本发明专利技术公开一种基于深度特征融合的病理图像分类装置，所述装置包含：图像数据集获取单元，获取小块图像数据集；特定数量的集成单元，用于接收所述小块图像数据集中的小块图像，根据设定的网络训练参数使所述小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层图像卷积特征；特征融合单元，用于对获取的所述深层图像卷积特征和所述浅层图像卷积特征进行运算后与向量化的深层图像卷积特征进行级联，获得图像深度融合特征；分类器，用于根据所述特征融合模块获取的图像深度融合特征，结合预置分类标准，获得图像的分类标签。本发明专利技术还公开一种基于深度特征融合的病理图像分类方法；一种基于深度特征融合的病理图像分类装置的使用方法。通过本发明专利技术可实现更加准确的病理图像分类。发明专利技术可实现更加准确的病理图像分类。发明专利技术可实现更加准确的病理图像分类。
【技术实现步骤摘要】
一种基于深度特征融合的病理图像分类装置、方法及装置的使用方法
[0001]本专利技术涉及病理图像分类领域，更具体的，涉及一种基于深度特征融合的病理图像分类技术。
技术介绍
[0002]近年来，随着深度学习的发展，基于卷积神经网络的病理图像分类方法得到了一定的发展，并且应用于一些计算机辅助诊断系统中，然而由于采集和标注病理图像数据的限制，数据量小、噪音数据等问题，严重影响了模型的准确性与可靠性。
[0003]因此，领域内的专家对基于卷积神经网络的病理图像分类方法进行了一系列的探索和研究。2016年，H.Kallen使用卷积神经网络提取的卷积特征训练随机森林和SVM分类器对前列腺癌病理图像进行分类，以降低医生的工作强度。2018年，K.Nagpal使用Inception网络对前列腺癌病理图像进行分类，使模型精度有了进一步的提高。2018年，E.Arvaniti使用小块图像训练轻量化网络MobileNet，获得了更高的分类准确率。2019年，J.Wang提出了一种利用图卷积网络对组织微阵列进行分级的弱监督方法，该方法将细胞的空间组织建模为图，以更好地捕捉肿瘤细胞的增殖和群落结构。上述方法所采用的卷积神经网络仅仅对病理图像进行了逐层映射，致力于如何提高分类的准确率，但卷积特征并没有与病理图像进行融合，因此限制了模型的分类性能，局限了模型的分类精度。
[0004]因此一种新的将深度特征与病理图像进行融合，以获得更具判别性的特征表示，从而提高模型的分类精度的技术亟待出现。
技术实现思路
[0005]本专利技术的目的在于提供一种基于深度特征融合的病理图像分类技术，达到构造深度卷积神经网络，提取不同视野下的卷积特征以获得高分类精度模型的技术手段。
[0006]为了实现上述目的，本专利技术公开了一种基于深度特征融合的病理图像分类装置，所述装置包含：
[0007]图像数据集获取单元，用于对前列腺病理图像形态数字切片中的特征区域进行采样，获取小块图像数据集；
[0008]特定数量的集成单元，用于接收所述图像数据集获取单元获取的小块图像数据集中的小块图像，根据设定的网络训练参数使所述小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层图像卷积特征；
[0009]特征融合单元，用于对集成单元获取的所述深层图像卷积特征和所述浅层图像卷积特征进行运算后与向量化的深层图像卷积特征进行级联，获得图像深度融合特征；
[0010]分类器，用于根据所述特征融合模块获取的图像深度融合特征，结合预置分类标准，获得图像的分类标签。
[0011]其中，集成单元进一步包含：
[0012]特定数量的注意力机制模块，用于使所述小块图像通过卷积核与加权通道的运算，获得重复加权后的图像卷积特征；
[0013]降采样模块，用于对经过所述特定数量的注意力机制模块重复加权后的图像卷积特征，进行不同视野的特征提取，并通过级联的方式对特征进行融合，获得深化的图像卷积特征；
[0014]所述特定数量的集成单元依次堆叠，对上一个集成单元提取的卷积特征再次进行卷积特征的提取，最后一个集成单元提取的卷积特征为深层图像卷积特征，倒数第二个集成单元提取的卷积特征为浅层图像卷积特征。
[0015]优选的：
[0016]所述特征融合模块将所述深层图像卷积特征和所述浅层图像卷积特征转换为相同维度的特征矩阵后进行外积运算，将所述深层图像卷积特征经卷积运算转换为全卷积向量，将所述全卷积向量与外积运算的结果进行级联获得图像深度融合特征。
[0017]为了提高装置的精确程度，优选的：
[0018]所述装置还包含误差分析单元和参数设置单元；
[0019]所述误差分析单元用于根据所述分类器的分类结果计算分类误差；
[0020]所述参数设置单元用于根据所述误差分析单元计算的分类误差更新设定所述网络训练参数；
[0021]所述图像数据集获取单元获取的小块图像数据集为训练集和测试集。
[0022]具体的：
[0023]将不同的所述分类器预置不同的分类标准，根据判定需求使用相应的分类器对所述图像深度融合特征进行分类。
[0024]本专利技术还公开一种基于深度特征融合的病理图像分类方法，所述方法包含：
[0025]对前列腺病理图像形态数字切片中的特征区域进行采样，获取小块图像数据集；
[0026]根据设定的网络训练参数对所述小块图像数据集中的小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层卷积特征；
[0027]对所述深层图像卷积特征和所述浅层卷积图像特征进行运算后与向量化的深层图像卷积特征进行级联，获得图像深度融合特征；
[0028]根据所述获取的图像深度融合特征，结合预置的分类标准，获得图像的分类标签。
[0029]进一步的，所述根据设定的网络训练参数对所述小块图像数据集中的小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层卷积特征的方法具体为：
[0030]使所述小块图像通过卷积核与加权通道的运算，获得重复加权后的图像卷积特征；
[0031]对所述重复加权后的图像卷积特征，进行不同视野的特征提取，并通过级联的方式对特征进行融合，获得深化的图像卷积特征；
[0032]对所述图像卷积特征再次进行卷积特征的提取，最后一次提取的卷积特征为深层图像卷积特征，倒数第二次提取的卷积特征为浅层图像卷积特征。
[0033]优选的：
[0034]将所述深层图像卷积特征和所述浅层图像卷积特征转换为相同维度的特征矩阵后进行外积运算，将所述深层图像卷积特征经卷积运算转换为全卷积向量，将所述全卷积向量与外积运算的结果进行级联获得图像深度融合特征。
[0035]为了提高分类的精确度，优选的，所述方法还包含：
[0036]根据所述获得的图像的分类标签计算分类误差；
[0037]根据所述误差更新设定所述网络训练参数；
[0038]所述小块图像数据集为训练集和测试集。
[0039]具体的：
[0040]预置不同的分类标准，根据判定需求使用相应的分类标准对所述图像深度融合特征进行分类。
[0041]本专利技术还公开一种基于深度特征融合的病理图像分类装置的使用方法，根据此方法可将所述装置训练为高精度的分类装置，所述方法包含：
[0042]图像数据集获取单元对前列腺病理图像形态数字切片中的特征区域进行采样，获取小块图像数据集，根据特定比例将所述小块图像数据集划分为训练集和测试集；
[0043]特定数量的集成单元接收所述图像数据集获取单元获取的小块图像数据集中的所述训练集中的小块图像，根据设定的初始化网络训练参数使所述小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获得进一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度特征融合的病理图像分类装置，其特征在于，所述装置包含：图像数据集获取单元，用于对前列腺病理图像形态数字切片中的特征区域进行采样，获取小块图像数据集；特定数量的集成单元，用于接收所述图像数据集获取单元获取的小块图像数据集中的小块图像，根据设定的网络训练参数使所述小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层图像卷积特征；特征融合单元，用于对集成单元获取的所述深层图像卷积特征和所述浅层图像卷积特征进行运算后与向量化的深层图像卷积特征进行级联，获得图像深度融合特征；分类器，用于根据所述特征融合模块获取的图像深度融合特征，结合预置分类标准，获得图像的分类标签。2.根据权利要求1所述的装置，其特征在于，集成单元进一步包含：特定数量的注意力机制模块，用于使所述小块图像通过卷积核与加权通道的运算，获得重复加权后的图像卷积特征；降采样模块，用于对经过所述特定数量的注意力机制模块重复加权后的图像卷积特征，进行不同视野的特征提取，并通过级联的方式对特征进行融合，获得深化的图像卷积特征；所述特定数量的集成单元依次堆叠，对上一个集成单元提取的卷积特征再次进行卷积特征的提取，最后一个集成单元提取的卷积特征为深层图像卷积特征，倒数第二个集成单元提取的卷积特征为浅层图像卷积特征。3.根据权利要求2所述的装置，其特征在于：所述特征融合模块将所述深层图像卷积特征和所述浅层图像卷积特征转换为相同维度的特征矩阵后进行外积运算，将所述深层图像卷积特征经卷积运算转换为全卷积向量，将所述全卷积向量与外积运算的结果进行级联获得图像深度融合特征。4.根据权利要求1-3中任一所述的装置，其特征在于：所述装置还包含误差分析单元和参数设置单元；所述误差分析单元用于根据所述分类器的分类结果计算分类误差；所述参数设置单元用于根据所述误差分析单元计算的分类误差更新设定所述网络训练参数；所述图像数据集获取单元获取的小块图像数据集为训练集和测试集。5.根据权利要求4所述的装置，其特征在于；将不同的所述分类器预置不同的分类标准，根据判定需求使用相应的分类器对所述图像深度融合特征进行分类。6.一种基于深度特征融合的病理图像分类方法，其特征在于，所述方法包含：对前列腺病理图像形态数字切片中的特征区域进行采样，获取小块图像数据集；根据设定的网络训练参数对所述小块图像数据集中的小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层卷积特征；对所述深层图像卷积特征和所述浅层卷积图像特征进行运算后与向量化的深层图像
卷积特征进行级联，获得图像深度融合特征；根据所述获取的图像深度融合特征，结合预置的分类标准，获得图像的分类标签。7.根据权利要求6所述的方法，其特征在于，所述根据设定的网络训练参数对所述小块图像数据集中的小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征...
【专利技术属性】
技术研发人员：魏湘国，高翔，钟飞，江伟，李明睿，
申请(专利权)人：北京亿阳信通科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。