买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建师范大学

摘要：本发明涉及基于颜色反卷积与自注意力模型的组织病理学图像分类方法，并提供了离线图像颜色反卷积与在线图像颜色反卷积两种方案，离线图像颜色反卷积方案通过先对RGB图像进行反卷积得到HED颜色空间图像，之后将HED图像输入自注意力模型得到图像的分类结果；在线颜色反卷积方案中将反卷积操作以卷积层的形式加入到自注意力模型中，先通过对模型进行训练并寻找合适的反卷积参数，之后迁移反卷积参数并再次利用加入反卷积操作的自注意力模型对图像进行分类；采用以上技术方案有效地将组织病理学图像反卷积与自注意力模型相结合，提高组织病理学图像分类的正确率。

主权项：1.基于颜色反卷积与自注意力模型的组织病理学图像分类方法，其特征在于：其包括采用离线图像颜色反卷积方法或在线图像颜色反卷积方法；离线图像颜色反卷积方法步骤如下：S100、获取经过苏木精-伊红染色的组织病理学图像数据集，所述数据集中的组织病理学图像为标准的RGB三通道彩色图像，其像素构成矩阵Ht；S200、将矩阵Ht中像素值为0的像素点值置为1×10-7，之后对每个像素值进行标准化，构成新的矩阵Ht'；S300、将新的矩阵Ht'与颜色反卷积标准矩阵相乘，得到矩阵Dt，矩阵Dt即为像素矩阵Ht颜色反卷积后的矩阵；其中颜色反卷积标准矩阵M为： 设mk,c为矩阵M的第k行c列的元素，且1≤k,c≤3；为像素矩阵Dt中c通道的第i行j列的像素点；其中，c＝1,2,3表示图像的三个通道；1≤i≤wt,1≤j≤ht，则： 其中，表示Ht的第k个通道的第i行第j列的像素值，构成矩阵Dt，Dt即为原图像像素矩阵Ht经过颜色反卷积后的结果，其中Dt的三个颜色通道记为H、E、D，分别代表苏木精、伊红、二氨基联苯胺的染色信息，所得到的矩阵Dt即为HED颜色空间矩阵；S400、对矩阵Dt进行归一化，得到矩阵Dt'，矩阵Dt'的所有元素都在区间[0,1]内；S500、将矩阵Dt'中的每一个元素乘以255并保留整数，得到HED颜色空间图像；S600、将HED颜色空间图像按一定的比例数量划分训练集、验证集、测试集，分别用于后续对模型进行训练、验证、评估，并对所有图像进行缩放；对训练集图像进行在线数据增强；S700、对增强后的图像进行归一化以及标准化；S800、使用在ImageNet数据集上预训练好的swin-transformer模型，将最后全连接层修改为单层MLP层，其中MLP层输出神经元个数为2，并将S700归一化后的训练集图像送入到模型中进行微调训练；S900、训练过程中每隔固定的迭代次数使用验证集进行验证，选取迭代过程中在验证集上分类正确率最高的模型，之后使用测试集进行验证，从而得到最终的模型分类正确率；或者在线图像颜色反卷积方法步骤如下：T100、获取经过苏木精-伊红染色的标准的RGB三通道组织病理学图像数据集；T200、将数据集中图像按一定的比例数量划分训练集、验证集、测试集，分别用于后续对模型进行训练、验证、评估，并对所有图像进行缩放，缩放成大小为w×w的图像，之后对训练集图像进行在线数据增强操作；T300、对增强后的图像进行归一化操作以及标准化操作；T400、使用在ImageNet数据集上预训练好的swin-transformer自注意力模型，修改最后的全连接层，并在模型头部加入一个输入取反操作，即对每一个输入的数值x，都输出-x；之后再加入一层卷积层，记为conv1，其中卷积核大小为1×1，输入通道数与输出通道数都为3，不使用偏置参数，修改后的模型记为de-swt模型；T500、将颜色反卷积标准矩阵M按列拆分成3个3×1的矩阵，将其加载到de-swt模型的conv1层的权重参数中；其中颜色反卷积标准矩阵M为： T600、将步骤T300中标准化后的训练集输入到de-swt模型中，使用特定的学习率lr进行微调训练，为了防止de-swt模型在反向传播到conv1层时梯度消失，设置conv1层的学习率为p×lr，其中p为学习率放大倍数，利用p来增大模型在conv1层的学习率，使得conv1层的参数随着训练集的迭代而改变；T700、在步骤T500的训练过程中，每隔一定的迭代次数间隔使用验证集数据对模型进行验证，选取在验证集上效果较优的模型，并提取模型conv1层的参数，按列组合为新的图像颜色反卷积矩阵，记为N；T800、将颜色反卷积矩阵N的每一列数值加载到de-swt模型的conv1层参数中，并将在ImageNet数据集上预训练好的swin-transformer参数重新加载到de-swt模型其余相应的层中，将p设置为1，使得conv1层中的学习率重新设置为lr；T900、使用训练集对步骤T700得到的de-swt模型重新进行训练，每隔一定的迭代次数间隔使用验证集数据对模型进行验证，最终选取在验证集上正确率最高的模型，并用测试集测试模型分类结果，从而得到最终的模型分类正确率。

全文数据：

权利要求：

百度查询： 福建师范大学 基于颜色反卷积与自注意力模型的组织病理学图像分类方法