[发明专利]一种基于邻近共同预测的病理切片视野分类提升方法

权利要求书

1.一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，包括以下步骤：

(1)将电子病理切片图像与非常规细胞视野分类标注切分成为固定像素大小的训练图像，训练一个收敛的非常规细胞视野分类神经网络；

(2)将未标注的电子病理切片图像切分为m行，n列的测试图像，图像大小与训练图像大小相同，并把每张测试图像传入(1)中训练好的非常规细胞视野分类神经网络，预测出m×n的非常规概率矩阵；

(3)对于(2)中得到的非常规概率矩阵，使用核大小为k×k，步长为s的平均池化作用得到近邻域预测概率矩阵；

(4)对于(2)中得到的非常规概率矩阵，使用核大小为L×L，步长为s的平均池化作用得到远邻域预测概率矩阵，其中L大于k；

(5)将(3)和(4)得到的近邻域预测概率矩阵和远邻域概率矩阵的对应点进行融合，得到最终概率预测矩阵；

(6)将最终概率预测矩阵中概率超过预测阈值t的视野预测为非常规细胞，小于等于t的视野预测为常规细胞。

2.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(1)中，非常规细胞视野分类神经网络包括ResNet、DenseNet、Inception通用视觉分类网络。

3.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(1)中，非常规细胞视野分类神经网络的训练具体包括以下步骤：

(1.1)获取输入数据：将电子病理切片图像随机切分为高为H，宽为W的视野作为输入；

(1.2)获取训练标签：对于(1.1)中每个视野的位置，视野内存在非常规细胞，并且非常规细胞的面积比例大于阈值c，则对该视野赋予标签1，若视野内不存在非常规细胞，则对该视野赋予标签0，剩下的视野弃置不用；

(1.3)使用梯度下降法优化模型，在训练数据上收敛达到最优，得到收敛的非常规细胞视野分类神经网络。

4.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(3)中平均池化的具体步骤为：

(3.1)每次在非常规概率矩阵上以位置(i,j)为中心，取高为k，宽为k的窗口，对窗口内的所有值求平均值得到该位置的综合概率值；

(3.2)将(i,j)向右移动步长s，若窗口已经达到最右侧，则置j＝0，并把窗口向下移动步长s，直到窗口达到非常规概率矩阵的最右下方，所得的新矩阵即近邻域预测概率矩阵。

5.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(4)中平均池化的具体步骤为：

(4.1)每次在非常规概率矩阵上以位置(i,j)为中心，取高为L，宽为L的窗口，对窗口内的所有值求平均值得到该位置的综合概率值；

(4.2)将(i,j)向右移动步长s，若窗口已经达到最右侧，则置j＝0，并把窗口向下移动步长s，直到窗口达到非常规概率矩阵的最右下方，所得的新矩阵即远邻域预测概率矩阵。

6.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，k的取值范围为3～5的整数，L的取值范围为5～7的整数。

7.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(5)中，近邻域预测概率矩阵和远邻域预测概率矩阵的对应点的融合方法包括a)平均值法，b)取较大值法，c)加权均值法。

8.根据权利要求1所述的一种基于邻近共同预测的病理切片视野分类提升方法，其特征在于，步骤(6)中，预测阈值t的取值范围为0.1～0.8之间的小数。