本发明涉及医疗技术及图像处理，特别涉及一种用于图像分类的宽度学习系统及其训练方法和图像分类方法。
背景技术：
1、宫颈癌是最常见的妇科恶性肿瘤之一，在许多国家的发病率和死亡率仍然居高不下。然而，宫颈癌的发展进程相对缓慢，从癌前病变到浸润性癌症通常需要数年甚至数十年的时间。有研究表明，通过早期的筛查和有效的治疗，能够使得宫颈癌的癌前病变临床治愈率接近于100％。这不仅有效防止病情的进一步恶化，还显著降低了宫颈癌的发病率和死亡率。因此，早期筛查宫颈病变在预防宫颈癌的发生中具有极其重要的意义。
2、随着医疗技术的不断进步，宫颈癌筛查方法也取得了显著改善。其中，液基细胞学检测(thinprep cytologic test,tct)作为目前最先进的宫颈细胞学筛查技术，在宫颈癌的早期筛查和诊断中发挥着关键作用。然而，传统的tct筛查依赖于经验丰富的医生在显微镜下手动审阅涂片。这种方法不仅耗时，而且费力，同时也容易受到医生主观因素和专业水平的限制。
3、近年来，深度学习在医学图像处理领域取得了显著进展，特别是在目标检测方面。许多方法采用深度学习模型来解决宫颈细胞检测任务，例如faster r-cnn、cascade r-cnn、ssd等。尽管这些方法在一定程度上提高了宫颈细胞的检测准确性，但它们在数据集上的训练时间较长。相比之下，yolo系列算法因其高效的实时检测性能受到了关注。先前也有不少研究利用yolo系列模型进行宫颈细胞检测，例如yolov3、yolov5等。然而，过深的网络层次和卷积等一系列操作导致的信息丢失问题，使这些方法往往在高分辨率图像中的表现不尽如人意。
4、因此，开发一种高效的tct涂片宫颈细胞自动检测系统仍然是一个亟待解决的问题。
技术实现思路
1、有鉴于此，本发明的目的是提供一种基于多层次硬极化特征融合的tct涂片自动检测系统，以解决提高tct涂片检测效率及精确度的技术问题。
2、本发明基于多层次硬极化特征融合的tct涂片自动检测系统包括yolo-tct模型，所述yolo-tct模型由对yolov8进行改进得到，所述改进在于将yolov8骨干网络中的c2f模块替换为mlhp-c2f模块，所述mlhp-c2f模块包括依次连接的第一卷积层、split层、n个bottleneck层、concat层、第二卷积层和硬极化自注意力层，第一卷积层、split层、各个bottleneck层的输出还直接输入到concat层，第一卷积层的输入和第二卷积层的输出融合后输入硬极化自注意力层；所述硬极化自注意力层是将极化自注意力模块中的sigmoid函数替换为hard sigmoid函数后得到的，hard sigmoid函数的公式如下：
3、hardsigmoid(x)＝max(0,min(1,α*x+β)) (1)
4、其中，α是斜率参数，β是偏置参数；α设为1/6，β设为1/3，以确保当x在[-3,3]范围内时，hard sigmoid函数能够紧密近似sigmoid函数，对于超出此范围的输入，输出被限制在0到1之间。
5、进一步，所述yolo-tct模型由如下七种类别的细胞图像构成的数据集进行训练、测试和验证：
6、①未见上皮内病变或恶性细胞的图像；
7、②意义不明的非典型鳞状细胞的图像；
8、③不能排除高度鳞状上皮内病变的非典型鳞状细胞的图像；
9、④低度鳞状上皮内病变细胞的图像；
10、⑤高度鳞状上皮内病变细胞的图像；
11、⑥鳞状细胞癌的图像；
12、⑦未明确诊断意义的非典型腺癌的图像。
13、本发明的有益效果：
14、本发明基于多层次硬极化特征融合的tct涂片自动检测系统，在检测时以tct涂片图像作为输入，输出细胞定位和分类结果。本发明基于多层次硬极化特征融合的tct涂片自动检测系统包含的yolo-tct模型在骨干网络中采用了独创的mlhp-c2f模块，该模块包含了两个方面：第一，通过多层次特征融合操作将特征传递到后续层，帮助深层网络获取有用的信息；第二，通过硬极化自注意力保证图像的信息损失尽可能小的同时增强高分辨率图像的特征表达。消融实验证明，在yolov8-l基础上单独添加ml、psa或hpsa时进行特征融合会对模型的性能产生负面的影响，只有当结合ml和hpsa时，模型才实现了最佳的map0.5:0.95和map0.5，展示了mlhp结构的合理性和优越性。不同模型对比实验结果显示，在针对高分辨率宫颈细胞tct涂片图像的检测中，采用了mlhp-c2f模块的yolo-tct检测精确度上显著优于其他模型系统。
1.基于多层次硬极化特征融合的tct涂片自动检测系统，其特征在于：包括yolo-tct模型，所述yolo-tct模型由对yolov8进行改进得到，所述改进在于将yolov8骨干网络中的c2f模块替换为mlhp-c2f模块，所述mlhp-c2f模块包括依次连接的第一卷积层、split层、n个bottleneck层、concat层、第二卷积层和硬极化自注意力层，第一卷积层、split层、各个bottleneck层的输出还直接输入到concat层，第一卷积层的输入和第二卷积层的输出融合后输入硬极化自注意力层；所述硬极化自注意力层是将极化自注意力模块中的sigmoid函数替换为hard sigmoid函数后得到的，hard sigmoid函数的公式如下：
2.根据权利要求1所述的基于多层次硬极化特征融合的tct涂片自动检测系统，其特征在于：所述yolo-tct模型由如下七种类别的细胞图像构成的数据集进行训练、测试和验证：
