[发明专利]一种优化组织学病理图像智能分析性能的后处理方法

权利要求书

1.一种优化组织学病理图像智能分析性能的后处理方法，其特征在于，所述方法包括以下步骤：

步骤1，获取病例的多张病理切片的数字图像，并绘制先验图谱；

步骤2，将切片对应的数字图像和先验图谱裁剪成小尺寸图像块；

步骤3，计算待优化算法对于小尺寸图像块的预测置信概率特征，并计算对应的先验图谱的平均值作为先验权重，具体为：以待优化深度学习卷积神经网络模型M对所有小尺寸图像块进行预测，得到小尺寸图像块p_ij的预测置信概率特征向量中每个元素表示对应类别的置信概率，c为可能被预测的类别数目；利用计算每个小尺寸图像块p_ij对应的先验图谱h_ij的像素平均值作为每个小尺寸图像块对应的先验权重，其中，n为对应的先验图谱中的像素数目，h_ijz为每个像素的相对关注度取值；

步骤4，计算每个小尺寸图像块的加权置信概率特征，具体为：根据步骤3中计算出的每个小尺寸图像块p_ij的预测置信概率特征和对应的先验权重计算每个小尺寸图像块的加权置信概率特征其中，

步骤5，融合切片对应的所有小尺寸图像块的加权置信概率特征；

步骤6，融合病例对应的所有切片的加权置信概率特征；

步骤7，根据步骤6中的加权置信概率特征，预测病例所属病变类别，具体为：根据步骤6所计算的病例P的加权置信概率特征计算置信概率最大的类别c_max＝argmax(w₁,w₂,…,w_c)，即预测为该病例P的所属病变类别。

2.如权利要求1所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，在步骤1中，所述获取病例的多张病理切片的数字图像，具体为：将病例P的组织通过石蜡包埋或冰冻包埋后进行切片和染色处理，并基于高倍数目镜扫描成多张组织学病理数字图像p₁,p₂,...,p_i，i为切片数量。

3.如权利要求2所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，所述绘制先验图谱，具体为：根据医生的先验知识，获取与切片等尺寸的先验图谱H，每张切片分别对应先验图谱h₁,h₂,...,h_i，并在图谱中存储归一化的相对关注度，关注度取值范围为[0,1]。

4.如权利要求1所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，在步骤2中，所述将切片对应的数字图像和先验图谱裁剪成小尺寸图像块，具体为：将切片对应的数字病理图像以步长s裁剪成边长为x的小尺寸图像块，s的取值范围为(0,x]；将病例P的切片p_i的小尺寸病理图像块表示为p_i1,p_i2,...,p_ij，同时裁剪先验图谱h_i中的对应位置，得到小尺寸图像块对应的先验图谱h_i1,h_i2,...,h_ij，其中，i为切片数量，j为小尺寸图像块的数量。

5.如权利要求4所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，当优化网络为ResNet时，x取值为224；当优化网络为Inception v3时，x取值为299。

6.如权利要求1所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，在步骤5中，将每个小尺寸图像块的加权置信概率特征求和，得到病例P的切片p_i的加权置信概率特征其中，c为可能被预测的类别数目。

7.如权利要求1所述的优化组织学病理图像智能分析性能的后处理的方法，其特征在于，在步骤6中，将所有切片的加权置信概率特征求和，得到病例P的加权置信概率特征其中，w₁，w₂，…，w_i＝w₁₁+w₂₁+…+w_i1，w₁₂+w₂₂+…+w_i2，…，w_1c+w₂c+…+w_ic。