摘要
皮肤是保护人体免受外界伤害的第一道防线，因此极易受到外力损伤或微生物感染，形成皮肤创面，皮肤创面是皮肤及其深部组织连续性中断形成的裂口。利用皮肤创面图像进行创面分割是一种非侵入性的方法，能够准确测量创面面积，辅助医生对创面诊断和治疗，因此皮肤创面图像分割具有重要的医学临床治疗意义。由于皮肤创面具有种类多、尺寸差异大、边界模糊的问题，因此实现对其自动分割具有较大挑战。本文的主要工作和创新总结如下: 本文提出了一种新颖的基于特征增强的皮肤创面图像分割网络(FeatureAugmentNetwork，FA-Net)。为了充分利用创面的边缘信息，提出了一种双流特征提取的编码器模型提取分割特征和边缘特征，在边缘特征提取网络分支添加了边缘特征增强(EdgeFeatureAugment，EFA)模块，利用注意力机制增强边缘特征的提取，并使用边缘损失函数约束网络训练。为了挖掘同一幅图像中多个创面之间以及创面与皮肤之间的空间关系特征，在网络编码器与解码器之间添加了空间关系特征增强(Spatial-relationshipFeatureAugment，SFA)模块，提高了网络的分割精度。 本文提出了一种交互式的特征增强皮肤创面图像分割网络(InteractiveFeatureAugmentNetwork，IFA-Net)，形成双阶段的皮肤创面图像分割方法。第一阶段，使用FA-Net获得初步自动分割结果。第二阶段，在初始结果上添加用户交互以指示错误分割，利用高斯距离公式将交互标记转换为便于网络识别的交互信息。将FA-Net作为基础的网络结构构建交互式分割网络IFA.Net，将用户交互信息和初步分割结果作为输入，输出优化后的分割结果。 本文还基于PyQt设计开发了一款皮肤创面图像分析系统软件，实现了双阶段交互式皮肤创面分割、皮肤创面面积和最长径定量计算以及病人创面分析报告打印等功能。 本文在由552张图像组成的皮肤创面数据集上评估了FA-Net和IFA-Net的网络性能，并取得了较有竞争力的结果。FA-Net分割结果的平均Dice相似性系数(DiceSimilarityCoefficient，DSC)和平均交并比(IntersectionoverUnion，IoU)分别为89.16±0.79％、82.16±1.06％，表明该自动分割方法可以较好地实现皮肤创面图像的分割。IFA-Net分割结果的平均DSC和IoU分别提升至94.03±0.87％、89.65±1.14％，表明该交互式分割方法可以基于简单人工标记较好地纠正分割错误。
NETL