[發明專利]一種基于卷積神經網絡的前列腺癌組織微陣列分級方法

在審

• 申請號: 202010876490.7
• 申請日: 2020-08-27
• 公開（公告）號: CN111899259A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 黃夢醒;單怡晴;張雨;馮文龍;馮思玲;吳迪
• 申請（專利權）人: 海南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 海口漢普知識產權代理有限公司 46003
• 代理人: 麥海玲

1.一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，所述方法包括：

S1、采集前列腺癌組織微陣列圖像數據；

S2、對前列腺癌組織微陣列圖像數據進行預處理；

S3、基于預處理后的前列腺癌組織微陣列圖像數據建立圖像分割模型，將前列腺癌組織微陣列圖像數據輸入到圖像分割模型中；

S4、將圖像分割模型的輸出結果恢復到與原始圖像相同的尺寸；

S5、將圖像分割模型預測結果與專家標注結果進行一致性檢驗比較，輸出比較結果。

2.根據權利要求1所述的一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，步驟S2、對前列腺癌組織微陣列圖像數據進行預處理，具體包括：

S21、對前列腺癌組織微陣列圖像數據進行resize操作；

S22、通過圖像變換算法對前列腺癌組織微陣列圖像數據進行數據增強，擴充數據集。

3.根據權利要求1所述的一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，所述步驟S3、基于預處理后的前列腺癌組織微陣列圖像數據建立圖像分割模型，將前列腺癌組織微陣列圖像數據輸入到圖像分割模型中，具體包括：

S31、將預處理后的前列腺癌組織微陣列圖像數據作為圖像分割模型的輸入；

S32、將步驟S31中得到的特征圖輸入多尺度注意網絡的卷積層進行卷積操作和特征融合操作，輸出的圖像數據輸入到最大池化層進行下采樣，使特征圖尺寸縮小一倍，重復該步驟4次；

S33、將步驟S32輸出的特征圖輸入多尺度注意網絡的卷積層進行卷積操作和特征融合操作，輸出的圖像數據輸入到最大池化層進行上采樣，使特征圖尺寸增大一倍，重復該步驟4次；

S34、將步驟S33輸出的特征圖作為1X1的卷積層的softmax激活層的輸入，輸出最終分割結果。

4.根據權利要求3所述的一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，所述步驟S32中，在每次將步驟S31中得到的特征圖輸入多尺度注意網絡的卷積層進行卷積操作和特征融合操作后，還依次輸入BN層進行批量歸一化操作、輸入ReLu層進行修正線性激活操作。

5.根據權利要求3所述的一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，所述特征融合操作具體包括：

S331、通過位置注意模塊將特征圖維度進行reshape操作，降維后得到多個子特征圖，將其中兩個張量相乘通過softmax操作歸一化獲得每個位置的空間注意特征圖；

S332、通過通道注意模塊對一個子特征圖進行轉置再將兩個張量做矩陣相乘，經過softmax操作后得到C維度的通道注意圖，并與scale參數相乘，得到的結果與原特征圖相加；

S333、將步驟S331和S332的輸出相加得到同時包含位置信息和通道信息的特征圖。

6.根據權利要求5所述的一種基于卷積神經網絡的前列腺癌組織微陣列分級方法，其特征在于，所述特征融合操作具體還包括：

將來自所有尺度的張量連接起來，形成一個新的張量通過卷積層來創建一個公共的多尺度特征圖F_MS＝conv([F'₁,F'₂,F'₃,F'₄])，F_S為多尺度特征，s為體系結構中的層次，F'_S表示來自所有尺度張量的連接，F_MS用于編碼來自淺層的低級細節信息及高層的語義信息，然后與多尺度的空間注意特征圖和通道注意圖相結合，輸入到引導注意模塊中，生成注意特征A_S，A_S定義如下：

A_S＝AttMod_s(conv[F'_S,F_MS])。