[发明专利]一种病理图像分类方法、设备、系统及存储介质

说明书

本发明涉及一种病理图像分类方法、设备、系统及存储介质。包括：获取显微镜采集到的病理图像；通过分割网络得到所述病理图像的血细胞区域，设置血细胞区域像素为固定值，得到没有血细胞的病理图像；将所述没有血细胞的病理图像输入分类模型中，得到分类结果。本发明从病理图片自身问题出发，具有重要的临床应用价值。

技术领域

本发明涉及智能医疗技术领域，更具体地，涉及一种病理图像分类方法、设备、系统及存储介质。

背景技术

随着临床技术的进步，通过病理医生对病理涂片进行现场诊断的快速现场评估(Rapid on-site evaluation,ROSE)技术带来了快速高效的诊断优势，但其对医生时间的占用以及对资深医生的需求限制了其推广与发展。针对活检样本的病理图像使用人工智能的方式进行分析能够显著优化当前工作流程，减少对医生时间的占用并降低对医生经验的依赖。

现有研究中有通过深度神经网络模型进行病理图片的识别，例如专利CN201810896157.5，将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到最终识别结果。不过现有的研究都没有考虑病理图片本身的问题，比如图像中有大量的血细胞等噪音，会对人工智能学习时造成信息干扰，影响学习的效率和模型的准确率。

发明内容

为解决上述问题，我们根据病理图像的特点，建立适用于病理图像分类方法、设备、系统及存储介质，为病理图像的准确识别奠定基础。

本申请公开了一种病理图像分类方法，包括：

获取显微镜采集到的病理图像；

通过分割网络得到所述病理图像的血细胞区域，设置血细胞区域像素为固定值，得到没有血细胞的病理图像；

将所述没有血细胞的病理图像输入分类模型中，得到分类结果。

进一步，所述固定值和病理图像背景值接近或等同，优选的，所述固定值为0或255；

可选的，所述分割网络为语义分割网络或实例分割网络。

可选的，所述血细胞包括红细胞、白细胞和血小板。

进一步，所述分类模型包括特征融合模型和分类器，所述特征融合模型用于提取所述没有血细胞的病理图像的特征并融合得到融合后的特征图，将所述融合后的特征图输入所述分类器中，得到分类结果；

可选的，所述特征融合模型包括特征提取模块、注意力解析模块和注意力特征融合模块；

所述特征提取模块为残差网络，用于对所述没有血细胞的病理图像进行特征提取，得到不同阶段的特征图；

所述注意力解析模块用于将不同阶段的特征图输入注意力解析机制获得注意力引导信息；

所述注意力特征融合模块包括自注意力全局模块与引导注意力模块，所述自注意力全局模块用于将上一阶段的特征图通过多头自注意力层实现全局建模，得到更具倾向性的全局特征图，所述引导注意力模块用于将所述自注意力全局建模后的特征图通过多头引导注意力层，并承接注意力解析机制获得的注意力引导信息，得到融合后的特征图。

进一步，所述特征融合模型包括n个(n为大于1的整数)特征提取模块、n个(n为大于1的整数)注意力解析模块和n个(n为大于1的整数)注意力特征融合模块；

所述特征提取模块为残差网络，用于对所述没有血细胞的病理图像进行特征提取，得到第一阶段、第二阶段到第n阶段不同阶段的特征图；

所述注意力解析模块用于将不同阶段的特征图输入注意力解析机制获得第一阶段、第二阶段到第n阶段注意力引导信息；