[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

说明书

本发明公开了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，实现对胃癌病理图像的自动分割，可用于胃癌临床辅助诊断。该方法首先获取胃癌病理图像和医生标注结果，通过图像增强方法扩充数据；然后将病理图像输入结合自适应注意力与特征金字塔的语义分割网络，对癌变区域进行精准定位，并对病灶边缘精细分割；采用相似度损失和交叉熵损失，缓解数据集样本不均衡的问题；采用重复训练的策略，使模型自适应地收敛到最优。本发明可以有效减少对癌变区域的误判，并能准确捕捉癌变区域的边缘信息，实现病灶边缘平滑精准分割，为患者后续治疗提供可靠支持。

技术领域

本发明涉及医学图像处理及计算机视觉领域，特别是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。

背景技术

胃癌是我国死亡率最高的恶性肿瘤之一，胃癌的诊断需要与假性淋巴瘤、胃黏膜脱垂等胃部癌变相鉴别，胃癌的早期诊断对提高患者预后效果至关重要。

胃癌的诊断需要采集胃部组织的病理切片，依赖医生经验判断是否发生癌变。癌变区域病理表现多样，医生对癌变的判断具有主观性，同时，人工进行病灶分割的方法费时费力。临床上胃癌的治疗方法通常是手术切除，对癌变区域范围的精准判断，可以显著减轻患者痛苦。

目前，用于胃癌病理图像分割的语义分割网络是重要的研究方向。语义分割网络通过数据驱动的训练方式，得到特定的网络参数以拟合医生读片决策的过程，使得网络具有和人一样的分析和学习能力。在语义分割网络中，对基于金字塔结构的PSPNet和基于空洞卷积的DeepLab网络在自然预想分割和街道场景分割中表现出较好的效果，但在医学图像分割中远不如UNet的应用广泛。首先医学图像数据更难获得，难以支撑复杂网络的训练，其次医学图像语义信息更为简单，并不需要过多的下采样结构来构建高维语义，更需要网络注重低维纹理信息的理解。UNet结构简单，根据任务特异性可操作空间大，同时可以避免多层下采样和空洞卷积造成的低维信息的损失。本发明提出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，可以实现对癌变区域精确定位，并对癌变区域边缘精准分割，具有一定的临床价值。

发明内容

有鉴于此，本发明的目的是提出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，。该方法首先构建胃癌数据集，并通过图像增强方法扩充数据，训练阶段首先将病理图像输入结合自适应注意力与特征金字塔的语义分割网络，对癌变区域进行分割；训练过程中将相似度损失和交叉熵损失相结合，缓解数据集样本不均衡的问题；采用重复训练的策略，一次训练结束后将模型参数重新加载，再次训练，使模型自适应地收敛到最优。本发明可以有效减少对癌变区域的误判，并能准确捕捉癌变区域的边缘信息，实现病灶边缘平滑精准分割，为患者后续治疗提供可靠支持，具有临床实用价值。

本发明采用以下方案实现：

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，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。

进一步地，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；