[发明专利]一种病理图像的分类方法、分类系统及可读介质

说明书

本公开涉及一种病理图像的分类方法、分类系统及可读介质，包括：获取病理图像；将病理图像输入学习网络，利用学习网络来确定分类结果，其中学习网络包括相互关联的分类模型和分割模型；由处理器，将病理图像输入学习网络，基于病理图像，利用学习网络的分类模型确定病理图像中目标细胞的第一分类结果；利用学习网络的分割模型进行解码以确定目标细胞的期望指标，并基于期望指标利用分割模型来确定目标细胞的第二分类结果；在第一分类结果和第二分类结果为相同分类的情况下，确定目标细胞的分类结果为该分类。本公开的分类方法能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

技术领域

本公开涉及图像分析技术领域，更具体地，涉及一种病理图像的分类方法、分类系统及可读介质。

背景技术

基于病理图像进行分析和筛查是现代医学中进行癌症确诊的重要手段。而在基于病理图像进行筛查的过程中，需要专业的病理检查人员通过人工读片对病理图像进行分类或标识等操作，其工作量大、分析耗时长，影响后续诊断和治疗效率，因此，现有技术中常用基于人工智能学习模型进行病理图像分类的自动分析系统实现自动化的病理图像分类操作。

病理切片中包含细胞数目多，细胞形态各异，并且存在细胞覆盖、遮挡，细胞膜折叠等情况。利用现行的分类方法应对病理图像切片的分类速度慢，效率低的问题，并且对于折叠的情况，现行的分类方法无法准确完成分类。但现有的人工智能学习模型图像分类的方法与医疗系统中现行的判断方式存在偏差，通过人工智能学习模型的方法可解释性差，得不到医疗单位的认可。例如通过人工学习模型辨识出了某病理图像是阳性结果，但是通过现行的判断方式，该病理图像应该为阴性，这种情况下，通过人工智能学习模型的结果来认定病理图像的分类结果，也会给医生带来困扰。

旨在提供本公开来解决以上的技术问题。

发明内容

旨在提供一种病理图像的分类方法、分类系统及可读介质，其不仅能够通过学习网络中的分类模型来确定病理图像的第一分类结果，还能够基于该分类模型的编码阶段的特征信息利用分割模型确定用户所期望的指标，并基于所述期望指标来确定出第二分类结果，从而能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

在第一方面，本公开的实施例提供了一种病理图像的分类方法，包括：获取病理图像；由处理器，将所述病理图像输入学习网络，其中所述学习网络包括相互关联的分类模型和分割模型；由所述处理器，基于所述病理图像，利用所述分类模型确定所述病理图像中目标细胞的第一分类结果；由所述处理器，基于所述分类模型对所述病理图像在编码阶段所提取的特征信息，利用所述分割模型进行解码以确定所述目标细胞的期望指标，并基于所述期望指标利用所述分割模型来确定所述目标细胞的第二分类结果；由所述处理器，在所述第一分类结果和所述第二分类结果为相同的类别的情况下，确定所述目标细胞的分类结果为该类别。

在第二方面，本公开的实施例提供了一种病理图像的分类系统，包括：接口，其配置为获取病理图像；处理器，其配置为基于所获取的病理图像，利用根据本公开各实施例所述的病理图像的分类方法来确定分类结果。

在第三方面，本公开的实施例提供了一种其上存储有指令的非暂时性计算机可读介质，其中所述指令在由处理器执行时执行根据本公开各实施例所述的病理图像的分类方法来确定分类结果。

利用根据本公开的各个实施例的病理图像的分类方法，所采用的学习网络包括相互关联的分类模型和分割模型，不仅能够通过学习网络中的分类模型来确定病理图像的第一分类结果，还能够基于该分类模型的编码阶段的特征利用分割模型确定用户所期望的指标，并基于所述期望指标来确定出第二分类结果，从而能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

附图说明