本发明涉及组织病理图像自动诊断，具体为基于背景指导注意力机制的病理切片特征融合方法及系统。
背景技术：
1、病理图像处理主要依赖于图像分割、特征提取及分类等技术手段，其中，基于深度学习的图像分割方法（如u-net等）和特征提取方法（如卷积神经网络）在准确性和效率方面取得了显著进展，然而，这些方法往往仅依赖于图像本身的特征，忽略了其他有价值的病理监查信息，如疾病检查结果和诊断结果等，这会导致对病变区域的识别和分析不够全面和准确；
2、现有技术中的，公开号为cn114118258a，名称为一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：s1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；s2：根据d维的正态分布随机生成一个d维的初始背景向量；s3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；s4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；s5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征；
3、现有的病理图像处理方法在特征融合方面存在一定的局限性，传统的方法主要是将从图像中提取的特征直接用于分类或回归模型，忽略了不同病变区域的背景信息对特征提取和融合的重要影响，这种单一的特征处理方式会导致在处理复杂病理图像时，尤其是病变区域较小或特征不明显的情况下，难以准确地识别和分析病变；此外，现有技术中对病理监查信息的利用不足，导致不能充分利用这些数据中的潜在信息进行病理图像的特征融合和分析；
4、在上述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供基于背景指导注意力机制的病理切片特征融合方法及系统，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、基于背景指导注意力机制的病理切片特征融合方法，该方法应用于病理图像处理系统，具体步骤包括：
4、采集若干患者病理数据后进行顺序标号，形成标号集合{1,2，...，h，...，h}，其中，h表示第h位患者的索引，h表示患者总数，且病理数据包括从患者身上采集的病理切片图像以及从检查中获取的病理监查信息，对第h位患者的若干病理切片图像进行顺序编号，形成标号集合{h1,h2，...，hi，...，hn}，其中，hi表示第h位患者的第i张病理切片图像，hn表示第h位患者的第n张病理切片图像，n表示患者的病理切片图像总数；
5、接收病理切片图像和病理监查信息后进行预处理，预处理包括对病理切片图像进行去噪、归一化和分割处理，以及对病理监查信息进行结构化处理，且病理监查信息进一步包括疾病检查结果数据和疾病诊断结果数据，结构化处理是将疾病检查结果数据和疾病诊断结果数据转换为结构化数据格式；
6、获取转换为结构化数据格式的疾病检查结果数据和疾病诊断结果数据，之后对疾病检查结果数据进行分析处理，生成对疾病检查结果的严重程度进行评价的第一影响系数，对疾病诊断结果数据进行分析处理，生成对诊断结果的严重程度进行评价的第二影响系数；
7、获取第一影响系数和第二影响系数，采用病变特征分组策略，根据病理切片图像中病变严重程度对标号集合{h1,h2，...，hi，...，hn}进行分组，形成{1,2，...，j，...，m}，其中，j表示第j个病理切片图像分组，m表示病理切片图像分组总数；
8、从病理监查信息中提取关键特征，并将提取的关键特征作为训练数据，用于构建背景指导赋值模型，且背景指导赋值模型的输出是针对每组病理切片图像的背景指导赋值；
9、获取第一影响系数和第二影响系数，并进行分析处理，构建赋值微调指数，赋值微调指数用于对每组病理切片图像的背景指导赋值提供微调策略；
10、获取微调策略，并根据微调策略确定每组病理切片图像的背景指导赋值，最终利用背景指导注意力机制对提取的特征进行加权融合，输出融合后的高层次特征；
11、将输出的融合高层次特征应用于后续的病理分析。
12、进一步地，定义第h位患者的赋值微调指数为，计算公式如下：
13、
14、其中，是第h位患者的赋值微调指数，r1是第一影响系数的权重，0.12≤r1≤0.89；r2是第二影响系数的权重，0.08≤r1≤0.79，r1＞r2，且r1+r2=1，是第一影响系数，是第二影响系数；
15、设定赋值微调指数的值域为(0,z)，其中z为正数；
16、当越趋近于0时，表示整体病理切片图像的检查和诊断结果偏离正常范围越大，需要对背景指导赋值进行第一等级的微调量；
17、当越趋近于z时，表示整体病理切片图像的检查和诊断结果在正常范围内，对背景指导赋值进行第二等级的微调量；
18、且第一等级的微调量大于第二等级的微调量。
19、进一步地，所述第一等级的微调量与第二等级的微调量，具体包括：
20、设定mq为赋值微调指数的比对阈值，0.69≤mq≤0.96，mq＜z；mq用于划分不同的微调策略；设定调整后的背景指导赋值为；
21、1）当赋值微调指数大于阈值mq时，表示趋近于z，此时，与取值均处于区间[0.69，1），表示整体病理切片图像的检查和诊断结果较好，对背景指导赋值进行第二等级的微调量；
22、第二等级对应微调策略是减少当前第h位患者的第j组病理切片图像的背景指导赋值，公式如下：
23、
24、2）当赋值微调指数等于阈值mq时，与取值均处于区间（0.45，0.69），表示整体病理切片图像的检查和诊断结果临界；
25、微调策略是保持背景指导赋值不变，数学表达式如下：
26、
27、3）当赋值微调指数小于阈值mq时，表示趋近于0，与取值均处于区间（0，0.45]，表示整体病理切片图像的检查和诊断结果偏离正常范围较大，需要对背景指导赋值进行第一等级的微调量；
28、第一等级对应微调策略是增加当前第h位患者的第j组病理切片图像的背景指导赋值；数学表达式如下：
29、。
30、一种基于背景指导注意力机制的病理切片特征融合系统，所述系统用于执行所述的基于背景指导注意力机制的病理切片特征融合方法，包括：
31、顺序标号模块：用于采集若干患者病理数据后进行顺序标号，形成标号集合{1,2，...，h，...，h}，其中，h表示第h位患者的索引，h表示患者总数，且病理数据包括从患者身上采集的病理切片图像以及从检查中获取的病理监查信息，对第h位患者的若干病理切片图像进行顺序编号，形成标号集合{h1,h2，...，hi，...，hn}，其中，hi表示第h位患者的第i张病理切片图像，hn表示第h位患者的第n张病理切片图像，n表示患者的病理切片图像总数；
32、数据预处理模块：用于接收病理切片图像和病理监查信息后进行预处理，预处理包括对病理切片图像进行去噪、归一化和分割处理，以及对病理监查信息进行结构化处理，且病理监查信息进一步包括疾病检查结果数据和疾病诊断结果数据，结构化处理是将疾病检查结果数据和疾病诊断结果数据转换为结构化数据格式；
33、影响系数生成模块：用于获取转换为结构化数据格式的疾病检查结果数据和疾病诊断结果数据，之后对疾病检查结果数据进行分析处理，生成对疾病检查结果的严重程度进行评价的第一影响系数，对疾病诊断结果数据进行分析处理，生成对诊断结果的严重程度进行评价的第二影响系数；
34、分组模块：用于获取第一影响系数和第二影响系数，采用病变特征分组策略，根据病理切片图像中病变严重程度对标号集合{h1,h2，...，hi，...，hn}进行分组，形成{1,2，...，j，...，m}，其中，j表示第j个病理切片图像分组，m表示病理切片图像分组总数；
35、赋值模型构建模块：用于从病理监查信息中提取关键特征，并将提取的关键特征作为训练数据，用于构建背景指导赋值模型，且背景指导赋值模型的输出是针对每组病理切片图像的背景指导赋值；
36、指数生成模块：用于获取第一影响系数和第二影响系数，并进行分析处理，构建赋值微调指数，赋值微调指数用于对每组病理切片图像的背景指导赋值提供微调策略；
37、特征融合模块：用于获取微调策略，并根据微调策略确定每组病理切片图像的背景指导赋值，最终利用背景指导注意力机制对提取的特征进行加权融合，输出融合后的高层次特征；
38、应用模块：用于将输出的融合高层次特征应用于后续的病理分析。
39、与现有技术相比，本发明的有益效果是：通过构建赋值微调指数，对背景指导赋值进行动态调整，使得特征融合更加灵活和适应性强，赋值微调策略能够根据实际情况对背景指导赋值进行调整，确保特征融合结果的准确性和稳定性，通过将分割处理结果与病变特征分组策略相结合，并利用背景指导注意力机制对提取的特征进行加权融合，最终输出的融合高层次特征不仅能够提高病理分析的准确性，还为后续的病理分析提供了更加可靠的依据。
1.基于背景指导注意力机制的病理切片特征融合方法，该方法应用于病理图像处理系统，其特征在于，具体步骤包括：
2.根据权利要求1所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述接收病理切片图像和病理监查信息后进行预处理，具体包括：
3.根据权利要求2所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述对疾病检查结果数据和疾病诊断结果数据进行结构化处理，具体包括：
4.根据权利要求3所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：设定与的正常范围值分别为和；设定对应的评分值用表示，对应的评分值用表示；
5.根据权利要求4所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述病变特征分组策略，包括：
6.根据权利要求5所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述构建背景指导赋值模型，且背景指导赋值模型的输出是针对每组病理切片图像的背景指导赋值，具体包括：
7.根据权利要求6所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：定义第h位患者的赋值微调指数为，计算公式如下：
8.根据权利要求7所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述第一等级的微调量与第二等级的微调量，具体包括：
9.根据权利要求8所述的基于背景指导注意力机制的病理切片特征融合方法，其特征在于：所述输出融合后的高层次特征，具体包括：
10.一种基于背景指导注意力机制的病理切片特征融合系统，其特征在于：所述系统用于执行权利要求1-9任意一项所述的基于背景指导注意力机制的病理切片特征融合方法，包括：
