[发明专利]基于情境感知及多模型融合的病理图像分类方法及系统

权利要求书

1.基于情境感知及多模型融合的病理图像分类方法，其特征在于，包括以下步骤：

获取待识别的病理图像样本，对病理图像样本进行标准化处理；

将标准化处理的病理图像输入预先训练完成的病理图像分类模型，从而获得病理图像分类结果；

其中，病理图像分类模型由两个训练完成的OWM+PFC模型同时连接模型融合模块构成；其中两个训练完成的OWM+PFC模型分别是backbone为inceptionV3和backbone为densenet121的模型；

模型融合模块对所述两个OWM+PFC模型输出的病理分类结果进行求平均得到最终的病理图像的病理分类结果。

2.如权利要求1所述的基于情境感知及多模型融合的病理图像分类方法，其特征在于，所述病理图像分类模型包括

第一输入模块与第二输入模块；分别用于输入待识别的病理图像样本；

所述第一输入模块连接由backbone为inceptionV3，且inceptionV3特征提取器连接OWM和PFC模块的第一OWM+PFC模型；

所述第二输入模块连接由backbone为densenet121，且densenet121特征提取器连接OWM和PFC模块的第二OWM+PFC模型；

所述第一OWM+PFC模型与第二OWM+PFC模型输出连接模型融合模块；

所述第一OWM+PFC模型与第二OWM+PFC模型分别对输入的病理图像进行识别并将病理类别结果发送至模型融合模块，模型融合模块通过平均法计算求得并输出最终的病理分类结果。

3.如权利要求1或2所述的基于情境感知及多模型融合的病理图像分类方法，其特征在于，所述病理图像分类模型通过以下方式训练得到：

分别获取由专家标注检测结果与原始的病理图像样本；将所有图像进行标准化处理后，与由专家标注检测结果形成训练集；

将训练集图像样本输入至初始第一OWM+PFC模型对模型进行训练，直至损失函数收敛，则初始第一OWM+PFC模型训练完成，得到训练好的第一OWM+PFC模型；

将训练集图像样本输入至初始第二OWM+PFC模型对模型进行训练，直至损失函数收敛，则初始第二OWM+PFC模型训练完成，得到训练好的OWM+PFC模型；

即获得训练好的病理图像分类模型。

4.如权利要求3所述的基于情境感知及多模型融合的病理图像分类方法，其特征在于，对获取待识别的病理图像样本与原始的病理图像样本通过以下方法进行图像标准化处理，具体为：

计算所有病理图片的均值μ和标准差σ，及图像矩阵x，x进行减均值除以标准差的操作,即

对病理图像随机旋转0、90、180或279度；随机上下左右翻转；

5.基于情境感知及多模型融合的病理图像分类系统，其特征在于，包括：

图像输入单元：用于待识别的病理图像样本；

图像预处理单元：用于对输入的病理图像样本进行标准化处理；

病理图像分类单元：将输入的标准化处理的病理图像通过预先训练完成的病理图像分类模进行分类，获得病理图像分类结果；其中，

病理图像分类模型由两个训练完成的OWM+PFC模型同时连接模型融合模块构成；其中两个训练完成的OWM+PFC模型分别是backbone为inceptionV3和backbone为densenet121的模型；

模型融合单元：对所述两个OWM+PFC模型输出的病理分类结果进行求平均得到最终的病理图像的病理分类结果；

输出单元：输出病理分类结果。