一种病理图像分类装置、方法及装置的使用方法与流程

1.本发明涉及图像识别和深度学习领域，更具体地说，涉及一种病理图像分类技术。


背景技术：

2.病理图像是最终确诊癌症的金标准。但是当前基于医生人工对病理图像分类，不仅存在耗时、费力的问题，而且其诊断结果容易受到医生经验、水平等主观人为因素的影响；引入计算机辅助诊断系统不仅可以提高诊断效率，还能辅助提供更加客观、准确的诊断结果。近年来，一些卷积神经网络模型被用于计算机辅助诊断系统对病理图像自动分类，其中resnet卷积神经网络应用得最为广泛。但是由于resnet卷积神经网络针对自然图像设计，若要获得比较精确的图像识别结果，需要的层数一般较深，计算耗时；另一方面，模型参数多，需要通过大量的训练数据训练参数，才能获得较高的准确度。但是由于病理图像数据集规模较小，将上述模型直接用在计算机辅助诊断系统对病理图像自动分类，易产生过拟合现象，降低了分类的准确性和可靠性。
3.因此，一种新的能快速准确地对病理图像分类的装置及方法亟待出现。


技术实现要素：

4.本发明公开了一种病理图像分类装置，所述装置包含：
5.图像数据集生成单元，用于对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；还用于对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据；
6.区域分类单元，用于接收所述图像数据集生成单元生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域；
7.病理分类单元，用于接收所述图像数据集生成单元生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
8.其中，图像数据集生成单元进一步包含：
9.图像采集模块，用于使用滑动窗口对形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；
10.数据集生成模块，用于接收所述图像采集模块获取的小块图像，读取并记录所述
小块图像在形态学数字切片的标注，生成小块图像数据，添加到小块图像数据集一；还用于接收所述图像采集模块获取的小块图像，读取并记录所述小块图像在形态学数字切片的标注，结合所述设定的数据集规则，生成小块异常图像数据，添加到小块图像数据集二。
11.其中，区域分类单元进一步包含：
12.区域预测模块，用于接收所述数据集生成模块生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器堆叠构成，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据，输出给区域分类模块；
13.区域分类模块，用于接收所述区域预测模块得到的小块图像数据集一中全部小块图像数据；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注。
14.其中，病理分类单元进一步包含：
15.病理预测模块，用于接收所述数据集生成模块生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据，输出给病理分类模块；
16.病理分类模块，用于接收所述病理预测模块得到的小块图像数据集二中全部小块异常图像数据；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
17.为了提高装置的精确程度，优选的，所述装置还包含：
18.训练单元，用于根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；还用于根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；还用于根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；
19.其中，训练单元进一步包含：
20.参数一训练模块，用于根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；
21.参数二训练模块，用于根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；
22.参数三训练模块，用于根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；
23.所述小块图像数据集一可分为训练集、验证集、测试集；
24.所述小块图像数据集二可分为训练集、验证集、测试集。
25.本发明还公开一种病理图像分类方法，所述方法包含步骤：
26.(11)对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；
27.(12)构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域；
28.(13)对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据；
29.(14)通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
30.进一步的，所述步骤(11)生成小块图像数据集一的方法具体包含：
31.使用滑动窗口对所述形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；
32.采样同时读取并记录所述小块图像在形态学数字切片的标注，所述标注包含位置信息；
33.生成小块图像数据，添加到小块图像数据集一；所述小块图像数据包含图像信息及标签，所述标签包含标注。
34.进一步的，所述步骤(12)的方法具体包含：
35.构造浅层卷积神经网络模型一，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器堆叠构成，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据；
36.结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注。
37.进一步的，，所述步骤(13)生成小块图像数集二的方法具体包含：
38.使用滑动窗口对所述形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；
39.采样同时读取并记录所述小块图像在形态学数字切片的标注；所述标注包含位置信息、区域分类标签、所属区域信息；
40.结合所述设定的数据集规则，生成区域分类标签为异常的小块异常图像数据，添加到小块图像数据集二；所述小块异常图像数据包含图像信息及标签，所述标签包含标注。
41.进一步的，所述步骤(14)的方法具体包含：
42.通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签并写入
小块异常图像数据，获得更新的小块异常图像数据；
43.将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
44.为了提高分类的精确度，优选的，所述方法还包含：
45.根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；
46.根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；
47.根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；
48.所述小块图像数据集一可分为训练集、验证集、测试集；
49.所述小块图像数据集二可分为训练集、验证集、测试集。
50.本发明还公开一种病理图像分类装置的使用方法，根据此方法可将所述装置训练为高精度的分类装置，所述方法包含：
51.选取一组标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集；
52.步骤(21)，图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片上的标注，生成小块图像数据，添加到训练集的小块图像数据集一；所述训练集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签；
53.优选地，可以预先设定数据集规则，筛选出位于单一区域内的小块图像，生成小块图像数据，添加到所述测试集的小块图像数据集一；
54.步骤(22)，区域分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述训练集的小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据；
55.步骤(23)，训练单元根据所获取的预测区域分类标签和原始区域分类标签计算区域分类误差，根据所述区域分类误差更新设定所述参数一；
56.重复执行上述步骤(22)至步骤(23)直到根据训练单元设定的训练代数执行完相应的次数；获取最优的参数一；
57.步骤(24)，图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到训练集的小块图像数据集二；所述训练集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；
58.步骤(25)，病理分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所
述训练集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据；
59.步骤(26)，训练单元根据所获取的预测病理分类标签和原始病理分类标签计算病理分类误差，根据所述病理分类误差更新设定所述参数二；
60.重复执行上述步骤(25)至步骤(26)直到根据训练单元设定的训练代数执行完相应的次数；获取最优的参数二；
61.步骤(27)，图像数据集生成单元对所述验证集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到验证集的小块图像数据集二；所述验证集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；
62.步骤(28)，病理分类单元接收所述图像数据集生成单元生成的验证集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述验证集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据；
63.步骤(29)，病理分类单元将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签；
64.步骤(210)，训练单元根据所述获得的异常区域的病理分类标签和原始病理分类标签计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；
65.重复执行上述步骤(29)至步骤(210)直到根据所述训练单元设定的训练代数执行完相应的次数；获取最优的参数三。
66.本发明还公开一种病理图像分类装置的使用方法，应用此方法可评价本装置的性能，所述方法包含：
67.选取一组标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集；
68.图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，生成小块图像数据，添加到测试集的小块图像数据集一；所述测试集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签；
69.区域分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述测试集的小块图像数据集一中全部小块图像数据的预测区域分类标签；
70.图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到测试集的小块图像数据集二；所述测试集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；
71.病理分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述测试集的小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一所述异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。
72.与现有技术相比，本发明通过以下创新取得了快速准确地对病理图像分类的有益效果，显著提升了计算机辅助诊断系统的病理图像分类性能。
73.1.设计出两级结构，优化了原来一步式的病理图像分类方法。第一级分类首先对病理图像进行正常与异常区域的分类，第二级分类仅对异常区域进行病理分类。将复杂的n分类(多分类)问题拆分为一个二分类问题和一个n-1分类问题。
74.2.第一级分类时，构造一个新的浅层卷积神经网络模型。新的浅层卷积神经网络的层数较少，可减少运算量和运算时间，提升速度；新的浅层卷积神经网络模型所需的参数也较少，使用规模较小的数据集训练可获得最优的参数，有利于降低模型的过拟合；提高了预测精度。
75.3.第二级分类时，仅对异常区域的病理图像进行分类，减少了输入的数据量，有利于提升计算速度。将卷积神经网络模型与线性回归模型串联；训练线性回归模型自适应地对小块图像的预测标签进行加权投票；给予位于异常区域中心位置的、包含噪声信息更少、对病理表示作用更强的小块图像赋予更大的权重，有效提高模型对病理分类标签的预测精度。
附图说明
76.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
77.图1为本技术实施例一提供的一种病理图像分类装置的结构示意图；
78.图2-1为本技术实施例二提供的另一种病理图像分类装置结构示意图；
79.图2-2为本技术实施例二提供的区域预测模块结构示意图；
80.图2-3为本技术实施例二提供的病理预测模块结构示意图；
81.图3为本技术实施例三提供的一种病理图像分类方法的流程示意图；
82.图4为本技术实施例四提供的一种病理图像分类装置的使用方法的流程示意图；
83.图5为本技术实施例五提供的另一种病理图像分类装置的使用方法的流程示意图；
84.图6为本技术实施例六提供的方法流程示意图。
具体实施方式
85.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
86.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
87.如图1所示，一种病理图像分类装置，所述装置包含：
88.图像数据集生成单元m1，用于对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；还用于对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据。
89.形态学数字切片(wsi)是利用全自动显微镜扫描系统，结合虚拟切片软件系统，把传统玻璃切片进行扫描、无缝拼接，生成一整张全视野(whole slide image),简称wsi的数字切片。形态学数字切片除图像外还携带标注。标注信息包含轴坐标体系位置信息，区域分类信息，病理分类信息。
90.区域一般分为异常区域与正常区域。异常区域为使用者感兴趣，需要进一步分类的区域。例如在对乳腺癌进行病理分类时，癌区为异常区域，非癌区即为正常区域；癌区进一步分为良性、微浸润癌、浸润癌三类。本发明不限定对异常区域的确定和分类标准及方法。
91.一般情况下，对形态学数字切片进行采样，生成小块图像数据集的步骤为：以尺寸l、步长s的滑动窗口对形态学数字切片进行平铺采样，得到小块图像。根据该小块图像在wsi的位置，读取并记录wsi在相应位置的标注作为该小块图像的标签，生成小块图像数据，添加到小块图像数据集x中。x＝[x1,x2,...,xn]代表所有小块图像数据构成的数据集，数据集x中的每个样本xi,{i＝1,2,...,n}均包含图像信息及标签。其中n为小块图像数据样本个数。
[0092]
优选地，可以设定数据集规则，筛选出符合数据集规则的样本，添加到小块图像数据集中。例如：规定当采样获得的小块图像中心边长为/的区域隶属于单一区域的面积达到比例系数r时，生成小块图像数据，添加到小块图像数据集中；还可进一步规定仅筛选单一异常区域内的小块异常图像数据。设定数据集规则有利于筛选出包含噪声信息更少、对病理表示作用更强的小块图像数据。
[0093]
区域分类单元m2，用于接收所述图像数据集生成单元m1生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域。
[0094]
构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像的预测区域分类标签；参数一可以根据实际经验进行初始化设置，也可以根据区域分类误差进行更新设置，以提高预测区域分类标签的准确程度。
[0095]
定义区域分类规则，例如可定义预测区域分类标签相同且位置信息相连通的小块图像属于同一区域。将符合规则的小块图像在wsi合成同一区域，并将区域分类标签写入标
注。
[0096]
病理分类单元m3，用于接收所述图像数据集生成单元m1生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
[0097]
通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签。例如乳腺癌癌区进一步分为良性、微浸润癌、浸润癌三类。则选择resnet-50网络，将全连接层的节点设定为3，用于判定癌区的癌症类型。参数二可以根据实际经验进行初始化设置，也可以根据病理分类误差进行更新设置，以提高预测病理分类标签的准确程度。
[0098]
将位于同一所述异常区域内的小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，加权投票后获得所述异常区域的病理分类标签。参数三可以根据实际经验进行初始化设置，也可以根据区域级病理分类误差进行更新设置，以提高区域级病理分类标签的准确程度。
[0099]
由以上实施例可知，本技术提供了一种病理图像分类装置。第一级结构通过采样wsi获取小块图像数据；根据计算得到的小块图像数据的预测区域分类标签在wsi上合成区域并将区域分类标签写入wsi的标注；第二级结构再次采样wsi获取小块异常图像数据；再通过计算得到的小块异常图像数据的预测病理分类标签获得wsi的区域级病理分类标签。通过两级结构，优化了原来一步式的病理图像分类方法。第一级分类首先对病理图像进行正常与异常区域的分类，第二级分类仅对异常区域进行病理分类。将复杂的n分类(多分类)问题拆分为一个二分类问题和一个n-1分类问题。有利于快速、准确的对病理图像进行分类。
[0100]
为了更好的说明本发明，给出实施例二，详细阐述各个单元和模块的工作原理，如图2-1所示。
[0101]
图像数据集生成单元m1，进一步可包含：
[0102]
图像采集模块m11，用于使用滑动窗口对形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；
[0103]
数据集生成模块m12，用于接收所述图像采集模块m11获取的小块图像，读取并记录所述小块图像在形态学数字切片的标注，生成小块图像数据，添加到小块图像数据集一；还用于接收所述图像采集模块m11获取的小块图像，读取并记录所述小块图像在形态学数字切片的标注，结合所述设定的数据集规则，生成小块异常图像数据，添加到小块图像数据集二。
[0104]
选取一组经正确分类后，标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集。当以训练集作为装置的目标数据时，按照设定的训练参数完成卷积神经网络的训练，达到一定水平的精度后，将卷积神经网络参数确定下来，形成固定的卷积神经网络模型。当以验证集作为装置的目标数据时，按照设定的训练参数完成回归模型的训练，达到一定水平的精度后，将回归模型的参数确
定下来，形成固定的回归模型。当以测试集作为装置的目标数据时，可以利用获取的标签与原始标签进行比对，评价装置的性能。
[0105]
区域分类单元m2，进一步可包含：
[0106]
区域预测模块m21，用于接收所述数据集生成模块m12生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器堆叠构成，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据，输出给区域分类模块m22。
[0107]
区域预测模块m21采用新构造的浅层卷积神经网络模型一进行预测。浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器构成；分类器用于根据卷积神经网络获取的特征，结合预置分类标准，输出相应的分类标签。如图2-2所示，在本实施例中采用一个7
×
7卷积层、三个快捷连接模块、一个平均池化层、一个1
×
1卷积层和一个softmax分类器依次堆叠而成的浅层卷积神经网络模型一；其中，快捷连接模块由两个3
×
3卷积层和一个快捷连接旁路构成。各组件的数量可以根据实际情况灵活设定。本发明不限定分类器的选择。
[0108]
区域分类模块m22，用于接收所述区域预测模块m21得到的小块图像数据集一中全部小块图像数据；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注。
[0109]
病理分类单元m3，进一步可包含：
[0110]
病理预测模块m31，用于接收所述数据集生成模块m12生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据，输出给病理分类模块m32。
[0111]
病理预测模块m31采用卷积神经网络模型二进行预测。卷积神经网络模型二由卷积神经网络和分类器构成；分类器用于根据卷积神经网络获取的特征，结合预置分类标准，输出相应的分类标签。如图2-3所示，在本实施例中采用一个resnet-50网络和一个softmax分类器串联而成的卷积神经网络模型二。本发明不限定卷积神经网络和分类器的选择。
[0112]
病理分类模块m32，用于接收所述病理预测模块m31得到的小块图像数据集二中全部小块异常图像数据；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。其计算公式为：
[0113][0114]
其中，lr表示异常区域的病理分类标签，li表示该异常区域内小块图像的预测病理分类标签，θ表示参数三，即线性回归模型的系数。
[0115]
训练单元m4，进一步可包含：
[0116]
参数一训练模块m41，用于接收区域预测模块m21为小块图像数据集一中的小块图
像数据所获取的预测区域分类标签和数据集生成模块m12获得的原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一。具体为：
[0117]
以训练集作为装置的目标数据；
[0118]
设置训练参数；训练参数主要包含：学习率，权重下降率，训练批次，训练代数；
[0119]
初始化参数一；
[0120]
使用区域预测模块m21获取的训练集的小块图像数据集一中全部小块图像数据的预测区域分类标签和数据集生成模块m12获得的原始区域分类标签计算区域分类误差，即分类器的损失函数。使用随机梯度下降法训练卷积神经网络以获得最优参数；
[0121]
根据初始区域分类误差进行反向传播，更新参数一。在迭代过程中，区域分类误差随着训练代数的增加逐渐减小，直至达到收敛状态。完成训练代数，确定最优的卷积神经网络模型参数一。
[0122]
参数二训练模块m42，用于接收病理预测模块m31为小块图像数据集二中的小块异常图像数据所获取的训练集的小块图像数据集二中全部小块异常图像数据的预测病理分类标签和数据集生成模块m12获得的原始病理分类标签计算病理分类误差，根据所述病理分类误差更新设定所述参数二。具体为：
[0123]
以训练集作为装置的目标数据；
[0124]
设置训练参数。训练参数主要包含：学习率，权重下降率，训练批次，训练代数；
[0125]
初始化参数二；
[0126]
使用病理预测模块m31获取的训练集的小块图像数据集二中全部小块异常图像数据的预测病理分类标签和数据集生成模块m12获得的原始病理分类标签，计算病理分类误差，即分类器的损失函数。使用随机梯度下降法训练卷积神经网络以获得最优参数。
[0127]
根据初始病理分类误差进行反向传播，更新参数二。在迭代过程中，病理分类误差随着训练代数的增加逐渐减小，直至达到收敛状态。完成训练代数，确定最优的卷积神经网络模型参数二。
[0128]
参数三训练模块m43，用于接收病理分类模块m32获得的异常区域的病理分类标签和从wsi获取的异常区域的原始病理分类标签计算区域级病理分类误差，即所述线性回归模型的损失函数。根据所述区域级病理分类误差更新设定所述参数三。具体为：
[0129]
以验证集作为装置的目标数据；
[0130]
设置训练参数。训练参数主要包含训练代数；
[0131]
初始化参数三；
[0132]
使用病理分类模块m32获得的异常区域的病理分类标签和从wsi获取的异常区域的原始病理分类标签，计算区域级病理分类误差，即所述线性回归模型的损失函数。其损失函数c定义为：
[0133][0134]
其中，表示第j个异常区域的原始病理分类标签，表示第j个异常区域的病理分类标签。
[0135]
更新参数三，直至损失函数c达到收敛状态。完成训练代数，确定最优的回归模型参数三。
[0136]
由此可以看出，本实施例在进行第一级分类时，构造一个新的浅层卷积神经网络模型。新的浅层卷积神经网络的层数较少，可减少运算量和运算时间，提升速度；新的浅层卷积神经网络模型所需的参数也较少，使用规模较小的数据集训练可获得最优的参数，有利于降低模型的过拟合；提高了预测精度。第二级分类时，仅对异常区域的图像进行分类，减少了输入的数据量，可提升计算速度。将卷积神经网络模型与线性回归模型串联；训练线性回归模型自适应地对小块图像的预测标签进行加权投票；给予位于异常区域中心位置的、包含噪声信息更少、对病理表示作用更强的小块图像赋予更大的权重，有效提高模型对病理分类标签的预测精度。
[0137]
本发明的实施例三公开一种病理图像分类方法，如图3所示。
[0138]
步骤s31：对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；
[0139]
步骤s32：构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域；
[0140]
步骤s33：对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据；
[0141]
步骤s34：通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。
[0142]
本方法部分的发明内容与前述装置部分的内容相似，具体描述可参照前述装置部分，在此不再赘述。
[0143]
由以上实施例可知，本技术提供了一种新的病理图像分类方法。设计出两级结构，优化了原来一步式的病理图像分类方法。第一级分类首先对病理图像进行正常与异常区域的分类，第二级分类仅对异常区域进行病理分类。将复杂的n分类(多分类)问题拆分为一个二分类问题和一个n-1分类问题；第一级分类时，构造一个新的浅层卷积神经网络模型，减少模型参数，提升模型速度，降低模型的过拟合；第二级分类时，仅对异常区域的图像进行分类，减少了输入的数据量，可提升计算速度。将卷积神经网络模型与线性回归模型串联；训练线性回归模型自适应地对小块图像的预测标签进行加权投票；给予位于异常区域中心位置的、包含噪声信息更少、对病理表示作用更强的小块图像赋予更大的权重，有效提高模型对病理分类标签的预测精度。
[0144]
本方法有效的提高了分类速度和分类精度，病理图像分类性能显著提高。
[0145]
为了详细说明针对训练集和验证集时一种病理图像分类装置的工作原理和使用方法，特给出本发明的实施例四，包含如下步骤：
[0146]
选取一组经正确分类后，标注中已包含原始区域分类标签及原始病理分类标签的
形态学数字切片，按一定比例划分为训练集、验证集、测试集。以训练集和验证集作为装置的目标数据，经过训练，确定最优的装置参数。
[0147]
步骤s401，图像数据集生成单元对训练集的形态学数字切片进行采样，生成小块图像数据集一；
[0148]
图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片上的标注，生成小块图像数据，添加到训练集的小块图像数据集一；所述训练集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签；
[0149]
优选地，可以结合预先设定数据集规则，筛选出位于单一区域内小块图像，生成小块图像数据，添加到所述测试集的小块图像数据集一；设定数据集规则有利于筛选出包含噪声信息更少、对病理表示作用更强的小块图像。有助于获得最优的参数，提高装置的分类精度。
[0150]
步骤s402，区域分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述训练集的小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据。
[0151]
步骤s403，训练单元根据所获取的预测区域分类标签和原始区域分类标签计算区域分类误差，根据所述区域分类误差更新设定所述参数一。
[0152]
步骤s404，判断是否执行完成所述训练单元设定的训练代数的相应次数，如果没有执行完，则返回步骤s402；如果执行完成，则确定最优的参数一。
[0153]
步骤s405，图像数据集生成单元对所述训练集的形态学数字切片进行采样生成训练集的小块图像数据集二；
[0154]
图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成区域分类标签为异常的小块异常图像数据，添加到训练集的小块图像数据集二；所述训练集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签。
[0155]
步骤s406，病理分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述训练集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据。
[0156]
步骤s407，训练单元根据所获取的预测病理分类标签和原始病理分类标签计算病理分类误差，根据所述病理分类误差更新设定所述参数二。
[0157]
步骤s408，判断是否执行完成所述训练单元设定的训练代数的相应次数，如果没有执行完，则返回步骤s406；如果执行完成，则确定最优的参数二。
[0158]
步骤s409，图像数据集生成单元对所述验证集的形态学数字切片进行采样，生成验证集的小块图像数据集二；
[0159]
图像数据集生成单元对所述验证集的形态学数字切片进行采样，获取多个小块图
像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到验证集的小块图像数据集二；所述验证集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签。
[0160]
步骤s410，病理分类单元接收所述图像数据集生成单元生成的验证集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述验证集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据。
[0161]
步骤s411，病理分类单元将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。
[0162]
步骤s412，训练单元根据所获得的异常区域的病理分类标签和原始病理分类标签计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三。
[0163]
步骤s413，判断是否执行完成所述训练单元设定的训练代数的相应次数，如果没有执行完，则返回步骤s411；如果执行完成，则确定最优的参数三。
[0164]
本实施例是使用一种病理图像分类装置完成训练的过程，通过使用训练集和验证集的数据、根据初始化的参数对图像进行分类，并参照分类误差对参数进行调整，最终使一种病理图像分类装置的参数处于最佳的状态，其分类结果误差最小，准确度最高。
[0165]
为了详细说明针对测试集时一种病理图像分类装置的工作原理和使用方法，特给出本发明的实施例五，包含如下步骤：
[0166]
选取一组经正确分类后，标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集。以测试集作为装置的目标数据，可以利用获取的标签与原始标签进行比对，评价装置的性能。
[0167]
步骤s51，图像数据集生成单元对测试集的形态学数字切片进行采样，生成测试集的小块图像数据集一；
[0168]
图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，生成小块图像数据，添加到测试集的小块图像数据集一；所述测试集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签。
[0169]
步骤s52，区域分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述测试集的小块图像数据集一中全部小块图像数据的预测区域分类标签。
[0170]
根据测试集的小块图像数据集一中样本的预测区域分类标签与原始区域分类标签是否一致，计算预测区域分类的分类准确率。
[0171]
步骤s53，图像数据集生成单元对测试集的形态学数字切片进行采样，生成测试集的小块图像数据集二；
[0172]
图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成
小块异常图像数据，添加到测试集的小块图像数据集二；所述测试集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签。
[0173]
步骤s54，病理分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述测试集的小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一所述异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。
[0174]
根据异常区域的病理分类标签与原始区域级病理分类标签是否一致，计算预测病理分类的分类准确率。
[0175]
本实施例是使用测试集对一种病理图像分类装置进行测试的过程。根据上述实施例四中训练的步骤，使得一种病理图像分类装置已经达到了较精确的状态。再使用测试集中的样本测试其准确率，可以评价装置的性能。
[0176]
为了更详细的说明本装置的工作原理和工作过程，下面给出本发明的实施例六，结合实例进行说明：
[0177]
本实施例采用乳腺癌临床图像数据集作为实例样本集，该数据集包含186例患者的高质量形态学数字切片，这些wsi的区域已经被正确地标注为癌区和非癌区，癌区被继续细分标注为良性、微浸润癌和浸润癌三类。按一定比例将wsi分为训练集、验证集和测试集。本实例中，88张用于构造训练集，21张用于构造验证集，其余77张用于构造测试集。
[0178]
本实施例使用一种病理图像分类装置构建的浅层卷积神经网络模型一，先判定小块图像是否为癌区；再使用一种病理图像分类装置采用的卷积神经网络模型二，判定小块癌区图像的病理类型；接着使用线性回归模型获得区域级病理分类标签。
[0179]
步骤s61，图像数据集生成单元对形态学数字切片进行采样，生成小块图像数据集一；
[0180]
使用尺寸为224、步长为112的滑动窗口平铺采样获取小块图像，同时读取并记录所述小块图像在wsi上的标注，生成小块图像数据。当小块图像边长为112的中心区域100％位于单一区域时，该小块图像数据将被放入小块图像数据集一。从训练集wsi采样获得的小块图像数据集一记x
train1
从验证集wsi采样获得的小块图像数据集一记为x
val1
、从测试集wsi采样获得的小块图像数据集一记为x
test1
。
[0181]
步骤s62，图像数据集生成单元对形态学数字切片进行采样，生成小块图像数据集二；
[0182]
使用尺寸为1200、步长为600的滑动窗口平铺采样获取小块图像，同时读取并记录所述小块图像在wsi上的标注，生成小块图像数据。当小块图像边长为600的中心区域100％位于单一异常区域时，该小块图像将被放入小块图像数据集二。从训练集wsi采样获得的小块图像数据集二记为x
train2
、从验证集wsi采样获得的小块图像数据集二记为x
val2
、从测试集wsi采样获得的小块图像数据集二记为x
test2
；
[0183]
本实例通过样本集的原始分类标签判断是否属于单一区域，即单一区域分为非癌区、良性、微浸润癌和浸润癌四类；特别地，为适应本实例使用的卷积神经网络模型，将小块
图像数据集二中的图像尺寸调整为224
×
224。
[0184]
步骤s63，构造模型
[0185]
浅层卷积神经网络模型一用于判定小块图像的区域分类，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器构成，本实施例采用一个7
×
7卷积层、三个快捷连接模块、一个平均池化层、一个1
×
1卷积层和一个softmax分类器依次堆叠而成；其中，快捷连接模块由两个3
×
3卷积层和一个快捷连接旁路构成。softmax分类器预置分类标准，输出2
×
1的预测概率向量，即对应癌区和非癌区2个类别标签的取值。
[0186]
卷积神经网络模型二用于判定小块图像的病理分类，具体分为良性、微浸润癌和浸润癌三类。本实例使用的卷积神经网络模型二由一个resnet-50网络和一个softmax分类器串联而成。将resnet-50网络全连接层的节点修改为3；softmax分类器预置分类标准，输出3
×
1的预测概率向量，即对应良性、微浸润癌和浸润癌3个类别标签的取值。
[0187]
步骤s64，训练浅层卷积神经网络模型一，确定参数一
[0188]
(1)设置训练参数：设置训练的学习率为10-4
，权重下降率为0.9，设置训练批次为100，训练代数为50；
[0189]
(2)初始化参数一；
[0190]
(3)将x
train1
中的小块图像数据输入浅层卷积神经网络模型一，图像特征前向传播，softmax分类器输出预测区域分类标签；
[0191]
(4)计算softmaxloss损失，根据该损失进行反向传播，更新参数一。完成训练代数，确定最优的浅层卷积神经网络模型参数一。
[0192]
步骤s65，训练卷积神经网络模型二，确定参数二
[0193]
(1)设置训练参数：设置训练的学习率为10-4
，权重下降率为0.9，设置训练批次为100，训练代数为50；
[0194]
(2)初始化参数二；
[0195]
(3)将x
train2
中的小块图像数据输入卷积神经网络模型二，图像特征前向传播，softmax分类器输出预测病理分类标签；
[0196]
(4)计算softmaxloss损失，根据该损失进行反向传播，更新参数二。完成训练代数，确定最优的卷积神经网络模型参数二。
[0197]
步骤s66，训练线性回归模型，确定参数三
[0198]
(1)设置训练参数：设置训练代数为50；
[0199]
(2)初始化参数三；
[0200]
(3)将x
val2
中的小块图像数据输入卷积神经网络模型二，获得预测病理分类标签；将得到的位于同一异常区域内的小块异常图像数据的预测病理分类标签，输入线性回归模型，计算出所述异常区域的病理分类标签lr；
[0201]
(3)计算线性回归模型的损失函数。根据回归模型的损失函数更新设定回归模型系数，即所述参数三。完成训练代数，确定最优的回归模型参数三。
[0202]
步骤s67，测试模型
[0203]
模型的参数设定为经过训练单元训练调整后确定下来的最优参数；
[0204]
(1)将x
test1
中的小块图像数据输入浅层卷积神经网络模型一，图像特征前向传播，
softmax分类器输出预测区域分类标签；
[0205]
(2)根据x
test1
中的小块图像数据的预测区域分类标签与原始区域分类标签是否一致，计算装置的筛选癌区准确率；
[0206]
(3)将x
test2
中的小块图像数据输入串联的卷积神经网络模型二和线性回归模型，获得异常区域的病理分类标签；
[0207]
(4)根据异常区域的病理分类标签与原始病理分类标签是否一致，计算装置的癌症类型分类准确率。
[0208]
本实施例先使用训练集数据训练用于判定小块图像癌区和非癌区的浅层卷积神经网络模型一的参数一；再使用训练集数据训练用于判定小块异常图像癌症类型的卷积神经网络二的参数二；接着使用验证集数据训练用于获得异常区域的病理分类标签的线性回归模型的参数三；最后使用测试集数据测试已经达到了较精确的状态的，一种病理图像分类装置的性能。
[0209]
使用同样乳腺癌临床图像数据集的样本，基于resnet-50的分类方法与本发明公开的方法进行比较，两种方法的准确率和耗时如下表1所示，可以看出本发明的结果更占优势。
[0210]
表1乳腺癌临床图像数据集的分类准确率及时间对比
[0211][0212]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
[0213]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术实施例能够在除了这里图示的以外的顺序实施。
[0214]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种病理图像分类装置，其特征在于，所述装置包含：图像数据集生成单元，用于对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；还用于对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据；区域分类单元，用于接收所述图像数据集生成单元生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域；病理分类单元，用于接收所述图像数据集生成单元生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。2.根据权利要求1所述的装置，其特征在于，所述图像数据集生成单元进一步包含：图像采集模块，用于使用滑动窗口对形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；数据集生成模块，用于接收所述图像采集模块获取的小块图像，读取并记录所述小块图像在形态学数字切片的标注，生成小块图像数据，添加到小块图像数据集一；还用于接收所述图像采集模块获取的小块图像，读取并记录所述小块图像在形态学数字切片的标注，结合所述设定的数据集规则，生成小块异常图像数据，添加到小块图像数据集二。3.根据权利要求2所述的装置，其特征在于，所述区域分类单元进一步包含：区域预测模块，用于接收所述数据集生成模块生成的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器堆叠构成，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据，输出给区域分类模块；区域分类模块，用于接收所述区域预测模块得到的小块图像数据集一中全部小块图像数据；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注。4.根据权利要求3所述的装置，其特征在于，所述病理分类单元进一步包含：病理预测模块，用于接收所述数据集生成模块生成的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据，输出给病理分类模块；病理分类模块，用于接收所述病理预测模块得到的小块图像数据集二中全部小块异常图像数据；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性
回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。5.根据权利要求1-4中任一所述的装置，其特征在于，所述装置还包含：训练单元，用于根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；还用于根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；还用于根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；所述训练单元进一步包含：参数一训练模块，用于根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；参数二训练模块，用于根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；参数三训练模块，用于根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；所述小块图像数据集一可分为训练集、验证集、测试集；所述小块图像数据集二可分为训练集、验证集、测试集。6.一种病理图像分类方法，其特征在于，所述方法包含步骤：(11)对形态学数字切片进行采样，生成小块图像数据集一，所述形态学数字切片是病理图像的载体，所述小块图像数据集一包含所有小块图像数据；(12)构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注；所述区域包含正常区域、异常区域；(13)对所述形态学数字切片进行采样，结合设定的数据集规则，生成小块图像数据集二，所述小块图像数据集二仅包含小块异常图像数据；(14)通过卷积神经网络模型二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。7.根据权利要求6所述的方法，其特征在于，所述步骤(11)生成小块图像数据集一的方法具体包含：使用滑动窗口对所述形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；采样同时读取并记录所述小块图像在形态学数字切片的标注，所述标注包含位置信
息；生成小块图像数据，添加到小块图像数据集一；所述小块图像数据包含图像信息及标签，所述标签包含标注。8.根据权利要求7所述的方法，其特征在于，所述步骤(12)的方法具体包含：构造浅层卷积神经网络模型一，所述浅层卷积神经网络模型一由特定数量的卷积层、快捷连接模块、平均池化层、卷积层和分类器堆叠构成，根据设定的参数一，计算出所述小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据；结合预定的区域分类规则，将所述小块图像在形态学数字切片上合成区域，并将所述区域的区域分类标签写入所述形态学数字切片的标注。9.根据权利要求8所述的方法，其特征在于，所述步骤(13)生成小块图像数据集二的方法具体包含：使用滑动窗口对所述形态学数字切片进行平铺采样，获取多个小块图像；所述滑动窗口的参数可配置；采样同时读取并记录所述小块图像在形态学数字切片的标注；所述标注包含位置信息、区域分类标签、所属区域信息；结合所述设定的数据集规则，生成区域分类标签为异常的小块异常图像数据，添加到小块图像数据集二；所述小块异常图像数据包含图像信息及标签，所述标签包含标注。10.根据权利要求9所述的方法，其特征在于，所述步骤(14)的方法具体包含：通过卷积神经网络模型二，结合预置的病理分类标准设定参数二，根据设定的参数二，计算出所述小块图像数据集二中全部小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签并写入所述形态学数字切片的标注。11.根据权利要求6-10中任一所述的方法，其特征在于，所述方法还包含：根据为小块图像数据集一中的小块图像数据所获取的预测区域分类标签和原始区域分类标签，计算区域分类误差，根据所述区域分类误差更新设定所述参数一；根据为小块图像数据集二中的小块异常图像数据所获取的预测病理分类标签和原始病理分类标签，计算病理分类误差，根据所述病理分类误差更新设定所述参数二；根据所述获得的异常区域的病理分类标签和原始病理分类标签，计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；所述小块图像数据集一可分为训练集、验证集、测试集；所述小块图像数据集二可分为训练集、验证集、测试集。12.一种病理图像分类装置的使用方法，其特征在于，所述方法包含：选取一组标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集；步骤(21)，图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片上的标注，生成小块图像数据，
添加到训练集的小块图像数据集一；所述训练集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签；优选地，可以预先设定数据集规则，筛选出位于单一区域内的小块图像，生成小块图像数据，添加到所述测试集的小块图像数据集一；步骤(22)，区域分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述训练集的小块图像数据集一中全部小块图像数据的预测区域分类标签并写入小块图像数据，获得更新的小块图像数据；步骤(23)，训练单元根据所获取的预测区域分类标签和原始区域分类标签计算区域分类误差，根据所述区域分类误差更新设定所述参数一；重复执行上述步骤(22)至步骤(23)直到根据训练单元设定的训练代数执行完相应的次数；获取最优的参数一；步骤(24)，图像数据集生成单元对所述训练集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到训练集的小块图像数据集二；所述训练集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；步骤(25)，病理分类单元接收所述图像数据集生成单元生成的训练集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述训练集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据；步骤(26)，训练单元根据所获取的预测病理分类标签和原始病理分类标签计算病理分类误差，根据所述病理分类误差更新设定所述参数二；重复执行上述步骤(25)至步骤(26)直到根据训练单元设定的训练代数执行完相应的次数；获取最优的参数二；步骤(27)，图像数据集生成单元对所述验证集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到验证集的小块图像数据集二；所述验证集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；步骤(28)，病理分类单元接收所述图像数据集生成单元生成的验证集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述验证集的小块图像数据集二中的小块异常图像数据的预测病理分类标签并写入小块异常图像数据，获得更新的小块异常图像数据；步骤(29)，病理分类单元将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签；步骤(210)，训练单元根据所述获得的异常区域的病理分类标签和原始病理分类标签
计算区域级病理分类误差，根据所述区域级病理分类误差更新设定所述参数三；重复执行上述步骤(29)至步骤(210)直到根据所述训练单元设定的训练代数执行完相应的次数；获取最优的参数三。13.一种病理图像分类装置的使用方法，其特征在于，所述方法包含：选取一组标注中已包含原始区域分类标签及原始病理分类标签的形态学数字切片，按一定比例划分为训练集、验证集、测试集；图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，生成小块图像数据，添加到测试集的小块图像数据集一；所述测试集的小块图像数据集一中的每个小块图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、原始病理分类标签；区域分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集一中的小块图像数据，构造浅层卷积神经网络模型一，根据设定的参数一，计算出所述测试集的小块图像数据集一中全部小块图像数据的预测区域分类标签；图像数据集生成单元对所述测试集的形态学数字切片进行采样，获取多个小块图像，同时读取并记录所述小块图像在形态学数字切片的标注，结合设定的数据集规则，生成小块异常图像数据，添加到测试集的小块图像数据集二；所述测试集的小块图像数据集二中的每个小块异常图像数据包含图像信息及标签；所述标签包含从标注中获取的位置信息、原始区域分类标签、所属区域信息、原始病理分类标签；病理分类单元接收所述图像数据集生成单元生成的测试集的小块图像数据集二中的小块异常图像数据，通过卷积神经网络模型二，根据设定的参数二，计算出所述测试集的小块图像数据集二中全部小块异常图像数据的预测病理分类标签；将位于同一异常区域内的所述小块异常图像数据的预测病理分类标签输入线性回归模型，根据设定的参数三，计算位于所述同一所述异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。

技术总结
本发明公开一种病理图像分类装置，所述装置包含：图像数据集生成单元，用于对形态学数字切片采样，生成小块图像数据集一；还用于对形态学数字切片采样，结合设定的数据集规则，生成小块图像数据集二；区域分类单元，用于计算出小块图像数据集一中小块图像数据的预测区域分类标签；结合预定的区域分类规则，将小块图像在形态学数字切片上合成区域；病理分类单元，用于计算出小块图像数据集二中小块异常图像数据的预测病理分类标签；再通过计算位于同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。本发明还公开一种病理图像分类方法；一种病理图像分类装置的使用方法。通过本发明可实现更加快速、准确的病理图像分类。准确的病理图像分类。准确的病理图像分类。


技术研发人员：魏湘国
受保护的技术使用者：北京亿阳信通科技有限公司
技术研发日：2020.11.06
技术公布日：2022/5/25