[发明专利]基于全卷积注意力增强网络的视网膜病理切片分析系统

权利要求书

1.一种基于全卷积注意力增强网络的视网膜病理切片分析系统，其特征在于，包括：

视网膜病理切片样本获取模块，用于获取多个视网膜病理切片样本；其中，各个视网膜病理切片样本的图像尺寸相同；

视网膜病理切片样本集合构建模块，将视网膜病理切片样本获取模块获取的多个视网膜病理切片样本放入到视网膜病理切片样本集合，得到视网膜病理切片样本集合；其中，视网膜病理切片样本集合中的每个视网膜病理切片样本，表示为：视网膜病理切片样本S_i；

视网膜病理切片标签制作模块，用于对视网膜病理切片样本集合中的每个视网膜病理切片样本S_i，采用以下方法，制作得到对应的视网膜病理切片标签T_i：

设定神经纤维层、内网层、内核层、外网层和神经节细胞为感兴趣区域；对视网膜病理切片样本S_i的各个感兴趣区域的轮廓进行位置识别，分别得到神经纤维层轮廓的图像坐标集、内网层轮廓的图像坐标集、内核层轮廓的图像坐标集、外网层轮廓的图像坐标集和神经节细胞轮廓的图像坐标集；

根据识别得到的神经纤维层轮廓的图像坐标集、内网层轮廓的图像坐标集、内核层轮廓的图像坐标集、外网层轮廓的图像坐标集和神经节细胞轮廓的图像坐标集，可视化生成视网膜病理切片标签T_i；其中，在生成的视网膜病理切片标签T_i中，神经纤维层区域填充第一颜色；内网层区域填充第二颜色；内核层区域填充第三颜色；外网层区域填充第四颜色；神经节细胞区域填充第五颜色；背景区域填充第六颜色；

全卷积注意力增强网络构建模块，用于构建得到初始的全卷积注意力增强网络；

其中，初始的全卷积注意力增强网络包括编码单元和解码单元；

编码单元包括串联的第一层全卷积注意力增强网络，第二层全卷积注意力增强网络,…,第n层全卷积注意力增强网络；解码单元包括串联的第一融合连接层，第二融合连接层,…,第n融合连接层；

全卷积注意力增强网络训练模块，用于对初始的全卷积注意力增强网络进行训练，得到训练完成的全卷积注意力增强网络，训练方法为：

步骤1，输入视网膜病理切片样本集合中的任意视网膜病理切片样本S_i；视网膜病理切片样本S_i为高度H₀*宽度W₀*维度D₀的切片；

步骤2，第一层全卷积注意力增强网络的处理过程：

第一层全卷积注意力增强网络包括卷积层conv1、批归一化层BN1、激活函数层ReLU1、注意力增强层SGE1和最大池化层MaxPooling1；

步骤2.1，使视网膜病理切片样本S_i依次通过卷积层conv1进行特征提取、批归一化层BN1进行归一化、激活函数层ReLU1进行激活和注意力增强层SGE1进行通道注意力增强处理，得到维度增加的视网膜特征图Feature₁(0)；其中，视网膜特征图Feature₁(0)为高度H₀*宽度W₀*维度D₁的特征图；其中，D₁D₀；

其中，注意力增强层SGE1进行通道注意力增强处理的方法为：

步骤2.1.1，视网膜病理切片样本S_i依次通过卷积层conv1、批归一化层BN1和激活函数层ReLU1后，得到高度H₀*宽度W₀*维度D₁的特征图Feature(A)；

步骤2.1.2，将特征图Feature(A)按通道维度D₁分为D₁个子图，每个子图对应一个通道；将任意一个子图表示为：子图E_j，其中，j＝1,2,…,D₁；

步骤2.1.3，对于每个子图E_j，计算其所有像素点的平均值g_j；

步骤2.1.4，将子图E_j的每个像素的像素值，乘以平均值g_j，得到显著性增强的子图E_j；

步骤2.1.5，对显著性增强的子图E_j进行归一化后，再使用Sigmoid函数激活，得到激活后的子图E_j；

步骤2.1.6，将激活后的子图E_j，与步骤2.1.2的子图E_j进行对位相乘，得到最终注意力增强的子图E_j；

步骤2.1.7，将D₁个注意力增强的子图E_j进行特征融合，得到视网膜特征图Feature₁(0)；

步骤2.2，使视网膜特征图Feature₁(0)通过最大池化层MaxPooling1进行下采样，得到维度保持不变，图像尺寸缩小的视网膜特征图Feature₁(1)；其中，视网膜特征图Feature₁(1)为高度H₁*宽度W₁*维度D₁的特征图；其中，H₁H₀；W₁W₀；

因此，通过第一层全卷积注意力增强网络，将高度H₀*宽度W₀*维度D₀的切片，提取为高度H₁*宽度W₁*维度D₁的视网膜特征图Feature₁(1)；

步骤3，第二层全卷积注意力增强网络，第三层全卷积注意力增强网络,…,第n层全卷积注意力增强网络的处理过程，与第一层全卷积注意力增强网络的处理过程相同；

因此，高度H₁*宽度W₁*维度D₁的视网膜特征图Feature₁(1)，经过第二层全卷积注意力增强网络处理后，得到高度H₂*宽度W₂*维度D₂的视网膜特征图Feature₂(1)；其中，H₂H₁；W₂W₁；D₂D₁；

依此类推

高度H_n-1*宽度W_n-1*维度D_n-1的视网膜特征图Feature_n-1(1)，经过第n层全卷积注意力增强网络处理后，得到高度H_n*宽度W_n*维度D_n的视网膜特征图Feature_n(1)；其中，H_nH_n-1；W_nW_n-1；D_nD_n-1；

步骤4，第一融合连接层：

步骤4.1，使视网膜特征图Feature_n(1)通过卷积层convn”进行特征提取、批归一化层BNn”进行归一化、激活函数层ReLUn”进行激活和注意力增强层SGE n”进行通道增强处理，得到维度增加、尺度不变的视网膜特征图Feature_n(2)；

步骤4.2，使视网膜特征图Feature_n(1)和视网膜特征图Feature_n(2)进行特征融合，得到高度H_n*宽度W_n*维度D_n的视网膜特征图Feature_n(3)；

步骤5，第二融合连接层：

步骤5.1，对高度H_n*宽度W_n*维度D_n的视网膜特征图Feature_n(3)进行上采样，得到高度H_n-1*宽度W_n-1*维度D_n的视网膜特征图Feature_n-1(2)；

步骤5.2，使高度H_n-1*宽度W_n-1*维度D_n-1的视网膜特征图Feature_n-1(1)和高度H_n-1*宽度W_n-1*维度D_n的视网膜特征图Feature_n-1(2)进行特征融合，得到高度H_n-1*宽度W_n-1*维度D_n-1的视网膜特征图Feature_n-1(3)；

步骤6，第三融合连接层，第四融合连接层,…,第n融合连接层的处理过程，与第二融合连接层的处理过程相同；

经第n融合连接层，输出高度H₁*宽度W₁*维度D₁的视网膜特征图Feature₁(3)；

步骤7，对高度H₁*宽度W₁*维度D₁的视网膜特征图Feature₁(3)进行上采样，得到高度H₀*宽度W₀*维度D₁的视网膜特征图Feature₀(3)；

预设置目标维度为6维度，对高度H₀*宽度W₀*维度D₁的视网膜特征图Feature₀(3)进行卷积、批归一化、激活和注意力增强处理，得到高度H₀*宽度W₀*维度为6的视网膜特征图Feature₀(4)，视网膜特征图Feature₀(4)为全卷积注意力增强网络的输出特征图，表示为：输出特征图Feature_i；

步骤8，比较输出特征图Feature_i和视网膜病理切片样本S_i的视网膜病理切片标签T_i的差异性，计算损失函数值，如果损失函数值小于设定阈值，则对全卷积注意力增强网络的训练完成，得到训练完成的全卷积注意力增强网络，并执行步骤9；否则，调节当前全卷积注意力增强网络的网络参数，输入下一个视网膜病理切片样本，对全卷积注意力增强网络继续进行训练；

测试模块，用于输入被测试的视网膜病理切片Test；识别得到视网膜病理切片Test的神经纤维层区域、内网层区域、内核层区域、外网层区域和神经节细胞区域；

分析模块，用于分别计算识别到的神经纤维层区域、内网层区域、内核层区域、外网层区域和神经节细胞区域的面积，以及神经节细胞区域包括的神经节细胞数量进行计算，输出视网膜病变定量分析参数。