1.一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其特征在于，按如下步骤实施：步骤1：获取由病理专家人工标注的带有乳腺癌的转移区域的全视野乳腺癌前哨淋巴结病理图像；

步骤2：利用全视野乳腺癌前哨淋巴结病理图像和专家标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，训练DenseNet网络模型参数；具体为：

1)利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得最低分辨率病理图像和标注结果；

2)对最低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；

3)在正常病理组织和乳腺癌区域内利用随机生成策略，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成病理图像块；

4)对所有标注病理图像，按照上述步骤2)～步骤3)的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，并划分训练集和验证集；

5)构建DenseNet网络模型，利用乳腺癌病理图像块的训练集和验证集训练网络模型参数，保存网络权重系数；

步骤3：对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；具体为：

1)对于单张全视野乳腺癌前哨淋巴结病理图像，进行病理图像最低分辨率抽样，获得最低分辨率病理图像；

2)对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；

3)对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成测试病理图像块；

4)对生成的测试病理图像块进行预测，获取图像块的乳腺癌区域预测概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；

步骤4：计算训练集中所有的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练该数据集；具体为：

1)对于训练集中所有的全视野乳腺癌前哨淋巴结病理图像，重复步骤3的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；

2)对乳腺癌概率热图进行二值化并抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建全视野乳腺癌前哨淋巴结病理图像数据集，其中，专家标签中，1表示乳腺癌，0表示正常；

3)利用线性分类器训练全视野乳腺癌前哨淋巴结病理图像数据集，保存线性分类器的模型参数；

步骤5：对测试集全视野乳腺癌前哨淋巴结病理图像，生成预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检测；具体为：

1)对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块；

2)利用DenseNet模型和网络权重系数进行预测，并合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图；

3)对于全视野乳腺癌前哨淋巴结病理图像的概率热图，进行二值化，抑制孤立噪声，计算乳腺癌特征向量；

4)利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。

2.如权利要求1所述方法，其特征在于：步骤1的具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF或SVS，5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，超过半数以上专家认同为乳腺癌，则人工标注乳腺癌转移区域，并将标注保存为xml文件。

3.如权利要求1所述的方法，其特征在于：

步骤2中的步骤1)的具体方法是：利用openslide包中的slide.level_downsamples函n数获取下采样因子n，计算最低分辨率(2)，并对全视野乳腺癌前哨淋巴结病理图像和标注区域进行最低分辨率抽样，得到在最低分辨率下的病理图像和标注图像；

步骤2中的步骤2)的具体方法是：对最低分辨率下病理图像进行预处理，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织区域，将病理组织与乳腺癌的标注区域相减得到含有正常病理组织的感兴趣区域；

步骤2中的步骤3)的具体方法是：在最低分辨率下正常病理组织和乳腺癌标注区域内，利用随机生成的策略，生成坐标点(x，y)，该坐标点(x，y)包括乳腺癌正样本坐标和正常病n理组织负样本坐标；将随机生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2 ，ny'＝y×2)上，并利用(x'，y')生成256×256的病理图像块；

步骤2中的步骤4)的具体方法是：对正常的病理图像块和乳腺癌病理图像块，按照8:2的比例划分为训练集和验证集；

步骤2中的步骤5)的具体方法是：构建DenseNet网络模型，DenseNet由Dense Block和Transition Block组成，并设置训练参数，利用乳腺癌病理图像块训练集和验证集训练DenseNet网络模型，保存网络权重系数densenet121_weights_tf.h5。

4.如权利要求1所述的方法，其特征在于：

步骤3中的步骤1)的具体方法是：对单张全视野病理切片，利用openslide中的nslide.level_downsamples函数获取下采样因子n，计算最低分辨率(2)，并对全视野乳腺癌前哨淋巴结病理图像进行最低分辨率抽样，获得抽样后的病理图像；

步骤3中的步骤2)的具体方法是：对抽样后的病理图像，OSTU大津法计算最佳阈值进行图像二值化，利用形态学算子的闭运算和开运算，获取正常的病理组织区域；

步骤3中的步骤3)的具体方法是：对抽样后的病理组织区域，采用顺序生成的策略，生n成所有的坐标点(x，y)，将生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2 ，ny'＝y×2)上，并利用(x'，y')生成256×256的病理图像块；

步骤3中的步骤4)的具体方法是：预测所有的病理图像块乳腺癌概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图。

5.如权利要求1所述的方法，其特征在于，步骤4中的步骤2)的具体方法是：对所有全视野乳腺癌切片的概率热图，进行二值化，并利用非极大值抑制算法抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建基于全视野的病理图像乳腺癌数据集其中，专家标签中，1表示乳腺癌，0表示正常。

6.如权利要求1所述的方法，其特征在于：步骤4中的步骤3)所述的线性分类器采用SVM分类器。

7.如权利要求1所述的方法，其特征在于：

步骤5中的步骤2)的具体方法是：利用DenseNet模型和网络权重系数对顺序生成的病理图像块进行预测，并合成最低分辨率下全视野病理图像的概率热图；

步骤5中的步骤3)的具体方法是：对于全视野病理切片的乳腺癌概率热图，进行二值化，利用非极大值抑制算法抑制孤立噪声，并计算乳腺癌特征向量；

步骤5中的步骤4)的具体方法是：对乳腺癌特征向量利用SVM分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。

8.一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测系统，其特征在于，具体包括如下依次连接的模块：全视野前哨淋巴结病理图像模块：

用于获取全视野乳腺癌前哨淋巴结病理图像，该模块中的全视野乳腺癌前哨淋巴结病理图像类型为TIFF或SVS，由5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注乳腺癌的转移区域；

构建和训练DenseNet网络模型参数模块：

用于对全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型进行训练，并保存网络权重系数；

单张全视野病理图像乳腺癌概率热图生成模块：

用于对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；

乳腺癌概率热图训练模块：

用于计算所有作为训练集的全视野数字化切片乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，生成全视野病理图像乳腺癌数据集，并利用线性分类器训练数据集；

乳腺癌区域检测模块：

对于测试集全视野病理图像生成乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。