论文部分内容阅读
慢性创面作为临床外科中一种常见的疾病,愈合过程时间漫长,并且易受感染,不仅给患者造成极大的痛苦,而且长期护理和治疗涉及的卫生服务成本高,给社会和家庭带来很大负担。随着计算机技术的发展,数字图像处理技术在医学领域的研究和应用日益深入和广泛,利用这些技术实现创面面积的测量能够有效提高评估准确性、降低医疗成本,具有重要的研究意义和实际应用价值。创面面积测量的关键在于识别创面边缘,实现创面区域的分割。现有的基于卷积神经网络的深度学习模型能够从大量训练数据中自动学习提取特征,在图像分割任务上取得显著成效。然而创面图像数据量小、背景复杂多样,使得深度分割网络难以充分训练得到可用创面分割模型,同时模型很难从少量创面图像中学习到潜在的一些语义信息。本文对这些问题进行了研究,主要工作如下:第一,面向图像分割的现有深度学习模型结构复杂,参数量大,训练过程中依赖大量的标注数据才能防止出现过拟合,并且大规模网络模型的计算复杂度高,难以在计算资源受限的设备上有效运行。针对这个问题,本文提出基于深度卷积神经网络的创面分割模型WoundSeg,从网络层数、通道数以及网络结构等方面对大规模网络进行针对性的选择与调整,轻量化分割网络使得参数量与计算量得到大幅度减少,从而能够在小创面图像数据集上进行有效训练。相比于已有工作,利用深度学习训练得到的创面分割模型的精度得到显著提升,5折交叉验证准确率(mIoU)超过85%。第二,创面图像中由于组织液、药物等残留物的干扰使得创面分割中很容易出现区域误判,同时基于深度卷积神经网络的创面分割模型由于其结构本身的特点容易导致分割边界误差较大。针对这个问题,本文提出利用图像语义信息对深度分割网络的分割结果进行后期修正:(1)基于创面区域的单连通性,提出基于形态学操作的方法对创面区域的孔洞进行填充,并且有选择删除小面积干扰区域;(2)基于创面与皮肤的依赖关系,提出基于皮肤检测的方法对预测的创面区域进行验证,排除复杂背景中的部分误判创面区域;(3)基于创面区域的匀质性,提出基于全连接CRFs方法利用超像素块提取区域特征,改善预测创面区域的分割边界。作为深度分割模型的补充,后期处理方法消除了大多数误判,有效改善了分割边界。