基于多尺度深度学习的乳腺癌组织学图像分割与分类方法技术

本发明专利技术公开了基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，首先进行数据获取及预处理；然后构建乳腺癌深度全切片图像‑间质分割与分类模型，模型采用多尺度注意力融合网络架构，包括特征提取模块、注意力机制模块、特征融合模块和分割与分类模块；通过预处理后的数据进行模型训练，最后通过训练好的模型完成乳腺癌组织学图像分割与分类，并进行Grad‑CAM可视化。本发明专利技术通过创新的多尺度深度学习架构和技术措施，显著提升了乳腺癌组织学图像分割和分类的自动化程度、精度和鲁棒性，为临床应用提供了强有力的技术支持。相比现有技术，本发明专利技术在功能上实现了更高的自动化水平、更高的分割和分类精度以及更强的全局信息利用能力。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及基于多尺度深度学习的乳腺癌组织学图像分割与分类方法。

技术介绍

1、在乳腺癌诊断和治疗过程中，组织学图像的分割与分类是至关重要的步骤。传统的病理诊断方法主要依赖于病理学家对组织切片的人工检查，这种方式不仅耗时费力，还容易受到人为因素的影响，导致诊断结果的准确性和一致性难以保证。随着数字病理技术的发展，利用计算机辅助分析全切片病理图像(whole slide image,wsi)成为提高诊断效率和准确性的重要途径。

2、1.传统图像分割方法：

3、传统的图像分割方法包括阈值分割、区域生长、形态学操作和图割等。这些方法通常依赖于手工设计的特征和先验知识，在处理复杂和多样的病理图像时，往往表现出不足。例如，阈值分割方法难以适应不同染色条件下的图像，形态学操作对噪声和干扰较为敏感。vu等人(2016)采用堆叠降噪自编码器对乳腺癌病理图像进行了特征学习，但其分割性能依然受限于手工特征的表达能力。

4、2.基于机器学习的分割与分类方法：

5、随着机器学习的发展，支持向量机(svm)、随机森本文档来自技高网...

【技术保护点】

1.基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，包括步骤如下：

2.根据权利要求1所述的基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，步骤1具体方法如下：

3.根据权利要求1或2所述的基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，乳腺癌深度全切片图像-间质分割与分类模型采用在ImageNet数据集上预训练的EfficientNetV2-B3作为特征提取模块，在EfficientNetV2-B3的不同层次即通过EfficientNetV2-B3的第2、第4和第6个MBConv块提取多尺度特征；

4....

【技术特征摘要】

1.基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，包括步骤如下：

2.根据权利要求1所述的基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，步骤1具体方法如下：

3.根据权利要求1或2所述的基于多尺度深度学习的乳腺癌组织学图像分割与分类方法，其特征在于，乳腺癌深度全切片图像-间质分割与分类模型采用在imagenet数据集上预训练的efficientnetv2-b3作为特征提取模块，在efficientnetv2-b3的不同层次即通过efficientn...

【专利技术属性】
技术研发人员：黄堂森，颜成钢，盛熙淳，殷海兵，黄星儒，高宇涵，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：