一种基于高频分量特征提取的乳腺组织OCT图像分类方法

本发明属于图像识别领域，具体涉及一种基于高频分量特征提取的乳腺组织oct图像分类方法。

背景技术：

1、乳腺癌已经成为发病率最高的肿瘤，严重影响着女性的生理健康。保乳手术是早期(i或ii)乳腺癌的主要治疗方法之一，乳腺组织切片病理图像诊断技术是目前的主流的切缘诊断方法，但难以摆脱人为主观性，容易产生误诊。因此，研究人员尝试利用计算机辅助诊断技术(cad)识别分类切片病理图像。

2、中国专利申请号为cn202110367206.8提出了一种基于迁移学习的乳腺组织分类识别方法，通过优化迁移学习乳腺组织分类模型对乳腺组织切片病理图像进行分类，该专利优势是适用于数据集较小的应用环境，但由于切片病理图像定位取材以及制片困难，难以做到术中实时切缘诊断，因此光学相干层析术(optical coherence tomography,oct)以其无损伤、非侵入且快速成像的优势被应用于乳腺组织成像。ankitbutola等人在2020年发表的名为“deep learning architecture‘lightoct’for diagnostic decision supportusing optical coherence tomography images ofbiological samples”一文中提出了一种新型卷积网络模型“lightoct”，整体网络中只有两个卷积层和一个全连接层，模型在分类超过100000幅图像的大型公共oct图像数据集时，达到了96％的测试准确度。但是该模型在特征提取时对于高低频分量没有侧重，导致模型可能提取较多的低频分量，造成信息冗余，对于在整体结构上具有高相似性的乳腺组织oct图像，模型无法做到高精度分类识别。

技术实现思路

1、本发明的目的在于提供一种基于高频分量特征提取的乳腺组织oct图像分类方法，能够分类识别多类乳腺组织oct图像并提高对于结构相似度高的乳腺组织oct图像分类的准确度。

2、实现本发明的技术解决方案为：一种基于高频分量特征提取的乳腺组织oct图像分类方法，步骤如下：

3、步骤s1、挑选a类乳腺组织样本，1<a<10，在每类乳腺组样本中选取b个感兴趣的区域进行成像，10<b<50，从每个感兴趣区域截取d张乳腺组织oct图像，10<d<50，共获得n张不同类别的乳腺组织oct图像，n＝abd，100<n<25000，对n张不同类别的乳腺组织oct图像分别进行归一化处理及数据增强后，得到像素大小为h×w的na张乳腺组织oct图像，1000<na<250000，将na张乳腺组织oct图像中每类样本按照18:1:1比例划分为训练样本集、验证样本集和测试样本集，并对训练样本集中的样本图像添加标签，转入步骤s2。

4、步骤s2、构建双重过滤残差模型，以获取乳腺组织oct样本形状特征的多值标签信息，转入步骤s3。

5、步骤s3、将带标签的训练样本集输入双重过滤残差模型对其进行训练，乳腺组织oct图像依次经过初步过滤单元、深度过滤单元、图像分类单元后，最终得到预训练双重过滤残差网络模型，转入步骤s4。

6、步骤s4、将不带标签的验证样本集输入预训练双重过滤残差网络模型，利用乳腺组织oct图像验证样本集对预训练双重过滤残差网络模型性能进行验证，得到双重过滤残差网络模型，转入步骤s5。

7、步骤s5、将不带标签的测试样本集输入双重过滤残差网络模型，利用测试样本集对双重过滤残差网络模型的泛化能力进行测试。

8、本发明与现有技术相比，其显著优点在于：

9、(1)本发明使用八度卷积块替换传统卷积层，使得双重过滤残差模型在提取图像特征时能够调整高低频分量的占比，减少信息冗余。

10、(2)本发明在三个级联的第一卷积层和最后一层卷积层之后加入cbam进一步过滤特征信息，与八度卷积块协同工作，达到双重过滤特征信息的效果，进一步减少了低频特征在空间维度上的信息冗余。

11、(3)本发明创新性提出融合双维度注意力机制、八度卷积和残差单元的双重过滤残差模型，对比与其结构层深度相同的传统卷积神经网络模型，本发明提供的双重过滤残差模型结构复杂度低，且不会发生梯度爆炸或梯度消失现象；

12、(4)本发明不仅具有更好的有效性、高效性和泛化能力，对于结构近似的乳腺组织oct图像表现出优秀的识别性能。

技术特征：

1.一种基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，步骤如下：

2.根据权利要求1所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，步骤s2中，构建双重过滤残差模型，以获取乳腺组织oct样本形状特征的多值标签信息，具体如下：

3.根据权利要求1所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，步骤s3、将带标签的训练样本集输入双重过滤残差模型对其进行训练，乳腺组织oct图像依次经过初步过滤单元、深度过滤单元、图像分类单元后，最终得到预训练双重过滤残差网络模型，具体如下：

4.根据权利要求3所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，s3.1中，乳腺组织oct图像依次经初步过滤单元中三个级联的第一卷积层后得到原始特征图，原始特征图经通道和空间两个独立维度的计算，得到一个与原始特征图大小相同的注意力权重矩阵，将权重矩阵与原始特征图相乘以进行自适应特征细化，生成初步过滤后的图像特征信息，具体如下：

5.根据权利要求4所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，s3.2中，深度过滤单元根据初步过滤后的图像特征的关联性，在特征提取时调整高低频分量特征的占比，对初步过滤后的图像特征信息进行多次过滤，生成深度过滤后的图像特征信息，具体如下：

6.根据权利要求5所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，经过双维度注意力机制权重修正后的特征图f″中的高频部分xh经过高频到高频的卷积核wh→h卷积后得到高频到高频的输出yh→h，低频部分xl经过低频到高频的卷积核wl→h卷积后再进行上采样操作将分辨率扩大四倍得到低频到高频的输出yl→h，yh→h和yl→h通过点加操作得到最终的高频输出特征图yh：

7.根据权利要求6所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，s3.3中，gap层用于将深度过滤单元提取到的深度过滤后的图像特征信息映射到样本标记空间，在其之后连接一个包含512个节点的dense层，dense层将gap层的输出特征转化为1维向量，获取的图像特征的高层含义，再经softmax层将1维向量转化成概率分布，得到乳腺组织oct样本形状特征的多值标签信息，具体如下：

8.根据权利要求7所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，s3.4中，将softmax层转化的概率分布代入损失函数中，利用损失函数计算乳腺组织oct样本形状特征的多值标签信息与预定义类别的相似度，并通过链式法则，计算损失对于模型参数的梯度，从而更新双重过滤残差模型的整体参数，经过多次拟合更新，最终得到预训练双重过滤残差网络模型，具体如下：

9.根据权利要求8所述的基于高频分量特征提取的乳腺组织oct图像分类方法，其特征在于，步骤s4、将不带标签的验证样本集输入预训练双重过滤残差网络模型，利用乳腺组织oct图像验证样本集对预训练双重过滤残差网络模型性能进行验证，得到双重过滤残差网络模型，具体如下：

技术总结
本发明公开了一种基于高频分量特征提取的乳腺组织OCT图像分类方法，步骤如下：采集并预处理乳腺组织OCT图像，得到待识别的乳腺组织OCT图像数据集，利用训练好的双重过滤残差网络模型对乳腺组织OCT图像进行目标识别，得到分类结果。本发明结合双维度注意力机制、八度卷积、和残差单元构建“双重过滤”残差网络模型，模型在提取图像特征时能调整高低频分量特征的占比，通过适当增加高频分量占比，减少低频特征在空间维度上的信息冗余，显著提高乳腺组织OCT图像分类的准确度和稳定性，对于结构相似度高的乳腺组织OCT图像表现出优异的分类精度和鲁棒性。

技术研发人员：朱丹,丁李昊,高志山,袁群,郭珍艳,马燚岑
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/15