【技术实现步骤摘要】
一种多尺度空间特征增强方法及装置
[0001]本专利技术涉及医学病理图像分割
，尤其涉及的是一种多尺度空间特征增强方法及装置。
技术介绍
[0002]医学病理图像分割是医学图像分析和识别的关键步骤，细胞核分割又是病理图像分割的重要组成部分。近年来，很多细胞核分割算法通过利用具有位置信息和语义信息的多层次特征取得了优秀的性能。
[0003]随着深度学习的发展，与传统图像分割方法相比较，基于深度学习的图像分割方法在准确度上有了大幅度的提升，近年来得到了广泛的关注。现代视觉识别系统与环境息息相关，由于卷积神经网络的层次结构，上下文信息常常是通过池化、卷积步长或空洞卷积在逐渐变大的感受野上进行编码。因此，最后一层特征图输出的预测基本上是基于丰富的上下文信息，即使对于较小的对象，例如杯子，只有几个“特征像素”，但由于感知到较大的上下文，例如桌子，杯子也可以通过这些辅助信息被识别出来。与此同时，比例大小也很重要，杯子的识别应该分配更多的特征像素，而不仅仅是最后一个特征图上的像素，仅依赖于最后一个特征图上的像素就会忽略很多小...
【技术保护点】
【技术特征摘要】
1.一种多尺度空间特征增强方法，其特征在于，包括：对待分割病理图像进行处理，得到目标病理图像；将所述目标病理图像输入图像特征提取网络，提取所述目标病理图像中的不同尺度的特征，得到不同尺度层级的特征图像；将不同尺度层级的所述特征图像输入自注意力机制，进行空间特征增强处理，得到最终特征图；将所述最终特征图输入基于两阶段检测器的基线模型，生成分割结果。2.根据权利要求1所述的多尺度空间特征增强方法，其特征在于，所述对待分割病理图像进行处理，得到目标病理图像，包括：接收待分割病理图像，将所述待分割病理图像的边长缩放至预设范围，得到缩放图像；对所述缩放图像进行随机裁剪，生成预设分辨率的目标病理图像。3.根据权利要求1所述的多尺度空间特征增强方法，其特征在于，将所述目标病理图像输入图像特征提取网络，提取所述目标病理图像中的不同尺度的特征，得到不同尺度层级的特征图像，包括：将所述目标病理图像输入图像特征提取网络，所述图像特征提取网络是以在图像数据集上预训练得到的50层网络作为基础特征提取器；所述目标病理图像经所述网络每一阶段后输出不同尺度层级的特征图像。4.根据权利要求3所述的多尺度空间特征增强方法，其特征在于，各个不同尺度层级的特征图像的分辨率分别为目标病理图像的1/4、1/8、1/16和1/32，维度分别为256维、512维、1024维与2048维。5.根据权利要求3所述的多尺度空间特征增强方法，其特征在于，所述图像特征提取网络的预训练公式表示为：I＝f
resnet
(V)；其中，所述I为提取到的特征图像I＝{i1,i2,
…
,i
n
}，n表示图像数据集中的图像数量，f
resnet
(.)为图像特征提取网络ResNet，所述V为图像数据集中的图像。6.根据权利要求1所述的多尺度空间特征增强方法，其特征在于，所述将不同尺度层级的所述特征图像输入自注意力机制，进行空间特征增强处理，得到最终特征图，包括：根据各个不同尺度层级的特征图像构建特征金字塔结构；获取所述特征金字塔结构中的高层次特征图和低层次特征图；将所述低层次特征图转换映射为第一特征图和第二特征图，将所述高层次特征图映射为第三特征图；通过所述第一特征图、所述第二特征图和所述第三特征图将所述低层次特征图上的粗粒度信息合并至所述高层次特征图，得到最终特征图。7.根据权利要求6所述的多尺度空间特征增强方法，其特征在于，通过所述第一特征图、所述第二特征图和所述第三特征图将所述低层次特征图上的粗粒度信息合并至所述高层次特征图，得到最终特征图，包括：将所述第二特征图输入一个全局平均池化层，得到权重；将所述权重和所述第三特征图进行逐像素的相乘，得到加权信息；将所述第一特征图通过步长不同的卷积层，得到低尺度特征图；
...
【专利技术属性】
技术研发人员：高文，陈杰，田永鸿，徐凡，耿睿哲，
申请(专利权)人：鹏城实验室，
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。