基于图注意力网络与对比学习的宫颈癌样本的检测方法技术

本发明专利技术公开基于图注意力网络与对比学习的宫颈癌样本的检测方法，包括如下步骤：将视野图集输入至异常检测网络，得到异常细胞检测结果；从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞；基于具有代表性的细胞所在视野图构建局部的图注意力网络，对视野图进行排序；挑选置信度排序靠前和靠后的K个具有代表性的细胞分别构建图，获取Top

【技术实现步骤摘要】
基于图注意力网络与对比学习的宫颈癌样本的检测方法


[0001]本专利技术涉及图像处理
，尤其涉及基于图注意力网络与对比学习的宫颈癌样本的检测方法。

技术介绍

[0002]宫颈癌是危害女性健康的主要因素之一，薄层细胞学检查(TCT)已广泛应用于早期筛查。宫颈癌样本图像的自动诊断可以显著减少病理学家的工作量。目前的诊断方法主要基于可疑病变细胞的提取和分类，忽视了可疑病变细胞之间的内在关系和可疑病变细胞之外的其他正常信息，限制了其鲁棒性和通用性。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提出基于图注意力网络与对比学习的宫颈癌样本的检测方法。在所述方法中，加入了图注意力网络以及有监督对比损失函数，可以让网络在训练和预测时，综合考虑各个细胞之间的关系。在加入以上策略之后，使得分类精度上有明显提升。
[0004]为了达到上述目的，本专利技术的技术方案如下：
[0005]基于图注意力网络与对比学习的宫颈癌样本的检测方法，包括如下步骤：
[0006]获取样本级数据，并对样本级数据进行切片，获得切片后的视野图集；
[0007]将所述视野图集输入至异常检测网络，得到异常细胞检测结果；
[0008]从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞；
[0009]基于具有代表性的细胞所在视野图构建局部的图注意力网络，对视野图进行排序，利用视野图的置信度作为每个具有代表性的细胞的置信度；
[0010]挑选置信度排序靠前和靠后的K个具有代表性的细胞分别构建图，获取Top
‑
K图和Bottom
‑
K图，计算所述Top
‑
K图和Bottom
‑
K图之间的相似度；
[0011]基于所述相似度，更新预设的全局图注意力模型的参数，利用样本级数据继续训练，直到模型收敛或达到最大迭代次数，输出当前的全局图注意力模型作为训练好的样本预测模型；
[0012]将待检测的样本级数据输出至样本预测模型中，输出诊断结果。
[0013]优选地，所述异常检测网络采用RetinaNet。
[0014]优选地，所述从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞，具体包括如下步骤：
[0015]将异常细胞检测结果输入至预设的基于SE
‑
ResNext50的细胞分类模型中，提取检测到的每个边界框；
[0016]从每个所述边界框的中心开始向外扩展，直到达到224
×
224像素，从而提取相应的细胞图像；
[0017]根据置信度得分选择前M个细胞图像作为具有代表性的细胞。
[0018]优选地，所述基于SE
‑
ResNext50的细胞分类模型的训练过程，包括如下步骤：
[0019]获取训练样本，所述训练样本包括阴细胞和阳细胞；
[0020]将训练样本输入到基于SE
‑
ResNext50的识别模型中进行训练，得到基于SE
‑
ResNext50的细胞分类模型。
[0021]优选地，将定义为第i个样本的Top
‑
K细胞组成的图表示，定义为第i个样本的Bottom
‑
K细胞组成的图表示，则计算所述Top
‑
K图和Bottom
‑
K图之间的余弦相似度为：
[0022][0023]Top
‑
K图和Bottom
‑
K图的距离为：
[0024][0025]优选地，所述全局图注意力模型的损失函数为：
[0026][0027]式中Y
i
＝0表示该样本为阴性，Y
i
＝1表示该样本为阳性，α和β为可调节的超参数，用于在训练过程中对阴性和阳性样本的权重进行调节。
[0028]基于上述技术方案，本专利技术的有益效果是：本专利技术提出了基于图注意力网络与对比学习的宫颈癌样本的检测方法，获取样本级数据，并对样本级数据进行切片，获得切片后的视野图集；将所述视野图集输入至异常检测网络，得到异常细胞检测结果；从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞；基于具有代表性的细胞所在视野图构建局部的图注意力网络，对视野图进行排序，利用视野图的置信度作为每个具有代表性的细胞的置信度；挑选置信度排序靠前和靠后的K个具有代表性的细胞分别构建图，获取Top
‑
K图和Bottom
‑
K图，计算所述Top
‑
K图和Bottom
‑
K图之间的相似度；基于所述相似度，更新预设的全局图注意力模型的参数，利用样本级数据继续训练，直到模型收敛或达到最大迭代次数，输出当前的全局图注意力模型作为训练好的样本预测模型；将待检测的样本级数据输出至样本预测模型中，输出诊断结果。具体地说，还设计了一种新的有监督对比损失函数，使得阳性样本中的阳性细胞与阴性细胞之间的特征距离增大，阴性样本中的阳性细胞和阴性细胞之间的特征距离减小。通过加入了图注意力网络以及有监督对比损失函数，使得分类精度上有明显提升。
附图说明
[0029]图1是一个实施例中基于图注意力网络与对比学习的宫颈癌样本的检测方法的应用环境图；
[0030]图2是一个实施例中基于图注意力网络与对比学习的宫颈癌样本的检测方法的流程示意图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述。
[0032]本申请实施例提供的基于图注意力网络与对比学习的宫颈癌样本的检测方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110。计算机设备110可以获取样本级数据，并对样本级数据进行切片，获得切片后的视野图集；计算机设备110可以将所述视野图集输入至异常检测网络，得到异常细胞检测结果；计算机设备110可以从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞；计算机设备110可以基于具有代表性的细胞所在视野图构建局部的图注意力网络，对视野图进行排序，利用视野图的置信度作为每个具有代表性的细胞的置信度；计算机设备110可以挑选置信度排序靠前和靠后的K个具有代表性的细胞分别构建图，获取Top
‑
K图和Bottom
‑
K图，计算所述Top
‑
K图和Bottom
‑
K图之间的相似度；计算机设备110可以基于所述相似度，更新预设的全局图注意力模型的参数，利用样本级数据继续训练，直到模型收敛或达到最大迭代次数，输出当前的全局图注意力模型作为训练好的样本预测模型；计算机设备110可以将待检测的样本级数据输出至样本预测模型中，输出诊断结果。其中，计算机设备110可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图注意力网络与对比学习的宫颈癌样本的检测方法，其特征在于，包括如下步骤：获取样本级数据，并对样本级数据进行切片，获得切片后的视野图集；将所述视野图集输入至异常检测网络，得到异常细胞检测结果；从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞；基于具有代表性的细胞所在视野图构建局部的图注意力网络，对视野图进行排序，利用视野图的置信度作为每个具有代表性的细胞的置信度；挑选置信度排序靠前和靠后的K个具有代表性的细胞分别构建图，获取Top
‑
K图和Bottom
‑
K图，计算所述Top
‑
K图和Bottom
‑
K图之间的相似度；基于所述相似度，更新预设的全局图注意力模型的参数，利用样本级数据继续训练，直到模型收敛或达到最大迭代次数，输出当前的全局图注意力模型作为训练好的样本预测模型；将待检测的样本级数据输出至样本预测模型中，输出诊断结果。2.根据权利要求1所述的基于图注意力网络与对比学习的宫颈癌样本的检测方法，其特征在于，所述异常检测网络采用RetinaNet。3.根据权利要求1所述的基于图注意力网络与对比学习的宫颈癌样本的检测方法，其特征在于，所述从异常细胞检测结果中挑选置信度得分满足预设要求的可疑病变细胞，作为具有代表性的细胞，具体包括如下步骤：将异常细胞检测结果输入至预设的基于SE
‑
ResNext50的细胞分类模型中，提取检测到的每个边界框；从每个所述边界框...

【专利技术属性】
技术研发人员：张立箎，张鑫，
申请(专利权)人：江苏迪赛特医疗科技有限公司，
类型：发明
国别省市：