基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法技术

本发明专利技术涉及一种基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，属于医学图像分类技术领域。该方法提取不同维度的图像的判别性多尺度特征，获得更全面的目标特征表示。基于此，该方法结合注意力机制，自适应地调整目标特征的通道权重和空间权重，强化目标特征与冗余特征之间的差异性，减少噪声干扰。最后，本发明专利技术通过聚合并强化乳腺癌组织图像分类所依赖的判别性多尺度特征，有效提高了图像分类结果的准确性。

【技术实现步骤摘要】

本专利技术属于医学图像分类，特别涉及一种基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法。

技术介绍

1、医学图像分类是实现医学图像精确分类的重要手段，也是智慧医疗领域的核心环节。例如，在乳腺癌治疗过程中，病理图像分类是关键环节。通过对乳腺癌组织图像进行准确分类，能够识别癌症的不同类型和阶段，帮助医生评估肿瘤的恶性程度，从而制定针对性的治疗方案，并有效监控治疗进展和效果。

2、卷积神经网络(cnn)因其卓越的特征提取能力，已成为深度学习在医学图像分类领域的重要工具，并推动了该领域的显著进步。然而，在乳腺癌组织图像分类任务中，细胞形状不规则、细胞核分布混乱以及组织形态差异较大等问题，给基于卷积神经网络的医学图像分类带来了诸多挑战。目前，现有方法通常只关注图像特征的提取，而忽视了对特征权重的调节，未能有效区分目标特征与冗余特征。这种局限性削弱了特征提取的准确性与可靠性，从而影响了乳腺癌组织图像分类的准确性。因此，针对实际需求，设计并实现一种可靠、智能、准确且高效的乳腺癌组织图像分类算法，不仅能够提升临床诊断效率，减少病理学家主观判断带来的偏差本文档来自技高网...

【技术保护点】

1.一种基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其特征在于：步骤四中所述的集成注意力模块的计算公式如下：

3.根据权利要求1所述的基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其特征在于：步骤五与步骤六中所述的多尺度特征提取模块包含五种卷积模块，分别为：MCBA、MCBB、MCBC、MCBD和MCBE，上述模块的具体步骤如下：

【技术特征摘要】

1.一种基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度特征融合与注意力机制的乳腺癌组织图像分类方法，其特征在于：步骤四中所述的集成注意力模块的计算公式如下：

【专利技术属性】
技术研发人员：洪婧，杨宇恒，王嘉豪，李庆华，
申请(专利权)人：长春大学，
类型：发明
国别省市：