【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种多层次感知注意力机制的细胞微核分类方法。
技术介绍
1、细胞微核是细胞核的异常小结构，与细胞dna损伤相关。细胞微核的研究在肿瘤、病理毒理检测、血液疾病、炎症感染等相关疾病的辅助诊断方面具有重要意义。细胞微核是肿瘤早期诊断的重要指标之一，其形成可能与遗传变异、环境暴露和药物反应等因素相关。研究微核可深入了解这些因素与疾病发展的关联，揭示疾病发病机制，并为疾病的预防和治疗提供理论基础。同时，准确检测和分析细胞微核的出现和数量，可尽早发现肿瘤并评估其恶性程度，从而提高早期诊断准确性。此外，因细胞微核与个体对疾病和治疗的反应密切相关，因此可为实现个体化医疗提供准确依据。其通过监测治疗效果来评估治疗的有效性，并指导治疗方案的调整。
2、计算机领域在医学图像和细胞微核的研究是一个备受关注的前沿领域。近年来，随着计算机视觉、图像处理和机器学习等技术的不断发展，医学图像的自动化分析和细胞微核的检测与分类取得了显著进展。
3、在机器学习任务中，传统方法主要依赖于手动设计的特征提取算法；如公开了一种自动体外cbmnt生物监测评分系统，其通过控制载玻片的制备方法检测细胞和细胞微核；体外微核分析和自动评分系统，以解决外周血涂片中细胞质染色强度和微核模糊的问题；辐射诱导的染色体畸变和微核计分的准确性；dna损伤下细胞微核图像的模式识别方法；单细胞定量成像显微镜优化的关键问题，并将其用于各种实验和细胞背景下的微核计数。为了提高微核鉴定的准确性和重现性；对大脑神经元微核进行了三维定量分析，揭示了神经炎
4、传统方法要求人为选择和提取与目标分类有关的特征，然后使用分类器进行学习和预测。然而，医学图像通常具有复杂的结构和大量的噪声，且不同病例之间的差异性很大，导致手动设计的特征无法完全捕捉到图像中的信息。因此，传统方法在处理医学图像分类问题时存在一定的局限性。
5、随着深度学习的兴起，尤其是卷积神经网络(convolutional neural networks,cnn)的出现，医学图像分类在过去几年取得了显著进展。较为经典的深度学习算法有alexnet[11]、googlenet[12]、resnet[13]、vgg-16[14]、mobilenet[15]、mas-net[16]等，这些深度学习算法通过使用大规模数据集进行端到端的训练，可以自动地从原始图像中学习到高级抽象的特征表示，避免了传统方法中手动设计特征的缺陷。
6、由于细胞微核图像具有目标较小、类间相似度高且样本数据少、类别不平衡，在深度学习的过程中，会存在需求的模型参数过大、算力要求高，且在进行训练时，训练困难等方面的问题。
技术实现思路
1、为解决上述的技术问题本申请提供一种能够对进行数据增强以及运用迁移学习，显著加快了模型训练速度，并提升了模型的鲁棒性的多层次感知注意力机制的细胞微核分类方法。
2、本申请是通过以下技术方案实现的，一种多层次感知注意力机制的细胞微核分类方法，包括：
3、构建分类神经网络模型；
4、利用构建的分类神经网络模型对获取的细胞扫描切片图像进行分类；
5、所述分类神经网络模型包括：
6、卷积模块；用于对细胞扫描切片图像进行特征提取，获取细胞扫描切片图像中的特征图像；
7、局部特征获取模块，用于对特征图像进行局部特征表示获取局部特征图像；
8、关系建立模块，对局部特征图像中每个通道图像进行独立卷积得到局部表示图像，对得到的局部表示图像进行归一化处理，对归一化处理后的局部特征图像进行展开后进行分割得到多个局部图像块，并对局部图像块经过线性转换得到嵌入向量；
9、利用每一个嵌入向量获取该嵌入向量所对应局部图像块的全局上下文信息及与其它局部图像块之间的图像关系；
10、利用全局池化操作对每一个图像块的全局上下文信息及与其它图像块之间的图像关系进行汇总，得到融合图像；
11、分类模块，利用得到的融合图像对细胞扫描切片图像进行分类。
12、优选的，所述局部特征获取模块在提取细胞扫描切片图像中的局部特征图像的方法包括：
13、使用全局平均池化操作将细胞扫描切片图像中每个通道的特征图压缩得到每个通道的压缩特征；
14、利用每个通道的压缩特征获取每个通道的激励权重，利用每个通道的激励权重获取每个通道的重要性；
15、根据每个细胞扫描切片图像中每个通道的重要性得到特征图像。
16、优选的，每个通道的特征图压缩得到每个通道的压缩特征的方法包括：
17、
18、式中：zc表示第c个通道的压缩特征，fsq压缩操作函数，x表示输入的特征图，h和w表示特征图的高和宽，i和j表示特征图上的坐标信息。
19、优选的，获取每个通道的激励权重的方法包括：
20、s＝fexcite(zc)＝σ(w2δ(w1zc))
21、式中：s表示每个通道的激励权重，zc第c个通道的压缩特征，fexcite表示激励操作函数，σ是sigmoid函数，δ是激活函数，w1和w2是激励操作的参数。
22、优选的，所述关系建立模块中对得到的局部表示图像进行归一化处理的方法包括：
23、对特征图像进行归一化处理，获取归一化处理后的特征值；
24、利用归一化后的特征值和特征图像的原始特征值进行一个卷积操作获取最终的重构特征值得到归一化后图像。
25、优选的，获取最终的重构特征的方法包括：
26、z＝frecon(y)
27、式中：y表示注意力加权后的特征；frecon是一个卷积操作，z表示重构特征值；
28、其中：y＝x⊙a；x表示特征图像的原始特征值；y表示注意力加权后的特征，⊙表示逐个元素融合；
29、其中：
30、
31、式中：表示归一化后的特征，a表示计算得到的注意力权重，σ表示sigmoid函数，fatt表示卷积操作。
32、本申请的有益效果是：
33、融合了卷积神经和图像分析的优势分类神经网络模型的基础上，通过对模型的关键参数、进行数据增强以及运用迁移学习，显著加快了模型训练速度，并提升了模型的鲁棒性，实现细胞微核精准分类，此外，视觉分块模块对图像进行分离和重构，加快了局部特征图像的获取速度。
本文档来自技高网...【技术保护点】
1.一种多层次感知注意力机制的细胞微核分类方法，其特征在于，包括：
2.根据权利要求1一种多层次感知注意力机制的细胞微核分类方法，其特征在于；
3.根据权利要求2所述的一种多层次感知注意力机制的细胞微核分类方法，其特征在于，每个通道的特征图压缩得到每个通道的压缩特征的方法包括：
4.根据权利要求3所述的一种多层次感知注意力机制的细胞微核分类方法，其特征在于，获取每个通道的激励权重的方法包括：
5.根据权利要求1所述的一种多层次感知注意力机制的细胞微核分类方法，其特征在于，所述关系建立模块中对得到的局部表示图像进行归一化处理的方法包括：
6.根据权利要求2所述的一种多层次感知注意力机制的细胞微核分类方法，其特征在于：获取最终的重构特征的方法包括：
【技术特征摘要】
1.一种多层次感知注意力机制的细胞微核分类方法，其特征在于，包括：
2.根据权利要求1一种多层次感知注意力机制的细胞微核分类方法，其特征在于；
3.根据权利要求2所述的一种多层次感知注意力机制的细胞微核分类方法，其特征在于，每个通道的特征图压缩得到每个通道的压缩特征的方法包括：
4.根据权利要求3所述的一种多层次感知注...
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。