一种基于多尺度注意力特征增强的宫颈细胞分类方法技术

本发明专利技术公开了一种基于多尺度注意力特征增强的宫颈细胞分类方法，包括：S1：使用深度卷积神经网络提取多尺度特征；S2：根据FPN中的特征融合方法构造多尺度特征金字塔；S3：对金字塔特征中每层特征分别计算空间注意力和通道注意力，生成空间注意力金字塔以及通道注意力向量；S4：利用空间注意力金字塔阈值分割得到的masks增强空间注意力；S5：使用增强后的空间注意力金字塔与各层通道注意力向量对S2中的多尺度金字塔特征进行注意力加权，得到多尺度注意力特征金字塔；S6：分别对多尺度注意力特征金字塔中的每层特征构造分类器；S7：对整个网络进行梯度下降优化训练并对宫颈细胞进行分类预测。本发明专利技术提供一种具有更高分类准确率的宫颈细胞分类模型。的宫颈细胞分类模型。的宫颈细胞分类模型。

【技术实现步骤摘要】
一种基于多尺度注意力特征增强的宫颈细胞分类方法


[0001]本专利技术涉及深度学习与医学交叉领域，具体涉及一种基于多尺度注意力特征增强的宫颈细胞分类方法，属于深度学习在医疗领域中的应用。

技术介绍

[0002]宫颈癌是一种最常见的妇科恶性肿瘤，发病率和死亡率极高。其原位癌高发年龄为30～35岁，浸润癌为45～55岁，近年来其发病有年轻化的趋势。临床实践发现有效的宫颈细胞筛查手段可以使宫颈癌和癌前病变得以更早的发现和治疗，明显降低宫颈癌的发病率和死亡率。
[0003]根据宫颈癌癌前病变的不同阶段，可以将宫颈细胞分为以下5类：NORMAL(正常细胞),ASC
‑
US(atypical squamous cells of undetermined significance，未明确诊断意义的非典型鳞状细胞),ASC
‑
H(atypical squamous cells but cannot rule out high
‑
grade squamous intra
‑
epithelial lesion，不能排除高度鳞状上皮内病变的非典型鳞状细胞),LSIL(low
‑
grade squamous intra
‑
epithelial lesion，低度鳞状上皮内病变),HSIL(high
‑
grade squamous intra
‑
epithelial lesion，高度鳞状上皮内病变)。这5类细胞在外观上大体相似，但是随着病程的发展，他们之间的区别主要表现在其病理特征会发生不同程度的变化，例如在异常细胞中通常会存在不受控制的分裂导致出现异形细胞核。因此，在临床诊断中，宫颈细胞筛查常由细胞学家在显微镜下观察宫颈细胞涂片中细胞核的病理特征来确定细胞病变的程度。然而，手工的宫颈细胞学筛查对细胞学家的专业和经验要求十分高，而且也非常耗时耗力。好在随着机器学习方法，特别是深度学习的快速发展，越来越多的研究人员开始使用计算机辅助诊断技术(computer
‑
aided automated diagnosis，CAD)来弥补手工细胞学筛查方法的不足。
[0004]目前已经出现了许多宫颈细胞自动分类任务，然而这些方法仍然没有直接解决宫颈细胞分类所面临的两大难点。第一，不同类别的宫颈细胞之间的区别主要表现在细胞核上，因此分类网络需要更加关注到细胞核区域。第二，宫颈细胞分类是一种细粒度图像分类任务，不同类别细胞之间的相似性大，又由于染色条件的不一致或宫颈涂片制作者个人偏好的差异，同一类别的细胞也可能存在较大的差异，这使得宫颈细胞分类任务更具挑战性。

技术实现思路

[0005]针对上述技术问题，本专利技术公开了一种基于多尺度注意力特征增强的宫颈细胞分类方法，通过搭建具有双向特征传递的特征金字塔网络提取同时包含低级细节特征和高级语义特征的多尺度特征金字塔，使用这种更加丰富的特征搭建多个联合分类器可以更加有效地挖掘细粒度的各类宫颈细胞之间的鉴别性特征，再结合使用阈值分割产生的attention masks对多尺度注意力进行增强，最终实现更加准确的颈细胞分类。
[0006]本专利技术提供的技术方案如下：
[0007]一种基于多尺度注意力特征增强的宫颈细胞分类方法，步骤如下：
[0008]S1：使用包含多个block的深度卷积神经网络从宫颈细胞图像中提取多尺度特征；
[0009]S2：根据FPN中的特征融合方法构造多尺度特征金字塔；
[0010]S3：使用APN对多尺度金字塔特征中每层特征分别计算空间注意力和通道注意力，生成空间注意力金字塔以及各层的通道注意力向量；
[0011]S4：利用空间注意力金字塔阈值分割得到的masks增强空间注意力；
[0012]S5：使用增强后的空间注意力金字塔与各层通道注意力向量对S2中的多尺度金字塔特征进行注意力加权，得到用于分类的多尺度注意力特征金字塔；
[0013]S6：分别对多尺度注意力特征金字塔中的每层特征构造分类器；
[0014]S7：利用三项损失函数对整个网络进行端到端的梯度下降优化训练，用训练好的分类网络对宫颈细胞进行分类预测。
[0015]进一步，步骤S1中的深度卷积神经网络为任何通用分类网络的backbone，该网络被分成n个block，每个block的输出特征图具有不同的尺度。优选的分类网络包括ResNet、DenseNet、VGG等。
[0016]进一步，步骤S2中，通过将深层block输出的特征图采样至浅层block输出特征图同样大小后，与浅层block输出特征图相加实现自上而下的不同尺度特征的融合，并使用每个block输出特征与深层特征融合后的特征构建多尺度特征金字塔。
[0017]进一步，步骤S3包括以下子步骤：
[0018]S3.1：对多尺度金字塔特中的每层特征P
i
进行3
×
3反卷积和sigmoid归一化，生成每层特征对应的空间注意力图
[0019]S3.2：对多尺度金字塔特中的每层特征F
i
依次经过全局平均池化和两个全连接层后生成初始通道注意力
[0020]S3.3：使用当前层的初始通道注意力与浅层的通道注意力相加融合得到当前层最终的通道注意力实现自下而上的不同尺度注意力特征融合。
[0021]进一步，步骤S4包括以下子步骤：
[0022]S4.1：计算每层空间注意力图的均值θ
i
；
[0023]S4.2：使用θ
i
作为阈值对空间注意力图进行分割，得到对应的分割mask M
i
；
[0024]S4.3：利用M
i
对空间注意力图进行加权，剔除注意力权重较小点处的注意力分数，得到增强后的多尺度空间注意力特征。
[0025]更进一步，步骤S4.2中，使用θ
i
作为阈值对空间注意力图进行分割的方法为：中大于或等于θ
i
的值被赋值为1，中小于的值被赋值为0。
[0026]进一步，步骤S5中，通道注意力向量中的每个值对应当前层特征图中一个通道，通过乘法将每个注意力值加权到其对应通道上的所有特征值上。
[0027]进一步，步骤S6中的分类器由一个全局平均池化层和若干全连接层构成。
[0028]进一步，步骤S7中，三项损失函数由所有分类器的联合交叉熵损失L
CE
、masks的平滑损失L
SM
以及通道特征多样性损失L
CDis
的加权和组成，即L＝L
CE
+λL
CDis
+μL
SM
，其中λ和μ是用于平衡各项损失的常数。
[0029]更进一步，步骤S7中，平滑损失L
SM
用于约束attent本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度注意力特征增强的宫颈细胞分类方法，其特征在于，步骤如下：S1：使用包含多个block的深度卷积神经网络从宫颈细胞图像中提取多尺度特征；S2：根据FPN中的特征融合方法构造多尺度特征金字塔；S3：使用APN对多尺度金字塔特征中每层特征分别计算空间注意力和通道注意力，生成空间注意力金字塔以及各层的通道注意力向量；S4：利用空间注意力金字塔阈值分割得到的masks增强空间注意力；S5：使用增强后的空间注意力金字塔与各层通道注意力向量对S2中的多尺度金字塔特征进行注意力加权，得到用于分类的多尺度注意力特征金字塔；S6：分别对多尺度注意力特征金字塔中的每层特征构造分类器；S7：利用三项损失函数对整个网络进行端到端的梯度下降优化训练，用训练好的分类网络对宫颈细胞进行分类预测。2.根据权利要求1所述的方法，其特征在于：步骤S1中的深度卷积神经网络为任何通用分类网络的backbone，该网络被分成n个block，每个block的输出特征图具有不同的尺度。3.根据权利要求1所述的方法，其特征在于：步骤S2中，通过将深层block输出的特征图采样至浅层block输出特征图同样大小后，与浅层block输出特征图相加实现自上而下的不同尺度特征的融合，并使用每个block输出特征与深层特征融合后的特征构建多尺度特征金字塔。4.根据权利要求1所述的方法，其特征在于：步骤S3包括以下子步骤：S3.1：对多尺度金字塔特中的每层特征P
i
进行3
×
3反卷积和sigmoid归一化，生成每层特征对应的空间注意力图S3.2：对多尺度金字塔特中的每层特征F
i
依次经过全局平均池化和两个全连接层后生成初始通道注意力S3.3：使用当前层的初始通道注...

【专利技术属性】
技术研发人员：刘娟，金钰，
申请(专利权)人：武汉大学，
类型：发明
国别省市：