[发明专利]一种弱监督学习的病理全片图像类别推断方法及其系统

权利要求书

1.一种弱监督学习的病理全片图像类别推断方法，其特征在于，包括以下步骤：

将病理全片图像切割成包含不重叠图像块的二维网格图；

获取所述二维网格图上的每个图像块的类别概率向量，所述类别概率向量包含待分辨的病理全片图像的类别在所述图像块上所对应的类别概率值；

使用所述二维网格图和所述类别概率向量中的类别概率构建三维地形轮廓图，所述三维地形轮廓图以所述二维网格为底面，以所述图像块的类别概率向量中的一种类别概率值为地形高度，所述三维地形轮廓图的种类与所述类别概率向量中的类别相对应；

对于每种类别的三维地形轮廓图：

获取所述三维地形轮廓图中的最显著特征峰，根据所述最显著特征峰和\或所述最显著特征峰的特征指标，计算出与所述三维地形轮廓图对应的病理全片图像的类别概率值，并将所述病理全片图像的类别概率值与预设的分类阈值进行对比，若所述病理全片图像的类别概率值大于或等于所述预设的分类阈值，则判断所述病理全片图像包含所述三维地形轮廓图所对应的类别，若所述病理全片图像的类别概率值小于所述预设的分类阈值，则判断所述病理全片图像不包含所述三维地形轮廓图所对应的类别；其中，最显著特征峰是指三维地形轮廓图的概率峰累积高度最大的概率峰。

2.根据权利要求1所述的弱监督学习的病理全片图像类别推断方法，其特征在于，获取所述三维地形轮廓图中最显著特征峰，包括：

使用曲面拟合方法拟合所述三维地形轮廓图上的由各个相连通的图像块的类别概率组成的所有的概率峰，使用所有概率峰曲面计算出所述三维地形轮廓图上的所有概率峰的峰累积高度值，并选取概率峰累积高度值最大的概率峰作为最显著特征峰；

所述最显著特征峰的特征指标包括：底面积、图像块累积高度、概率峰累积高度、几何形状以及最大高度中的任意一种或几种的组合；其中，所述底面积为概率峰的拟合曲面和底面相交的曲线围成的面积；所述图像块累积高度为对应的图像块所在的地形高度取竖直线和曲面的交点，低于该交点的三维曲面包围的概率峰的体积；所述概率峰累积高度为曲面在底面积范围内的二维积分，即三维地形轮廓图上概率峰的体积；几何形状为概率峰的三维几何形态，其中，三维几何形态包括概率峰底面的矩形度、宽长比、圆形度、偏心率、长短轴比例、周长、峰三维形态的偏态以及峰度；最大高度为概率峰中地形高度最高的图像块的类别概率值。

3.根据权利要求1所述的弱监督学习的病理全片图像类别推断方法，其特征在于，获取所述三维地形轮廓图中最显著特征峰，包括：

利用预设的二值化阈值对所述三维地形轮廓图中由图像块的类别概率形成的概率峰进行二值化处理：将小于概率阈值的图像块的类别概率设置值为0，将大于二值化阈值的图像块的类别概率值保留原值或设置为1，得到各个四周均被截断的截断概率峰；计算出所述三维地形轮廓图上的所有截断概率峰累积高度值，并选取概率峰累积高度值最大的截断概率峰作为最显著特征峰；

所述最显著特征峰的特征指标包括，底面积，图像块累积高度，概率峰累积高度，几何形状以及最大高度中的任意一种或几种的组合；其中，底面积为截断概率峰占据区域的面积；概率峰累积高度为截断概率峰中各网格点的类别概率值之和；所述图像块累积高度为该图像块的类别概率值*底面积；几何形状为截断概率峰占据区域，包括基于网格点计算的矩形度、宽长比、圆形度、偏心率、长短轴比例、周长、结合概率峰的高度计算出的偏态以及峰度；

最大高度为截断概率峰中地形高度最高的图像块的类别概率值。