【技术实现步骤摘要】
基于视觉转换器和图卷积网络的宫颈细胞图像分类方法
[0001]本专利技术涉及计算机视觉
,特别涉及一种基于视觉转换器和图卷积神经网络的宫颈细胞图像分类方法。
技术介绍
[0002]宫颈细胞分类作为妇产科宫颈病变的初筛手段已被广泛地应用于临床工作中。在实际诊疗过程中,病理医生需要在显微镜下用肉眼检查数以万计的细胞。而每位病理医生每天需要处理大量病患的标本,常常会产生阅片疲劳,误诊现象时有发生。因此,需要一种高效且定量的宫颈细胞诊断方法,减轻病理医生的阅片负担,同时提高宫颈细胞识别准确率。目前,针对宫颈细胞图像分类的算法主要以基于传统特征分类算法以及基于深度学习的监督学习分类算法两类为主。
[0003]传统的分类方法一般利用手工设计的特征对图像特征进行建模,通过训练分类器将不同类别的特征进行区分。常用的手工视觉特征包括颜色、纹理、边缘等低层特征,难以描述图像潜在的高层语义信息。然而,病理图像结构复杂,类型多变的特点导致手工提取特征无法对图像特征进行较好的建模,使得分类效果不尽人意。
[0004]近年来,深度学习模型在计算机视觉各个领域中取得了显著的效果,一些研究人员已经将卷积神经网络应用于宫颈细胞分类任务中,如残差网络(ResNet)、密集卷积网络(Densenet),但它们仅仅利用神经网络提取单张图片的全局特征,忽略了宫颈细胞的局部特征,从而难以较好地解决细胞类内差异大和类间相似性高的问题。
技术实现思路
[0005]本专利技术为克服现有技术的不足之处,提出一种基于视觉转换器和图卷 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于视觉转换器和图卷积网络的宫颈细胞图像分类方法,其特征包括如下步骤:步骤1、对宫颈数字切片图像中的细胞核位置以及细胞核类别进行标注,并按照所标注的细胞核位置进行裁剪,从而得到每个细胞图像及其相应类别,记为其中,表示第i个细胞图像,C、H和W分别表示图像的通道数、高度和宽度,y
i
表示第i个细胞图像X
i
对应的类别;i=1,2,
…
,N;N表示细胞图像的数量;步骤2、构建由L个编码器构成的视觉转换器ViT作为第一个分支,每个编码器包括:两个归一化层、多头注意力机制层以及多层感知器;步骤2.1、对第i个细胞图像X
i
进行分块处理,得到包含m个图像块的序列其中,表示第i个细胞图像X
i
的第j个图像块;p
×
p表示每个图像块的维度,且m=H
×
W/p2;步骤2.2、设置一个可学习的分类标记x
class
,并利用式(1)得到m个图像块和分类标记x
class
的D维嵌入表示z0,并作为第1个编码器的输入;式(1)中,E
pos
表示m个图像块和分类标记x
class
在第i个细胞图像X
i
中的空间位置;E表示所设置的嵌入矩阵;步骤2.3、利用式(2)得到m个图像块和分类标记x
class
在第l个编码器的多头注意力机制层的输出z
′
l
:z
′
l
=MSA(LN(z
l
‑1))+z
l
‑1,l=1,
…
,L
ꢀꢀꢀꢀ
(2)式(2)中,LN()表示归一化层的处理;z
l
‑1表示第l
‑
1个编码器的输出;步骤2.4、利用式(3)得到第l个编码器的多层感知器的输出z
l
,从而得到最后一个编码器的输出z
L
:z
l
=MLP(LN(z
′
l
))+z
′
l
,l=1,
…
,L
ꢀꢀꢀꢀ
(3)步骤2.5、对包含m+1个D维特征的输出z
L
求均值,从而得到第i个细胞图像X
i
的ViT特征表示步骤3、构建图卷积网络作为第二个分支;步骤3.1、利用SLIC算法对第i个细胞图像X
技术研发人员:史骏,唐昆铭,祝新宇,孙宇,李俊,郑钰山,姜志国,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。