1.一种可解释的癌症病理切片图像识别方法,其特征在于,所述方法包括:
获取癌症病理切片的高分辨率医学图像,对其进行预处理划分为统一尺寸的图像块;
将所述图像块输入到预训练的特征提取网络中,提取出每个图像块的特征向量;
将第一图像块的特征向量输入到预设的图像识别网络中,预训练所述预设的图像识别网络;
将第二图像块的特征向量输入到预训练后的图像识别网络中,输出第一可解释热力图;
对所述第一可解释热力图的解释区域进行稀疏表示,计算出第二图像块的注意力分数,提高注意力高的对应解释区域的分数,降低注意力低的对应解释区域的分数;优化第一可解释热力图的解释区域,并对优化后的第一可解释热力图进行判断;
将判断为错误的第一可解释热力图的错误部分替换为反例,重新训练所述图像识别网络;
或者,将判断错误的第一可解释热力图的错误部分提供掩码,利用第二损失函数修正错误的可解释热力图,重新训练所述图像识别网络;
将第三图像块的特征向量输入到重新训练后的图像识别网络中,输出第二可解释热力图。
2.根据权利要求1所述的一种可解释的癌症病理切片图像识别方法,其特征在于,对癌症病理切片的高分辨率医学图像进行预处理包括根据图像分割算法,将癌症肿瘤分割为所需尺寸的多个图像块,将分割结果保存至文件,其文件内容为分割结果在高分辨率医学图像中的坐标。
3.根据权利要求1所述的一种可解释的癌症病理切片图像识别方法,其特征在于,稀疏表示方法优化第一可解释热力图所采用的第一损失函数表示为:其中,L(X)表示第一损失函数,X表示当前癌症病理切片中所有图像块的分数,N表示当前癌症病理切片中图像块个数,xn表示第n个图像块的分数, 则表示当前癌症病理切片中所有图像块的分数的均值, 表示第一可解释热力图整体的初始分数均值。
4.根据权利要求1所述的一种可解释的癌症病理切片图像识别方法,其特征在于,将判断为错误的第一可解释热力图的错误部分替换为反例,重新训练所述图像识别网络包括将第一可解释热力图的错误部分对应的图像块的特征向量取0或者取反例,再将该图像块所属的癌症肿瘤数据送入图像识别网络进行训练,从而修改图像识别网络的可解释方向。
5.根据权利要求1所述的一种可解释的癌症病理切片图像识别方法,其特征在于,将判断错误的第一可解释热力图的错误部分提供掩码,利用第二损失函数修正错误的可解释热力图,重新训练所述图像识别网络包括将第一可解释热力图的错误部分对应的图像块设置掩码,再将该图像块所属的癌症肿瘤数据送入图像识别网络进行训练,利用第二损失函数优化所述图像识别网络,从而修改图像识别网络的可解释方向。
6.根据权利要求1或5所述的一种可解释的癌症病理切片图像识别方法,其特征在于,所述第二损失函数表示为:其中,L(θ,F,y,A)表示第二损失函数,θ是网络参数,F是输入特征向量,y是真实标签值,A是掩码矩阵,N表示当前癌症病理切片中图像块个数,K表示标签类别数,D表示输入特征向量的维度,ynk表示第n个图像块第k个标签真实值, 表示第n个图像块第k个标签预测值,And表示第n个图像块的第d维掩码,fnd表示第n个图像块的第d维输入特征向量,λ1和λ2是正则化因子;θi表示第i层网络参数。
7.一种可解释的癌症病理切片图像识别装置,其用于实现如权利要求1~6任一所述的一种可解释的癌症病理切片图像识别方法,其特征在于,所述装置包括:图像采集模块,用于获取癌症病理切片的高分辨率医学图像;
图像处理模块,用于将获取的癌症病理切片的高分辨率医学图像进行预处理并划分为统一尺寸的图像块;
特征提取模块,用于将所述图像块输入到预训练的特征提取网络中,提取出每个图像块的特征向量;
预训练模块,用于将第一图像块的特征向量输入到预设的图像识别网络中,预训练所述预设的图像识别网络;
图像优化模块,用于将第二图像块的特征向量输入到预训练后的图像识别网络中,输出第一可解释热力图,利用稀疏表示方法优化第一可解释热力图,并对优化后的第一可解释热力图进行判断;
重训练模块,用于将判断为错误的第一可解释热力图的错误部分替换为反例,重新训练所述图像识别网络;或者,将判断错误的第一可解释热力图的错误部分提供掩码,利用第二损失函数修正错误的可解释热力图,重新训练所述图像识别网络;
图像识别模块,用于将第三图像块的特征向量输入到重新训练后的图像识别网络中,输出第二可解释热力图。
8.根据权利要求7所述的一种可解释的癌症病理切片图像识别装置,其特征在于,所述装置还包括:交互学习模块,用于对优化后的第一可解释热力图进行判断,判断所述第一可解释热力图对应的识别预测结果是否正确,以及解释区域是否正确。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现如权利要求1~6任一所述的识别方法中所执行的操作。