基于注意力机制的微小淋巴结图像小目标检测方法技术

本发明专利技术公开了一种基于注意力机制的微小淋巴结图像小目标检测方法，将原始微小淋巴结区域图像进行预处理调整，对所有图像进行矩阵转化，生成特征信息矩阵后再迭代转化、损失值求和取平均，优化训练模型中的参数；根据训练模型的结果与其人工标定结果作对比，得到验证集全部图像的平均精度，提取其中最高精度作为最优的训练模型参数；将获取特征信息矩阵送入最优的训练模型，获得自动标定的检测图像，根据锚框位置判断是否存在病变区域以及获取其位置。本发明专利技术的有益效果：能够对图片全局做出分析也能对图片细节地方进行处理，很好的抓取图片中的存在的病变区域，计算量少，精确度高。精确度高。精确度高。

【技术实现步骤摘要】
基于注意力机制的微小淋巴结图像小目标检测方法


[0001]本专利技术属于图像检测
，具体涉及一种基于注意力机制的微小淋巴结图像小目标检测方法。

技术介绍

[0002]近年来，淋巴类相关疾病的研究成为了医疗领域的热门研究方向，为了通过调查历史数据中，研究淋巴图像的特征的分类情况，人们对历史病历报告中淋巴图像进行了一系列图像分析过程：
[0003]早期，一部分学者通过将图像放大后，通过肉眼对比查找的方式，来对淋巴图像中各种特征的图像进行分类查找，最后得到的目标都难以有特征分类，并且不同的人员在不同的时期对相同的图像进行查找时，最后的数据都存在差距，且差距大。则分析可靠信低。
[0004]随着科技的进入，后期出现采用图像处理的方式，通过对对象放大增强后，通过机器结合目标近似度来进行查找，但是查找的目标千差万别，目标分类难，误差大，容易将图像处理过程中的斑点或者图像的其他特征目标一起识别。
[0005]随着模型在图像识别的运用，在现有技术中，也随之出现了多种基于建模的图像识别，其识别效果基于上述两种方案虽然后较大的进步，在准确性和搜索完全度上还是有进步的空间，并且算法复杂，对使用硬件有较高的要求，运算时间长、成本高。故有必要针对这需求，进行进一步的研究开发，得到适合淋巴类图像识别的、准确度高的、完整度高的一种目标查找方法。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于注意力机制的微小淋巴结图像小目标检测方法，能够解决微小淋巴结图像检测过程中现错误检测或者完整度不高的情况，并且可以解决检测成本较高的问题。
[0007]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0008]一种基于注意力机制的微小淋巴结图像小目标检测方法，其关键技术在于:包括以下步骤：
[0009]步骤1：获取的原始微小淋巴结区域图像数据集进行预处理调整，得到待检测淋巴病变图像将预处理调整后的图像划分为训练集和测试集；
[0010]步骤2：将训练集的待检测淋巴病变图像进行矩阵转化，生成特征信息矩阵Y
out
，再迭代转化，求得损失值，所有特征信息矩阵X
input
迭代后的损失值求和取平均，得到平均损失loss
m
，得到训练模型；
[0011]步骤3：通过人工标定微小淋巴结区域图像得到验证集，将验证集的特征信息矩阵X
input
送入训练模型中，根据训练模型的结果与其人工标定结果作对比，得到验证集全部实验图像的平均精度AC
mean
，并经过迭代对比，提取其中最高精度AC
mean
时的参数，得到最优训练模型，同时最高精度AC
mean
时的参数作为最优的训练模型参数；
[0012]步骤4，将测试集图像进行预处理调整，再进行矩阵转化，生成特征信息矩阵，将获取的特征信息矩阵送入最优训练模型，获取检测图像信息，根据最后的检测结果得出检测的最终结果。
[0013]进一步的，步骤1中：在加载原始病变图像时，先按照图像在文件夹中的排列顺序全部加载，以图像名称作为唯一标签，再进行打乱加载完的标签，重新排列；
[0014]在对图像进行预处理调整的步骤为：
[0015]对训练集进行翻转、平移、裁剪、几何与广度转换处理；
[0016]进行随机擦除和噪声注入数据增强处理；
[0017]进行图像尺寸统一化处理。
[0018]最终的图像大小调整方面，在Transform中定义了随机裁剪方法(Risize)，对原图进行裁剪，目的是弱化数据噪声与增加模型稳定性，由于原数据在拍摄时尺寸未规范，受拍摄仪器性能，装酒容器形状的不同导致原数据集的大小不统一，通过裁剪，将数据统一定义为相同的图像尺寸。
[0019]再进一步的，步骤二中，所述矩阵转化，生成特征信息矩阵Y
out
的步骤是采用基于ResNet
‑
18的主干模型来获取图像特征，具体为：
[0020]将预处理后的图像转化为RGB三通道的输入矩阵X
input
；
[0021]对输入矩阵X
input
进行五次下采样得到图像X5；
[0022]即对输入矩阵X
input
进行一次下采样得到X1，保留X1并再对X1进行下采样得到X2，保留X2并对X2进行下采样得到X3，保留X3并对X3进行下采样得到X4，保留X4并对X4进行一次下采样得到X5；
[0023]对X5进行四次上采样和拼接依次得到图像X
’4、图像X”4
、图像X”3
，以及图像X”2
；
[0024]即对X5进行上采样得到X
’4，将X4与X
’4进行拼接融合得到X”4
，再将X4与X
’4的融合体上采样得到X
’3，将X
’3与X3拼接融合得到X”3
，再X
’3与X3的融合体上采样得到X”3
，将X
’2与X2拼接融合得到X”2
，再将X
’2与X2的融合体上采样得到X”2
，实际的融合方式是特征图之间像素点的值相加，相加后的融合特征图输出尺寸不变
[0025]对图像X
’4、图像X”4
、图像X”3
，以及图像X”2
经过上采样调整为相同尺寸；
[0026]然后通过对应位置相加的操作融合成一个拥有较大尺寸的初始特征信息矩阵Y1；
[0027]再将初始特征信息矩阵Y1送入注意力机制模块CBAM得到特征信息矩阵Y
out
。
[0028]采用上述方案，将数据转化为3通道的输入矩阵，即RGB三色通道，然后将得到的初始语义特征进行五次下采样后再进行三次上采样，并且对每一个上采样特征与低级语义特征逐级融合，保留更多完整语义信息。
[0029]所述矩阵转化为三个步骤部分，编码部分和解码部分以及注意力模块：
[0030]再进一步的技术方案为：步骤2中训练模型公式求解步骤为：
[0031]将特征信息矩阵Y
out
作为输入，输入特征信息矩阵Y
out
经卷积操作得到特征图像I，将特征图像I的通道数转变为3；
[0032]特征图像I输入到第一模块L
k
测算关键点：
[0033]计算公式如下：
[0034][0035]α是一个超参数；N表示输入图像I(W
×
H
×
3)关键点个数，N是输入I∈R
W
×
H
×3中关键点个数；时表示检测到关键点，otherwise表示没有检测到关键点，将关键点通过高斯核函数分散到热力图中；
[0036]公式如下:
[0037][0038][0039]其中p表示关键点位置，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的微小淋巴结图像小目标检测方法，其特征在于：包括以下步骤：步骤1：获取的原始微小淋巴结区域图像数据集进行预处理调整，得到待检测淋巴病变图像将预处理调整后的图像划分为训练集和测试集；步骤2：将训练集的待检测淋巴病变图像进行矩阵转化，生成特征信息矩阵Y
out
，再迭代转化，求得损失值，所有特征信息矩阵X
input
迭代后的损失值求和取平均，得到平均损失loss
m
，得到训练模型；步骤3：通过人工标定微小淋巴结区域图像得到验证集，将验证集的特征信息矩阵X
input
送入训练模型中进行优化训练，根据训练模型的结果与其人工标定结果作对比，得到验证集全部实验图像的平均精度AC
mean
，并经过迭代对比，提取其中最高精度AC
mean
时的参数，得到最优训练模型，同时最高精度AC
mean
时的参数作为最优的训练模型参数；步骤4，将测试集图像进行预处理调整，再进行矩阵转化，生成特征信息矩阵，将获取的特征信息矩阵送入最优训练模型，获取检测图像信息，根据最后的检测结果得出检测的最终结果。2.根据权利要求1所述的基于注意力机制的微小淋巴结图像小目标检测方法，其特征在于：步骤1中：在加载原始病变图像时，先按照图像在文件夹中的排列顺序全部加载，以图像名称作为唯一标签，再进行打乱加载完的标签，重新排列；在对图像进行预处理调整的步骤为：对训练集进行翻转、平移、裁剪、几何与广度转换处理；进行随机擦除和噪声注入数据增强处理；进行图像尺寸统一化处理。3.根据权利要求2所述的基于注意力机制的微小淋巴结图像小目标检测方法，其特征在于：步骤二中，所述矩阵转化，生成特征信息矩阵Y
out
的步骤是采用基于ResNet
‑
18的主干模型来获取图像特征，具体为：将预处理后的图像转化为RGB三通道的输入矩阵X
input
；对输入矩阵X
input
进行五次下采样得到图像X5，对X5进行四次上采样和拼接依次得到图像X
’4、图像X”4
、图像X”3
，以及图像X”2
；对图像X
’4、图像X”4
、图像X”3
，以及图像X”2
经过上采样调整为相同尺寸；然后通过对应位置相加的操作融合成一个拥有较大尺寸的初始特征信息矩阵Y1；再将初始特征信息矩阵Y1送入注意力机制模块CBAM得到特征信息矩阵Y
out
。4.根据权...

【专利技术属性】
技术研发人员：韩琦，徐宏翔，钱鑫，裴仰军，邱自成，吴克鹏，蒙仑，翁腾飞，田袁，王心，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：