CN114627123A - 综合双流加权网络和空间注意力机制的白带细胞检测方法 - Google Patents
综合双流加权网络和空间注意力机制的白带细胞检测方法 Download PDFInfo
- Publication number
- CN114627123A CN114627123A CN202210527015.8A CN202210527015A CN114627123A CN 114627123 A CN114627123 A CN 114627123A CN 202210527015 A CN202210527015 A CN 202210527015A CN 114627123 A CN114627123 A CN 114627123A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- leucocyte
- network
- attention mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 230000007246 mechanism Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 206010048669 Terminal state Diseases 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 230000003014 reinforcing effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 210000004996 female reproductive system Anatomy 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 201000008100 Vaginitis Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
本发明公开了综合双流加权网络和空间注意力机制的白带细胞检测方法，涉及医学图像处理领域，主要通过对yolov5模型的改进，以解决传统白带细胞检测领域中，由于医生主观因素造成的误检或者漏检问题；包括：先对白带细胞图像采用Mosaic数据增强，并对数据集进行类标签平滑；通过使用结合残差思想和CSPNet思想(跨阶段局部网络)的骨干网络提取图像的特征；图像特征提取完毕后，使用自顶向上和自底向下的双流加权网络对图像特征进行加强；再将图像特征送入检测网络，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，用以改善检测效果；从而找出白带细胞的目标对象，具有较高的准确率和速度。
Description
技术领域
本发明涉及医学图像处理技术领域，具体是综合双流加权网络和空间注意力机制的白带细胞检测方法。
背景技术
白带即女性生殖系统的阴道分泌物的一种简称，其中的微生物组成，细胞状态和数量能够准确的反映出女性生殖系统病理的实际情况，从而能帮助医生诊断出女性阴道是否健康，医生可以根据上面的判断依据作为临床诊断依据，为治疗阴道炎症，宫颈组织炎症等疾病提供有效的数据支持。
目前大部分医院的白带常规检测方式主要是显微镜镜检或者是五联检测。这两种方法主要依靠医务人员的工作经验和学识，很容易受到其主观性影响，特别是长期观测很容易导致产生视觉疲劳，所以经常会出现不同的医务人员对同一份白带细胞样本给出不一样的诊断结果，导致误诊和漏诊的情况；基于以上不足，本发明提出综合双流加权网络和空间注意力机制的白带细胞检测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出综合双流加权网络和空间注意力机制的白带细胞检测方法。
为实现上述目的，根据本发明的第一方面的实施例提出综合双流加权网络和空间注意力机制的白带细胞检测方法，包括以下步骤：
步骤一：使用医学显微镜拍摄350张白带细胞样本，并对图像进行标注，制作成标准数据集；对白带细胞数据集图像进行Mosaic数据增强，并对数据集进行类标签平滑；
步骤二：利用结合残差思想和跨阶段局部网络思想的骨干网络提取图像的特征；
步骤三：对骨干网络提取的特征，使用双流加权网络进行特征组合，筛选合适的特征输入到检测层；
步骤四：检测层根据输入的图像特征，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，以找出白带细胞的目标对象。
进一步地，所述检测层包括若干个检测终端，在将图像特征送入检测网络之前，还包括：
对检测终端进行检测优值分析，并选取检测优值GY最大的检测终端作为选中终端，将图像特征送入选中终端的检测网络，完成检测工作。
进一步地，其中检测优值GY的具体分析步骤为：
在预设时间段内，每间隔R2时间采集一次处理终端的终端状态数据；R2为预设值；将处理终端的访问节点连接数、CPU负载率、带宽负载率和网络速率依次标记为Q1、Q2、Q3、Q4；
利用公式ZX=(Q1×b1+Q4×b4)/(Q2×b2+Q3×b3)计算得到处理终端的状态系数ZX，其中b1、b2、b3、b4为系数因子；
建立状态系数ZX随时间变化的曲线图；若ZX≤状态阈值，则在对应的曲线图中截取对应的曲线段并标注为红色，记为偏离曲线段；
统计偏离曲线段的数量为P1，将偏离曲线段上对应ZX与状态阈值的差值对时间进行积分并进行求和得到偏离参考能量E1，利用公式PL=P1×a1+E1×a2计算得到对应处理终端的状态偏值PL，其中a1、a2均为系数因子；获取对应处理终端在当前时刻下状态系数并标记为ZXt；
利用公式
计算得到对应处理终端的检测优值GY，其中g1、g2均为系数因子。
进一步地，其中步骤一的具体执行过程如下：
使用开源工具labelme对白带细胞图像进行标注，制作数据集；
对白带细胞图像进行随机翻转，随机缩放，改变颜色空间；然后采用Mosaic算法进行数据增强；
随机选取一个白带细胞的中心点，将利用Mosaic算法增强后的图像分别放到图像的四周，并重新标定边框；在图像的标签中加入噪声，降低模型过拟合程度，得到平滑后的标签；具体公式为： 
，其中
和
为权重系数，
是平滑后的标签，μ通常使用均匀分布。
进一步地，其中步骤二的具体执行过程如下：
对图像进行像素划分，再经过一个卷积核提取各个像素的聚合特征；
将卷积层批量归一化，Mish激活函数
组成一个卷积块，即CBM模块；
将二个CBM模块与残差模块融合组成Resunit模块；
通过跨阶段局部网络将特征映射分割成两个部分，一部分为卷积操作，另一部分为卷积加上需要改进的模块，然后将二个部分的特征进行合并；
使用Dropbloack操作，对网络进行正则化，即对全连接层上的局部区域随机进行丢弃。
进一步地，其中步骤三的具体执行过程如下：
使用SPP模块将骨干网络提取的特征输入到四个分支，这四个分支分别采用1*1，5*5，9*9，13*13的最大池化方法，再将四个分支上得到的不同尺度的特征图进行融合；
使用自上而下和自下而上的双流加权网络对图像特征进行加权。
进一步地，双流加权网络的具体加权步骤如下：
p3-p7为双流加权网络的输入，首先获取经过多层卷积之后的图像特征，提取所述图像特征的高语义特征，对高层语义特征进行下采样并与上层卷积后的结果融合，然后传递到下层进行重复操作，这是自上向下的过程；
再将上述步骤的最下层特征进行上采样，跟自上向下特征进行带权特征融合，其中带权特征融合的公式为
，其中w代表权重，I代表输入，
=0.0001。
进一步地，其中步骤四的具体执行过程如下：
将图像特征送入三个检测分支，分别检测大、中、小三种不同目标；
在检测头中融入空间注意力机制，所述空间注意力机制分为coordinate信息嵌入和Coordinate attention生成；
其中coordinate信息嵌入是将输入的特征矩阵，使用设定好大小的池化核，对水平方向和垂直方向的通道进行编码，公式表示为：
其中
为通道的输出，
为输入，H，W是池化的尺寸；
Coordinate attention生成是通过联合coordinate信息嵌入生成的图像特征图，使用一个共享的，卷积大小为1x1的卷积进行变换
，之后将生成的特征图分割成2个独立的张量，再对这两个独立的张量进行通道调整，使其和最开始的输入特征矩阵保存同样的通道数，最后在对这两个张量进行扩展，完成空间注意力机制；
对特征图进行定位和识别，找出白带细胞的目标对象。
与现有技术相比，本发明的有益效果是：
1、本发明通过对白带细胞数据集图像进行Mosaic数据增强，并对数据集进行类标签平滑；利用结合残差思想和CSPNet思想的骨干网络提取图像的特征；对骨干网络提取的特征，使用双流加权网络进行特征组合，筛选合适的特征传入到检测层；检测层根据输入的图像特征，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，以找出白带细胞的目标对象；本发明采用改进的yolov5模型，将其中的特征增强部分和检测部分分别使用双流加权网络和空间注意力机制进行修改，实现白带细胞成分的检测，具有较高的准确率和速度；
2、本发明中所述检测层包括若干个检测终端，在将图像特征送入检测网络之前，对检测终端进行检测优值分析；在预设时间段内，每间隔R2时间采集一次处理终端的终端状态数据，计算得到处理终端的状态系数ZX；建立状态系数ZX随时间变化的曲线图，计算得到对应处理终端的状态偏值PL；获取对应处理终端在当前时刻下状态系数ZXt，利用公式
计算得到对应处理终端的检测优值GY；并选取检测优值GY最大的检测终端作为选中终端，将图像特征送入选中终端的检测网络，完成检测工作，提高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明综合双流加权网络和空间注意力机制的白带细胞检测方法的原理框图。
图2为本发明中双流加权网络的网络结构图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1至图2所示，综合双流加权网络和空间注意力机制的白带细胞检测方法，包括以下步骤：
步骤一：使用医学显微镜拍摄350张白带细胞样本，并对图像进行标注，制作成标准数据集；对白带细胞数据集图像进行Mosaic数据增强，并对数据集进行类标签平滑（LSR）；具体过程为：
使用开源工具labelme对白带细胞图像进行标注，制作数据集；
对白带细胞图像进行随机翻转，随机缩放，改变颜色空间；然后进行Mosaic数据增强；
随机选取一个白带细胞的中心点，将进行Mosaic数据增强的图像分别放到图像的四周，并重新标定边框；
在图像的标签中加入噪声，降低模型过拟合程度，得到平滑后的标签；具体公式为：
，其中
和
为权重系数，
是平滑后的标签，μ通常使用均匀分布；
步骤二：利用使用结合残差思想和CSPNet(跨阶段局部网络)思想的骨干网络提取图像的特征；具体过程为：
对图像进行像素划分，再经过一个卷积核提取各个像素的聚合特征；
将卷积层(Conv)，批量归一化（BN），Mish激活函数
组成一个卷积块，即CBM模块；
将二个CBM模块和残差模块融合组成Resunit模块；
借鉴跨阶段局部网络(CSP) 将基本的特征映射分割成两个部分，一部分为卷积操作，另一部分为卷积加上需要改进的模块，然后将二个部分的特征进行合并；
使用Dropbloack操作，对网络进行正则化，即对全连接层上的局部区域随机进行丢弃；
步骤三：对骨干网络提取的特征，使用双流加权网络进行特征组合，筛选合适的特征传入到检测层；具体过程为：
使用SPP模块（Spatial Pyramid Pooling），将骨干网络提取的特征输入到四个分支，这四个分支分别采用1*1,5*5,9*9,13*13的最大池化方法，再将四个分支上得到的不同尺度的特征图进行融合。
使用自上而下和自下而上的双流加权网络对图像特征进行加权。其中双流加权网络的网络结构如图2所示；p3-p7为网络的输入；具体加权步骤为：
首先获取经过多层卷积之后的图像特征，提取所述图像特征的高语义特征，对高层语义特征进行下采样与上层卷积后的结果融合，然后传递到下层进行重复操作，这是自上向下的过程；
再将上述步骤的最下层特征进行上采样，跟自上向下特征进行带权特征融合，这样即保留了图像的高语义信息同时又兼顾了强定位特征，提高了检测效率；其中带权特征融合的公式为
，其中w代表权重，I代表输入，
=0.0001；
以图2中的第四层卷积为例：
步骤四：检测层根据输入的图像特征，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，以找出白带细胞的目标对象；具体过程为：
将步骤三中得到的图像特征送入三个检测分支，分别检测大、中、小三种不同目标；
在检测头中融入空间注意力机制，也叫做Coordinate Attention，具体来说，分为两个步骤coordinate信息嵌入和Coordinate attention生成；信息嵌入将输入的特征矩阵，使用设定好大小的池化核，对水平方向和垂直方向的通道进行编码，公式表示为：
其中
为通道的输出，
为输入，H，W是池化的尺寸；
Coordinate的生成是首先通过联合上面信息嵌入模块生成的图像特征图，再使用一个共享的，卷积大小为1x1的卷积进行变换
, 之后将生成的特征图分割成2个独立的张量，再对这两个独立的张量进行通道调整，使其和最开始的输入特征矩阵保存同样的通道数，最后在对这两个张量进行扩展，完成空间注意力机制；
对特征图进行定位和识别，找出白带细胞的目标对象（线索细胞，霉菌，霉菌丝，白细胞）；
该方法还包括：所述检测层包括若干个检测终端，在将图像特征送入检测网络之前，对检测终端进行检测优值分析，并选取检测优值GY最大的检测终端作为选中终端，将图像特征送入选中终端的检测网络，完成检测工作，提高检测效率；
其中检测优值GY的具体分析步骤为：
在预设时间段内，每间隔R2时间采集一次处理终端的终端状态数据；其中终端状态数据包括处理终端的访问节点连接数、CPU负载率、带宽负载率和网络速率；R2为预设值；
将处理终端的访问节点连接数、CPU负载率、带宽负载率和网络速率依次标记为Q1、Q2、Q3、Q4；利用公式ZX=(Q1×b1+Q4×b4)/(Q2×b2+Q3×b3)计算得到处理终端的状态系数ZX，其中b1、b2、b3、b4为系数因子；建立状态系数ZX随时间变化的曲线图；
若ZX≤状态阈值，则在对应的曲线图中截取对应的曲线段并标注为红色，记为偏离曲线段；统计偏离曲线段的数量为P1，将偏离曲线段上对应ZX与状态阈值的差值对时间进行积分并进行求和得到偏离参考能量E1，利用公式PL=P1×a1+E1×a2计算得到对应处理终端的状态偏值PL，其中a1、a2均为系数因子；
获取对应处理终端在当前时刻下状态系数并标记为ZXt，利用公式
计算得到对应处理终端的检测优值GY，其中g1、g2均为系数因子。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
综合双流加权网络和空间注意力机制的白带细胞检测方法，在工作时，使用医学显微镜拍摄350张白带细胞样本，并对图像进行标注，制作成标准数据集；对白带细胞数据集图像进行Mosaic数据增强，并对数据集进行类标签平滑；利用使用结合残差思想和CSPNet思想的骨干网络提取图像的特征；对骨干网络提取的特征，使用双流加权网络进行特征组合，筛选合适的特征传入到检测层；检测层根据输入的图像特征，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，以找出白带细胞的目标对象（线索细胞，霉菌，霉菌丝，白细胞）；本发明采用改进的yolov5模型，将其中的特征增强部分和检测部分分别使用双流加权网络和空间注意力机制进行修改，实现白带细胞成分的检测，具有较高的准确率和速度；
所述检测层包括若干个检测终端，在将图像特征送入检测网络之前，对检测终端进行检测优值分析；在预设时间段内，每间隔R2时间采集一次处理终端的终端状态数据，计算得到处理终端的状态系数ZX；建立状态系数ZX随时间变化的曲线图，计算得到对应处理终端的状态偏值PL；获取对应处理终端在当前时刻下状态系数ZXt，利用公式
计算得到对应处理终端的检测优值GY；并选取检测优值GY最大的检测终端作为选中终端，将图像特征送入选中终端的检测网络，完成检测工作，提高检测效率。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，包括以下步骤：
步骤一：使用医学显微镜拍摄白带细胞样本，并对图像进行标注，制作成标准数据集；对白带细胞数据集图像进行Mosaic数据增强，并对数据集进行类标签平滑；
步骤二：利用结合残差思想和跨阶段局部网络思想的骨干网络提取图像的特征；
步骤三：对骨干网络提取的特征，使用双流加权网络进行特征组合，筛选合适的特征输入到检测层；
步骤四：检测层根据输入的图像特征，并融合空间注意力机制，对白带细胞图像进行检测，生成边界框和所属类别，以找出白带细胞的目标对象。
2.根据权利要求1所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，所述检测层包括若干个检测终端，在将图像特征送入检测网络之前，还包括：
对检测终端进行检测优值分析，并选取检测优值GY最大的检测终端作为选中终端，将图像特征送入选中终端的检测网络，完成检测工作。
3.根据权利要求2所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，其中检测优值GY的具体分析步骤为：
在预设时间段内，每间隔R2时间采集一次处理终端的终端状态数据；R2为预设值；将处理终端的访问节点连接数、CPU负载率、带宽负载率和网络速率依次标记为Q1、Q2、Q3、Q4；
利用公式ZX=(Q1×b1+Q4×b4)/(Q2×b2+Q3×b3)计算得到处理终端的状态系数ZX，其中b1、b2、b3、b4为系数因子；
建立状态系数ZX随时间变化的曲线图；若ZX≤状态阈值，则在对应的曲线图中截取对应的曲线段并标注为红色，记为偏离曲线段；
统计偏离曲线段的数量为P1，将偏离曲线段上对应ZX与状态阈值的差值对时间进行积分并进行求和得到偏离参考能量E1，利用公式PL=P1×a1+E1×a2计算得到对应处理终端的状态偏值PL，其中a1、a2均为系数因子；获取对应处理终端在当前时刻下状态系数并标记为ZXt；
利用公式
计算得到对应处理终端的检测优值GY，其中g1、g2均为系数因子。
4.根据权利要求1所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，其中步骤一的具体执行过程如下：
使用开源工具labelme对白带细胞图像进行标注，制作数据集；
对白带细胞图像进行随机翻转，随机缩放，改变颜色空间；然后采用Mosaic算法进行数据增强；
随机选取一个白带细胞的中心点，将利用Mosaic算法增强后的图像分别放到图像的四周，并重新标定边框；在图像的标签中加入噪声，降低模型过拟合程度，得到平滑后的标签；具体公式为：
，其中
和
为权重系数，
是平滑后的标签，μ通常使用均匀分布。
5.根据权利要求1所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，其中步骤二的具体执行过程如下：
对图像进行像素划分，再经过一个卷积核提取各个像素的聚合特征；
将卷积层批量归一化，Mish激活函数
组成一个卷积块，即CBM模块；
将二个CBM模块与残差模块融合组成Resunit模块；
通过跨阶段局部网络将特征映射分割成两个部分，一部分为卷积操作，另一部分为卷积加上需要改进的模块，然后将二个部分的特征进行合并；
使用Dropbloack操作，对网络进行正则化，即对全连接层上的局部区域随机进行丢弃。
6.根据权利要求1所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，其中步骤三的具体执行过程如下：
使用SPP模块将骨干网络提取的特征输入到四个分支，这四个分支分别采用1*1，5*5，9*9，13*13的最大池化方法，再将四个分支上得到的不同尺度的特征图进行融合；
使用自上而下和自下而上的双流加权网络对图像特征进行加权。
7.根据权利要求6所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，双流加权网络的具体加权步骤如下：
p3-p7为双流加权网络的输入，首先获取经过多层卷积之后的图像特征，提取所述图像特征的高语义特征，对高层语义特征进行下采样并与上层卷积后的结果融合，然后传递到下层进行重复操作，这是自上向下的过程；
再将上述步骤的最下层特征进行上采样，跟自上向下特征进行带权特征融合，其中带权特征融合的公式为
，其中w代表权重，I代表输入，
=0.0001。
8.根据权利要求1所述的综合双流加权网络和空间注意力机制的白带细胞检测方法，其特征在于，其中步骤四的具体执行过程如下：
将图像特征送入三个检测分支，分别检测大、中、小三种不同目标；
在检测头中融入空间注意力机制，所述空间注意力机制分为coordinate信息嵌入和Coordinate attention生成；
其中coordinate信息嵌入是将输入的特征矩阵，使用设定好大小的池化核，对水平方向和垂直方向的通道进行编码，公式表示为：
其中
为通道的输出，
为输入，H，W是池化的尺寸；
Coordinate attention生成是通过联合coordinate信息嵌入生成的图像特征图，使用一个共享的，卷积大小为1x1的卷积进行变换
，之后将生成的特征图分割成2个独立的张量，再对这两个独立的张量进行通道调整，使其和最开始的输入特征矩阵保存同样的通道数，最后在对这两个张量进行扩展，完成空间注意力机制；
对特征图进行定位和识别，找出白带细胞的目标对象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527015.8A CN114627123B (zh) | 2022-05-16 | 2022-05-16 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527015.8A CN114627123B (zh) | 2022-05-16 | 2022-05-16 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627123A true CN114627123A (zh) | 2022-06-14 |
| CN114627123B CN114627123B (zh) | 2022-11-01 |
Family
ID=81907023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210527015.8A Active CN114627123B (zh) | 2022-05-16 | 2022-05-16 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627123B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116098655A (zh) * | 2023-04-11 | 2023-05-12 | 湖南工商大学 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750117A (zh) * | 2021-01-15 | 2021-05-04 | 重庆邮电大学 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
| CN113378796A (zh) * | 2021-07-14 | 2021-09-10 | 合肥工业大学 | 一种基于上下文建模的宫颈细胞全切片分类方法 |
| CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
| CN114488092A (zh) * | 2022-01-26 | 2022-05-13 | 安徽科创中光科技股份有限公司 | 一种相干测风激光雷达的载噪比处理方法 |
-
2022
- 2022-05-16 CN CN202210527015.8A patent/CN114627123B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750117A (zh) * | 2021-01-15 | 2021-05-04 | 重庆邮电大学 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
| CN113378796A (zh) * | 2021-07-14 | 2021-09-10 | 合肥工业大学 | 一种基于上下文建模的宫颈细胞全切片分类方法 |
| CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
| CN114488092A (zh) * | 2022-01-26 | 2022-05-13 | 安徽科创中光科技股份有限公司 | 一种相干测风激光雷达的载噪比处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| MINGXING TAN,ET AL.: "EfficientDet: Scalable and Efficient Object Detection", 《ARXIV:1911.09070V1》 * |
| QIBIN HOU,ET AL.: "Coordinate Attention for Efficient Mobile Network Design", 《COORDIARXIV:2103.02907V1》 * |
| 孙丽瑛 等: "终端状态受限的广义系统奇异二次指标最优控制问题", 《山东大学学报（自然科学版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116098655A (zh) * | 2023-04-11 | 2023-05-12 | 湖南工商大学 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
| CN116098655B (zh) * | 2023-04-11 | 2023-07-14 | 湖南工商大学 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627123B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN112102256B (zh) | 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统 | |
| CN110739070A (zh) | 一种基于3d卷积神经网络的脑疾病诊断方法 | |
| CN113256636B (zh) | 一种自底向上的寄生虫虫种发育阶段及图像像素分类方法 | |
| CN109190540A (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
| Yang et al. | Faster R-CNN based microscopic cell detection | |
| CN112215807A (zh) | 基于深度学习的细胞图像自动分类方法及系统 | |
| CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
| CN110647875A (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
| CN112819768B (zh) | 基于dcnn的癌症全视野数字病理切片生存分析方法 | |
| CN111724401A (zh) | 一种基于边界约束级联U-Net的图像分割方法和系统 | |
| CN112102332A (zh) | 基于局部分类神经网络的癌症wsi的分割方法 | |
| CN114627123B (zh) | 综合双流加权网络和空间注意力机制的白带细胞检测方法 | |
| CN110288574A (zh) | 一种超声辅助诊断肝肿块系统及方法 | |
| CN113724842A (zh) | 一种基于注意力机制的宫颈组织病理辅助诊断方法 | |
| CN112949723B (zh) | 一种子宫内膜病理图像分类方法 | |
| CN116503668A (zh) | 一种基于小样本元学习的医学影像分类方法 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN112233017A (zh) | 一种基于生成对抗网络的病态人脸数据增强方法 | |
| CN116310335A (zh) | 一种基于Vision Transformer的翼状胬肉病灶区域的分割方法 | |
| CN117132802A (zh) | 一种田间小麦病虫害识别方法、装置及存储介质 | |
| Wan et al. | C2BNet: A Deep Learning Architecture with Coupled Composite Backbone for Parasitic EGG Detection in Microscopic Images | |
| CN113920378A (zh) | 基于注意力机制的柴胡种子识别方法 | |
| CN112785559A (zh) | 基于深度学习的多个异构模型相互组合的骨龄预测方法 | |
| Mustafa et al. | Capability of new features of cervical cells for cervical cancer diagnostic system using hierarchical neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |