本发明属于图像增强，特别涉及一种子宫内膜图像的癌变特征增强处理方法。
背景技术：
1、子宫内膜癌是一种常见的妇科恶性肿瘤，其早期诊断对于提高治疗效果和患者生存率至关重要，然而传统的诊断方法依赖于病理学家的主观判断，存在一定的误诊率和漏诊率，且耗时较长，医疗行业迫切需要一种能够提高子宫内膜癌诊断准确性和效率的图像处理方法，以减少病理学家的工作负担，同时提供更加可靠的诊断结果。
2、近年来，随着深度学习技术的发展，越来越多的学者研究深度学习在病理图像处理中的应用，并且卷积神经网络等算法在图像识别和特征提取方面展现出了巨大的潜力，现有技术的局限性在于它们通常需要依赖于大量的标注数据来训练模型，不仅耗时耗力，而且在某些情况下难以获得足够的病理图像及其精确标注，在处理大规模数据集和复杂病理变化时，往往缺乏足够的泛化能力和适应性。
3、针对这些局限性，提出了一种基于自监督学习的图像特征增强处理方法，利用无标注的图像块，通过自监督方式进行特征学习和图像分类，克服了对大量标注数据的依赖，自监督学习模型能够从未标注的病理图像中自动学习到有用的特征表示，为子宫内膜癌的自动检测和分类提供了一种新颖的解决方案，不仅提高了数据处理的效率，还增强了模型在不同病理条件下的泛化能力。
技术实现思路
1、本发明提出了一种子宫内膜图像的癌变特征增强处理方法，属于图像增强技术领域，主要流程包括获取子宫内膜数据集，对数据集进行预处理操作，获得子宫内膜图像块数据集；细节优化提取模块通过集成卷积和注意力操作，同时捕获局部细节和全局上下文信息，提取多尺度特征；细节信息融合模块将不同阶段的多尺度特征图上采样到相同分辨率，并在这些特征图之间执行逐元素相加操作，从而融合深层和浅层特征；全切片图像分类模块通过自监督的学习方式实现对子宫内膜癌良恶性的分类。
2、本发明旨在提出一种基于自监督学习的wsi图像处理模型，提供一种子宫内膜图像的癌变特征增强处理方法，包括以下步骤。
3、s1、获取子宫内膜全切片图像wsi数据集，对所述子宫内膜全切片图像进行预处理操作，包括细胞区域分割、细胞轮廓提取、细胞区域修复和保存，获取wsi内的细胞区域作为感兴趣区域roi，采用滑动窗口的方法将感兴趣区域roi分割成多个大小相同且不重叠的图像块。
4、s2、建立一种基于自监督学习的wsi图像处理模型，所述wsi图像处理模型包括细节优化提取模块ofem、细节信息融合模块difm和wsi图像分类模块wcim。
5、s21、所述细节优化提取模块ofem用于增强并提取图像块中的特征。
6、s22、所述细节信息融合模块difm用于对多个图像块的特征信息进行整合。
7、s23、所述wsi图像分类模块wcim用于对wsi图像进行良恶性的分类。
8、s3、将所述步骤s1预处理的子宫内膜全切片图像数据集输入到所述步骤s2wsi图像处理模型中，通过图像块特征增强技术提取图像块的多尺度和多级特征，训练基于自监督学习的wsi图像处理模型并及时更新参数，输出子宫内膜癌良恶性的分类结果。
9、优选地，所述步骤s1中，对于细胞区域分割、细胞轮廓提取、细胞区域修复和保存，使用阈值分割法分割图像中的细胞区域，使用边缘检测算法提取细胞的轮廓，在细胞分割和提取过程中，细胞区域可能存在不完整或断裂的情况，需要使用插值法来填补这些区域，确保细胞区域的完整性。
10、优选地，所述步骤s21中，对于细节优化提取模块ofem，首先定义无标签图像块数据集，其中 ，是子宫内膜图像块，是子宫内膜图像块总数，通过使用无标签图像块数据集，减少了对大量标注数据的依赖，降低了数据准备的成本和时间，将所述子宫内膜图像块输入细节优化提取模块中，通过卷积操作得到一个的局部特征图，卷积层自动提取局部特征，减少了手动特征工程的需求，同时能够捕捉到更复杂的图像特征，将所述局部特征图作为深度变换器的输入，将局部特征图划分为个非重叠的窗口，其中是局部区域的大小，使用来表示每个局部区域的特征图，然后计算基于窗口的注意力，其中是softmax函数，利用深度变换器进一步处理特征图，可以学习到更深层次的特征表示，增强模型对图像内容的理解。
11、优选地，所述步骤s22中，对于细节信息融合模块difm，difm模块包括三个分支，每个分支对于不同阶段的特征进行调整和上采样，以便将它们融合到相同的分辨率，并进行元素级加和，有助于捕获图像在不同尺度上的细节信息，定义所述s21步骤中模块输出的特征为，维度是，、和分别是所述步骤s21中不用阶段输出的特征，使用转置卷积将和的分辨率调整到原始图像大小的，可以在保持特征图分辨率的同时，减少计算量和参数数量，对每个输出的特征的卷积输出进行高斯函数和实例归一化处理，以增强模型对不同尺度图像特征的学习能力和泛化性，最后将三个输出的特征的卷积输出进行元素级加和，得到difm模块的最终输出特征，。
12、优选地，所述步骤s22中，对于高斯函数和实例归一化处理，高斯函数对输入的数据进行非线性变换，，其中是标准正态分布的累积分布函数，在数据分布接近正态分布时，能够更自然地融入数据的分布特性，从而使得模型能够学习到更加复杂和细微的特征表示，实例归一化对每个实例的每个通道进行均值和方差的计算，并进行归一化，，其中是当前实例的均值，是标准差，使得数据的分布更加紧凑，有助于减少内部协变量偏移，加速模型的收敛速度，并降低模型对参数初始化的敏感性。
13、优选地，所述步骤s23中，对于wsi图像分类模块wcim，首先将所述步骤s22的最终输出经过一个全局池化操作，将池化后的特征和类标记合并输入到多通道注意力机制中，其中是第个注意力的输出，是可训练的参数矩阵，是通道的数量，模型能够自适应地为不同的特征通道分配不同的重要性权重，增强了模型对关键特征的捕捉能力，每个通道的注意力的计算是，在每个多通道注意力之后，执行归一化操作，并加上前一层的输出作为残差连接，以帮助梯度流动，有助于解决深度网络中的梯度消失问题，促进深层网络的训练，，，其中是第层的输出；将所述残差连接的输出输入到多层感知机mlp中，使用mlp进行最终的分类预测，可以学习到从特征到类别的非线性映射，提高分类的准确性，使用函数计算每个实例的最终预测分类，，其中是mlp输出的原始分数，是模型预测子宫内膜癌良恶性的概率。
14、优选地，所述步骤s3中，将所述步骤s1中预处理好的图像块数据集输入到所述步骤s2构建的基于自监督学习的wsi图像处理模型中，以进一步增强和提取特征，自监督学习的优势在于它能够利用数据内在的结构信息，无需依赖人工标注，从而在大量未标记的图像块上训练模型，增强其特征提取的能力，通过这种方式，模型学习到的特征不仅能够捕捉到图像的局部细节，还能够理解更广泛的上下文信息，在自监督学习阶段完成后，这些特征将被用于后续的分类任务，其中模型将通过监督学习进一步调整其参数，以精确区分子宫内膜癌的良恶性。
15、与现有技术相比，本发明具有以下技术效果：
16、本发明采用自监督学习构建wsi图像处理模型，无需依赖大量标注数据，减少了对精确标注病理图像的依赖，降低了数据准备的工作量和成本，通过细节优化提取模块ofem和细节信息融合模块difm，本发明能够有效地捕获图像的局部细节和全局上下文信息，并融合多尺度特征，增强了模型对图像特征的全面理解，difm模块通过三个分支对不同阶段的特征进行调整和上采样，实现特征的元素级加和，有效地结合了深层和浅层特征，提高了特征表达的丰富性，wsi图像分类模块wcim采用多层感知机、全连接层和sigmoid函数，结合自监督学习，提高了对子宫内膜癌良恶性分类的准确性，本发明在子宫内膜癌图像数据处理方面提供了一种新颖、高效且准确的解决方案，有助于推动病理图像处理技术的发展和应用。
1.一种子宫内膜图像的癌变特征增强处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种子宫内膜图像的癌变特征增强处理方法，其特征在于，所述步骤s21中，对于细节优化提取模块ofem，首先定义无标签图像块数据集，其中 ，是子宫内膜图像块，是子宫内膜图像块总数，将所述子宫内膜图像块输入细节优化提取模块中，通过卷积操作得到一个的局部特征图，将所述局部特征图作为深度变换器的输入，将所述局部特征图划分为个非重叠的窗口，其中是局部区域的大小，使用来表示每个局部区域的特征图，然后计算基于窗口的注意力，其中是softmax函数。
3.根据权利要求1所述的一种子宫内膜图像的癌变特征增强处理方法，其特征在于，所述步骤s22中，对于细节信息融合模块difm，difm模块包括三个分支，每个分支对于不同阶段的特征进行调整和上采样，并进行元素级加和，定义所述步骤s21中ofem输出的特征为，维度是，、和分别是所述步骤s21中不用阶段输出的特征，使用转置卷积将和的分辨率调整到原始图像大小的，对每个输出的特征的卷积输出进行高斯函数和实例归一化处理，最后将三个输出的特征的卷积输出进行元素级加和，得到difm模块的最终输出特征，。
4.根据权利要求1所述的一种子宫内膜图像的癌变特征增强处理方法，其特征在于，所述步骤s23中，对于wsi图像分类模块wcim，首先将所述步骤s22的最终输出经过一个全局池化操作，将池化后的特征和类标记合并输入到多通道注意力机制中，其中是第个注意力的输出，是可训练的参数矩阵，是通道的数量，每个通道的注意力的计算是，在每个多通道注意力之后，执行归一化操作，并加上前一层的输出作为残差连接，，，其中是第层的输出；将所述残差连接的输出输入到多层感知机mlp中，使用函数计算每个实例的最终预测分类，，其中是mlp输出的原始分数，是模型预测子宫内膜癌良恶性的概率。
5.根据权利要求1所述的一种子宫内膜图像的癌变特征增强处理方法，其特征在于，所述步骤s3中，将所述步骤s1预处理的子宫内膜全切片图像数据集输入到所述步骤s2wsi图像处理模型中，利用图像块特征增强技术在不同尺度上捕捉图像的细节和纹理特征提取图像块的多尺度和多级特征，通过自监督学习的方式，模型学习如何根据输入的特征对图像块进行子宫内膜癌良恶性的分类，经过充分训练和参数调优的模型能够对新的wsi图像块进行良恶性分类，并输出子宫内膜癌良恶性的分类结果。
