[发明专利]一种病理图像的分类学习方法、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学习方法、分类系统及可读介质，分类学习方法包括：获取包括病理图像的多个第一训练样本的第一训练集；利用所获取的第一训练集，对分类学习网络执行第一阶段的训练；将第一阶段的训练所得到的分类错误的训练样本与分类正确的训练样本按照第一预定比例范围混合，以使得其中训练样本的标识类别的分布满足期望分布，从而得到混合训练集；利用所得到的混合训练集，对分类学习网络执行在第一阶段之后的第二阶段的训练。本公开的分类学习方法能够让分类学习网络重点学习在第一阶段学习错误的数据，从而有效加快分类学习网络的收敛速度，有效提高分类学习网络的训练效率。

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学习方法、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。

深度神经网络作为一种基于人工智能的分析学习网络，在图像识别、特征学习方面具有较强的能力，可通过学习数据的内在规律，成功应用于新的数据上，实现新的数据的自动化分析。现有的训练方式将各训练集输入至分析学习网络中进行分批次训练，来调整分析学习网络的参数。但现有的训练方式存在训练效率低下，收敛速度慢的问题。

在医院的病理图像的样本数据中，通常阴性样本的占比是非常高的，存在严重的阴阳比例失调。这种阴阳比例失调在应用深度神经网络时，会造成比较严重的问题。例如1000个样本中有999个都是阴性样本，那么用该样本来进行分类学习网络的训练，分类学习网络只需要把1000个样本均识别为阴性，整个网络的识别准确率就达到了99.9%。但是这并不是医生所期望获得的效果，医生更期望的是把那一个阳性样本给检测正确，而这种情况下无论如何调整分类学习网络的参数都无法达到期望的效果。

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学习方法、分类系统及可读介质，其不仅能够以简易的方式解决病理图像的各属性样本比例失调的问题，提升分类学习网络的学习稳定性，还能够让分类学习网络受益于先前正确的习得结果并着重学习分类错误的样本，提高分类学习网络的学习效率和收敛速度。

在第一方面，本公开的实施例提供了一种病理图像的分类学习方法，所述分类学习方法包括：获取包括病理图像的多个第一训练样本的第一训练集，各个第一训练样本包括病理图像及其对应的类别标识；利用所获取的第一训练集，对所述分类学习网络执行第一阶段的训练；将第一阶段的训练所得到的分类错误的训练样本与分类正确的训练样本按照第一预定比例范围混合，以使得其中训练样本的标识类别的分布满足期望分布，从而得到混合训练集；利用所得到的混合训练集，对所述分类学习网络执行在所述第一阶段之后的第二阶段的训练。

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，其配置为接收待分类的病理图像；处理器，其配置为：基于所接收的病理图像，利用训练好的分类学习网络，确定所述病理图像的分类结果，其中，所述分类学习网络利用根据前述各个实施例的病理图像的分类学习方法来训练。

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前述各个实施例的病理图像的分类学习方法。