 所述方法 主要步骤包括： (1)采集皮肤镜图像数据集， 并进行相应的预处理； (2)搭建MCDC_Net模型， 将预处理好的数据输入模型进 行训练； (3)训练完成后， 加载训练 时保存的最佳模 型参数来 对测试集进行 预测， 输出分割结果。 2.根据权利要求1所述的基于多注意力机制模型MCDC_Net的皮肤病变分割方法， 其特 征在于： 本发明公开一种多注意力机制模型MCDC_Net用于皮肤病 变分割， MCDC_Net模型在 Nabil Ibtehaz等提出的MultiResUNet模型基础上进行改进， 具体的， 我们保留了 MultiResUNet模型中部分结构， 同时通过融入通道、 空间注意力机制结构来提升模型的分 割性能， 该模型主要包括MultiRes  Block结构、 CMs  Block结构、 CAWR结构(通道注意力机制 结构)、 DAB结构(空间注意力机制结构)。 3.根据权利要求1所述的基于多注意力机制模型MCDC_Net的皮肤病变分割方法， 其特 征在于： 在预处理完数据集、 搭建好MCDC_Net模型后， 将数据集输入模型进行训练， 本发明 采用的训练策略如下： 训练的Epoch设置为50； 损失函数设置为交叉熵损失函数； 初始学习 率设置为1e ‑4， 当验证集上的Loss值在连续10个Epoch内的变化小于1e ‑4时， 将学习率设置 为原来的0.1倍， 学习率最低为1e ‑6； 评价指标选择Recall、 Dice、 MIoU； 模型参数保存规则 是选择验证集上Dice系数最佳的模型参数。 4.根据权利要求1所述的基于多注意力机制模型MCDC_Net的皮肤病变分割方法， 其特 征在于： 模型训练完成后， 加载最佳模 型参数来对测试集进 行预测， 并输出皮肤病变分割效 果图。权　利　要　求　书 1/1 页 2 CN 115530766 A 2基于多注意力机制模型MC DC_Net的皮肤病变分割方 法 技术领域 [0001]本发明涉及计算机技 术领域， 主 要涉及深度学习和医学图像分割领域。 背景技术 [0002]黑色素瘤是黑色素细胞恶变而来的一种高度恶性的肿瘤， 多发生于皮肤， 初始可 见其在正常皮肤上发生黑色素沉积或者色素痣发生色素增多， 黑色加深， 病变损害不断扩 大， 硬度增强， 并伴有痛痒的感觉。 近年来， 黑色素瘤的发病率和死亡率逐年升高， 并且与其 他实体瘤相比， 黑色素瘤的致死年龄更低。 恶性黑色素瘤除早期手术切除外， 缺乏特效治 疗， 预后差。 因此， 恶性黑色素瘤的早期诊断和治疗极其重要。 皮肤镜是一种皮肤科常用的 无创性检查工具， 常用来辅助医生诊断黑色素瘤。 它可以将皮损放大几十倍至几百倍， 从而 可以更清晰的观 察皮损。 随着计算机辅助诊断(CAD)的出现， 医生可以高效的诊断病情 。 CAD 中很重要的一个步骤就是图像分割。 近年来， 随着人工智能的不断发展， 深度学习领域逐渐 变得热潮。 深度学习模型 因其有着较强的特征学习能力且无需人工提取特征而被广泛应用 于计算机视觉领域， 其中将深度学习模型与医学图像分割任务结合尤其热门。 如果通过深 度学习技术将皮肤病变区域从皮肤镜图像中分割出来， 这或许会对诊断患者的病情起到一 定辅助作用。 发明内容 [0003]本发明提出一种基于多注意力机制模型MCDC_Net的皮肤病变分割方法， 该方法主 要步骤如下： (1)采集皮肤镜图像数据集， 并进行相应的预处理； (2)搭建MCDC_Net模型， 将 预处理好的数据输入模型进 行训练； (3)训练完成后， 加载训练 时保存的最佳模 型参数来对 测试集进行 预测， 输出分割结果。 [0004]优选地， 本发明提出一种多注意力机制模型MCDC_Net用于皮肤病变分割， MCDC_ Net模型在Nabil  Ibtehaz等提出的MultiResUNet模型基础上进行 改进， 具体的， 我们保留 了MultiResUNet模型中部分结构， 同时通过融入通道、 空间注意力机制结构来提升模型的 分割性能， MCDC_Net模型结构如附图2所示， 该模型主要包括MultiRes  Block结构、 CMs   Block结构、 CAWR结构(通道注 意力机制结构)、 DAB结构(空间注 意力机制结构)， 各个结构的 具体介绍如下： [0005](1)由于皮肤镜图像中病变区域形态复杂， 且病灶尺度大小不一， 因此我们认为一 个好的模型应该具备分析形态复杂、 尺度不一的病灶的能力。 我们提出在编码器中使用 MultiRes  Block结构(参考N abil Ibtehaz等提出的MultiResUNet中的MultiRes  Block结 构)来从多个尺度上提取皮肤镜图像的特征， MultiRes  Block结构如附图3所示。 在 MultiRes  Block结构中， 首先使用串行的3个卷积块来提取图像特征， 其中3个卷积块的卷 积核大小都为3x3， filters个数分别为0.167*alpha*U、 0.333*alpha*U、 0.5*alpha*U(U是 MultiRes  Block设置的filters数量， alpha＝1.67)。 之后将三个卷积块输出的特征图进行 Concat拼接， 从而形成具有3x3尺度信息、 5x5尺度信息、 7x7尺度信息的多尺度特征图， 之后说　明　书 1/4 页 3 CN 115530766 A 3