一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法及系统技术方案

本发明专利技术公开了一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法，以卷积神经网络架构为基础，添加并实现了两种注意力机制，从而能更好地捕获图像像素上距离较远的特征之间的关联关系以及学习不同高维特征的权重，实现宫颈3D OCT影像的准确分类。包括：1)将两种注意力机制引入卷积神经网络；2)引入通道注意力机制，优先使用全局平均池化提取2D OCT图像的通道特征，然后使用多层感知机学习通道的权重；3)引入空间注意力机制，借鉴自注意力机制，通过计算特征图中每个特征与其它特征的相似性，实现不相邻的图像区域的相似性计算；4)使用全局平均池化对特征进行下采样，然后增加2个全连接层，最后使用softmax函数进行分类。

【技术实现步骤摘要】
一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法及系统
本专利技术提供了一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法，属于医学影像分析和计算机辅助诊断领域。
技术介绍
宫颈癌是全世界女性最常见的恶性肿瘤之一。2018年全球新发宫颈癌病例约56.9万例，死亡病例约31.1万例。近二十年来，随着宫颈液基薄层细胞检测(thinprepcytologictest，TCT)和人乳头瘤病毒(humanpapillomavirus，HPV)测试的普遍应用，宫颈癌在前期可以被有效地预防，因此在发达国家中其发病率和死亡率明显降低。但在贫穷国家和发展中国家中，由于提供宫颈癌筛查服务的机会有限，同时缺少HPV疫苗接种，宫颈癌依旧有着较高的发病率和死亡率。例如，2018年中国新发宫颈癌病例约11万例，死亡病例约5.3万例，而且近年来我国宫颈癌的发病有逐渐年轻化的趋势。如今在临床被广泛使用的宫颈癌筛查与诊断技术，也有各自的缺点与不足。例如，作为一种宫颈癌细胞学检查技术，TCT检测能有效提高宫颈异常细胞的检出率，但无法确定检测到的异常细胞的本文档来自技高网...

【技术保护点】
1.一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法，其特征在于，包括：/nS1：将获取的宫颈组织3D OCT影像划分为训练集和测试集，其中，宫颈组织3D OCT影像根据所属对象分为不同的组，每组3D OCT影像属于同一个对象，每组3D OCT影像具有对应的2D OCT图像，并且同一组3D OCT影像中的所有2D OCT图像只存在于训练集或测试集中；/nS2：构建基于双路注意力卷积神经网络的OCT图像分类模型，OCT图像分类模型包括骨干网络、通道注意力模块、空间注意力模块、两个全连接层和一个Softmax层，其中，骨干网络用于从OCT图像中提取原始特征图，通道注意力模块用于计算特征图通道...

【技术特征摘要】
1.一种基于双路注意力卷积神经网络的宫颈OCT图像分类方法，其特征在于，包括：
S1：将获取的宫颈组织3DOCT影像划分为训练集和测试集，其中，宫颈组织3DOCT影像根据所属对象分为不同的组，每组3DOCT影像属于同一个对象，每组3DOCT影像具有对应的2DOCT图像，并且同一组3DOCT影像中的所有2DOCT图像只存在于训练集或测试集中；
S2：构建基于双路注意力卷积神经网络的OCT图像分类模型，OCT图像分类模型包括骨干网络、通道注意力模块、空间注意力模块、两个全连接层和一个Softmax层，其中，骨干网络用于从OCT图像中提取原始特征图，通道注意力模块用于计算特征图通道的权重，并基于计算的特征图通道的权重和原始特征图获得更新通道注意力后的特征图，空间注意力模块用于计算特征图中每个特征与其它特征的相似性，获得更新空间注意力后的特征图；
S3：设置损失函数，调整训练集中2DOCT图像的大小后输入OCT图像分类模型进行训练，得到训练好的OCT图像分类模型；
S4：利用训练好的OCT图像分类模型对测试集中的2DOCT图像进行分类预测，得到分类结果。


2.如权利要求1所述的方法，其特征在于，S2具体包括：
S2.1：利用卷积神经网络作为分类模型的骨干网络；
S2.2：在骨干网络后加入通道注意力模块，用于计算特征图通道的权重，并基于计算的特征图通道的权重和原始特征图获得更新通道注意力后的特征图；
S2.3：在骨干网络后加入空间注意力模块，用于计算特征图中每个特征与其它特征的相似性，获得更新空间注意力后的特征图；
S2.4：将骨干网络输出的原始特征图、S2.2中输出的更新通道注意力后的特征图以及S2.3中输出的更新空间注意力后的特征图进行级联；
S2.5：在上述网络结构后增加两个全连接层；
S2.6：设置一个Softmax层，用于输出预测结果。


3.如权利要求2所述的方法，其特征在于，通道注意力模块包括全局平均池化层、两个全连接层、激活层，S2.2具体包括：
S2.2.1：利用全局平均池化层对骨干网络提取的原始特征图进行全局平均池化，然后进行扁平化处理，得到512维的特征向量；
S2.2.2：通过两个全连接层将扁平化处理得到的特征先压缩后激发，其中，第一层含有128个神经元，用于对特征进行压缩，第二层含有512个神经元，用于对特征进行激发；
S2.2.3：通过激活函数sigmoid，将激发后的特征映射到0-1区间，作为原始特征图通道的权重；
S2.2.4：将得到的通道权重与原始特征图相乘，获得更新通道注意力后的特征图。


4.如权利要求2所述的方法，其特征在于，空间注意力模块包括卷积层、最大池化层、全局平均池化层，S2.3具体包括：
S2.3.1：利用卷积层对骨干网络提取的原始特征图实施1×1卷积操作，进行提取特征，然后重构为矩阵K；
S2.3.2：利用卷积层对骨干网络提取的原始特征图实施1×1卷积操作，进行提取特征，然后通过重构和最大池化转化为矩阵Q；
S2...

【专利技术属性】
技术研发人员：马于涛，孙浩，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42