一种融合深度多示例学习和包间相似性的乳腺癌检测方法技术

一种融合深度多示例学习和包间相似性的乳腺癌检测方法。涉及模式识别、图像处理以及计算机视觉等领域，本方法研究基于包间相似性的深度多示例学习方法中相似性无法自动学习问题以及该方法在乳腺癌检测中的应用。现有的基于包间相似性的深度多示例学习方法在乳腺癌检测中具有良好效果，但是该方法使用固定的相似性度量，未考虑其自动学习问题，本方法通过引入通道和空间注意力机制对包间相似性进行自动学习，优化后的网络能够自动学习到比较重要的包间关系和示例间关系。与原始方法相比，基于本方法的乳腺癌检测准确率更高，具有一定的实用价值。

【技术实现步骤摘要】
一种融合深度多示例学习和包间相似性的乳腺癌检测方法
本专利技术涉及模式识别、图像处理以及计算机视觉等领域，具体涉及一种基于深度多示例学习的乳腺癌检测方法。
技术介绍
近年来，人工智能在医学辅助诊断中扮演着越来越重要的角色，不仅能够辅助承担繁琐的病患筛查工作，而且可一定程度上避免人工阅片带来的主观错误。然而，获取医学图像的细粒度标记(如：像素级标记)通常十分困难，导致传统的强监督学习方法在医学图像处理中难以适用。为了解决上述问题，仅利用整幅图像标注的弱监督学习技术在医学辅助诊断中逐渐被广泛采用并取得了同强监督学习相当或更优的效果。作为一种典型的弱监督学习范式，多示例学习一经提出便引发了业界的广泛关注，尤其是在各种医学图像处理任务中展现出不错的表现。乳腺癌是一种女性得病率较高的恶性肿瘤，针对乳腺癌的医学图像分类具有非常重要的研究价值。本专利技术采用深度多示例学习技术对乳腺癌H&E图像进行分类，首先将患者的H&E图像分割为不同块，然后将整张图像视为包，图像块视为包中示例，示例的类别未知，但包的类别已知(已由专业的医生标记好)，本文档来自技高网...

【技术保护点】
1.一种融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于该方法包括如下步骤：/n第1、基础网络的构建：/n第1.1、使用一些常见的神经网络提取示例特征；/n第1.2、利用注意力机制从多角度重构包的表示；/n第1.3、聚合包中示例形成包级表示并对包类别进行预测；/n第2、主干网络的构建：/n第2.1、提取由基础网络习得的重构包作为参考包；/n第2.2、计算目标包与所有参考包的相似性；/n第2.3、将相似性矩阵送入通道注意力模块；/n第2.4、将通道注意力模块的输出送入空间注意力模块；/n第2.5、将空间注意力模块的输出送入分类器进行分类判断。/n

【技术特征摘要】
1.一种融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于该方法包括如下步骤：
第1、基础网络的构建：
第1.1、使用一些常见的神经网络提取示例特征；
第1.2、利用注意力机制从多角度重构包的表示；
第1.3、聚合包中示例形成包级表示并对包类别进行预测；
第2、主干网络的构建：
第2.1、提取由基础网络习得的重构包作为参考包；
第2.2、计算目标包与所有参考包的相似性；
第2.3、将相似性矩阵送入通道注意力模块；
第2.4、将通道注意力模块的输出送入空间注意力模块；
第2.5、将空间注意力模块的输出送入分类器进行分类判断。


2.如权利要求1所述的融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于，步骤第1.1中构建了基础网络，采用全连接层或卷积层这些常用的神经网络提取示例的抽象特征。


3.如权利要求1所述的融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于，步骤第1.2中基于注意力机制的包重构方法如下：利用多个不同查询向量对原始包进行查询，产生示例权重并对所有示例进行加权平均，将原始包重构为由平均示例所构成的新包，假设X′i为新包，则上述过程可描述为：



其中softmax和tanh为激活函数，V和W为可学习参数。


4.如权利要求1所述的融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于，步骤第1.3中聚合包中示例并预测包类别的方法如下：再次应用注意力机制并采用单个查询向量，将重构包中的所有示例聚合为一个单特征向量，即包级表示，进而将该包级表示送入分类器获得包的分类结果，则这一过程可形式化为：
P(Xi)＝f(AttPooling2(X′i))，
其中P(Xi)是分类器f对包Xi的预测值。


5.如权利要求1所述的融合深度多示例学习和包间相似性的乳腺癌检测方法，其特征在于，步骤第2.1...

【专利技术属性】
技术研发人员：袁立明，程睿，温显斌，徐海霞，
申请(专利权)人：天津理工大学，天地伟业技术有限公司，
类型：发明
国别省市：天津;12