[發明專利]基于多注意力融合和高精度分割網絡的病理細胞分類方法

在審

• 申請號: 202211710618.8
• 申請日: 2022-12-29
• 公開（公告）號: CN115810191A
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 胡鶴軒;丁秋陽;黃倩;楊天金;胡強;巫義銳;張曄;狄峰;胡震云;周曉軍;沈勤;呂京澴
• 申請（專利權）人: 河海大學;玖壹叁陸零醫學科技南京有限公司
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/764;G06V10/82;G06V10/80;G06V10/774;G06N3/045;G06N3/082
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 樓然

1.一種基于多注意力融合機制和高精度分割網絡的病理細胞分類方法，其特征在于，包括以下步驟：

步驟1、病理細胞醫學圖像的收集與預處理；

步驟2、構建多注意力融合模塊，包括構造壓縮激勵模塊，使得網絡模型能夠學習不同通道之間的關系；構造空間注意力模塊，幫助網絡模型識別細胞圖像中的關鍵特征區域；

步驟3、構建高精度分割網絡，通過高精度分割網絡在病理細胞醫學圖像上生成感興趣區域；

步驟4、搭建基于多注意力融合和高精度分割網絡的深度網絡模型，深度網絡模型中包括多注意力融合模塊和高精度分割網絡模塊，利用預處理過的病理細胞醫學圖像對深度網絡模型進行訓練，得到病理細胞分類在正確率最高的深度網絡模型；

步驟5、將需要檢測的病理細胞醫學圖像送入經過步驟4優化的深度網絡模型中，獲得對病理細胞樣本的分類結果。

2.根據權利要求1所述的一種基于多注意力融合機制和高精度分割網絡的病理細胞分類方法，其特征在于，所述的步驟1過程包括：

步驟1.1.收集用病理細胞制成的巴氏涂片在顯微鏡視野下的圖像，對由專業醫師對每個病理細胞醫學圖像中的病理細胞進行以下分類：高核質比形態符合HSIL標準的細胞、HSIL或SCC中的異常角化細胞、HSIL或SCC中的異常裸核、挖空細胞、形態符合LSIL標準的非挖空細胞、異常腺細胞、異常化生細胞、正常裸核、正常中表層細胞、病原微生物細胞、正常副基底層細胞、典型鱗狀上皮化生、典型角化；

步驟1.2.對收集到的病理細胞醫學圖像進行圖像增強，包括隨機角度旋轉、翻轉、裁剪、位移及按比例縮放等，使得到的病理細胞醫學圖像數據集更加豐富；

步驟1.3.使用labelme標注工具對每張病理細胞醫學圖像進行標注，包括病理細胞醫學圖像中的病理細胞的分類標簽及細胞輪廓坐標。

3.根據權利要求1所述的一種基于多注意力融合機制和高精度分割網絡的病理細胞分類方法，其特征在于，所述的步驟2具體為：

步驟2.1.構造壓縮激勵模塊，包括：

壓縮：對病理細胞醫學圖像進行全局平均池化，經過壓縮操作后，病理細胞醫學圖像的尺寸由H×W×C被壓縮為1×1×C，聚合了跨空間的特征；其中，H表示病理細胞醫學圖像的高，W表示病理細胞醫學圖像的寬，C表示病理細胞醫學圖像的通道數；壓縮操作的計算公式為：

其中u_c(i，j)表示病理細胞醫學圖像在(i，j)位置上不同通道的像素值；

激勵：學習病理細胞醫學圖像的每個通道的權重，其包含兩個全連接層，最終輸出1×1×C的向量；激勵操作的計算公式為：

S＝F_ex(z，W)＝σ(g(z，w))＝σ(W₂δ(W₁z)) (2)

其中σ表示sigmoid激活函數，δ表示ReLu函數；W1指第一個全連接層的權重參數，W₂指的是第二個全連接層的權重參數；

Scale：將在激勵操作中學到的每個通道的權重乘以原始特征，Scale操作的計算公式為：

u′_c(i，j)＝S×u_c(i，j) (3)

其中u_c是輸入到Scale操作公式中的病理細胞醫學圖像，u′_c表示Scale操作公式輸出的病理細胞醫學圖像；

步驟2.2.構造空間注意力模塊：首先，利用全局平均池化的方法來聚合病理細胞醫學圖像的通道特征，沿通道方向的全局平均池化，其公式：

其中x(i，j)表示病理細胞醫學圖像上點(i，j)的特征；

然后用一個1×1的卷積來學習注意力圖的權重G，其計算公式：

G＝F_Conv＝Mx(i，j) (5)

其中M是由1×1卷積學到的權重矩陣；

最后進行Scale操作，計算公式為：

u′_c(i，j)＝G×u_c(i，j) (6)。