[发明专利]基于注意力机制的胃癌细粒度分类方法

权利要求书

1.基于注意力机制的胃癌细粒度分类方法，其特征在于，具体步骤为：

步骤一：对获取的不同微卫星状态的胃癌病理图像进行预处理；将预处理后的胃癌病理图像数据按照8:1:1的比例分为训练集、验证集和测试集；

步骤二：构建深度神经网络，并嵌入注意力机制模块，组成基于注意力机制的轻量级卷积神经网络模型，所述注意力机制模块为包含通道注意力模块和空间注意力模块；

步骤三：设置模型超参数，使用训练集对所述基于注意力机制的轻量级卷积神经网络模型进行训练及建模，并实时采用验证集对建模结果进行评价，在训练和验证的过程中，通过Adam优化器对损失函数进行优化，从而控制参数调整的方向，建立优化的基于注意力机制的胃癌细粒度分类模型；

步骤四：将胃癌病理图像测试集通过优化的基于注意力机制的轻量级卷积神经网络模型进行分类；

所述注意力机制模块包含通道注意力模块和空间注意力模块两部分时，所述通道注意力模块与空间注意力模块以串行的方式连接，先经过通道注意力模块再经过空间注意力模块；

所述通道注意力模块是对特征图F的通道权重分配Fc，具体为：

(I)所述通道注意力模块的输入是每一次经过卷积-池化模块后得到的特征图F；

(II)对所述特征图F在空间维度上分别进行全局平均池化和全局最大池化，逐通道聚合特征映射的空间信息，生成两个不同的空间上下文描述符，平均池化描述符和最大池化描述符

(III)所述平均池化描述符和最大池化描述符经过共享多层感知机网络获得平均池化和最大池化的通道注意力映射图；

(IV)采用Sigmoid函数对所述平均池化和最大池化的通道注意力映射图进行激活；

(V)采用元素求和的方式合并对激活后的平均池化和最大池化的通道注意力映射图，得到最终的通道注意力映射图M_c(F)，具体公式为式中：σ为Sigmoid函数，W₁和W₀分别为共享多层感知机网络输入层到中间层、中间层到输出层的权重；

(VI)将通道注意力映射图M_c(F)和特征图F逐元素相乘，实现对所述特征图F的通道权重分配Fc，具体公式为

所述空间注意力模块是对特征图Fc的空间位置权重分配F_S，具体为：

(i)所述空间注意力模块的输入为通道注意力模块的输出特征图Fc；

(ii)对所述通道注意力映射图在通道维度上应用全局平均池化和全局最大池化运算聚合通道信息，生成两个二维描述符，平均池化描述符和最大池化描述符

(iii)对所述平均池化描述符和最大池化描述符进行连接，生成一个有效的特征描述符

(iv)应用一个卷积层对所述特征描述符进行卷积生成空间注意力映射图M_s(F)，具体公式为式中：f^3×3为卷积核为3×3的卷积计算，[.；.]表示连接操作；

(v)将M_s(F)和特征图F_c逐元素相乘，实现对所述特征图F_c的空间位置权重分配F_S，具体公式为

2.根据权利要求1所述的基于注意力机制的胃癌细粒度分类方法，其特征在于：所述不同微卫星状态的胃癌病理图像进行预处理，包括：将所述不同微卫星状态的胃癌病理图像的尺寸统一调整为N×N，并对统一尺寸的不同微卫星状态的胃癌病理图像进行归一化处理；N为病理图像在宽度维和高度维的像素数。

3.根据权利要求1所述的基于注意力机制的胃癌细粒度分类方法，其特征在于：所述深度神经网络为自主构建的轻量级卷积神经网络，所述卷积神经网络包括一个输入层、五个卷积层、五个池化层、一个全连接层和一个输出层；其中，所述卷积神经网络的输入层用于输入所述不同微卫星状态的胃癌病理图像，所述卷积神经网络的卷积层和池化层交替连接组成所述卷积-池化模块，用于对所述输入层的不同微卫星状态的胃癌病理图像进行特征提取，所述卷积神经网络的全连接层用于对五个连续卷积-池化模块提取的不同微卫星状态的胃癌病理图像特征进行学习和分类，所述卷积神经网络的输出层用于输出不同微卫星状态的胃癌病理图像的分类结果。