[发明专利]一种病理图像的分类系统、终端及计算机可读存储介质

权利要求书

1.一种病理图像的分类系统，其特征在于，包括：

微视野集模块，所述微视野集模块用于从组织切片病理图像上随机选取数量为m个大小为h×w的图像块，组成一微视野集；

训练模块，所述训练模块用于基于所述微视野集训练疾病分类模型和/或预后估计模型；以及

预测模块，所述预测模块用于在待分类的组织切片病理图像上随机提取大小为h×w，数量满足m的整数倍的图像块，利用疾病分类模型进行疾病类型预测，和/或，利用预后估计模型进行预后预测；

所述训练模块进一步包括：

标签模块，所述标签模块用于将一微视野集赋予该病理图像所属病人的标签y，在疾病分类模型中，y为病人的疾病分类，所述疾病分类包括正常情况和疾病类型；在预后估计模型中，y为病人的预后信息，所述预后信息包括生存时间和生存状态；

骨干网络模块，所述骨干网络模块用于设计一基于卷积神经网络的模型并使用所述基于卷积神经网络的模型提取微视野集中m个图像块的图像块特征并使用池化网络计算图像块特征得到特征编码，计算公式如下：

E_ij＝f(X_ij)，

其中，Eij代表第ij图像块的特征编码，f(X)为卷积神经网络模型的变换模型公式，输入的X_ij为第i张病理图像微视野集中的第j个随机图像块，输出为特征编码Eij；

特征集成模块，所述特征集成模块用于将一个微视野集中的所有图像块的特征编码转换为一个定长向量，即编码向量E，以此用来表示病理图像或病人层次的信息，所述特征集成模块包括归一化模块、特征向量模块和编码向量模块：

(1)归一化模块，所述归一化模块用于获得L2归一化后的向量：所述特征集成模块学习K个不同的聚类中心，并将m个图像块的特征投影到这个K个聚类中心，并对每一维度上的特征值进行残差加权求和，获得编码矩阵V(j,k)，加权求和的计算公式为：

其中，V(j,k)表示编码矩阵(j,k)位置的值，w_k,b_k和c_k表示集成模块中每个聚类中心的可学习参数，x_i(j)和c_k(j)分别表示第i个图像块与第k个聚类中心的特征在第j维上的值；

将编码矩阵V(j,k)进行逐列L2归一化的公式为:

其中为V(j,k)中第i列归一化后的向量，为V(j,k)中第i列原始向量，表示向量的第j个元素的平方；

(2)特征向量模块，所述特征向量模块用于获得特征向量X：得到编码矩阵V(j,k)后，将编码矩阵V(j,k)列向量拼接到一起，形成一个长度为K×D的长向量，并按照本实施步骤(1)中的L2归一化公式将其进行归一化，然后将其输入一个全连接层，并得到1×d维的特征向量X；以及

(3)编码向量模块，所述编码向量模块用于获得编码向量E：在得到该特征向量X后，将特征向量X输入一层加权神经网络以对不同特征赋予不同的权重，计算公式为：

其中，W,b为可学习参数，σ(·)表示softmax函数，符号表示向量对应位置相乘，E为最终输出的病理图像层次的编码向量；

批训练模块，所述批训练模块用于在训练时，使用批训练的方式，即输入n个来自不同病理图像的大小为m的微视野集，在获得每一张病理图像的编码向量E后，使用多层全连接的神经网络进行预测以获得预测值以及

更新模块，所述更新模块用于在获得预测值后，构建基于预测值与真实值间距离的度量损失函数，然后利用梯度下降算法进行输入端到输出端的模型参数更新以更新疾病分类模型或预后估计模型中的参数；

其中，对于疾病分类，损失函数为

其中，n为病理图像数，c为类别总数，y_ij为第i张病理图像的真实类别，为第i张病理图像在第j类上的预测值；

其中，对于预后估计，损失函数为

其中，X_i为第i个病人的输入特征，β为预测模型的权重，C_i＝i表示第i个病人为死亡病人，θ_j为第j个病人的风险值。