[发明专利]一种组织病理图像分类装置

说明书

本申请公开了一种组织病理图像分类装置，应用于图像处理技术领域。本申请所提供的组织病理图像分类装置，获取模块先获取待测试病理图像，然后调用模块调用预先训练好的病理图像分类网络，输入模块将待测试病理图像输入至病理图像分类网络中进行分类。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，数据集样本包括病理图像集以及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优化数据集样本中的病理图像集，构建端到端的病理图像分类网络后通过优化后的数据集样本训练病理图像分类网络。本申请提出了一种新的组织病理图像分类网络，可以稳定地输出分类结果，提高组织病理图像分类的分类效果。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种组织病理图像分类装置。

背景技术

传统的病理图像分类方法采用经典的计算机视觉早期技术，如手工特征的提取，灰度共生矩阵，局部对偶算子等，这些方法很大程度上取决于病理学家注释的质量，过度工作的病理学家往往导致误诊，最终导致分类的准确度低于理想水平，使得一些经典方法的推广受限。而病理图像的数字化和深度学习的突破性进展使得计算机辅助癌症诊断和预后预测成为可能。一些研究工作也确信，与传统方法相比，将深度学习方法应用于病理图像分类应用具有相当大的性能提升，从而吸引了人们对这一医疗任务的日益关注。深度学习方法最近已经被应用于各种计算机视觉问题，并在病理图像分类任务中取得了更好的性能。这些方法一般分为两类：第一类是基于卷积神经网络的病理图像分类网络；第二类是基于Transformer的病理图像分类网络。基于卷积神经网络的病理图像分类网络通常采用端到端的学习方法，使用卷积神经网络从病理图像的底层数据中学习病理图像中的特征信息，如不同的纹理特征、几何特征以及良恶性病变的形态特征。基于Transformer的病理图像分类网络则利用自注意机制获取整个图像的全局特征信息，以提高图像分类的性能。

尽管这些方法在组织病理图像分类中取得了很好的性能，但是其对肿瘤结构异质性的非结构化空间信息捕捉能力还不够灵活，使分类效果仍有进一步提升空间。

由此可见，如何提高组织病理图像分类的分类效果，是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种组织病理图像分类装置，以提高组织病理图像分类的分类效果。

为解决上述技术问题，本申请提供一种组织病理图像分类装置，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。

优选地，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。

优选地，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。

优选地，利用图神经网络构建所述病理特征的图表示包括：