CN113436191B - 一种病理图像的分类方法、分类***及可读介质 - Google Patents

Abstract

本公开涉及一种病理图像的分类方法、分类***及可读介质，包括：获取病理图像；将病理图像输入学习网络，利用学习网络来确定分类结果，其中学习网络包括相互关联的分类模型和分割模型；由处理器，将病理图像输入学习网络，基于病理图像，利用学习网络的分类模型确定病理图像中目标细胞的第一分类结果；利用学习网络的分割模型进行解码以确定目标细胞的期望指标，并基于期望指标利用分割模型来确定目标细胞的第二分类结果；在第一分类结果和第二分类结果为相同分类的情况下，确定目标细胞的分类结果为该分类。本公开的分类方法能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

Description

一种病理图像的分类方法、分类***及可读介质

技术领域

本公开涉及图像分析技术领域，更具体地，涉及一种病理图像的分类方法、分类***及可读介质。

背景技术

基于病理图像进行分析和筛查是现代医学中进行癌症确诊的重要手段。而在基于病理图像进行筛查的过程中，需要专业的病理检查人员通过人工读片对病理图像进行分类或标识等操作，其工作量大、分析耗时长，影响后续诊断和治疗效率，因此，现有技术中常用基于人工智能学习模型进行病理图像分类的自动分析***实现自动化的病理图像分类操作。

病理切片中包含细胞数目多，细胞形态各异，并且存在细胞覆盖、遮挡，细胞膜折叠等情况。利用现行的分类方法应对病理图像切片的分类速度慢，效率低的问题，并且对于折叠的情况，现行的分类方法无法准确完成分类。但现有的人工智能学习模型图像分类的方法与医疗***中现行的判断方式存在偏差，通过人工智能学习模型的方法可解释性差，得不到医疗单位的认可。例如通过人工学习模型辨识出了某病理图像是阳性结果，但是通过现行的判断方式，该病理图像应该为阴性，这种情况下，通过人工智能学习模型的结果来认定病理图像的分类结果，也会给医生带来困扰。

旨在提供本公开来解决以上的技术问题。

发明内容

旨在提供一种病理图像的分类方法、分类***及可读介质，其不仅能够通过学习网络中的分类模型来确定病理图像的第一分类结果，还能够基于该分类模型的编码阶段的特征信息利用分割模型确定用户所期望的指标，并基于所述期望指标来确定出第二分类结果，从而能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

在第一方面，本公开的实施例提供了一种病理图像的分类方法，包括：获取病理图像；由处理器，将所述病理图像输入学习网络，其中所述学习网络包括相互关联的分类模型和分割模型；由所述处理器，基于所述病理图像，利用所述分类模型确定所述病理图像中目标细胞的第一分类结果；由所述处理器，基于所述分类模型对所述病理图像在编码阶段所提取的特征信息，利用所述分割模型进行解码以确定所述目标细胞的期望指标，并基于所述期望指标利用所述分割模型来确定所述目标细胞的第二分类结果；由所述处理器，在所述第一分类结果和所述第二分类结果为相同的类别的情况下，确定所述目标细胞的分类结果为该类别。

在第二方面，本公开的实施例提供了一种病理图像的分类***，包括：接口，其配置为获取病理图像；处理器，其配置为基于所获取的病理图像，利用根据本公开各实施例所述的病理图像的分类方法来确定分类结果。

在第三方面，本公开的实施例提供了一种其上存储有指令的非暂时性计算机可读介质，其中所述指令在由处理器执行时执行根据本公开各实施例所述的病理图像的分类方法来确定分类结果。

利用根据本公开的各个实施例的病理图像的分类方法，所采用的学习网络包括相互关联的分类模型和分割模型，不仅能够通过学习网络中的分类模型来确定病理图像的第一分类结果，还能够基于该分类模型的编码阶段的特征利用分割模型确定用户所期望的指标，并基于所述期望指标来确定出第二分类结果，从而能够整合第一分类结果和第二分类结果，来得到与用户的判别标准更匹配且鲁棒性更优的病理图像的分类结果。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1(a)示出根据本公开实施例的病理图像的分类方法的流程图。

图1(b)示出根据本公开实施例的病理图像的分类方法的过程的示意图。

图2示出根据本公开实施例的用于对病理图像进行分类的学习网络中的分割模型的架构的示意图。

图3示出根据本公开实施例的用于对病理图像进行分类的学习网络的架构的示意图。

图4示出根据本公开实施例的病理图像的分类***的结构框图。

具体实施方式

为使本领域技术人员更好的理解本公开的技术方案，下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述，但不作为对本公开的限定。

本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。本公开中结合附图所描述的方法中各个步骤的执行顺序并不作为限定。只要不影响各个步骤之间的逻辑关系，可以将数个步骤整合为单个步骤，可以将单个步骤分解为多个步骤，也可以按照具体需求调换各个步骤的执行次序。

图1(a)示出根据本公开实施例的病理图像的分类方法的流程图。如图1(a)所示，该分类方法始于步骤S101：获取病理图像。在步骤S102，可以由处理器，将所述病理图像输入学习网络，其中所述学习网络包括相互关联的分类模型和分割模型。通过在用于分类的学习网络中引入分割模型，可以基于分割结果来确定用户期望的目标细胞的指标，进而基于期望指标执行与用户期望相符的分类推导过程，从而有效降低了分类结果与用户的期望分类结果违背的情况。注意，基于分割结果，可以引入丰富的用户期望指标，尤其与分割细节相关联的期望指标，例如但不限于具有各种属性的部分的分布和比例（下文中将结合核质比进行详细说明）、分割边缘的图形特点、目标细胞的折叠度等等。

在步骤S103，可以由所述处理器，基于所述病理图像，利用所述分类模型确定所述病理图像中目标细胞的第一分类结果。在步骤S104，可以由所述处理器，基于所述分类模型对所述病理图像在编码阶段所提取的特征信息，利用所述分割模型进行解码以确定所述目标细胞的期望指标，并基于所述期望指标利用所述分割模型来确定所述目标细胞的第二分类结果。如此，分割模型基于的特征信息与分类模型所基于的特征信息至少部分是共有的，如此，除了可以节约提取特征信息的工作负荷以外，还可以显著减少分类模型和分割模型由于编码阶段的差异设置所导致的分类结果的非期望的不统一。

接着，在步骤S105，可以由所述处理器对所述第一分类结果和所述第二分类结果进行核对，在所述第一分类结果和所述第二分类结果为相同的类别的情况下，才确定所述目标细胞的分类结果为该类别。第一分类结果是基于病理图像的特征信息直接确定的，而第二分类结果是基于病理图像的特征信息经由期望指标的中间信息而间接确定的。本申请人经过充分的验证实验证实，在两者相符的情况下，所得到的分类结果与用户以期望判定方式人工判定的结果具有良好的匹配度，同时在用户以期望判定方式（参考期望指标）在几个可能的人工判定结果之间犹豫时，又能够受益于分类模型的学习能力而得出鲁棒性且准确的分类结果。

下面结合图1(b)对本公开的各个实施例的病理图像的分类方法进行进一步的说明。

如图1(b)所示，本公开的分类方法可以始于步骤S101b中，获取病理图像，在具体的检测阶段，可以获取患者的病理图像，患者的病理图像可以有若干的细胞，通过后续的步骤来对患者的病理图像中的细胞来实现分类。接着在步骤S102b中，将所述病理图像输入学习网络，利用所述学习网络来确定分类结果。本公开的分类方法所采用的学习网络包括相互关联的分类模型和分割模型，其中学习网络的分类模型，被配置为以所述病理图像作为输入来进行分类，以确定所述病理图像中目标细胞的第一分类结果。本示例中分类模型可以基于深度学习模型来构建，通过深度学习模型能够有效对病理图像中数量众多的细胞来确定第一分类结果，通过对深度学习模型的训练，能够有效提高模型的识别效率。同时本公开的分类模型还可以针对不同类型的疾病或者不同场景的分类需求达到良好的分类效果，例如现行的分类标准无法满足多分类标识的分类需求，而通过深度学习模型构造的分类模型可以有效地解决这些问题。并且通过深度学习模型构造的分类模型还可以有效解决病理切片中存在的细胞覆盖、遮挡、细胞膜折叠等问题。

作为学习网络的另一部分，所述分割模型，被配置为基于所述分类模型对所述病理图像在编码阶段的特征来进行解码，以确定所述目标细胞的期望指标，并基于所述期望指标来确定所述目标细胞的第二分类结果。在一些实施例中，分类模型可以包括对应的编码部和解码部，获取的病理图像通过编码部即可获得对应的图像特征，通过解码部对图像特征进行检测，即可得到第一分类结果。分割模型也可以包括对应的编码部和解码部，本公开的分类方法并非通过两个单独的模型来对病理图像进行单独的分类，而是将分割模型与分类模型在网络结构上进行关联，例如分割模型的编码部与分类模型的编码部可以存在一定的重叠，从而分类模型在编码阶段的部分图像特征可以复用于分割模型的检测中。也即本公开的分类方法，通过病理图像在编码阶段的特征的复用，实现了分类模型与分割模型的关联，并通过模型的关联获取了两种不同分类标准下的分类结果。还是以阴阳二分类为例，通过分割模型基于期望指标来确定出输入的病理图像在期望指标的评定下，独立的输出病理图像的第二分类结果。

在所述第一分类结果和所述第二分类结果为相同分类的情况下，确定所述目标细胞的分类结果为该分类。本示例中分类模型确定出了病理图像的第一分类结果，分割模型基于期望指标确定出了病理图像的第二分类结果，并且分类模型的分类依据与分割模型的分割依据是不同的，其本公开的分类方法的期望指标可以是现行的医疗***所遵循的分类标准，由此可以综合第一分类结果和第二分类结果进行判定来确定出学习网络对病理图像的分类结果。以阴阳二分类为例进行举例说明，在学习网络获取患者的病理图像，通过分类模型提取病理图像中的图像特征并输出分类模型的第一分类结果，例如病理图像中某目标细胞的分类结果为阳性，并且分割模型的第二分类结果也为阳性，这种情况下，学习网络输出对病理图像的分类结果为阳性，否则是学习网络不会输出阳性的结果。也即本公开的分类方法所确定的分类结果中可以以现行的分类标准作为依据，从而在能够利用深度学习对病理图像切片有很好的分类效果的同时，满足现行的分类标准，从而为医生提供切实有效的诊断依据。

在获取病理图像后，分割模型对病理图像进行编码和解码，从而确定目标细胞的期望指标。期望指标的设置可以依据现行的医院对不同疾病类型的分类标准来进行设置，从而分割模型分割即使在医院体系标准改变的情况下，通过学习训练，依然能够满足于新的检测标准。现行的TBS报告***中核质比是一个重要的依据来判定细胞呈阳性，医疗体系中对核质比作为判据的认可度也较高。在一些实施例中，所述期望指标可以包括核质比。所述分割模型，具体可以被配置为：基于所述分类模型对所述病理图像在编码阶段的高层语义特征来分割出所述病理图像中目标细胞的细胞质和细胞核。在分割模型分割出目标细胞的细胞质和细胞核之后，可以在推理过程中，基于所述细胞质和细胞核确定出目标细胞的核质比。基于所述核质比可以确定出目标细胞的第二分类结果。核质比是指一个细胞的核与细胞质在量(容积)上的比例。通常一个细胞的核成为多倍体时，一般认为，在细胞生长中如果核质比率降低到一定程度时，则细胞将发生***，基于能够检测出细胞的阴阳性。还是以阴阳二分类为例进行说明，分割模型可以将图像中目标细胞的哪些是细胞质，哪些是细胞核区分出来，然后计算该细胞的核质比，在核质比高于第一预设阈值的情况下，可以确定该细胞为阴性。反之，在计算获得的核质比低于第二预设阈值的情况下，则可以确定该细胞为阳性，第一预设阈值与第二预设阈值可以相同也可以不同，具体根据实际情况而定。通过分割模型确定出目标细胞的核质比，从而可以在分类模型确定的第一分类为阳性，且基于核质比确定目标细胞也为阳性的情况下，判断出该细胞为阳性。本公开的分类结果充分与现行的TBS报告***的标准实现匹配，提高了本公开的学习网络的解释性，通过分割模型添加核质比作为判定指标增加了医生对分类结果的可信度。

在确定目标细胞的分类结果之后，可以通过多种方式向用户输出该分类结果，例如输出病历报告、单独输出所检出的例如阳性细胞的图像等方式。在一些实施例中，还可以向用户呈现所述病理图像的分类结果和所述核质比。例如将分割获得的核质比与分类结果一起呈现给医生，能给医生提供患者病情的判断依据，医生可以非常直观的了解患者的病情。

本公开的学习网络还可以预先进行网络训练，例如可以将带有标签的病理切片作为训练集，训练的方式可以根据实际需要确定。在训练所述学习网络的过程中，可以将学习网络的分类模型和分割模型进行联合训练。可以基于所述分类模型的损失函数和所述分割模型的损失函数来共同调整所述学习网络的参数。根据前述实施例分类模型包括对应的编码部和解码部，分割模型至少部分复用分类模型的编码部，在一些实施方式中，可以基于所述分类模型的损失函数和所述分割模型的损失函数两者来调整所述分类模型的编码部的参数。由此在分类模型的训练中同时引入了分割模型的损失，从而使得分类模型的编码特征能够提供给分割模型。同时分割模型需要基于期望指标来输出第二分类结果，还可以基于所述分割模型的损失函数来调整所述分割模型的解码部的参数。通过这种能够有效将分类模型的编码特征引入到分割模型中，实现学习网络的联合训练。

本公开的方法的分类网络包括相关联的分类模型和分割模型，其中分割模型至少部分复用所述分类模型的编码部。在一些实施例中，所述分类模型的编码部至少部分复用为所述分割模型的编码部。也即可将分类模型的整个编码部均复用于分割模型，从而使得学习网络的结构更为紧凑，降低学习网络的复杂程度。

本公开的方法的分类网络的分割模型可以采用多种网络来实现，在此不做一一限定。由于病理图像的切片中，一个切片可能包括2万到3万个细胞，细胞的大小是不尽相同的，有大有小，并且尺度变化范围较大。例如HSIL细胞体积较小，同时包含较少的细胞质，并且细胞与细胞之间还可能存在重叠，掩盖等情况。同时分类模型的编码对分割模型也具有影响。在一些实施例中，所述分割模型包括UNet。UNet尤其适用于病理切片的分割，通过UNet的跨层连接，能够良好地解决病理切片的细胞分割的问题。如图2所示，UNet的结构有两个特点，U型结构(编码部201、解码部202)和跨层连接，UNet的编码部201下采样4次，一共下采样16倍，对称地，其解码部202也相应上采样4次，将编码部201得到的高级语义特征图恢复到原图片的分辨率。相比FCN、Deeplab等其他网络结构，UNet共进行了4次上采样，并在同一个阶段使用了跨层连接，而不是直接在高级语义特征上进行监督和loss反传，从而保证了最后恢复出来的特征图融合了更多的低层级的语义特征，也使得不同规格的特征得到了的融合，从而可以通过UNet进行不同大小的细胞的预测。利用UNet的4次上采样使得分割图恢复边缘等信息更加精细，能够有效恢复出病理切片中的重叠或遮掩区域的细胞边缘。

学习网络还包括分类模型，分类模型也可以采用多种分类器网络来实现，根据实际需要分出的类别，可以是阴阳二分类，也可以是细分的多分类。

在一些实施例中，所述分类模型包括Resnet。例如，在分割模型为UNet的情况下，分类模型可以采用Resnet来构造。

如图3所示，学习网络300包括分类模型和分割模型，其中分类模型包括编码部311(321)和第一解码部312，分割模型包括编码部321(311)和第二解码部322，病理图像输入后，通过编码部311进行编码，分类网络将编码部311在编码最后一个阶段输出的高维的语义特征3110输入给第一解码部312，通过第一解码部312解码即可确定第一分类结果，分类模型完成其分类任务。同时编码部311在编码最后一个阶段输出的高维的语义特征3110输入给分割模型的第二解码部322，通过第二解码部322来实现图像的分割，从而得到第二分类结果。本公开创造性的将Resnet与UNet的编码部进行结合，在UNet中引入Resnet，能够利用Resnet的编码部实现UNet的跨层连接。通过Resnet将高维的特征结合低维的特征，从而有效防止梯度弥散，同时添加网络深度能够获得更好的效果。通过这种网络联合的方式能够达到理想的分类和分割的效果，利用分割输出的核质比来作为分类模型的监督指标，能够将学习网络分类模型的输出与现行的分类标准实现统一，尤其适用于对病理图像切片的检测，并且能够输出可解释性好、可信度高的分类结果，达到有效辅助医生诊断的效果。

本公开的分类方法，对病理图像的分类检测具有良好的效果，具体的病理图像的类型在此不做一一限定。***症发生率位居全球女性恶性肿瘤的第4位，近84%的病例来自发展中国家。在所有***症的组织学类型中，鳞状细胞癌和腺癌的总和超过90%。根据国际癌症研究署(IARC)数据，子***为女性第四大恶性肿瘤。由于***病因明确且早期治愈率可以达到90%，早期发现对女性的健康具有重大意义。在一些实施例中，所述病理图像可以包括宫颈液基细胞的病理图像。从而通过本公开实施例的分类方法可以实现对宫颈液基细胞的病理图像分类，提高早期的***发现率，提高***的治愈率，解决现有人工读片检测方法工作量大等制约***筛查工作深入开展的瓶颈问题。

如图4所示，本公开实施例还提出一种病理图像的分类***400，包括接口405，其配置为获取病理图像。接口405可以是硬件接口，例如网络接口，USB数据接口等，也可以是软件的程序接口API，也可以是软件与硬件的结合，接口405还可以用于接入外接设备，或者进行数据通信等，在此不做具体限定。本公开的分类***400还可以包括处理器401，其配置为基于所获取的病理图像，利用根据本公开各实施例所述的病理图像的分类方法来确定分类结果。处理器401可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上***（SoC）等。独立地或附加地，本公开实施例的分类***还可以包括，通信总线，存储器402，处理器401以及存储器402均连接在通信总线上，还可以包括输入/输出设备403，输入/输出设备403也可以连接在通信总线上，输入/输出设备403可以用于处理器401获取外部输入的例如训练集、初始训练参数或者待检测的病理图像等。存储器402可以用于存储学习网络的程序，用于处理器401调用和训练。还可以连接显示单元404可以用于展示分类网络的分类结果或者训练过程。

本公开实施例还提出一种病理图像的分类装置，如图4所示，包括处理器401和存储器402，处理器401与存储器402可以通过通信总线进行数据通信，存储器402可以存储有计算机程序，通过计算机程序来调用或者读取学习网络，从而实现利用本公开各实施例所述的病理图像的分类方法来确定分类结果。

本公开实施例还提出一种其上存储有指令的非暂时性计算机可读介质，其中所述指令在由处理器执行时执行根据本公开各实施例所述的病理图像的分类方法来确定分类结果。计算机可读存储介质可以是非暂时性计算机可读的介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、电可擦除可编程只读存储器（EEPROM）、其他类型的随机存取存储器（RAM）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（CD-ROM）、数字通用光盘（DVD）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种病理图像的分类方法，其特征在于，包括：

获取病理图像；

由处理器，将所述病理图像输入学习网络，其中所述学习网络包括相互关联的分类模型和分割模型；

由所述处理器，基于所述病理图像，利用所述分类模型确定所述病理图像中目标细胞的第一分类结果；

由所述处理器，基于所述分类模型对所述病理图像在编码阶段所提取的特征信息，利用所述分割模型进行解码以确定所述目标细胞的期望指标，并基于所述期望指标利用所述分割模型来确定所述目标细胞的第二分类结果；

所述期望指标包括核质比；

所述分割模型，还被配置为：

基于所述分类模型对所述病理图像在编码阶段的高层语义特征来分割出所述病理图像中目标细胞的细胞质和细胞核；

基于所述细胞质和细胞核确定所述目标细胞的核质比；

基于所述核质比来确定所述目标细胞的第二分类结果；

由所述处理器，在所述第一分类结果和所述第二分类结果为相同的类别的情况下，确定所述目标细胞的分类结果为该类别。

2.如权利要求1所述的病理图像的分类方法，其特征在于，还包括：向用户呈现所述病理图像的分类结果和所述核质比。

3.如权利要求1所述的病理图像的分类方法，其特征在于，还包括：在训练所述学习网络的过程中，基于所述分类模型的损失函数和所述分割模型的损失函数两者来调整所述学习网络的参数。

4. 如权利要求3所述的分类方法，其特征在于，基于所述分类模型的损失函数和所述分割模型的损失函数两者来调整所述学习网络的参数包括：

基于所述分类模型的损失函数和所述分割模型的损失函数两者来调整所述分类模型的编码部的参数；以及

基于所述分割模型的损失函数来调整所述分割模型的解码部的参数。

5.如权利要求1所述的分类方法，其特征在于，所述分类模型的编码部的至少部分复用为所述分割模型的编码部。

6.如权利要求5所述的分类方法，其特征在于，所述分割模型包括UNet。

7.如权利要求1或6所述的病理图像的分类方法，其特征在于，所述分类模型包括Resnet。

8.如权利要求1所述的病理图像的分类方法，其特征在于，所述病理图像包括宫颈液基细胞的病理图像。

9.一种病理图像的分类***，其特征在于，包括：

接口，其配置为获取病理图像；

处理器，其配置为基于所获取的病理图像，利用根据权利要求1-8中任何一项所述的病理图像的分类方法来确定分类结果。

10.一种其上存储有指令的非暂时性计算机可读介质，其特征在于，其中所述指令在由处理器执行时执行根据权利要求1-8中任何一项所述的病理图像的分类方法来确定分类结果。

Images