多尺度融合注意力机制的胆囊癌显微高光谱图像分类

目的 胆囊癌作为胆道系统中一种恶性程度极高的肿瘤,早期诊断困难、预后极差,因此准确鉴别胆囊病变对早期发现胆囊癌具有重要意义.目前胆囊癌的诊断主要依赖于超声、CT(computed tomography)等传统影像学方法,但准确性较低.显微高光谱能够在获取生物组织图像信息的同时从生化角度对生物组织进行分析,从而实现对胆囊癌的早期诊断,相比于传统医学图像更具优势.因此,本文基于胆囊癌显微高光谱图像设计了一种基于多尺度融合注意力机制的网络模型,以提高分类准确率.方法 提出多尺度融合注意力模块(multiscale squeeze-and-excitation-residual,MSE-Res).MSE-Res模块引入改进的多尺度特征提取模块实现通道维上特征的融合,用一个最大池化层和一个上采样层代替1×1的卷积层来提取图像的显著特征.为了弥补池化层丢失的局部信息,在跳跃连接中加入一个1×1的卷积层.在多尺度特征提取模块后,引入注意力机制来学习不同通道间特征的相关性,实现通道间特征的融合,并通过残差连接使网络在提取图像深层特征的同时避免出现过拟合现象.结果 在胆囊癌高光谱数据集上进行实验,本文模型的总体分类精度、平均分类精度和Kappa系数分别为99.599％、99.546％和0.990,性能优于SE-ResNet(squeeze-and-excitation-residual network)和Inception-SE-ResNet(inception-squeeze-and-excitation-residual network).结论 本文提出的MSE-ResNet能够有效利用高光谱图像的空间信息和光谱信息,提高胆囊癌分类准确率,在对胆囊癌的医学诊断方面具有一定的研究价值和现实意义.