一种基于注意力机制的宫颈组织病理辅助诊断方法与流程

技术特征：
1.一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：包括以下步骤：s1、将宫颈组织病理全玻片图像按比例r缩小，获取全玻片图像的低分辨率图像；s2、用卷积神经网络模型分别搭建注意力模块和分类模块，初始化注意力模块和分类模块的参数；s3、将低分辨率图像输入注意力模块中，计算低分辨率图像中每个像素点的注意力得分；s4、获取低分辨率图像中注意力得分较高的像素在全玻片图像中的相应位置，在相应位置截取设定大小的小块k块；s5、将s4中截取的小块作为输入训练分类模块，将分类模块的最后一层全连接层作为特征提取器，提取全玻片图像中注意力得分较高区域k个小块的特征，按注意力得分排列连接作为该全玻片图像的特征向量；s6、将s5中特征向量作为输入，对支持向量机分类器进行训练，得到训练好的向量机分类器；s7、将需要进行分类的宫颈组织病理全玻片图像经s3、s4及s5中的处理，得到该图像的特征向量，输入训练好的支持向量机分类器，实现分类。2.根据权利要求1所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：s2中注意力模块卷积神经网络模型是搭建4层卷积神经网络，包括：三层卷积层：每层卷积层后使用relu函数进行非线性激活；softmax层：将注意力得分映射到0
‑
1区间内。3.根据权利要求1所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：s2中分类模块卷积神经网络模型是搭建41层卷积神经网络，包括：卷积部分：包括卷积层、池化层；残差部分：包括12个残差模块；softmax层：将分类概率值映射到0
‑
1区间内。4.根据权利要求2所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：所述的relu函数为：f(x)＝max(0，x)。5.根据权利要求2或3所述任意一项一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：所述的softmax层为一个softmax函数，softmax函数为：其中表示第i个神经元的输入，e为自然常数，∑
j
e
j
表示所有神经元以e为底数以该神经元为指数的幂之和，s
i
表示第i个神经元经过softmax后的结果。6.根据权利要求1所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：s3中所述的注意力得分中，注意力模块输出与输入图像相同宽高的特征图，特征图中的值与输入图像一一对应为注意力得分。7.根据权利要求1所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：分类模块的产生过程包括：
a1、计算低分辨率图像中各像素的注意力得分，在全玻片图像中的对应位置截取小块图像作为输入，对分类模块进行一轮训练；a2、通过反向传播对注意力模块中的参数进行一次更新；a3、重复步骤a1和步骤a2直到分类模块收敛。8.根据权利要求7所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：所述的直到分类模块收敛，在于验证集的loss不再降低。9.根据权利要求8所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：所述的loss为分类交叉熵损失(categorical crossentropy loss)，公式为：其中，p(x_i)为样本标签的概率分布，q(x_i)为预测结果的概率分布。10.根据权利要求1所述一种基于注意力机制的宫颈组织病理辅助诊断方法，其特征是：s6中的将s5中特征向量作为输入，对支持向量机分类器进行训练，其中阳性样本产生的特征向量作为阳性训练数据，阴性样本产生的特征向量作为阴性训练数据。

技术总结
本发明提供一种基于注意力机制的宫颈组织病理辅助诊断方法，包括将宫颈组织病理全玻片图像按比例r缩小，获取低分辨率图像；搭建并初始化注意力模块和分类模块；将低分辨率图像输入注意力模块中，计算注意力得分；获取注意力得分较高的像素在图像中的位置，截取设定大小k块；将小块输入训练分类模块，提取得分较高小块的特征，得出特征向量，对支持向量机分类器进行训练，输入训练好的支持向量机分类器，实现分类。提升了原有方法的诊断效率与准确率。对阳性宫颈组织病理全玻片图像中的病变区域进行定位，避免了阳性宫颈组织病理全玻片图像中阴性部分对分类模型的干扰。利用注意力机制检测宫颈组织病理全玻片图像中可疑病变区域。域。域。


技术研发人员：刘娟 庞宝川 曹得华 肖笛 李卓彧
受保护的技术使用者：武汉兰丁智能医学股份有限公司
技术研发日：2021.09.08
技术公布日：2021/11/30