[发明专利]基于双注意力机制和多尺度特征融合的宫颈细胞分类方法

说明书

本发明公开了一种基于双注意力机制和多尺度特征融合的宫颈液基细胞分类方法，其步骤包括：1获取已标注好的N类宫颈细胞图像；2建立基于多头自注意力、通道注意力和多尺度特征融合的深度学习网络；3构建宫颈细胞图像分类器；4利用建立好的分类器实现预测图像类别。本发明通过自注意力机制增强了对图像内部特征相关性的捕捉，并结合通道注意力与多尺度特征融合克服了自注意力机制缺少通道和多尺度信息的缺陷，完成了对宫颈细胞的精准分类。

技术领域

本发明涉及计算机视觉领域，特别涉及图像分类技术，尤其涉及一种基于双注意力机制和多尺度特征融合的宫颈液基细胞分类方法。

背景技术

宫颈细胞分类在宫颈癌早期筛查中具有重要的临床意义。目前宫颈癌细胞学的诊断主要依据病理医生在显微镜下人工阅片进行，但目前我国病理科自动化程度低，诊断时间长，超负荷的工作量极大地增加了病理医生的工作压力，影响到病理医生阅片效率。因此，需要一种数字化的宫颈细胞分类方法，辅助病理医生进行宫颈细胞的分类，减轻病理医生的阅片负担，缓解病理医生的工作压力，提高病理医生的阅片效率。

传统的阅片方式完全依赖于病理医生的主观判断，会受到病理医生经验及知识水平的限制和影响，容易导致误诊漏诊。

发明内容

本发明为克服现有技术的不足之处，提出一种基于双注意力机制和多尺度特征融合的宫颈细胞分类方法，以期能通过自注意力机制增强对细胞图像内部特征相关性的捕捉，并结合通道注意力与多尺度的特征融合，以提高对宫颈细胞分类的精准度。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于双注意力机制和多尺度特征融合的宫颈细胞分类方法的特点是按如下步骤进行：

步骤1、获取训练样本：

获取N种类别且维度为H×W×C的宫颈细胞图像样本并对进行归一化处理，得到归一化后的训练样本集，记为S＝{S₁,S₂,...,S_n,...,S_N}；其中，S_n表示第n类宫颈细胞图像样本，且表示第n类归一化后的宫颈细胞图像样本中的第p个图像；H表示图像高度，W表示图像宽度，C表示图像通道，n＝1,2,...,N；

步骤2、建立深度学习网络，所述深度学习网络包括：多尺度特征提取模块、多头自注意力模块、通道注意力模块和多尺度特征融合模块；

步骤2.1、构建多尺度特征提取模块：

所述多尺度特征提取模块由ResNeXt50网络的前四个卷积阶段构成，依次包括：第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段；

将第p个图像输入所述多尺度特征提取模块中，并经过所述第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段分别得到第一卷积阶段输出的特征图第二卷积阶段输出的特征图第三卷积阶段输出的特征图第四卷积阶段输出的特征图

步骤2.2、构建多头自注意力与通道注意力融合模块：

所述多头自注意力模块与通道注意力融合模块是由L个多头自注意力与通道注意力融合层串联而成；

第四卷积阶段输出的特征图作为第1个多头自注意力与通道注意力融合层的输入，第c个多头自注意力与通道注意力融合层的输出为第c+1个多头自注意力与通道注意力融合层的输入；

任意第c个多头自注意力与通道注意力融合层包括：2个卷积核为1×1的卷积层、M个并联的自注意力层、自注意力融合层、通道注意力模块；c＝1,2,...,L；

将第四卷积阶段输出特征图输入第1个多头自注意力与通道注意力融合层中，经过第一卷积核为1×1的卷积层的降维处理后分别输入至M个自注意力层中进行自注意力计算得到M个自注意力层输出；