时序三重注意力与对比锚定的胶囊内镜病灶细粒度分类方法

本发明属于医疗器械图像处理，涉及一种时序三重注意力与对比锚定的胶囊内镜病灶细粒度分类方法。

背景技术：

1、结肠胶囊内镜无创筛查是结直肠疾病早期诊断的核心手段，病灶自动细粒度分类是ai辅助诊断的关键环节，直接决定临床分型精准度，cn120976604a公开了一种基于多尺度注意力融合网络的溃疡性结肠炎图像分类方法，其采用efficientnet主干网络与多尺度注意力融合模块实现病灶特征增强与分类；cn119444690a公开了一种基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其通过多尺度特征提取与通道-空间集成注意力机制提升静态医学图像分类精度。上述现有技术均针对静态单帧医学图像设计，未适配结肠胶囊内镜连续视频帧的时序特性，无法建模病灶时序依赖关系，存在时序信息利用缺失、帧间运动模糊与肠道蠕动冗余未处理的问题，仅采用通道-空间双注意力机制而未设计边缘高频特征增强模块，导致病灶细微特征表征能力不足，仅使用常规交叉熵损失或基础对比损失而未引入类别中心锚定约束，使得相似病灶特征区分度低、微小病灶特征易被肠道背景淹没，同时未针对胶囊内镜光照不均、黏液/泡沫干扰、成像质量不稳定的复杂肠道成像环境设计自适应预处理机制，模型泛化性与鲁棒性较差，无法满足结肠息肉、炎性病变、血管畸形等病灶的细粒度精准分类临床需求。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于时序三重注意力、边缘高频增强与对比锚定校准的结肠胶囊内镜病灶细粒度分类方法，通过构建时序特征建模、边缘高频增强、对比锚定校准及肠道环境自适应预处理机制，强化病灶时序关联与细微特征表征能力，提升相似病灶、微小病灶的分类精度，增强模型对复杂成像场景的鲁棒性，满足结肠胶囊内镜病灶细粒度精准分类的临床需求。

2、为达到上述目的，本发明提供如下技术方案：

3、一种时序三重注意力与对比锚定的胶囊内镜病灶细粒度分类方法，包括以下步骤：

4、s1：对结肠胶囊内镜连续视频帧进行预处理，提取病灶区域并标准化；

5、s2：构建3分支自适应感受野卷积网络，根据病灶尺寸动态调整感受野，同步捕获全局轮廓、局部细节、微小病灶特征；

6、s3：在通道-空间双注意力基础上，新增边缘高频注意力，强化病灶边缘细节、抑制背景噪声；

7、s4：适配胶囊内镜连续视频帧，结合胶囊网络与lstm，建模病灶帧间时序依赖关系；

8、s5：自适应加权融合多尺度空间特征与时序特征，通过对比损失和类别中心锚定损失优化特征分布；

9、s6：将融合特征输入分类头，输出病灶类别概率，完成细粒度分类。

10、进一步，步骤s1具体包括以下步骤：

11、s11：对结肠胶囊内镜连续视频帧进行病灶定位，裁切病灶感兴趣区域roi，去除肠道冗余背景干扰，同时完成帧间空间对齐，消除肠道蠕动带来的位置偏移，得到标准化病灶区域图像：

12、

13、式中表示病灶裁切后原始图像张量；、、分别表示病灶图像高度、宽度、通道数；

14、s12：肠道环境自适应局部归一化

15、采用局部窗口自适应归一化替代全局归一化，适配肠道局部光照差异，抑制黏液和泡沫噪声：

16、

17、式中表示自适应归一化后标准病灶图像；表示以坐标为中心的局部窗口像素均值；表示以坐标为中心的局部窗口像素标准差；表示极小常数，避免分母为零。

18、进一步，步骤s2中，构建3分支自适应感受野卷积网络，分别提取大、中、小三种尺度特征，形成多尺度特征集合：

19、

20、其中~为第1~3个尺度的特征图；

21、单尺度特征计算公式：

22、

23、式中：表示第个卷积分支直接输出的原始多尺度特征，；表示第个卷积分支、自适应感受野的卷积运算；表示第个卷积分支卷积层偏置项；表示relu激活函数，用于引入非线性特征。

24、进一步，步骤s3具体包括以下步骤：

25、s31：通道注意力加权：

26、聚焦病灶特征关键通道，抑制冗余通道干扰：

27、

28、

29、式中表示通道注意力权重矩阵；表示全局平均池化，提取通道全局特征；全局最大池化，提取通道显著特征；表示多层感知机，用于通道特征维度变换与权重学习；表示通道注意力加权后的特征图；表示第k个卷积分支直接输出的原始多尺度特征；

30、s32：边缘高频注意力增强：

31、提取病灶边缘梯度特征，强化微小病灶与模糊边缘的细节表征：

32、

33、

34、式中表示图像梯度算子，用于提取病灶边缘高频特征；表示卷积运算，用于边缘特征滤波与增强；表示边缘高频注意力权重；表示边缘高频增强后的特征图；

35、s33：空间注意力加权：

36、聚焦病灶空间区域，抑制肠道背景干扰：

37、

38、

39、式中表示特征图通道维度拼接运算；表示卷积运算，用于空间权重学习；表示空间注意力权重矩阵；表示时序三重注意力最终增强特征。

40、进一步，步骤s4具体包括以下步骤：

41、s41：胶囊特征编码：

42、将注意力增强特征转换为胶囊向量，保留病灶空间姿态与结构信息：

43、

44、式中表示胶囊特征向量；表示胶囊网络权重矩阵；表示胶囊网络偏置项；表示双曲正切激活函数，归一化胶囊向量取值；

45、s42：时序lstm特征建模：

46、对连续视频帧的胶囊特征进行时序编码，捕捉病灶时序变化规律：

47、

48、式中表示时刻lstm隐藏层状态；表示时刻胶囊特征向量；表示时刻lstm隐藏层状态；

49、s43：时序特征融合：

50、拼接时序窗口内所有隐藏状态，得到完整时序融合特征：

51、

52、式中表示时序胶囊融合特征；表示时序窗口长度。

53、进一步，步骤s5具体包括以下步骤：

54、s51：自适应加权特征融合：

55、动态分配多尺度特征与时序特征权重，最大化有效特征利用率：

56、

57、式中表示最终融合特征；表示第尺度特征自适应融合权重；表示时序特征平衡系数；

58、s52：对比锚定损失计算：

59、总损失由对比损失与类别中心锚定损失加权构成，同时实现类内紧凑、类间分离：

60、

61、对比损失用于拉近同类病灶特征，疏远异类病灶特征；

62、

63、类别中心锚定损失用于约束同类特征向类别中心聚合，提升特征稳定性；

64、

65、式中表示模型总损失，表示对比损失，表示类别中心锚定损失；表示锚定损失权重系数；表示余弦相似度函数，衡量特征间相似性；表示第个样本融合特征；表示第个样本同类正样本特征；表示第个异类负样本特征；表示平滑相似度分布系数；表示正样本数量；表示负样本数量；表示第个样本对应病灶类别的中心特征；表示范数，计算特征与类别中心的距离。

66、进一步，步骤s6中，将融合特征输入分类头，输出病灶类别概率，完成细粒度分类：

67、

68、式中表示病灶类别概率向量；表示全连接层权重矩阵；表示全连接层偏置项；表示归一化指数函数，将特征转换为各类别概率；

69、最终分类结果取概率向量p中最大值对应的病灶类别。

70、本发明的有益效果在于：本发明与现有技术相比，通过时序三重注意力与边缘高频增强机制显著强化病灶边缘及细微纹理特征，有效提升病灶细粒度特征表征能力，创新结合胶囊网络与时序lstm适配结肠胶囊内镜连续视频帧特性，可精准建模病灶时序依赖关系、消除帧间运动模糊与肠道蠕动冗余干扰，提升分类结果的稳定性与一致性，采用对比锚定特征校准策略同步优化类内特征紧凑性与类间特征区分度，大幅提高相似病灶与微小病灶的判别精度、降低误分率，依托肠道环境自适应预处理模块显著增强模型对光照不均、黏液/泡沫干扰等复杂肠道成像场景的鲁棒性与泛化性，整体采用端到端轻量化架构，在保障细粒度分类精度的同时兼顾高效推理速度，可满足结肠胶囊内镜临床实时筛查需求，为病灶精准分型提供可靠ai辅助支撑，有效降低人工漏诊、误诊风险。

71、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。