本发明涉及医学图像处理的，尤其是涉及一种基于densenet网络结合注意力机制医学图像异常检测方法及装置。
背景技术：
1、近年来，医学图像采集技术越来越便捷，从采集到成像处理极大的缩短了时间，并且能够直接在第一时间呈现在医生的电脑系统中，这同样使得人工智能识别网络能够迅速的识别并检测出异常图像。随着人工智能的不断发展，图像识别网络从单层感知器逐渐发展成为深层卷积网络，如resnet网络、vgg网络、densenet网络、alex网络等，为医学图像检测识别带来了极大的发展。
2、目前在深层卷积网络在医学图像检测识别领域仍发挥着优势，但是医学图像不同于普通的彩色图像，多为单通道的黑白图像，并且数据样本量较小，正负样本往往不平衡，难以人工生成，同时噪声较大，作为关键病灶的特征信息占比较小。医学图像的分析处理关系着病人是生命健康，因现在的医学图像检测网络必须克服医学图像的难点，能够在不平衡的样本量下更加精准的提取关键信息。
3、综上所述，现有技术中深层卷积网络在医学图像检测识别中，数据样本量较小，正负样本往往不平衡导致的难以人工生成，噪声大，关键病灶的特征信息的占比低的技术问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于densenet网络结合注意力机制医学图像异常检测方法及装置，以缓解现有技术中样本量较小，正负样本往往不平衡导致的难以人工生成的技术问题，同时减小了噪声，提高了关键病灶的特征信息的占比。
2、第一方面，本发明提供了一种基于densenet网络结合注意力机制医学图像异常检测方法，具体包括如下步骤：
3、s1：获取数据集，所述数据集划分出训练集；
4、s2：构建第一densenet网络，利用所述测试集对所述第一densenet网络进行训练以获取第二densenet网络；
5、s3：将注意力机制模块引入所述第二densenet网络，以获取densenet-注意力机制网络；
6、s4：基于所述训练集对所述densenet-注意力机制网络进行训练。
7、优选的，所述数据集划分出测试集，利用所述测试集对所述densenet-注意力机制网络进行测试。
8、优选的，所述训练集包括图像文本及其对应的文本标签；
9、所述训练集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输入至所述第一densenet网络和/或所述densenet-注意力机制网络中。
10、优选的，所述测试集包括图像文本及其对应的文本标签；
11、所述测试集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输入至所述densenet-注意力机制网络中。
12、优选的，所述第一densenet网络具体包括初始卷积层、第一稠密残差块、第一过渡层、第二稠密残差块、第二过渡层、第三稠密残差块、第三过渡层、第四稠密残差块、池化层：
13、第一稠密残差块特征输入和特征输出尺寸为56，包含6个卷积块，每个卷积块由2个卷积层构成；
14、第一过渡层的特征输入尺寸为56，特征输出尺寸为28，包含一个卷积层和平均池化层；
15、第二稠密残差块特征输入和特征输出尺寸为28，包含12个卷积块，每个卷积块由2个卷积层构成；
16、第二过渡层的特征输入尺寸为28，特征输出尺寸为14，包含一个卷积层和平均池化层；
17、第三稠密残差块特征输入和特征输出尺寸为14，包含24个卷积块，每个卷积块由2个卷积层构成；
18、第三过渡层的特征输入尺寸为14，特征输出尺寸为7，包含一个卷积层和平均池化层；
19、第四稠密残差块特征输入和特征输出尺寸为7，包含16个卷积块，每个卷积块由2个卷积层构成。
20、优选的，所述将注意力机制模块引入所述第二densenet网络以获取densenet-注意力机制网络的步骤包括：
21、第一densenet网络第四个稠密残差块之后引入注意力机制模块以构成densenet-注意力机制网络。
22、优选的，所述注意力机制模块为：
23、f＝δ(conv([zh，zw]))；
24、(fh，fw)＝split(f)；
25、gh＝σ(conv(fh)；
26、gw＝σ(conv(fw)；
27、zh∈rc×1×h-所述数据集特征经过densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿水平坐标和对每个通道进行编码：
28、zw∈rc×w×1-所述数据集特征经过densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿垂直坐标和对每个通道进行编码；
29、f∈rc/r×w×h-水平方向和垂直方向都对空间信息进行编码的中间特征图；
30、fh∈rc/r×h-所述中间特征图沿水平空间进行拆分的特征向量；
31、fw∈rc/r×w-所述中间特征图沿垂直空间进行拆分的特征向量；
32、[.，.]是将两个特征向量沿空间维度拼接；
33、δ(·)-relu激活函数；
34、σ(·)-sigmoid激活函数；
35、gh∈rc/r×h——输出的水平方向注意力权重；
36、gw∈rc/r×w——输出的垂直方向注意力权重。
37、conv-卷积；
38、spilt-等效拆分；
39、优选的，所述构建第一densenet网络，利用所述测试集对所述第一densenet网络进行训练以获取第二densenet网络的步骤包括：
40、采用ce-loss损失函数对所述第一densenet网络进行优化：
41、所述ce-loss损失函数为：
42、
43、c-共有c个分类；
44、i-输入样本序列；
45、yi-表示第i个样本的真实标签；
46、pi-表示第i个样本的预测输出
47、优选的，所述基于所述训练集对所述densenet-注意力机制网络进行训练的步骤包括：
48、采用mish激活函数对所述densenet-注意力机制网络的稠密残差特征连接进行调整，并利用auc损失函数对所述densenet-注意力机制网络参数进行调整。
49、优选的，所述mish激活函数为：
50、f(x)＝xtanh(ln(1+ex))；
51、x-输入特征向量；
52、f(w)-经过激活运算后的特征向量；
53、优选的，所述auc损失函数：
54、
55、
56、α＝1+b(w)-a(w)
57、
58、hw(x)-神经网络对输入正样本数据x的预测；
59、hw(x′)-神经网络对输入负样本数据x’的预测；
60、a(w)-正样本的平均预测分数；
61、b(w)-负样本的平均预测分数；
62、a1(w)-表示正样本的平均预测分数的方差
63、a2(w)-负样本的平均预测分数的方差；
64、m-a(w)和b(w)之间的所需边距的超参数
65、α-参数；
66、aucm(w)-auc边际最大化损失值；
67、-期望值；
68、优选的，所述并利用auc损失函数对所述densenet-注意力机制网络参数进行调整的步骤包括：
69、设定初始迭代次数i＝1，迭代上限j，利用auc损失函数对所述densenet-注意力机制网络参数进行调整获取第一auc分数；
70、若i≤j；
71、利用auc损失函数对所述densenet-注意力机制网络参数进行调整并获取第二auc分数；
72、若第二auc分数大于第一auc分数；
73、令第一auc分数等于第二auc分数，i＝i+1，并执行所述若i≤j的步骤；
74、若第一auc分数大于或等于获取第二auc分数，则输出所述第一auc分数，并停止迭代，
75、若i＞j；
76、则输出第一auc分数。
77、优选的，所述数据集划分出测试集，利用所述测试集对所述densenet-注意力机制网络进行测试的步骤包括：
78、采用如下指标对所述densenet-注意力机制网络进行测试：
79、获取准确率accuracy表示检测的准确率：
80、
81、获取精确率precision表示检测的精度：
82、
83、获取召回率recall表示检测的全面性：
84、
85、获取f1分数表示检测的综合精准度：
86、
87、tp-被正确识别的正样本；
88、tn-被正确识别的负样本；
89、fp-被错误识别的正样本；
90、fn-被错误识别的负样本；
91、获取auc分数表示识别的精度；
92、
93、m-正样本总数；
94、n-负样本总数；
95、i-正样本；
96、ranki-指样本排序位置为i的样本；
97、auc-auc分数，即roc曲线下面积。
98、第二方面，本发明提供了一种基于densenet网络结合注意力机制医学图像异常检测装置，包括：
99、数据采集模块：用于获取数据集，所述数据集划分出训练集；
100、第一网络训练模块：用于构建第一densenet网络，利用所述测试集对所述第一densenet网络进行训练以获取第二densenet网络；
101、注意力机制模块引入模块：用于将注意力机制模块引入所述第二densenet网络，以获取densenet-注意力机制网络；
102、第二网络训练模块：基于所述训练集对所述densenet-注意力机制网络进行训练。
103、本发明实施例带来了以下有益效果：本发明提供了一种基于densenet网络结合注意力机制医学图像异常检测方法及装置，涉及图像处理的技术领域，所述方法包括如下步骤：获取数据集，数据集划分出训练集，构建第一densenet网络，利用所述测试集对第一densenet网络进行训练以获取第二densenet网络；将注意力机制模块引入第二densenet网络，以获取densenet-注意力机制网络：基于训练集对所述densenet-注意力机制网络进行训练。通过本发明可以缓解现有技术中样本量较小，正负样本往往不平衡导致的难以人工生成的技术问题，同时减小了噪声，提高了关键病灶的特征信息的占比。
104、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
105、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。