[发明专利]一种病理切片图像病变分级分类检测方法

权利要求书

1.一种病理切片图像病变分级分类检测方法，其特征在于所述方法包括如下步骤：

步骤一：将高分辨率的完整切片扫描图规则裁剪，利用基于归一化互信息配准的自动化标签标注方法对裁剪后的图像标注标签，生成数据集；

步骤二：以DenseNet121为基准网络，对DenseNet121网络进行改进，引入焦点损失函数平衡多个组织样本之间的权重，用于组织识别的多分类任务训练；

步骤三：在步骤二改进后的DenseNet121中的每一个稠密块和转换层中间加入混合注意力模块，增强网络对病理图像中病变区域的空间和通道特征的权重，并将局部监督函数加入到修改后网络的损失函数中，用于同时检测网络的整体分类性能和局部增强效果；

步骤四：用步骤二中基于结构优化的改进网络学习切片组织形态，用步骤三中基于局部注意力监督的改进网络学习病变组织特征，将步骤二和步骤三中的两个改进网络系统结合，形成针对病变的分级分类检测方案。

2.根据权利要求1所述的病理切片图像病变分级分类检测方法，其特征在于所述步骤一的具体步骤如下：

步骤一一：先将一张已经完成人工标记的完整的切片扫描图裁剪为若干子图，降低输入图像的分辨率，在对子图进行标注之前先按照四角匹配方式计算子图边缘四个点的R、G、B三个通道与切片扫描图原图中滑动窗口大小的R、G、B三个通道的NMI：

其中，下标R表示R通道，NMI(X；Y)为随机变量X和随机变量Y的归一化互信息，H(X)为随机变量X的信息熵，H(Y)为随机变量Y的信息熵，I(X；Y)为随机变量X和随机变量Y的互信息，P(x,y)为随机变量X和随机变量Y的联合概率分布函数，P(x)、P(y)分别为随机变量X和随机变量Y的边缘概率分布函数；同理计算出G、B两个通道的NMI值：

步骤一二：采用广度与深度相结合的动态步距搜索法，即先进行一次广度搜索，以较大的步距进行搜索，一次搜索过程保存尽可能多的相似匹配结果，如果一次搜索中不能得出相应的匹配图，则缩小步距，人工筛选出最接近与拍摄图的匹配结果，再以此结果为原点进行第二次深度搜索；

步骤一三：将搜索后得到的匹配结果保存，并将每一幅子图在扫描图原图上的位置信息保存，根据得到的位置信息和标签信息，获取子图所属的标签；按照多分类和二分类任务需要，将所有的子图随机划分为训练集、验证集和测试集，并生成在切片原图上所筛选的子图可视化信息。

3.根据权利要求1所述的病理切片图像病变分级分类检测方法，其特征在于所述步骤二的具体步骤如下：

步骤二一：将DenseNet121中稠密块的层数改为3个6层稠密块，去掉最后一层稠密块，并将最后的全连接层改为多分类任务需求大小；

步骤二二：引入焦点损失函数作为改进网络的损失函数：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，FL(p_t)表示参数p_t的焦点损失函数，α_t为调节因子，p_t为：

p为二分类模型中图像被判别为前景的概率，γ是调质因子(1-p_t)^γ的参数。