[发明专利]样本集标注、病理图像分类、分类模型构建方法及装置

权利要求书

1.一种样本集标注方法，其特征在于，包括：

样本获取步骤：获取若干个待标注的样本病理图像；

不确定度计算步骤：基于各样本病理图像的标注不确定度、各样本病理图像的先验不确定度以及各样本病理图像的空间相关度，确定各样本病理图像的综合不确定度；

样本标注步骤：基于各样本病理图像的综合不确定度，选取满足预设标注条件的样本病理图像进行标注；

迭代步骤：基于执行样本标注步骤后的各样本病理图像，循环执行所述不确定度计算步骤和所述样本标注步骤，直至满足预设收敛条件；

其中，所述样本病理图像的标注不确定度是基于对应样本病理图像的预测损失函数值确定的，所述样本病理图像的先验不确定度是基于对应样本病理图像的标注先验值确定的，所述样本病理图像的空间相关度是基于对应样本病理图像邻域内已标注的图像比例确定的；

所述样本病理图像的先验不确定度是基于先验值模型确定的，所述先验值模型为：

其中，表示样本病理图像的先验不确定度，表示归一化常数，表示第k张样本病理图像中中心像素坐标为(i,j)的子图像，表示第k张样本病理图像中中心像素坐标为(i',j')的子图像，表示相邻与第l-1轮以及标注过的子图像全体集合的指标函数，g[(i,j),(i′,j′)]表示空间距离核函数，∫di′dj′表示对于全部可行的i′和j′进行累加。

2.根据权利要求1所述的样本集标注方法，其特征在于，所述样本病理图像的标注不确定度的获取步骤包括：

将样本病理图像输入预测损失函数模型，输出所述样本病理图像的预测损失函数值；

其中，所述预测损失函数模型是基于预测病理图像和预测病理图像的损失函数值机器学习训练得到，所述预测病理图像的损失函数值的获取步骤包括：

将所述预测病理图像依次输入目标病理图像分类模型的全局池化层和全连接层，获取所述预测病理图像的损失函数值；

所述目标病理图像分类模型是基于目标病理图像样本和目标病理图像样本的分类结果训练得到的。

3.根据权利要求1所述的样本集标注方法，其特征在于，所述样本病理图像的空间相关度是基于空间相关性模型确定的，所述空间相关性模型为：

其中，表示空间相关度，exp表示指数函数，σ²表示方差，标注未标注的子图像。

4.根据权利要求1至3任一项所述的样本集标注方法，其特征在于，基于各样本病理图像的综合不确定度，选取满足预设标注条件的样本病理图像进行标注，包括：

将各样本病理图像的综合不确定度，按照由大到小的顺序进行排序，选取排序在前的预设数量的样本病理图像进行标注。

5.一种病理图像分类方法，其特征在于，包括：

获取待分类的病理图像；

将所述病理图像输入至病理图像分类模型中，获取所述病理图像的分类结果；

其中，所述病理图像分类模型为采用如权利要求1至4任一项所述的样本集标注方法标注的样本病理图像进行机器学习训练后得到。

6.一种病理图像分类模型构建方法，其特征在于，包括：

采用如权利要求1至4任一项所述的样本集标注方法标注的样本病理图像；

基于所述样本病理图像，采用机器学习的方式对机器学习模型进行训练，得到病理图像分类模型。