一种基于低倍率组织病理图像的多标签伪影分类方法技术

一种基于低倍率组织病理图像的多标签伪影分类方法，包括以下步骤：步骤1：将组织病理图像转换成1024×1024像素大小的缩略图；步骤2：将缩略图输入ResNet模型，并获取ResNet模型的后三层特征；步骤3：将ResNet模型后三层特征进行特征融合处理，得到融合后的特征；步骤4：将融合后的特征输入到自注意力模块中，以捕获图像中关键的全局上下文信息；步骤5：将输出特征输入到两层GCN模型中，用于捕获标签之间的相关性；步骤6：将步骤4和步骤5中得到的特征进行融合，得到最终的输出特征；步骤7：将输出特征传入全连接层，进行多标签分类。本发明专利技术降低了计算资源和内存的消耗，提高了模型训练的速度。

【技术实现步骤摘要】

本专利技术属于组织病理图像伪影检测领域，涉及一种基于低倍率组织病理图像的多标签伪影分类方法。

技术介绍

1、高质量的病理切片对于病理医生的诊断至关重要。然而，在制片过程中可能出现的伪影，如颤痕、气泡和失焦等，会影响切片的质量，进而影响病理诊断的准确性。传统的病理切片质量检测主要依赖于人工检测，但存在着人工抽检覆盖不全、耗时耗力以及主观差异性等问题。

2、针对上述问题，国内外学者提出了多种计算机辅助诊断的方法来自动筛查病理切片质量。早期的病理切片伪影检测通常采用传统机器学习算法。一般地，不同医院或同一医院不同批次制作的病理切片，其染色过程可能存在差异，导致图像的颜色特征有所不同。上述方法可能难以处理这种差异性，无法达到预期效果。

3、深度学习方法能够自动从原始数据中学习到更高级别的抽象特征表示，无需手动设计特征，许多学者已将卷积神经网络(cnn)应用于病理切片伪影识别。然而，传统方法通常在高倍率下使用滑动窗口或随机窗口处理组织病理图像，将其裁剪成多个小图像块，然后分别对每个图像块进行处理，最终整合结果。这种方法存在大量的计算资源和内存本文档来自技高网...

【技术保护点】

1.一种基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤2中，对ResNet50的后三层特征进行拼接，以综合利用各层次的丰富信息，进一步优化模型的特征表示，过程如下：

3.如权利要求1或2所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤3的过程如下：

4.如权利要求1或2所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤4中，引入了自注意力机制，过程如下：

5.如权利要求1或2所述的...

【技术特征摘要】

1.一种基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤2中，对resnet50的后三层特征进行拼接，以综合利用各层次的丰富信息，进一步优化模型的特征表示，过程如下：

3.如权利要求1或2所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤3的过程如下：

4.如权利要求1或2所述的基于低倍率组织病理图像的多标签伪影分类方法，其特征在于，所述步骤4...

【专利技术属性】
技术研发人员：丁维龙，廖婉茵，徐利锋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：