[发明专利]结合自适应注意力与特征金字塔的胃癌病理图像分割方法

权利要求书

1.一种结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，包括以下步骤：

步骤S1：获取胃癌病理图像和癌变区域医学标注结果，构建胃癌数据集；

步骤S2：使用图像增强方法扩充所述的胃癌数据集；

步骤S3：使用扩充后的胃癌数据集训练结合自适应注意力与特征金字塔的分割模型，由分割模型对胃癌数据集中的癌变区域进行分割，得到初步训练的模型参数和每一张胃癌病理图像对应的癌变区域分割结果；

步骤S4：重复步骤S3，使用重复训练的策略，得到分割模型的最终参数；

步骤S5，使用训练好的分割模型对待分割的胃癌病理图像进行处理，得到癌变区域分割结果。

2.根据权利要求1所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，步骤S1具体包括以下步骤：

步骤S11：获取胃癌病理图像；

步骤S12：专家根据经验判断勾画出病理图像中发生癌变的区域；

步骤S13：根据专家勾画结果生成癌变区域标注图像，掩膜图像中只有白、黑两种颜色，白色区域表示癌变区域，黑色区域表示正常组织区域；

步骤S14：每一张胃癌病理图像和对应的癌变区域标注图像构成图像-标签对，全部的图像-标签对构成胃癌数据集。

3.根据权利要求2所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：对数据集中部分图像-标签对实施水平翻转；

步骤S22：对数据集中部分图像-标签对实施垂直翻转；

步骤S23：将数据集中所有图像随机添加高斯噪声，随机色调变换；

步骤S24：将数据集中所有图像-标签对随机剪裁。

4.根据权利要求1所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，步骤S3所述的结合自适应注意力与特征金字塔的分割模型包括：

模型编码器，其用于对病理图像中癌变区域特性进行表征，得到病理图像特征图；

模型解码器，其用于根据模型编码器获得的病理图像特征图重建癌变区域预测掩膜图像；

连接模块，其用于连接模型编码器和模型解码器的对应层，实现模型编码器和模型解码器之间信息交互。

5.根据权利要求4所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，所述的特征编码器模块包括由自适应注意力网络和残差网络构成的多层编码层、以及特征金字塔网络，第一层编码层的输入为胃癌病理图像，后一层编码层的输入为前一层编码层的输出；最后一层编码层的输出经过特征金字塔网络后作为模型解码器的输入。

6.根据权利要求5所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，每一层编码层中的自适应注意力网络的输入为当前编码层的输入，每一层编码层中的残差网络的输入为当前编码层中的自适应注意力网络的输出，每一层编码层中的残差网络的输出即当前编码层的输出。

7.根据权利要求5所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，所述的模型解码器包括由上采样网络和特征融合网络构成的多层解码层，且第一层解码层不含特征融合网络；所述的解码层与编码层的层数相同；第一层解码层的输入为特征编码器模块中的特征金字塔网络的输出，后一层解码层的输入为前一层解码层的输出和相对应的编码层的输出，最后一层解码层的输出即模型解码器的输出。

8.根据权利要求7所述的结合自适应注意力与特征金字塔的胃癌病理图像分割方法，其特征在于，每一层解码层中特征融合网络的输入为前一层解码层的输出和相对应的编码层的输出，第二层及其之后的每一层解码层中上采样网络的输入为当前解码层中的特征融合网络的输出，每一层解码层中的上采样网络的输出即当前解码层的输出。