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：武汉大学

摘要：本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。

主权项：1.一种基于背景指导注意力机制的病理切片特征融合方法，其特征在于，包括：S1：采用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将提取的病理图像切片的特征转换为d维的特征；S2：根据d维的标准正态分布随机生成一个d维的初始背景向量，该初始背景向量用以表示在初始时刻对病理图像全局背景信息的估计；S3：从步骤S2生成的初始背景向量出发，经过一个循环模块，得到病理图像的背景向量，该背景向量用以表示病理图像的全局背景信息；S4：利用步骤S3得到的背景向量，计算每个切片特征的注意力权重，注意力权重用以反映特征融合时每个切片的重要性；S5：将切片特征与对应的注意力权重进行加权求和，得到融合后的病理图像特征；其中，步骤S3包括：S3.1：根据初始背景向量q0，计算第0步时切片的注意力权重，其中，第i个切片在第0步时的注意力权重计算方式为： hi为经过步骤S1中的线性变换后得到的第i个切片的特征向量；S3.2：计算将所有的切片特征向量加权求和得到在第0步时的输出向量o0： N是这幅病理图像中切片的总数；S3.3：使用两个线性变换计算下一步的背景向量q1，两个线性变换的矩阵分别为Wq，bq和Wo，bo，Wq和bq分别为对背景向量q0进行线性变换时的参数矩阵和偏置矩阵，Wo和bo分别为对输出向量o0进行线性变换的参数矩阵和偏置矩阵，计算方式为：q1＝sigmoidWqq0+bq+Woo0+bo线性变换均由神经网络的线性层来完成，式中的sigmoid为非线性激活函数，其定义为： 依次类推，在每个步骤t，根据背景向量qt与切片特征计算第t步的注意力权重将其加权和作为第t步的输出向量ot，然后利用第t步的输出向量ot和线性变换更新背景向量：qt+1＝sigmoidWqqt+bq+Woot+boqt+1为第t步之后得到的更新后的背景向量；S3.4：循环执行S3.1～S3.3T次后，得到用以反映病理图像中切片所处的环境信息的背景向量qT。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于背景指导注意力机制的病理切片特征融合方法