[发明专利]全视野病理切片图像分类方法、装置、设备及存储介质

说明书

本发明公开了全视野病理切片图像分类方法、装置、设备及存储介质，包括：获取待分类全视野病理切片图像；将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。本发明能够提高全视野病理切片图像分类的正确率。

技术领域

本发明属于图像处理技术领域，具体涉及全视野病理切片图像分类方法、装置、设备及存储介质。

背景技术

癌症作为当代致死率最高的疾病之一，近年来呈现快速增长趋势。病理切片是医生诊断癌症肿瘤的金标准。传统的癌症分类方法由经验丰富的病理医生通过对苏木精和伊红(HE)染色过的全视野病理切片进行甄别，海量的视觉筛查工作耗费医生大量时间和精力。

随着计算机视觉智能分析的发展，基于深度学习的癌症全视野病理切片图像分类方法被提出，降低了人工提取特征的要求，利用深度神经网络自动学习病例特点，对复杂多样的癌症切片进行检测分类。基于卷积神经网络的全视野病理分类方法，由于完全使用卷积神经网络缺少周围空间特征信息；基于残差网络的乳腺癌分类方法，不能够捕捉网络中多尺度特征信息，因此残差网络不善于探索新的特征。综上，基于深度学习全视野病理切片图像分类方法缺少周围空间特征信息、多尺度特征信息等问题，导致模型特征提取仅利用当前区域特征信息、当前尺度信息，周围空间特征信息，多尺度维度信息无法提供辅助判断作用，造成分类错误，影响正确率。

发明内容

针对现有技术中存在的问题，本发明提供了全视野病理切片图像分类方法、装置、设备及存储介质，能够提高全视野病理切片图像分类的正确率。

为了解决上述技术问题，本发明通过以下技术方案予以实现：

一种全视野病理切片图像分类方法，包括：

获取待分类全视野病理切片图像；

将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；

将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。

进一步地，所述全视野病理切片图像特征向量提取模型的构建方法为：

获取全视野病理切片图像以及全视野病理切片图像标签类别，对所述全视野病理切片图像进行预处理；

将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集；

利用训练集训练多尺度卷积神经网络，得到所述全视野病理切片图像特征向量提取模型，所述全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。

进一步地，所述对所述全视野病理切片图像进行预处理，具体包括：

将全视野病理切片图像切割成若干小图像；

对每个所述小图像进行灰度化处理；

计算灰度化处理后的小图像中无效像素占比；

选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。

进一步地，所述全视野病理切片图像特征向量提取模型的构建方法还包括：

将验证集输入训练好的所述全视野病理切片图像特征向量提取模型，输出验证集对应的全视野病理切片图像特征向量；

将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对，若比对后的正确率小于第一预设正确率，则用训练集继续训练多尺度卷积神经网络，直到比对后的正确率不小于第一预设正确率。