[发明专利]一种基于卷积神经网络的前列腺癌组织微阵列分级方法

权利要求书

1.一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，所述方法包括：

S1、采集前列腺癌组织微阵列图像数据；

S2、对前列腺癌组织微阵列图像数据进行预处理；

S3、基于预处理后的前列腺癌组织微阵列图像数据建立图像分割模型，将前列腺癌组织微阵列图像数据输入到图像分割模型中；

S4、将图像分割模型的输出结果恢复到与原始图像相同的尺寸；

S5、将图像分割模型预测结果与专家标注结果进行一致性检验比较，输出比较结果。

2.根据权利要求1所述的一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，步骤S2、对前列腺癌组织微阵列图像数据进行预处理，具体包括：

S21、对前列腺癌组织微阵列图像数据进行resize操作；

S22、通过图像变换算法对前列腺癌组织微阵列图像数据进行数据增强，扩充数据集。

3.根据权利要求1所述的一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，所述步骤S3、基于预处理后的前列腺癌组织微阵列图像数据建立图像分割模型，将前列腺癌组织微阵列图像数据输入到图像分割模型中，具体包括：

S31、将预处理后的前列腺癌组织微阵列图像数据作为图像分割模型的输入；

S32、将步骤S31中得到的特征图输入多尺度注意网络的卷积层进行卷积操作和特征融合操作，输出的图像数据输入到最大池化层进行下采样，使特征图尺寸缩小一倍，重复该步骤4次；

S33、将步骤S32输出的特征图输入多尺度注意网络的卷积层进行卷积操作和特征融合操作，输出的图像数据输入到最大池化层进行上采样，使特征图尺寸增大一倍，重复该步骤4次；

S34、将步骤S33输出的特征图作为1X1的卷积层的softmax激活层的输入，输出最终分割结果。

4.根据权利要求3所述的一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，所述步骤S32中，在每次将步骤S31中得到的特征图输入多尺度注意网络的卷积层进行卷积操作和特征融合操作后，还依次输入BN层进行批量归一化操作、输入ReLu层进行修正线性激活操作。

5.根据权利要求3所述的一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，所述特征融合操作具体包括：

S331、通过位置注意模块将特征图维度进行reshape操作，降维后得到多个子特征图，将其中两个张量相乘通过softmax操作归一化获得每个位置的空间注意特征图；

S332、通过通道注意模块对一个子特征图进行转置再将两个张量做矩阵相乘，经过softmax操作后得到C维度的通道注意图，并与scale参数相乘，得到的结果与原特征图相加；

S333、将步骤S331和S332的输出相加得到同时包含位置信息和通道信息的特征图。

6.根据权利要求5所述的一种基于卷积神经网络的前列腺癌组织微阵列分级方法，其特征在于，所述特征融合操作具体还包括：

将来自所有尺度的张量连接起来，形成一个新的张量通过卷积层来创建一个公共的多尺度特征图F_MS＝conv([F'₁,F'₂,F'₃,F'₄])，F_S为多尺度特征，s为体系结构中的层次，F'_S表示来自所有尺度张量的连接，F_MS用于编码来自浅层的低级细节信息及高层的语义信息，然后与多尺度的空间注意特征图和通道注意图相结合，输入到引导注意模块中，生成注意特征A_S，A_S定义如下：

A_S＝AttMod_s(conv[F'_S,F_MS])。