[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

说明书

本发明提供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，包括：视网膜病理切片样本获取模块；视网膜病理切片样本集合构建模块；视网膜病理切片标签制作模块；全卷积注意力增强网络构建模块；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；测试模块和分析模块。本发明的全卷积注意力增强网络重复使用浅层和深层的特征，在不深化网络的前提下提高浅层和深层特征的精度，并配置了注意力增强机制实现不同通道差异的扩大，从而提高感兴趣区域的分割精度，进而提高评价NDD病变程度及药物疗效的准确性。

技术领域

本发明属于生物医药与计算机视觉相结合的交叉学科领域，具体涉及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。

背景技术

随着医学影像设备的不断发展和普及，如计算机断层扫描，磁共振成像，X射线和超声波等，越来越多的医学影像需要进行辅助分析诊断，这使得医学影像的分析在辅助诊断和治疗方面起着越来越重要的作用。其中，医学图像分割是近年来备受关注的课题之一，图像分割在医学领域应用广泛，尽管已经发表了许多方法，但医学图像的分割仍然是一个具有挑战性的课题。由于医学图像通常数据量少、待分割区域差异大等特点，这使得传统图形学方法对医学图像的分割比较困难，具有分割不准确的问题。

神经退行性疾病(Neurodegenerative Disease,NDD)是由脑部神经元和脊髓神经髓鞘缺失引起的一系列不可逆的进行性疾病，包含阿兹海默症、血管性痴呆、认知障碍、青光眼、小脑共计失调、帕金森等多种疾病。由于这类疾病发病隐秘、进展缓慢的特性，造成很难在发病极早期具有明显的临床表征，当出现明显的临床症状时，疾病也往往进展到末期，失去最佳的治疗窗口。视网膜是机体唯一可直接检测到与神经退行性病变相关变化的外部组织，视网膜的神经纤维层、内网层、内核层、外网层、外核层中存在大量神经细胞，可通过对视网膜神经细胞及其所在各层的变化间接反应神经退行性疾病的进展和药物疗效，因此，视网膜可以对早期NDD进行评估。

由于早期NDD发生时视网膜的变化非常细微，很难用肉眼发现，因此NDD缺乏早期有效的诊断技术。目前临床前研究的评价方法分别为行为学观察、分析病理组织、检测相关蛋白含量；例如，OTC检查只能检测视网膜神经纤维层，且不能识别神经细胞；血管造影只能检测脉络膜等血管相关病变。以上评价方法有很大的局限性，存在人为主观性强、判别不准确、判别不及时的问题。

发明内容

针对现有技术存在的缺陷，本发明提供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，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供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，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；