[发明专利]一种基于深度神经网络的病理图像分类方法及装置

摘要

本发明实施例提供了一种基于深度神经网络的病理图像分类方法，该方法包括：获取待测图像；对待测图像进行处理获得全局待测图像及局部待测图像；针对每个混合双模型对全局待测图像及局部待测图像进行预测得到全局预测结果概率向量及局部预测结果概率向量；对上述预测得到的概率向量进行预设处理得到最终局部预测结果概率向量及最终全局预测结果概率向量；按照预设权重，对上述处理得到的概率向量进行融合计算；将多个融合后的向量相加得到预测向量；根据预测向量及预设规则确定待测图像的图像类别。与现有技术相比，本发明实施例能够在样本图像中提取更多有效的图像特征，使神经网络的学习更充分，进而提高训练好的网络模型对图像分类的准确率。

主权项

1.一种基于深度神经网络的病理图像分类方法，其特征在于，所述方法包括：获取待测图像；按照第一预设尺寸对所述待测图像进行局部裁切，得到多个裁切待测图像，其中，所述多个裁切待测图像包括所述待测图像中所有区域；按照第二预设尺寸缩小所述待测图像，得到全局待测图像，并按照所述第二预设尺寸缩小所述多个裁切待测图像，得到多个局部待测图像；针对多个混合双模型中的每一个，将所述多个局部待测图像输入到局部网络模型中进行预测，得到每个局部待测图像对应的局部预测结果概率向量；将所述全局待测图像输入到全局网络模型中进行预测，得到全局预测结果概率向量；其中，所述每个混合双模型包括一个局部网络模型及一个全局网络模型，所述局部网络模型为：基于局部样本图像及其对应的类别标记向量对预设的初始局部深度神经网络进行训练得到的，所述局部样本图像为：按照所述第一预设尺寸对预先获取的样本图像进行局部裁切后，按照所述第二预设尺寸进行缩小得到的图像，所述局部样本图像与其对应的样本图像所对应的类别标记向量相同，所述全局网络模型为：基于所述全局样本图像及其对应的类别标记向量对预设的初始全局深度神经网络进行训练得到的，所述全局样本图像为：按照所述第二预设尺寸对所述样本图像进行缩小得到的图像；针对所述多个混合双模型中的每一个，对得到的每个局部预测结果概率向量进行预设处理，得到最终局部预测结果概率向量；针对所述多个混合双模型中的每一个，对得到的全局预测结果概率向量进行归一化处理，得到最终全局预测结果概率向量；针对所述多个混合双模型中的每一个，按照预设权重，对得到的最终局部预测结果概率向量及最终全局预测结果概率向量进行融合计算，得到融合后的向量；将所述多个混合双模型对应的多个融合后的向量相加，得到预测向量；根据所述预测向量及预设规则，确定所述待测图像的图像类别。