(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210795642.X (22)申请日 2022.07.06 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 许婧靓　陈明灿　李潇磊　叶梦雪　 王驰　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06V 20/69(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种医学图像 检测系统及方法 (57)摘要 本发明涉及一种医学图像检测系统及方法， 属于计算机视觉和图像处理技术领域， 对SSD神 经网络原有的conv4_3、 fc7、 conv6_2和conv7_2 特征层分别增加注意力机制， 再进行相邻层之间 的两两组合， 并以早融合的方式进行特征融合， 得到改进神经网络模型； 然后利用医学图像数据 对改进神经网络模型进行训练， 最后进行医学图 像检测。 本发明向原有的SSD神经网络中加入注 意力机制， 并将注意力机制之后的特征进行融 合， 经过注意力机制的操作之后， 特征层的尺寸 并不会产生变化， 但其输出的特征映射包含的特 征更加关注小目标的特征， 从而丰富了上下文特 征， 从而解决了现有技术中难以得到较丰富的浅 层特征以及漏检的问题。 权利要求书2页 说明书8页 附图6页 CN 115187981 A 2022.10.14 CN 115187981 A 1.一种医学图像 检测系统， 其特 征在于， 所述系统包括： 注意力机制增加模块， 用于对SSD神经网络原有的conv4_3、 fc7、 conv6_2和conv7_2特 征层分别增 加注意力机制， 得到四个注意力特 征层； 特征层组合模块， 用于将所述四个注意力特征层进行相邻层之间的两两组合， 并以早 融合的方式进行 特征融合， 得到改进神经网络模型； 训练模块， 用于利用医学图像数据对所述改进神经网络模型进行训练， 得到训练神经 网络模型； 检测模块， 用于利用所述训练神经网络模型进行医学图像 检测。 2.根据权利要求1所述的医学图像检测系统， 其特征在于， 所述注意力机制为CBAM注意 力机制。 3.根据权利要求1所述的医学图像检测系统， 其特征在于， 所述注意力机制包括： 通道 注意力机制和空间注意力机制。 4.根据权利要求3所述的医学图像检测系统， 其特征在于， 所述对SSD神经网络原有的 conv4_3、 fc7、 conv6_2和conv7_2特征层分别增加注意力机制， 得到四个注意力特征层， 具 体包括： 利用所述通道注意力 机制将输入的特征分别进行全局最大池化和全局 平均池化， 得到 最大池化结果和平均池化结果； 通过所述SSD神经网络中共享的全连接层对所述最大池化结果和所述平均池化结果相 加， 并通过sigmo id激活函数 得到每个通道的权值； 将所述每 个通道的权值与所述输入的特 征相乘， 得到相乘输入特 征； 利用所述空间注意力机制将所述相乘输入特征的每个特征点取特征的最大值和平均 值； 将每个特征点的特征的所述最大值和所述平均值堆叠后通过卷积层和sigmoid激活函 数， 得到每 个特征点的权值； 将所述每 个特征点的权值与所述输入的特 征相乘， 得到注意力特 征层。 5.根据权利要求4所述的医学图像检测系统， 其特征在于， 所述将每个特征点的特征的 所述最大值和所述平均值堆叠后通过卷积层和sigmoid激活函数， 得到每个特征点的权值， 具体包括： 将每个特征点的特征的所述最大值和所述平均值堆叠后通过步长为1的卷积层和 sigmoid激活函数， 得到每 个特征点的权值。 6.根据权利要求1所述的医学图像检测系统， 其特征在于， 所述将所述 四个注意力特征 层进行相邻层之间的两两组合， 并以早融合的方式进 行特征融合， 得到改进神经网络模型， 具体包括： 分别将增加注意力机制之后的所述conv4_3特征层与fc7特征层、 fc7特征层与conv6_2 特征层以及co nv6_2特征层与co nv7_2特征层组合， 得到三个组合特 征层； 利用concat的早融合方法分别将每个所述组合特征层的通道数量叠加， 得到三个叠加 特征层； 分别将每 个所述叠加特 征层通过 卷积核为1的卷积层， 得到改进神经网络模型。 7.根据权利要求6所述的医学图像检测系统， 其特征在于， 所述将增加 注意力机制之后权　利　要　求　书 1/2 页 2 CN 115187981 A 2的所述co nv4_3特征层与fc7 特征层组合， 具体包括： 将增加注意力机制之后的所述fc7特征层进行步长为2、 卷积核尺寸为1的反卷积操作， 并将反卷积 操作之后的所述fc7 特征层与增 加注意力机制之后的所述co nv4_3特征层组合。 8.根据权利要求1所述的医学图像检测系统， 其特征在于， 所述利用医学图像数据对所 述改进神经网络模型进行训练， 得到训练神经网络模型， 具体包括： 将白细胞作为 正常细胞； 将循环肿瘤 细胞和所述白细胞混合培 养； 获取若干张包 含所述循环肿瘤 细胞和所述白细胞的图片； 将所述若干张包 含所述循环肿瘤 细胞和所述白细胞的图片分为训练验证集和 测试集； 利用所述训练验证集和所述测试集对所述改进神经网络模型进行训练， 得到训练神经 网络模型。 9.根据权利要求1所述的医学图像检测系统， 其特征在于， 在所述利用所述训练神经网 络模型进行医学图像 检测之后， 还 包括： 对肿瘤细胞和正常细胞进行 预测和计数。 10.一种医学图像 检测方法， 其特 征在于， 所述方法包括： 对SSD神经网络原有的conv4_3、 fc7、 conv6_2和conv7_2特征层分别增加注意力机制， 得到四个注意力特 征层； 将所述四个注意力特征层进行相邻层 之间的两两组合， 并以早融合的方式进行特征融 合， 得到改进神经网络模型； 利用医学图像数据对所述改进神经网络模型进行训练， 得到训练神经网络模型； 利用所述训练神经网络模型进行医学图像 检测。权　利　要　求　书 2/2 页 3 CN 115187981 A 3