[發(fā)明專利]基于多注意力融合和高精度分割網(wǎng)絡(luò)的病理細(xì)胞分類方法

在審

• 申請?zhí)枺?/td>: 202211710618.8
• 申請日: 2022-12-29
• 公開（公告）號: CN115810191A
• 公開（公告）日: 2023-03-17
• 發(fā)明（設(shè)計(jì)）人: 胡鶴軒;丁秋陽;黃倩;楊天金;胡強(qiáng);巫義銳;張曄;狄峰;胡震云;周曉軍;沈勤;呂京澴
• 申請（專利權(quán)）人: 河海大學(xué);玖壹叁陸零醫(yī)學(xué)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(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 樓然

本發(fā)明公開了一種基于多注意力融合機(jī)制和高精度分割網(wǎng)絡(luò)的病理細(xì)胞分類方法，包括：病理細(xì)胞圖像的收集與預(yù)處理；構(gòu)建多注意力融合模塊，包括構(gòu)造壓縮激勵模塊和空間注意力模塊；構(gòu)建高精度分割網(wǎng)絡(luò)，通過高精度分割網(wǎng)絡(luò)在病理細(xì)胞圖像上生成感興趣區(qū)域；搭建基于多注意力融合和高精度分割網(wǎng)絡(luò)的深度網(wǎng)絡(luò)模型，利用預(yù)處理過的病理細(xì)胞圖像對模型進(jìn)行訓(xùn)練，得到病理細(xì)胞分類在正確率最高的網(wǎng)絡(luò)模型；將需檢測的病理細(xì)胞圖像送入優(yōu)化的網(wǎng)絡(luò)模型中，獲得對病理細(xì)胞樣本的分類結(jié)果。本發(fā)明使模型能夠?qū)W習(xí)到細(xì)胞圖像中的通道權(quán)重和空間權(quán)重，可利用高精度分割網(wǎng)絡(luò)提取圖像中病理細(xì)胞區(qū)域的特征進(jìn)行分類，從而有效減小計(jì)算量及噪聲影響。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字圖像處理與醫(yī)學(xué)交叉技術(shù)領(lǐng)域，具體涉及一種基于多注意力融合和高精度分割網(wǎng)絡(luò)的病理細(xì)胞分類方法。

背景技術(shù)

隨著科學(xué)技術(shù)的發(fā)展，癌癥早已不再是不治之癥，早期的癌癥治愈率在90％以上，而晚期的癌癥治愈率僅有10％左右。因此，癌癥的早期篩查對癌癥的防治非常重要。巴氏涂片檢測是篩查癌癥的一種常見有效的方式。專業(yè)醫(yī)師在顯微鏡下觀察巴氏涂片中的細(xì)胞形態(tài)，對每個(gè)細(xì)胞進(jìn)行分類并判斷細(xì)胞樣本是否發(fā)生癌變。依靠人力進(jìn)行病理細(xì)胞分類需要的成本較高，且分類結(jié)果往往帶有主觀性偏差，影響篩查準(zhǔn)確率，因此研究和開發(fā)對病理細(xì)胞醫(yī)學(xué)圖像自動分類的技術(shù)具有重大的意義。

目前已有一些病理細(xì)胞醫(yī)學(xué)圖像的分類方法，包括基于上下文建模的病理細(xì)胞醫(yī)學(xué)圖像的分類方法、基于圖卷積神經(jīng)網(wǎng)絡(luò)的病理細(xì)胞醫(yī)學(xué)圖像的分類方法等等。中國專利申請(CN112200253A)“基于senet的宮頸細(xì)胞圖像分類方法”，利用SENet實(shí)現(xiàn)對宮頸病理細(xì)胞醫(yī)學(xué)圖像的分類。該方法主要存在以下缺點(diǎn)：(1)SENet使用了通道注意力機(jī)制，僅計(jì)算了通道權(quán)重，沒有計(jì)算空間權(quán)重，因此該方法中的網(wǎng)絡(luò)模型對病理細(xì)胞醫(yī)學(xué)圖像的重點(diǎn)區(qū)域關(guān)注度不夠，導(dǎo)致網(wǎng)絡(luò)模型不能充分提取細(xì)胞特征，對細(xì)胞分類的正確率較差；(2)該方法將網(wǎng)絡(luò)模型從整張細(xì)胞圖像提取到的全局特征送入分類器進(jìn)行分類，不僅計(jì)算量較大，而且全局特征往往包含一些不屬于細(xì)胞的噪聲，影響模型分類的正確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供一種基于多注意力融合和高精度分割網(wǎng)絡(luò)的病理細(xì)胞分類方法，采用空間注意力與通道注意力的融合使得模型能夠?qū)W習(xí)到細(xì)胞圖像中的通道權(quán)重和空間權(quán)重，同時(shí)，利用高精度分割網(wǎng)絡(luò)提取圖像中病理細(xì)胞區(qū)域的特征進(jìn)行分類，可有效減小計(jì)算量及噪聲的影響。

為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案。

一種基于多注意力融合機(jī)制和高精度分割網(wǎng)絡(luò)的病理細(xì)胞分類方法，包括以下步驟：

步驟1、病理細(xì)胞醫(yī)學(xué)圖像的收集與預(yù)處理；

步驟2、構(gòu)建多注意力融合模塊，包括構(gòu)造壓縮激勵模塊，使得網(wǎng)絡(luò)模型能夠?qū)W習(xí)不同通道之間的關(guān)系；構(gòu)造空間注意力模塊，幫助網(wǎng)絡(luò)模型識別細(xì)胞圖像中的關(guān)鍵特征區(qū)域；

步驟3、構(gòu)建高精度分割網(wǎng)絡(luò)，通過高精度分割網(wǎng)絡(luò)在病理細(xì)胞醫(yī)學(xué)圖像上生成感興趣區(qū)域；

步驟4、搭建基于多注意力融合和高精度分割網(wǎng)絡(luò)的深度網(wǎng)絡(luò)模型，深度網(wǎng)絡(luò)模型中包括多注意力融合模塊和高精度分割網(wǎng)絡(luò)模塊，利用預(yù)處理過的病理細(xì)胞醫(yī)學(xué)圖像對深度網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到病理細(xì)胞分類在正確率最高的深度網(wǎng)絡(luò)模型；

步驟5、將需要檢測的病理細(xì)胞醫(yī)學(xué)圖像送入經(jīng)過步驟4優(yōu)化的深度網(wǎng)絡(luò)模型中，獲得對病理細(xì)胞樣本的分類結(jié)果。

具體地，所述的步驟1過程包括：

步驟1.1.收集用病理細(xì)胞制成的巴氏涂片在顯微鏡視野下的圖像，對由專業(yè)醫(yī)師對每個(gè)病理細(xì)胞醫(yī)學(xué)圖像中的病理細(xì)胞進(jìn)行以下分類：高核質(zhì)比形態(tài)符合HSIL標(biāo)準(zhǔn)的細(xì)胞、HSIL或SCC中的異常角化細(xì)胞、HSIL或SCC中的異常裸核、挖空細(xì)胞、形態(tài)符合LSIL標(biāo)準(zhǔn)的非挖空細(xì)胞、異常腺細(xì)胞、異常化生細(xì)胞、正常裸核、正常中表層細(xì)胞、病原微生物細(xì)胞、正常副基底層細(xì)胞、典型鱗狀上皮化生、典型角化；