(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 202210415851.7 (22)申请日 2022.04.20 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市亚 东新城区文 苑路9号 (72)发明人 欧译丹　陈思光　顾敏杰　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 张玉红 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 融合残差Inception与双向ConvGRU的皮肤 病变分割方法 (57)摘要 本发明公开了融合残差Inception与双向 ConvGRU(Convolutional  GatedRecurrent   Unit,ConvGRU)的皮肤病变分割方法,其设计了 一种云边协同的皮肤病变智能分割服务网络模 型， 通过该网络模型， 用户可以获得快速、 准确的 分割服务； 其次， 构建了一种新的皮肤病变智能 分割模型， 通过融合残差Inception与双向 ConvGRU， 该模型能融合不同尺度特征， 提高模型 特征提取能力， 并能充分利用底层特征与语义特 征之间的关系， 捕获更丰富的全局上下文信息， 取得更好的分割性能。 权利要求书2页 说明书8页 附图4页 CN 114821645 A 2022.07.29 CN 114821645 A 1.融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其特征在于， 包括以下步 骤： 步骤1、 构建 云边协同的皮肤病变智能分割服 务网络； 步骤2、 基于所述分割服 务网络， 构建一个 基于U‑Net的皮肤病变智能分割模型； 步骤3、 将采集的图像输入基于改进的残差I nception的编码器， 提取图像特 征； 步骤4、 将编码器输出的特征图输入基于改进的残差Inception与双向ConvGRU的解码 器， 双向ConvGRU模块融合编码 器产生的和解码 器的上采样产生的特征图， 由解码 器输出分 割结果。 2.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其 特征在于， 所述编码器包含四个结构相同的编码器子模块， 每个编码器子模块包括两个残 差Inception模块、 一个线性整流函数的激活函数及一个用于实现下采样的2 ×2最大池化 层。 3.根据权利要求2所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其 特征在于， 所述残差Inception模块包含三个1 ×1卷积核与三个3 ×3卷积核； 前层的输出经 过三组不同的卷积操作后， 得到具有三组不同感受野的特征图； 三组特征图进 行拼接后， 前 层输出的特 征图经过残差连接与之相加； 残差连接的实现定义 为： m＝F(n， {ci})+n 其中， n与m是残差Inception模块的输入与输出， F函数表示残差Inception模块中 的各 个操作， ci表示各个卷积 操作的权 重， i为1‑k的数值， k 为Inception模块中卷积核的总数。 4.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其 特征在于， 所述解码器包含四个结构相同的解码器子模块， 每个解码器子模块包括一个双 向ConvGRU模块、 三个残差Inception模块和在Inc eption模块后的一个Relu激活函数层， 每 个解码器子模块之后有一个批标准 化层及一个用于上采样的2 ×2反卷积层。 5.根据权利要求4所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其 特征在于， 所述双向ConvGRU包括一个前向ConvGRU与一个后向ConvGRU， 前向ConvGRU从左 至右控制序列， 后向Co nvGRU从右至左控制序列； 前向隐藏状态 与后向隐藏状态 分别与对应权重相乘， 并将结果相加得到最终的隐 藏状态ht， 即双向Co nvGRU的最终输出 结果为yt： 其中， 与 分别对应输出层中前向Co nvGRU与后向Co nvGRU的权 重。 6.根据权利要求1所述的融合残差Inception与双向ConvGRU的皮肤病变分割方法， 其 特征在于， 步骤1中， 所述分割服 务网络包括用户、 边 缘服务器、 云服 务器和医疗机构； 所述用户上传图像至边 缘服务器； 所述边缘服务器接收云服务器的训练参数后 为用户提供分割服务； 边缘服务器将图片 输入至分割模型， 然后将接收到的分割结果 发送至用户， 并同时存储诊断业务中的样本； 对 置信度高的分割结果， 边缘服务器存储 该结果及原始图片， 对置信度低分割结果， 边缘服务 器将该结果及原始图像发送至医疗机构校正， 经过校正的样本将发送至边缘服务器进 行存 储， 边缘服务器中的新样本作为扩充的训练样本用于后续的模型的训练；权　利　要　求　书 1/2 页 2 CN 114821645 A 2所述云服 务器对医疗机构提供的数据集进行训练， 并将训练参数 上传到边 缘服务器； 所述医疗机构为云服务器中的模型训练模块提供训练样本， 并对边缘服务器中分割结 果置信度较低的样本进行 校正， 然后将校正 好的样本反馈给边 缘服务器。权　利　要　求　书 2/2 页 3 CN 114821645 A 3