[发明专利]一种组织病理图像分类装置

权利要求书

1.一种组织病理图像分类装置，其特征在于，包括：

获取模块，用于获取待测试病理图像；

调用模块，用于调用预先训练好的病理图像分类网络；

输入模块，用于将所述待测试病理图像输入至所述病理图像分类网络中进行分类；其中，所述病理图像分类网络的构建和训练步骤包括：

获取病理图像的数据集样本，所述数据集样本包括病理图像集以及所述病理图像集对应的分类标签集；

采用数据增强的方法和数据标准化的方法处理所述数据集样本中的所述病理图像集；

构建端到端的所述病理图像分类网络，其中，所述病理图像分类网络包括三部分，第一部分为特征提取网络，用于提取图像的病理特征，所述病理特征包括频域信息和空间信息；第二部分为图神经网络，用于构建所述病理特征的图表示并进行信息交互；第三部分为简化的Transformer网络，用于学习所述图表示中的重要节点并进行最终预测；

通过处理后的所述数据集样本训练所述病理图像分类网络。

2.根据权利要求1所述的组织病理图像分类装置，其特征在于，所述特征提取网络通过三层卷积块操作与离散小波分解操作并行连接，所述特征提取网络还用于将提取出的所述病理特征合并作为所述图神经网络的输入。

3.根据权利要求1所述的组织病理图像分类装置，其特征在于，所述图神经网络通过双层图神经网络构建所述病理特征的图表示并进行信息交互。

4.根据权利要求3所述的组织病理图像分类装置，其特征在于，利用图神经网络构建所述病理特征的图表示包括：

设定所述特征提取网络输出的特征维度为H×W×C，其中所述H表示所述病理特征的高，所述W表示所述病理特征的宽，所述C表示所述病理特征的通道数；将所述病理特征划分为N个特征块，通过将每个特征块转化为一个特征向量得到一个节点的特征V；对于所述节点，计算所述节点的K临近节点，并添加一条由所述节点到临近节点的边E；最终得到一个无向图表示G＝(V,E)。

5.根据权利要求1所述的组织病理图像分类装置，其特征在于，所述简化的Transformer网络通过两层线性层作为注意力机制，学习图表示中的重要节点，并通过序列池与线性层进行最终预测。

6.根据权利要求5所述的组织病理图像分类装置，其特征在于，利用简化的Transformer网络学习图表示中的重要节点获得特征矩阵包括：

设定所述图神经网络输出的特征维度为h×w×c，其中所述h表示所述病理特征的高，所述w表示所述病理特征的宽，所述c表示所述病理特征的通道数；将所述病理特征划分为N个特征块，每个特征块的维度为M＝p×p×c，其中p表示所述病理特征的大小，所述N的个数为N＝(h×w)/(p×p)；

将所述特征块序列重新排列为N×M的矩阵，并将各所述矩阵线性映射到指定维度D；所述矩阵加一个位置信息符，所述矩阵维度是(N+1)×M，获得输入项；

将所述输入项输入到简化的自注意机制中，获得所述特征矩阵。

7.根据权利要求5所述的组织病理图像分类装置，其特征在于，利用序列池化层与全连接层对所述特征矩阵进行分类获得分类结果包括：

使用序列池化层对提取到的所述病理特征赋予指定权重，使用全连接层对特征矩阵进行线性分类处理，获得分类结果。

8.根据权利要求7所述的组织病理图像分类装置，其特征在于，所述通过处理后的所述数据集样本训练所述病理图像分类网络包括：

根据所述分类结果和所述分类标签集计算损失值，调整所述病理图像分类网络直至所述损失值最小。

9.根据权利要求8所述的组织病理图像分类装置，其特征在于，所述根据所述分类结果和所述分类标签集计算损失值包括：

将所述分类结果和所述分类标签集带入交叉熵函数，计算所述损失值。

10.根据权利要求1所述的组织病理图像分类装置，其特征在于，所述数据增强的方法是对所述数据集样本中的所述病理图像集进行随机扩展、剪裁、翻转、对比度失真和亮度失真；

所述数据标准化的方法是采用线性归一化使所述数据集样本中的所述病理图像集样本数据落到[0,1]区间。