【技术实现步骤摘要】
本专利技术涉及深度学习，尤其是涉及一种病理图像分割网络模型、方法、装置及介质。
技术介绍
1、病理图像的分割结果是计算机辅助病理诊断的重要依据，能帮助医生快速定位了解患者的状况，并辅助制定相应的手术治疗计划等，这对于医生帮助患者进行治疗诊断具有重要意义。然而，与自然场景图像相比，病理图像通常具有独特且复杂的微观结构特征，如形态变化多样、组织缺失、高密度分布、染质吸收不均匀等问题。目前临床医生主要采用手工标注的方式，这一过程费时费力，因此迫切需要利用计算机技术辅助实现准确的病理图像分割，以提高临床医生的诊断效率。
2、随着计算机技术的发展，越来越多的计算机技术广泛应用在辅助病理诊断中。其中，基于深度学习的分割方法开始广泛应用于病理图像分割中，总体性能优于传统分割方法。且深度学习因兼备自学习能力和较强的鲁棒性，已成为医学图形领域技术研究的热点和难点。
3、而早期的病理图像分割方法主要是基于图像学轮廓和传统的机器学习方法，其大多需要先验知识来设定参数，参数的设置直接影响分割的性能，并且这种固定参数的模型往往只能处理相同风格的数据集，泛化能力较差。近年来，基于深度学习的分割方法开始广泛应用于病理图像分割中，总体性能优于传统分割方法。然而卷积神经网络存在两个问题：卷积核大小为固定参数，导致网络在训练过程中对图像特征提取的感受野是有限的，仅对图像的局部区域进行信息提取，将使得模型局限于关注局部特征信息的提取和融合，缺乏对全局特征信息的关注，使得网络对分割目标和周围背景的对比度不敏感；未充分考虑不同尺度提取的特征信息对
4、另外，最近transformer也被广泛应用到病理图像分割任务中，其通过嵌入位置编码的方式，对上下文信息进行捕捉，使得能够对远距离的特征信息进行直接关注，有效地提升了特征信息的学习视野，从而提供更好的建模能力。然而，虽然transformer的注意力机制使得模型能够对输入序列进行远距离关注，但这也有可能导致模型过度关注序列中远距离位置的特征信息，忽视当前局部信息的关联性，从而影响特征学习，同时transformer模型的训练通常需要大量的计算资源和存储空间去进行模型的训练，这导致整体网络的训练成本较高。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术提供一种病理图像分割网络模型、方法、装置及介质，用以解决相关技术中的缺陷。
2、根据本专利技术的第一方面，提供一种病理图像分割网络模型，所述网络模型包括编码器和解码器；
3、所述编码器包括多尺度卷积注意力模块，所述多尺度卷积注意力模块用于通过若干不同尺寸的卷积核提取输入图像不同尺度的特征信息，以及从空间维度关注所述不同尺度的特征信息之间的关联信息，获取全局上下文信息，并通过所述全局上下文信息抑制所述特征信息中的干扰信息；
4、所述解码器包括多尺度特征融合模块，所述多尺度特征融合模块用于将所述不同尺度的特征信息进行融合。
5、优选地，所述多尺度卷积注意力模块包括多尺度卷积模块和空间注意力模块；
6、所述多尺度卷积注意力模块用于：
7、通过所述多尺度卷积模块，使用不同尺寸的卷积核对输入特征进行特征采样，获得多尺度特征图；
8、通过所述空间注意力模块，从空间维度关注所述多尺度特征图内部特征的关联信息，获取所述全局上下文信息；
9、将所述全局上下文信息与所述多尺度特征图进行矩阵运算，获得抑制了干扰信息的输出特征。
10、优选地，所述多尺度卷积模块包括1×1卷积核、3×3卷积核、平均池化层、最大池化层和softmax激活函数；
11、所述多尺度卷积模块用于：
12、分别通过所述1×1卷积核和所述3×3卷积核对所述输入特征进行特征采样，获得第一特征图和第二特征图，并将所述第一特征图和所述第二特征图相加，获得融合特征图；
13、分别通过所述平均池化层和所述最大池化层对所述融合特征图进行处理，将获得的两个权重值进行叠加，同时使用所述softmax激活函数关注不同尺度采样获得的特征图信息，获得权重矩阵；
14、将所述权重矩阵分别与所述第一特征图和所述第二特征图相乘后进行融合，获得所述多尺度特征图。
15、优选地，所述空间注意力模块包括三个1×1卷积核和softmax激活函数；
16、所述空间注意力模块用于：
17、通过一个所述1×1卷积核从空间维度捕捉所述多尺度特征图内部的特征信息，并经过所述softmax激活函数处理后获得注意力权重；
18、将所述注意力权重和所述多尺度特征图进行矩阵相乘，获得注意力学习后的特征图；
19、通过两个所述1×1卷积核对所述注意力学习后的特征图进行特征聚合，并与所述多尺度特征图进行残差连接，获得所述全局上下文信息。
20、优选地，所述多尺度特征融合模块包括1×1卷积核、3×3卷积核、2×2最大池化层和2×2上采样层；
21、所述多尺度特征融合模块用于：
22、将浅层网络输出的特征图通过所述2×2最大池化层进行池化操作，获得池化后的特征图；
23、将所述池化后的特征图与深层网络输出的特征图通过所述1×1卷积核和所述3×3卷积核进行信息融合，并将融合后的特征图依次传递至下层网络；
24、通过所述2×2上采样层恢复所述融合后的特征图的特征维度。
25、优选地，所述编码器包括四个下采样层；每个所述下采样层包括一个卷积模块、一个最大池化模块和一个所述多尺度卷积注意力模块；其中，第一个所述下采样层的所述卷积模块包括一个3×3卷积层，其他三个所述下采样层的所述卷积模块包括两个3×3卷积层；所述最大池化模块包括一个2×2最大池化层；
26、所述编码器用于：
27、通过四个所述下采样层逐步提取输入图像的特征；其中，所述卷积模块用于提取特征，所述最大池化模块用于对所述卷积模块输出的特征进行下采样；
28、在每个所述下采样层中，通过所述多尺度卷积注意力模块对所述卷积模块输出的特征进行多尺度特征提取和注意力学习。
29、优选地，所述解码器包括与所述下采样层对应的四个上采样层，以及一个所述多尺度特征融合模块和一个1×1卷积层；每个所述上采样层包括一个卷积模块和一个2×2上采样层，所述卷积模块包括两个3×3卷积层；
30、所述解码器用于：
31、通过四个所述上采样层逐步将特征图恢复至所述输入图像的大小；
32、通过所述多尺度特征融合模块将不同尺度获得的特征图进行融合，获得多尺度特征融合特征图；
33、通过所述1×1卷积层对所述多尺度特征融合特征图通道数进行调整，获得病理图像分割预测结果。
34、优选地，所述网络模型还包括多头交叉注意力模块，所述多头交叉注意力模块用于将所本文档来自技高网...
【技术保护点】
1.一种病理图像分割网络模型，其特征在于，所述网络模型包括编码器和解码器；
2.根据权利要求1所述的网络模型，其特征在于，所述多尺度卷积注意力模块包括多尺度卷积模块和空间注意力模块；
3.根据权利要求2所述的网络模型，其特征在于，所述多尺度卷积模块包括1×1卷积核、3×3卷积核、平均池化层、最大池化层和Softmax激活函数；
4.根据权利要求2所述的网络模型，其特征在于，所述空间注意力模块包括三个1×1卷积核和Softmax激活函数；
5.根据权利要求1所述的网络模型，其特征在于，所述多尺度特征融合模块包括1×1卷积核、3×3卷积核、2×2最大池化层和2×2上采样层；
6.根据权利要求1所述的网络模型，其特征在于，所述编码器包括四个下采样层；每个所述下采样层包括一个卷积模块、一个最大池化模块和一个所述多尺度卷积注意力模块；其中，第一个所述下采样层的所述卷积模块包括一个3×3卷积层，其他三个所述下采样层的所述卷积模块包括两个3×3卷积层；所述最大池化模块包括一个2×2最大池化层；
7.根据权利要求6所述的网络
8.根据权利要求1所述的网络模型，其特征在于，所述网络模型还包括多头交叉注意力模块，所述多头交叉注意力模块用于将所述编码器与所述解码器的特征信息进行融合连接；
9.一种病理图像分割方法，其特征在于，所述方法包括：
10.根据权利要求9所述的方法，其特征在于，所述病理图像分割网络模型在训练时，使用结合了二元交叉熵损失函数和Dice损失函数的混合损失函数进行训练；所述混合损失函数表示为：
11.一种病理图像分割装置，其特征在于，所述装置包括：
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求9-10任一所述的病理图像分割方法。
...【技术特征摘要】
1.一种病理图像分割网络模型，其特征在于，所述网络模型包括编码器和解码器；
2.根据权利要求1所述的网络模型，其特征在于，所述多尺度卷积注意力模块包括多尺度卷积模块和空间注意力模块；
3.根据权利要求2所述的网络模型，其特征在于，所述多尺度卷积模块包括1×1卷积核、3×3卷积核、平均池化层、最大池化层和softmax激活函数；
4.根据权利要求2所述的网络模型，其特征在于，所述空间注意力模块包括三个1×1卷积核和softmax激活函数；
5.根据权利要求1所述的网络模型，其特征在于，所述多尺度特征融合模块包括1×1卷积核、3×3卷积核、2×2最大池化层和2×2上采样层；
6.根据权利要求1所述的网络模型，其特征在于，所述编码器包括四个下采样层；每个所述下采样层包括一个卷积模块、一个最大池化模块和一个所述多尺度卷积注意力模块；其中，第一个所述下采样层的所述卷积模块包括一个3×3卷积层，其他三个所述下采样层的所述卷积模块包括两个3×3卷积层；所述最大池...
【专利技术属性】
技术研发人员：曾安，赖峻浩，潘丹，杨宝瑶，赵靖亮，
申请(专利权)人：广东工业大学，
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。