基于高阶双注意力机制的乳腺癌病理图像分类

摘要

卷积神经网络（Convolutional Neural Networks, CNN）作为组织病理学图像的分类方法已经引起了人们的广泛关注。然而，单一CNN模型的卷积仅依赖于一阶统计，不能描述全局信息，而且平均池化层的局部特征表达能力较弱，忽略了捕捉非线性深层特征（二阶统计）的微妙复杂性。因此，基于Dense模型提出了联合高阶双支注意力（Higher-order Dual Attention Mechanism, HDAM）与协方差池化层（Covariance Pooling, CP）的乳腺癌病理图像分类模型：HDCP-Dense。其中，HDAM模块实现了通道和空间注意力的交互，并捕获了图像的全局互补特征；CP采用矩阵平方根归一化，不仅解决了平均池化层的缺陷，更进一步增强了特征的高阶信息。在Brea KHis数据集上的对比实验和消融试验说明该模型的分类准确率最高可达98.67%，有效地实现了乳腺癌病理图像的分类。

关键词

乳腺癌病理图像分类 / 协方差池化 / 高阶双支注意力机制 / Dense模块

基金资助

山西省基础研究计划资助项目（20210302123019,202103021223189,202103021224195,202103021224212）; 山西省回国留学人员科研项目（2021-108）