病理图像分类模型训练方法、病理图像分类方法及装置制造方法及图纸

本发明专利技术实施例提供了病理图像分类模型训练方法、病理图像分类方法及装置。该方法包括：获取样本图像；每张样本图像包括：该样本图像的标签信息，标签信息为指示样本图像包含病理组织以及样本图像不包含病理组织的信息；包含病理组织的样本图像还包括病理组织的位置信息、尺寸信息以及方向信息；将样本图像的尺寸进行变换，得到目标样本图像，目标样本图像包括不同尺寸的样本图像；基于目标样本图像，训练多分类模型作为病理图像分类模型，能够快速识别癌症病理组织，提高了病理组织分类的速度和准确性。和准确性。和准确性。

【技术实现步骤摘要】
病理图像分类模型训练方法、病理图像分类方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种病理图像分类模型训练方法、病理图像分类方法及装置。

技术介绍

[0002]乳腺癌位于我国女性恶性肿瘤发病率中的第一位，而我国乳腺癌患者的五年生存率不到60％。因此，乳腺癌的早筛查、早诊断对提升乳腺癌的生存率非常重要。临床上，相对于伦琴射线(X-ray)、钼靶、核磁共振等图像，病理图像是医生最后确诊乳腺癌的重要标准，而对病理图像进行准确地分类是医生制订最佳治疗方案的重要依据。
[0003]传统的处理方法使用人工特征提取和传统的机器学习算法，基于人工设计特征的核主成分分析、颜色空间下形状特征和纹理特征、局部二值模式(Local Binary Patterns，LBP)和灰度共生矩阵(Grey-Level Co-occurrence Matrix，GLCM)等，并结合支持向量机(Support Vector Machine，SVM)和随机森林等分类算法实现癌症病理图像的分类。但是人工特征提取方法，不仅需要工程人员具备丰富的专业领域知识，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理图像分类模型训练方法，其特征在于，所述方法包括：获取样本图像；每张样本图像包括：该样本图像的标签信息，所述标签信息为指示样本图像包含病理组织以及样本图像不包含病理组织的信息；所述包含病理组织的样本图像还包括病理组织的位置信息、尺寸信息以及方向信息；将所述样本图像的尺寸进行变换，得到目标样本图像，所述目标样本图像包括不同尺寸的样本图像；基于所述目标样本图像，训练多分类模型作为病理图像分类模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标样本图像，训练分类模型作为病理图像分类模型，包括：将所述目标样本图像输入至多分类模型中，得到所述目标样本图像的预测信息；通过所述多分类模型中的损失函数，确定所述预测信息和所述标签信息的损失值；基于所述损失值调整所述多分类模型中的参数，得到所述病理图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述损失函数满足下述公式：其中，x表示预测信息；y表示标签信息，θ表示多分类模型的参数，i＝1,2,3,
……
,N，N为整数，j＝1,2,3,
……
,k，k为整数，l y表示指示性函数。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取原始病理图像；对所述原始病理图像进行滤除噪声、增强对比度以及二值化，得到灰度病理图像；将所述灰度病理图像输入预先训练的目标定位模型中，确定所述灰度病理图像中病理组织的位置信息、尺寸信息以及方向信息。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：获取原始病理样本图像；将所述原始病理样本图像输入至中心网络中，确定所述原始病理样本图像的定位信息；基于所述定位信息、Dice损失函数和焦点损失函数对所述中心网络进行训练，确定所述目标定位模型。6.一种病理图像分类方法，其特征在于，所述方法包括：将目标待分类病理图像的尺寸进行变换，确定多个不同尺寸的待分类病理图像；将所述多个不同尺寸的待分类病理图像输入至如权利要求1...

【专利技术属性】
技术研发人员：陈诚，种璟，任厚桦，黄承基，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：