[发明专利]基于多尺度注意力机制的真菌显微图像分类方法及系统

说明书

本发明提出一种基于多尺度注意力机制的真菌显微图像分类方法及系统，包括：获取训练样本，该训练样本包括多张真菌显微图像，且每张真菌显微图像具有对应的真菌类别标签；构建包括注意力模块的深度学习图像分类模型，使用该训练样本训练该深度学习图像分类模型，并将训练完成的该深度学习图像分类模型作为真菌图像分类模型；将待分类的真菌显微图像输入该真菌图像分类模型，得到其真菌类别。本发明通过在网络中加入注意力模块，以使网络聚焦于真菌所在的区域，尽可能忽略背景区域的影响。从而能更准确地识别形态差异较小的同属异种真菌。

技术领域

本发明涉及计算机视觉中的图像分类技术领域，并特别涉及一种基于多尺度注意力机制的真菌显微图像分类方法及系统。

背景技术

数据显示，自然界真菌约200万种，人类致病真菌约560种。真菌每年诊疗费约26亿美金。全世界每年有数千万医学真菌感染者，由病原导致的真菌深部感染每年导致150万人死亡，严重威胁人类健康。

如何快速准确鉴别医学真菌感染，尤其是致命的真菌感染是世界医学亟待攻克的难题。目前在临床中，主要通过生化鉴定的方式来判断致病真菌的类别，整个过程可以持续4-10天。现有的基于深度学习的真菌分类识别技术，大都只能对有限几种真菌进行分类，同时存在所需要的训练数据集非常庞大，分类准确率不高的问题。

对于真菌显微图像的识别分类，目前面临的主要技术难点是：

酵母菌和有丝真菌的形态大小间存在一定的差异，酵母菌通常大小较小，在图像中仅占一小部分区域。而有丝真菌则相对更大；

同属异种真菌之间的形态差异较小，例如：光滑念珠菌和季也蒙念珠菌，人眼观察时仅从图像上很难分辨出种类。

发明内容

对于上述，本发明在SE模块中设计了Spatial Atrous模块。具体而言，该模块将三个空洞率分别为3、6、9的空洞卷积的输出特征图连接在一起，再输入下个卷积层。这样做的好处是，对于空洞率为3的空洞卷积，它输出的特征图尺寸较大，感受野较小，这样的特征图蕴含丰富的局部细节信息；对于空洞率为9的空洞卷积，它输出的特征图尺寸较小，感受野较大，这样的特征图蕴含丰富的全局细节信息。本发明将这样三种空洞率不同的空洞卷积输出的三种尺寸不一的特征图融合在一起，可以获得丰富的全局信息和局部信息，即融合了丰富的多尺度信息。这样的网络对于不同尺寸的待检物(真菌)的鲁棒性较强。并且，本发明在网络中加入SE模块，以使网络聚焦于真菌所在的区域，尽可能忽略背景区域的影响。从而能更准确地识别形态差异较小的同属异种真菌。

具体来说，本发明提出一种基于多尺度注意力机制的真菌显微图像分类方法，其中包括：

步骤1、获取训练样本，该训练样本包括多张真菌显微图像，且每张真菌显微图像具有对应的真菌类别标签；

步骤2、构建包括注意力模块的深度学习图像分类模型，使用该训练样本训练该深度学习图像分类模型，并将训练完成的该深度学习图像分类模型作为真菌图像分类模型；

步骤3、将待分类的真菌显微图像输入该真菌图像分类模型，得到其真菌类别。

所述的基于多尺度注意力机制的真菌显微图像分类方法，其中该深度学习图像分类模型中包括串联连接的卷积层，且串联卷积层的输出与该注意力模块的输入端相连。

所述的基于多尺度注意力机制的真菌显微图像分类方法，其中该深度学习图像分类模型包括平均池化层、全连接层和激活层。

所述的基于多尺度注意力机制的真菌显微图像分类方法，其中输入该深度学习图像分类模型的真菌显微图像，会经过多个卷积层提取出图像特征，并将图像特征输入带有空洞卷积的注意力模块，使深度学习网络的注意力聚焦于真菌所在区域，再经过一层卷积层后，得到真菌类别。