JP2024043567A - 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム - Google Patents

Abstract

【課題】特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システムを提供する。【解決手段】病理画像特徴抽出器は、訓練データセットを構築するデータ取得モジュールと、特徴抽出器の訓練のための特徴分離ネットワークを構築する特徴分離ネットワーク構築モジュールと、訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とする訓練モジュールと、を含む。【効果】設定された損失関数が、色エンコーダ及び組織構造エンコーダの特徴抽出の標的性を最大限に保証し、異なる病理画像の複数の色ドメインをカバーし、異なるドメインの色変化を導入し、異なるセンターからの病理画像に適応することができ、より高い汎化性能を有する。【選択図】図２

Description

本発明は、医療画像処理技術の分野及び人工知能の分野に関し、より具体的には、特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システムに関する。

正常組織細胞は、様々な要因の刺激で遺伝子構造が変化し、不可逆的な細胞形態や機能の異常を引き起こし、癌細胞となる。癌細胞は、無限増殖、形質転換可能で、容易に転移という３つの特徴を有し、正常細胞が癌細胞になった後に制御不可能な無限分裂増殖が始まり、周囲の正常組織に侵入し、ひいては体内循環系又はリンパ系を経由して身体の他の部位に拡散する。早期癌は、抗癌剤又は外科手術による腫瘍切除の方式で治療することができ、このとき、治癒率が高く、身体への負担が少ない。しかしながら、癌が中・末期に進行したまま、ひいては転移後に診断された場合、治療手段が非常に限られてしまい、放射線治療や化学療法などの体毒性副作用の強い治療方法で治療するしかない。したがって、癌の早期診断は、人間が癌に対処するための最も効果的な武器となる。

現在、医師は、通常、コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ、ＣＴ）及び病理診断の方法を採用して癌の診断を行っている。しかし、コンピュータ断層撮影は、初歩的な診断しか提供できず、組織の病理診断こそ臨床診断のゴールドスタンダードとなっている。病理専門家は、腫瘍と疑われる部位から切り出した組織をスライスに作成した後、デジタル顕微鏡及びコンピュータ技術により、全スライド病理画像（Ｗｈｏｌｅ Ｓｌｉｄｅ Ｉｍａｇｉｎｇ、ＷＳＩ）を作成し、次いで、コンピュータ上で全スライド病理画像の細胞及び細胞間の形態を観察して病巣領域を探し、診断意見を下す。しかし、現在中国国内に資質を持つ病理医は、一万人余りしかおらず、分布も偏在し、一般的に、経済が先進した省に集中し、中西部などの後進地域と省において病理医の深刻な不足に直面し、患者の実際の要求を満たすことができず、これにより、中国数十億人の健康に直接的又は間接的に影響を与える。また、病理医による全スライド病理画像の人工診断は、医師の専門知識の蓄積や業務経験に強く依存しており、しかも医師の診断結果は、主観性による影響を受け、時間がかかるだけでなく、疲労による診断結論への影響も存在する。国際的な最新の研究成果によると、ヘマトキシリン・エオシン（ｈｅｍａｔｏｘｙｌｉｎ－ｅｏｓｉｎ、Ｈ＆Ｅ）染色の腫瘍細胞核の人工的な統計分析が誤差を生じやすく、例えば、腫瘍細胞核の人工的な百分率統計は実のデータより４５％上回っていることもある。同一の腫瘍に対して、異なる病理医の診断の相違は、１０％～９５％の動的範囲で変化し、偽陰性の診断結果や癌サブタイプの誤判定を引き起こし、この誤診、見落としは、臨床的治療手段に直接影響し、患者の生命の安全を脅かす。

ビッグデータ時代において、計算力の継続的な高まりやオープンソース医療データベースの確立は、医療分野における人工知能技術の適用の障害をすっかり取り除く。深層学習により、コンピュータ支援診断システムを確立し、エンドツーエンドの全スライド病理画像の診断を実現し、医師が診断の効率及び正確率を向上させることを支援することができる。訓練済み深層学習モデルは、全スライド病理画像を同じ基準で検出し、主観性による影響を回避し、病理医の診断の分岐を低減する。

全スライド病理画像を作成する時には、ヘマトキシリン－エオシン（Ｈ＆Ｅ）で染色を行う必要がある。しかしながら、組織固定時間、染色剤の配合比、及びスキャナなどの差異の影響により、異なる腫瘍センターにより作成された全スライド病理画像間には、大きな色の差異があり、データ量が不十分である場合、ネットワークは、学習の過程で色の差異にも過度に注目し、実に注目必要な組織のテクスチャ構造情報を無視する状況がある。現在、ほとんどの学者は、色正規化方法を採用して全ての画像の色分布をテンプレート画像と一致させる。しかし、この方法は２段階（ｔｗｏ－ｓｔａｇｅ）であり、実際に適用される過程に、まず色正規化アルゴリズムにより新たな画像を生成してからネットワーク学習を行う必要があり、色正規化の過程に余分な情報損失を導入し、不可避的に原画像の組織構造情報を破壊し、分類正確度の低下を招く。また、現在開示されている医療画像データベースにおける医療画像は、病巣領域のラベルが含まれておらず、深層学習モデルの訓練に用いる病巣ラベル付けの病理画像データを十分に得ることは困難である。したがって、余分な色正規化操作を必要とせず、かつ、組織構造情報を保持するとともに、色差がモデルに影響を与えることを回避できる病理画像特徴抽出器が必要とされる。

本発明は、従来の深層学習に基づく全スライド病理画像分類方法のいずれも、余分な色正規化フローを必要とすることによる組織構造情報損失という問題を解決することを目的とし、特徴分離に基づく病理画像特徴抽出器の訓練方法及び訓練装置を提供し、訓練して得られた病理画像特徴抽出器は、余分な色正規化フローを必要とせず、完全な組織構造情報を保持するとともに、色差のモデルへの影響を回避する。

上記技術的問題を解決するために、本発明は、以下の技術的解決手段を採用し、
特徴分離に基づく病理画像特徴抽出器の訓練方法であって、当該方法は、具体的には、
訓練データセットを構築するステップであって、前記訓練データセットの各サンプルが病理画像の分割に基づいて取得された２つの画像ブロックを含むステップと、
特徴抽出器の訓練のための特徴分離ネットワークを構築するステップであって、前記特徴分離ネットワークは、
入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
入力された組織構造情報特徴及び色情報特徴を画像ブロックに再生成するための生成器Ｇと、
実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含むステップと、
訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とするステップであって、前記損失関数Ｌ_{ｔｏｔａｌ}は、以下のように表され、
Ｌ_{ｔｏｔａｌ}＝－λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ} Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ} Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ} Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
ここで、Ｌ_{ａｄｖ，ｓ}は、元のサンプルの２つの画像ブロックｘ及びｙが属するドメインと組織構造判別器Ｄ_ｓにより判別されたドメインとの間の損失を含む、組織構造の敵対的損失を表し、
Ｌ_{ａｄｖ，ｄｏｍａｉｎ}は、元のサンプルの２つの画像ブロックｘ及びｙに対応するＸドメインのドメイン敵対的損失及びＹドメインのドメイン敵対的損失を含む、ドメイン敵対的損失を表し、
Ｌ_{ｒｅｃｏｎ}は、各元のサンプルの２つの画像ブロックの自己再構築損失を表し、
Ｌ_{ｌａｔｅｎｔ，ｓ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの組織構造情報特徴の組織構造情報整合性損失を表し、Ｌ_{ｌａｔｅｎｔ，ｃ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの色情報特徴の色情報整合性損失を表し、
前記変換画像ブロックは、サンプルにおける２つの画像ブロックの色情報特徴を交換した後、生成器Ｇに基づいて再生成されたものであり、
Ｌ_ｃｃは、変換画像ブロックが組織構造エンコーダＥ_ｓ、色エンコーダＥ_ｃによりエンコードされ、生成器Ｇにより再生成された画像ブロックと元のサンプルの画像ブロックの循環整合性損失を表し、
λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表す、ステップと、を含む。

前記特徴分離ネットワークの訓練は、いかなる画像レベル、ピクセルレベル、又はＲＯＩレベルの注釈を必要としない。前記小さな画像ブロックの特徴抽出器は、即ち特徴分離ネットワークにおける組織構造エンコーダＥ_ｓであり、色情報を回避する状況で小さな画像ブロックにおける組織構造情報を抽出することができる。

さらに、前記組織構造の敵対的損失は、以下のように表され、
Ｌ_{ａｄｖ，ｓ}（Ｅ_ｓ，Ｄ_ｓ）＝Ｅｘ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｘ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｘ）））］＋Ｅ_ｙ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｙ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｙ）））］
ここで、Ｅ_ｓ（・）は、組織構造エンコーダＥ_ｓの出力を表し、Ｄ_ｓ（・）は、組織構造判別器Ｄ_ｓの出力を表し、ｘ及びｙは、各サンプルの２つの画像ブロックを表し、Ｅ［・］は、数学的期待である。

さらに、自己再構築損失Ｌ_{ｒｅｃｏｎ}、ドメイン敵対的損失Ｌ_{ａｄｖ，ｄｏｍａｉｎ}、色情報整合性損失Ｌ_{ｌａｔｅｎｔ，ｃ}及び組織構造情報整合性損失Ｌ_{ｌａｔｅｎｔ，ｓ}は、ＢＣＥ損失関数又はＭＳＥ損失関数を採用する。

さらに、前記循環整合性損失Ｌ_ｃｃは、以下のように表され、
Ｌ_ｃｃ（Ｅ_ｃ，Ｅ_ｓ，Ｇ）＝Ｅ_ｘ，ｙ［｜｜Ｇ（Ｅ_ｓ（ｖ），Ｅ_ｃ（ｕ））－ｘ｜｜_１＋｜｜Ｇ（Ｅ_ｓ（ｕ），Ｅ_ｃ（ｖ））－ｙ｜｜_１］
ここで、Ｅ_ｓ（・）は、組織構造エンコーダＥ_ｓの出力を表し、ｘ及びｙは、各サンプルの２つの画像ブロックを表し、Ｅ［・］は、数学的期待であり、｜｜・｜｜_１は、Ｌ１ノルムの算出を表し、Ｇ（・）は、生成器Ｇの出力を表し、Ｅ_ｃ（・）は、色エンコーダＥ_ｃの出力を表し、ｕ及びｖは、変換画像ブロックを表し、以下に表され、
ｕ＝Ｇ（Ｅ_ｓ（ｙ），Ｅ_ｃ（ｘ）），ｖ＝Ｇ（Ｅ_ｓ（ｘ），Ｅ_ｃ（ｙ））。

特徴分離に基づく病理画像特徴抽出器の訓練装置であって、
訓練データセットを構築するためのデータ取得モジュールであって、前記訓練データセットの各サンプルが病理画像の分割に基づいて取得された２つの画像ブロックを含むデータ取得モジュールと、
特徴抽出器の訓練のための特徴分離ネットワークを構築するための特徴分離ネットワーク構築モジュールであって、前記特徴分離ネットワークは、
入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
入力された組織構造情報特徴及び色情報特徴を画像ブロックに再生成するための生成器Ｇと、
実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含む特徴分離ネットワーク構築モジュールと、
訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とする訓練モジュールであって、前記損失関数Ｌ_{ｔｏｔａｌ}は、以下のように表され、
Ｌ_{ｔｏｔａｌ}＝λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ} Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ} Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ} Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
ここで、Ｌ_{ａｄｖ，ｓ}は、元のサンプルの２つの画像ブロックｘ及びｙが属するドメインと組織構造判別器Ｄ_ｓにより判別されたドメインとの間の損失を含む、組織構造の敵対的損失を表し、
Ｌ_{ａｄｖ，ｄｏｍａｉｎ}は、元のサンプルの２つの画像ブロックｘ及びｙに対応するＸドメインのドメイン敵対的損失及びＹドメインのドメイン敵対的損失を含む、ドメイン敵対的損失を表し、
Ｌ_{ｒｅｃｏｎ}は、各元のサンプルの２つの画像ブロックの自己再構築損失を表し、
Ｌ_{ｌａｔｅｎｔ，ｓ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの組織構造情報特徴の組織構造情報整合性損失を表し、Ｌ_{ｌａｔｅｎｔ，ｃ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの色情報特徴の色情報整合性損失を表し、
前記変換画像ブロックは、サンプルにおける２つの画像ブロックの色情報特徴を交換した後、生成器Ｇに基づいて再生成されたものであり、
Ｌ_ｃｃは、変換画像ブロックが組織構造エンコーダＥ_ｓ、色エンコーダＥ_ｃによりエンコードされ、生成器Ｇにより再生成された画像ブロックと元のサンプルの画像ブロックの循環整合性損失を表し、
λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表す、訓練モジュールと、を含む。

電子機器であって、メモリと、プロセッサと、メモリに記憶され、プロセッサで実行可能なコンピュータプログラムとを含み、前記プロセッサは、前記コンピュータプログラムを実行する時、上述したような特徴分離に基づく病理画像特徴抽出器の訓練方法を実現する。

コンピュータ実行可能命令を含む記憶媒体であって、前記コンピュータ実行可能命令は、コンピュータプロセッサにより実行される時、上述したような特徴分離に基づく病理画像特徴抽出器の訓練方法が実施される。

病理画像分類システムであって、
分類すべき病理画像を複数の画像ブロックに分割するためのデータ前処理ユニットと、
上記特徴分離に基づく病理画像特徴抽出器の訓練方法により訓練して得られた特徴抽出器であって、各画像ブロックに対して組織構造情報特徴を抽出するための特徴抽出器と、
特徴抽出器により抽出された各画像ブロックの組織構造情報特徴に基づいて分類を行い、分類すべき病理画像の分類結果を得るための分類ユニットと、を含む。

さらに、分類ユニットは、訓練済みのマルチインスタンス学習ネットワークであり、前記マルチインスタンス学習ネットワークは、各小さな画像ブロックに応じて分類結果の重要度に対応する注意スコアを付けるための注意モジュールと、同一の全スライド病理画像の小さな画像ブロックからの組織構造情報ベクトルをｓｌｉｄｅレベルの特徴ベクトルに集合するための集合層と、ｓｌｉｄｅレベルの特徴ベクトルを分類するための分類層とから構成することができる。

さらに、前記マルチインスタンス学習ネットワークは、ピクセルレベル又はＲＯＩレベルの注釈を必要とせず、全スライド病理画像のタイプラベルのみを必要とする。

さらに、前記全スライド病理画像は、医療用全スライド病理画像である。

従来技術と比較して、本発明の有益な結果は、以下のとおりである。
（１）本発明は、複数の敵対的生成ネットワークを含む特徴分離ネットワークを提供し、当該特徴分離ネットワークは、いかなるペアデータを使用せずに訓練し、全スライド病理画像を色情報特徴及び組織構造情報特徴に分離分解し、染色剤の配合比、組織固定時間、スキャナなどの人為的要因による色差異情報を除去し、画像中のより深い階層の細胞と細胞間の構造、形態学的特徴などの診断に関連する不純物のない組織構造情報のみを保持することができる。また、訓練の過程に異なる病理画像の複数のドメインをカバーし、異なるドメインの変化を導入し、異なるセンターからの全スライド病理画像に適応することができ、より強い汎化性能及びより高いロバスト性を有する。

（２）本発明により提供される特徴分離ネットワークは、いかなる色正規化過程を必要とせず、従来の色正規化に基づくコンピュータ支援診断方法による組織構造情報損失を回避し、診断に関連する組織構造情報を最大限に保持することができ、より完全な組織構造情報特徴に基づく全スライド病理画像の分類は、より高い正確度を有する。１段階（ｏｎｅ－ｓｔａｇｅ）モデルフレームワークの支援診断は、よりよい利便性を有する。

（３）本発明により提供される特徴分離ネットワークの損失関数は、組織構造の敵対的損失、自己再構築損失、ドメイン敵対的損失、潜在空間の色情報整合性損失、潜在空間の組織構造情報整合性損失、及び循環整合性損失という６つの損失関数を含んで、ネットワークを制約し、ネットワークにおける色エンコーダが全スライド病理画像の色情報特徴のみをエンコードし、組織構造エンコーダが診断に関連する組織構造情報特徴のみをエンコードすることを最大限に保証し、異なるエンコーダ特徴抽出の標的性を保証し、不純物情報がエンコードされることによるモデルへの悪影響を低減し、モデルの分類性能を向上させる。

（４）本発明の特徴抽出器により抽出された情報特徴に基づいて分類するためのマルチインスタンス分類ネットワークは、ブロックレベル又はピクセルレベルのラベルを必要とせず、画像レベルの病変ラベルのみを必要とし、必要なデータは、特定の病変に制限されず、いかなる器官からの全スライド病理画像はいずれも訓練に参加することができ、データセットの制限を大幅に緩和し、データ収集及びラベル付けの作業量を軽減し、一定の臨床的価値を有する。

本発明の特徴分離ネットワークのネットワーク構造及び訓練のフローチャートである。 本発明の特徴分離に基づく病理画像特徴抽出器の訓練装置の構造図である。 本発明の電子機器のハードウェア構造図である。 本発明の病理画像分類システムの構造図である。 本発明の病理画像分類システムの分類のフローチャートである。

以下、本発明の実施例における図面と組み合わせて、本発明の実施例における技術的解決手段を明確且つ完全に記述するが、明らかに、記述された実施例は、本発明の一部の実施例に過ぎず、全ての実施例ではない。本発明における実施例に基づき、当業者であれば、創造的な労力を行わずに得られた他の全ての実施例は、いずれも本発明の保護範囲に属する。

本発明は、特徴分離（ｆｅａｔｕｒｅ ｄｅｃｏｕｐｌｉｎｇ）に基づく病理画像特徴抽出器の訓練方法を提供し、当該特徴分離に基づく病理画像特徴抽出器の訓練方法により、本発明の実施例により提供される新規な病理画像特徴抽出器を訓練して得ることができ、当該病理画像特徴抽出器により、異なるセンター、異なる処理条件から得られた病理画像から、より高い信頼性を有する組織構造情報特徴を直接抽出することができ、具体的には、本発明の特徴分離に基づく病理画像特徴抽出器の訓練方法は、以下のステップを含み、
ステップＳ１において、訓練データセットを構築し、前記訓練データセットの各サンプルは病理画像を分割することで取得された２つの画像ブロックを含む。

ここで、画像ブロックを分割して取得する時、空白背景領域及び天然空洞領域をフィルタリングし、病理組織領域のみを保持すべきであり、スライディングウィンドウを用いて、病理組織領域を均一なサイズの小さな画像ブロックに分割し、画像ブロックデータは、いかなるピクセル、パッチ、又はＲＯＩレベルのラベルを含まず、色正規化操作を行う必要もない。

ステップＳ２において、特徴抽出器用の特徴分離ネットワークを構築し、図１に示すように、前記特徴分離ネットワークは、主に、
入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
入力された組織構造情報特徴及び色情報特徴を画像ブロックに再生成するための生成器Ｇと、
実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含む。

ステップＳ３において、訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練し、具体的には、図１に示すように、以下のサブステップを含み、
ステップＳ３．１において、各サンプルの２つの小さな画像ブロックをｘ、ｙと表記し、ここで、画像ブロックｘは、Ｘドメインに属し、画像ブロックｙは、Ｙドメインに属する。組織構造エンコーダＥ_ｓ及び色エンコーダＥ_ｃにそれぞれ送信して特徴分離を行い、対応する組織構造情報特徴ｈ_ｓ，ｘ、ｈ_ｓ，ｙ及び色情報特徴ｈ_ｃ，ｘ、ｈ_ｃ，ｙを得る。ここで、組織構造エンコーダＥ_ｓ及び色エンコーダＥ_ｃは、いずれも従来のエンコーダであり、主に畳み込み層、残差ブロック、及び全結合層などから構成され、例示的に、組織構造エンコーダＥ_ｓは、３つの畳み込み層と４つの残差ブロックから構成され、色エンコーダＥ_ｃは、４つの畳み込み層と１つの全結合層から構成されてもよい。組織構造エンコーダＥ_ｓは、画像を共有の組織構造ドメインＳにマッピングし、色エンコーダＥ_ｃは、画像を異なる色ドメインにマッピングし、以下の式であり、
ｈ_ｓ，ｘ＝Ｅ_ｓ（ｘ），ｈ_ｃ，ｘ＝Ｅ_ｃ（ｘ），ｈ_ｓ，ｙ＝Ｅ_ｓ（ｙ），ｈ_ｃ，ｙ＝Ｅ_ｃ（ｙ）
式において、Ｅ_ｓ（・）、Ｅ_ｃ（・）は、それぞれ組織構造エンコーダＥ_ｓ及び色エンコーダＥ_ｃの出力を表す。

ステップＳ３．２において、画像ブロックｘと画像ブロックｙの組織構造情報特徴ｈ_ｓ，ｘ、ｈ_ｓ，ｙが同一の共有の組織構造ドメインＳ内にあるという仮定に基づき、組織構造判別器Ｄ_ｓを用いてｈ_ｓ，ｘ、ｈ_ｓ，ｙが同一の組織構造ドメインＳ内にあることを判別する。組織構造の敵対的損失Ｌ_{ａｄｖ，ｓ}を算出し、例示的には、組織構造の敵対的損失Ｌ_{ａｄｖ，ｓ}は、以下のように表され、
Ｌ_{ａｄｖ，ｓ}（Ｅ_ｓ，Ｄ_ｓ）＝Ｅｘ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｘ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｘ）））］＋Ｅ_ｙ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｙ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｙ）））］
ここで、Ｅ［・］は、数学的期待であり、Ｄ_ｓ（・）は、組織構造判別器Ｄ_ｓの出力を表す。

ステップＳ３．３において、生成器Ｇを用いて、画像ブロックｘに基づいて抽出して得られた組織構造情報特徴ｈ_ｓ，ｘ及び色情報特徴ｈ_ｃ，ｘを画像ブロックｘ_ｒに再生成し、画像ブロックｙに基づいて抽出して得られた組織構造情報特徴ｈ_ｓ，ｙ及び色情報特徴ｈ_ｃ，ｙを画像ブロックｙ_ｒに再生成する。生成器Ｇは、任意の通常の生成器であってもよく、例示的に、生成器は、４つの残差ブロックと３つの小さなストライドの畳み込み層とから構成される。ｈ_ｓ，ｘ及びｈ_ｃ，ｘは、同一の画像ブロックｘに由来し、ｈ_ｓ，ｙ及びｈ_ｃ，ｙは、同一の画像ブロックｙに由来するので、理論上、再生成された画像ブロックｘ_ｒは、原画像ブロックｘと同じであるべきであり、画像ブロックｙ_ｒは、原画像ブロックｙと同じであるべきである。この仮定に基づき、各元のサンプルの２つの画像ブロックの自己再構築損失（ｓｅｌｆ－ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｌｏｓｓ）Ｌ_{ｒｅｃｏｎ}を算出し、自己再構築損失は、ＢＣＥ損失、ＭＳＥ損失などを当該損失関数として選択することができる。

ステップＳ３．４において、サンプルにおける２つの画像ブロックの色情報特徴を交換し、さらに生成器Ｇを用いることにより、Ｘドメインの画像ブロックｕ及びＹドメインの画像ブロックｖを含む新たな変換画像ブロックを生成し、以下の式であり、
ｕ＝Ｇ（Ｅ_ｓ（ｙ），Ｅ_ｃ（ｘ））＝Ｇ（ｈ_ｓ，ｙ，ｈ_ｃ，ｘ），ｖ＝Ｇ（Ｅ_ｓ（ｘ），Ｅ_ｃ（ｙ））＝Ｇ（ｈ_ｓ，ｘ，ｈ_ｃ，ｙ）
ここで、Ｇ（・）は、生成器Ｇの出力を表す。

ステップＳ３．５において、ドメイン判別器Ｄは、Ｘドメイン及びＹドメインにおける実画像ブロック（画像ブロックｘ及び画像ブロックｙ）と、生成された変換画像ブロック（画像ブロックｕ及び画像ブロックｖ）とを区別するものであり、生成器Ｇは、ドメイン判別器Ｄを「騙す」ように、実画像ブロックをできるだけ生成するものである。ドメイン敵対的損失Ｌ_{ａｄｖ，ｄｏｍａｉｎ}を算出することは、ＢＣＥ損失、ＭＳＥ損失などを当該損失関数として選択することができる。

ステップＳ３．６において、画像ブロックｕ及び画像ブロックｖを組織構造エンコーダＥ_ｓ及び色エンコーダＥ_ｃにそれぞれ送信して特徴分離を行い、対応する組織構造情報特徴ｈ_ｓ，ｕ、ｈ_ｓ，ｖ及び色情報特徴ｈ_ｃ，ｕ、ｈ_ｃ，ｖを得る。同様に、組織構造エンコーダＥ_ｓは、画像を共有の組織構造ドメインＳにマッピングし、色エンコーダは、画像を異なる色ドメインにマッピングし、以下の式であり、
ｈ_ｓ，ｕ＝Ｅ_ｓ（ｕ），ｈ_ｃ，ｕ＝Ｅ_ｃ（ｕ），ｈ_ｓ，ｖ＝Ｅ_ｓ（ｖ），ｈ_ｃ，ｖ＝Ｅ_ｃ（ｖ）
画像ブロックｕ及び画像ブロックｖの組織構造情報特徴ｈ_ｓ，ｕ、ｈ_ｓ，ｖは、それぞれ画像ブロックｙ及び画像ブロックｘが２回の組織構造エンコーダＥ_ｓ及び１回の生成器Ｇを介することで得られ、画像ブロックｕ及び画像ブロックｖの色情報特徴ｈ_ｃ，ｕ、ｈ_ｃ，ｖは、それぞれ画像ブロックｘ及び画像ブロックｙが２回の色エンコーダＥ_ｃ及び１回の生成器Ｇを介することで得られる。理論上、ｈ_ｃ，ｕ、ｈ_ｃ，ｖは、それぞれｈ_ｃ，ｘ及びｈ_ｃ，ｙと同じであるべきであり、ｈ_ｓ，ｕ、ｈ_ｓ，ｖは、それぞれｈ_ｓ，ｙ及びｈ_ｓ，ｘと同じであるべきである。この仮定に基づき、ｈ_ｃ，ｕ、ｈ_ｃ，ｖ及びｈ_ｃ，ｘ、ｈ_ｃ，ｙにより潜在空間の色情報整合性損失（ｃｏｎｓｉｓｔｅｎｃｙ ｌｏｓｓ）Ｌ_{ｌａｔｅｎｔ，ｃ}を算出することができ、ｈ_ｓ，ｕ、ｈ_ｓ，ｖ及びｈ_ｓ，ｙ、ｈ_ｓ，ｘにより潜在空間の組織構造情報整合性損失Ｌ_{ｌａｔｅｎｔ，ｃ}を算出することができ、ＢＣＥ損失を潜在空間の色情報整合性損失関数及び組織構造情報整合性損失関数として選択することができる。

ステップＳ３．７において、２つの変換画像ブロックの色情報特徴を交換し、生成器Ｇを用いて新たなＸドメインの画像ブロックｘ_ｃｃ及びＹドメインの画像ブロックｙ_ｃｃを生成し、以下の式であり、
ｘ_ｃｃ＝Ｇ（ｈ_ｓ，ｖ，ｈ_ｃ，ｕ），ｙ_ｃｃ＝Ｇ（ｈ_ｓ，ｕ，ｈ_ｃ，ｖ）
２つのＩ２Ｉ変換後に生成された画像ブロックｘ_ｃｃ及びｙ_ｃｃは、元の画像ブロックｘ及びｙと同じであるべきであり、この制約を強制実行するために、循環整合性損失Ｌ_ｃｃを構築し、例示的に、以下のように表され、
Ｌ_ｃｃ（Ｅ_ｃ，Ｅ_ｓ，Ｇ）＝Ｅ_ｘ，ｙ［｜｜Ｇ（Ｅ_ｓ（ｖ），Ｅ_ｃ（ｕ））－ｘ｜｜_１＋｜｜Ｇ（Ｅ_ｓ（ｕ），Ｅ_ｃ（ｖ））－ｙ｜｜_１］
ここで、｜｜・｜｜_１は、Ｌ１ノルムの算出を表す。

以上をまとめると、総損失関数Ｌ_{ｔｏｔａｌ}を算出し、具体的には、以下の式であり、
Ｌ_{ｔｏｔａｌ}＝－λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ}Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ}Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ}Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
ここで、λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表し、例示的に、λ_{ａｄｖ，ｓ}＝１、λ_{ａｄｖ，ｄｏｍａｉｎ}＝１、λ_{ｒｅｃｏｎ}＝１０、λ_{ｌａｔｅｎｔ，ｓ}＝１０、λ_{ｌａｔｅｎｔ，ｃ}＝１０、λ_ｃｃ＝１０と設定することができる。

確率的勾配降下アルゴリズムを用いて、総損失関数を最小化することを目標としてネットワークパラメータを最適化し、学習率（例えば、０．０００１）を設定し、Ａｄａｍを最適化器として用いて、連続するｎ回（例えば、３０回）の反復の損失が減少しなくなった時点で訓練を停止し、訓練済みの特徴分解ネットワークを得、訓練済みの組織構造エンコーダは、即ち病理画像特徴抽出器である。

訓練済みの病理画像特徴抽出器は、染色剤の配合比、組織固定時間、スキャナなどの人為的要因による色差異情報を除去し、画像中のより深い階層の細胞と細胞間構造、形態学的特徴などの診断に関連する不純物のない組織構造情報のみを保持し、十分に学習することができ、
前述特徴分離に基づく病理画像特徴抽出器の訓練方法の実施例に対応して、本発明は、さらに、特徴分離に基づく病理画像特徴抽出器の訓練装置の実施例を提供する。

図２に示すように、本発明の実施例にて提供される特徴分離に基づく病理画像特徴抽出器の訓練装置は、
訓練データセットを構築するためのデータ取得モジュールであって、前記訓練データセットの各サンプルが病理画像の分割に基づいて取得された２つの画像ブロックを含む取得モジュールと、
特徴抽出器の訓練のための特徴分離ネットワークを構築するための特徴分離ネットワーク構築モジュールであって、前記特徴分離ネットワークは、
入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
入力された組織構造情報特徴及び色情報特徴を画像ブロックに再生成するための生成器Ｇと、
実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含む特徴分離ネットワーク構築モジュールと、
訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とするための訓練モジュールであって、前記損失関数Ｌ_{ｔｏｔａｌ}は、以下のように表され、
Ｌ_{ｔｏｔａｌ}＝λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ}Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ}Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ}Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
ここで、Ｌ_{ａｄｖ，ｓ}は、元のサンプルの２つの画像ブロックｘ及びｙが属するドメインと組織構造判別器Ｄ_ｓにより判別されたドメインとの間の損失を含む、組織構造の敵対的損失を表し、
Ｌ_{ａｄｖ，ｄｏｍａｉｎ}は、元のサンプルの２つの画像ブロックｘ及びｙに対応するＸドメインのドメイン敵対的損失及びＹドメインのドメイン敵対的損失を含む、ドメイン敵対的損失を表し、
Ｌ_{ｒｅｃｏｎ}は、各元のサンプルの２つの画像ブロックの自己再構築損失を表し、
Ｌ_{ｌａｔｅｎｔ，ｓ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの組織構造情報特徴の組織構造情報整合性損失を表し、Ｌ_{ｌａｔｅｎｔ，ｃ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの色情報特徴の色情報整合性損失を表し、
前記変換画像ブロックは、サンプルにおける２つの画像ブロックの色情報特徴を交換した後、生成器Ｇに基づいて再生成されたものであり、
Ｌ_ｃｃは、変換画像ブロックが組織構造エンコーダＥ_ｓ、色エンコーダＥ_ｃによりエンコードされ、生成器Ｇにより再生成された画像ブロックと元のサンプルの画像ブロックとの循環整合性損失を表し、
λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表す、訓練モジュールと、を含む。

装置の実施例については、基本的に方法の実施例に対応するので、関連する内容は、方法の実施例の一部の説明を参照すればよい。上述の装置の実施例は、単に例示的なものであり、前記別個部材として説明されたユニットは、物理的に分離されてもよく、又は物理的に分離されなくてもよく、ユニットとして表示された部材は、物理的なユニットであってもよく、又は物理的なユニットでなくてもよく、即ち、１つの箇所に位置してもよく、又は複数のネットワークユニットに分散されてもよい。本発明の手段の目的を達成するために、実際の要求に応じて、その一部又は全部のモジュールを選択して実現することができる。当業者であれば創造的な労力を費やさずに、理解して実施することができる。

実施例は、メモリと、プロセッサと、メモリに記憶され、プロセッサで実行可能なコンピュータプログラムとを含む電子機器をさらに提供し、前記プロセッサは、前記コンピュータプログラムを実行する時、上述したような特徴分離に基づく病理画像特徴抽出器の訓練方法を実施する。図３に示すように、本発明の電子機器のハードウェア構造図であり、図３に示すプロセッサ、メモリ、ネットワークインタフェース、及び不揮発性メモリに加えて、実施例において、電子機器は、通常、当該データ処理能力を備える任意の機器の実際の機能に応じて、他のハードウェアをさらに含んでもよく、これについて繰り返して説明しない。

上記電子機器における各ユニットの機能及び作用の実現過程は、具体的に、上記方法における対応するステップの実現過程を詳しく参照し、ここでは繰り返して説明しない。

本発明の実施例は、プロセッサにより実行される時、上記実施例における特徴分離に基づく病理画像特徴抽出器の訓練方法が実施されるプログラムを記憶したコンピュータ可読記憶媒体をさらに提供する。

前記コンピュータ可読記憶媒体は、ハードディスク又はメモリなど、前述いずれかの実施例に記載のデータ処理能力を備える任意の機器の内部記憶ユニットであってもよい。前記コンピュータ可読記憶媒体は、データ処理能力を備える任意の機器、例えば、前記機器に備えられたプラグインハードディスク、スマートメモリカード（Ｓｍａｒｔ Ｍｅｄｉａ（登録商標） Ｃａｒｄ、ＳＭＣ）、ＳＤカード、フラッシュメモリカード（Ｆｌａｓｈ Ｃａｒｄ）などであってもよい。さらに、前記コンピュータ可読記憶媒体は、データ処理能力を有する任意の機器の内部記憶ユニットと外部記憶機器の両方を含んでもよい。前記コンピュータ可読記憶媒体は、前記コンピュータプログラム及び前記データ処理能力を備える任意の機器に必要な他のプログラムとデータを記憶するために用いられ、また既に出力され又は出力しようとするデータを一時的に記憶するために用いられる。

さらに、訓練済みの特徴抽出器により抽出された組織構造情報特徴に基づき、より強い汎化性能を有する病理画像分類システムを得ることができ、本実施例にて提供される病理画像分類システムは、図４に示すように、
分類すべき病理画像を複数の画像ブロックに分割するためのデータ前処理ユニットと、
前述の実施例に記載の特徴分離に基づく病理画像特徴抽出器の訓練方法により訓練して得られた特徴抽出器であって、各画像ブロックに対して組織構造情報特徴を抽出するための特徴抽出器と、
特徴抽出器により抽出された各画像ブロックの組織構造情報特徴に基づいて分類を行い、分類すべき病理画像の分類結果を得るための分類ユニットと、を含む。

例示的に、以下、肺癌サブタイプ診断（肺腺癌、肺扁平上皮癌の診断）を目的とする全病理画像分類と病巣検出を例にとって、具体的な実施方法と組み合わせて、本発明の病理画像分類システムの構築及び応用をさらに詳細に説明するが、ここで、分類ユニットは、マルチインスタンス分類ネットワークを採用し、取得された訓練データセットに基づいて訓練して得られる。具体的には、本発明の病理画像分類システムの構築は、主にマルチインスタンス分類ネットワークの訓練であり、以下のステップを含む。
ステップＳ１において、肺癌の全スライド病理画像データセットを構築し、オープンソースデータセットＴＣＧＡ（Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ）及びＴＣＩＡ（Ｔｈｅ Ｃａｎｃｅｒ Ｉｍｍｕｎｏｍｅ Ａｔｌａｓ）から、肺腺癌１５２４枚及び肺扁平上皮癌１４７６枚の合計３０００枚の肺癌の全スライド病理画像を、２つの分類のデータ量分布を均一に保つように収集する。画像に対してラベル付けし、肺腺癌のＷＳＩを０と、肺扁平上皮癌のＷＳＩを１とラベル付けし、全てのデータは、いかなるピクセル、パッチ、又はＲＯＩレベルのラベルを含まない。

ステップＳ２において、全ての全スライド病理画像に対して前処理を行い、病理組織領域を抽出し、スライディングウィンドウを用いて病理組織領域を２５６×２５６のサイズの小さな画像ブロックに分割し、各小さな画像ブロックが属する病理画像番号を記録し、各小さな画像ブロックの座標を保存することを含む。

ステップＳ３において、訓練済みの特徴分離ネットワークにおける組織構造エンコーダＥ_ｓを小さな画像ブロックの特徴抽出器として、全ての小さな画像ブロックの組織構造情報特徴ｈ_ｓ，ｋ，ｋ＝１，…，Ｋを抽出し、Ｋは、１つの全スライド病理画像を分割して得られた小さな画像ブロックの数を表す。

ステップＳ４において、ゲーテッド注意（ｇａｔｅｄ ａｔｔｅｎｔｉｏｎ）モジュール、集合層、及び分類層を含むゲーテッド注意に基づくマルチインスタンス分類ネットワークを訓練し、具体的には、
ステップＳ４．１において、全ての小さな画像ブロックの組織構造情報特徴ｈ_ｓ，ｋをゲーテッド注意モジュールに送信し、各小さな画像ブロックの注意スコアａ_ｋを得、
ここで、Ｗ_ａ，１，…，Ｗ_ａ，４、Ｐａは、全結合層の調整可能なパラメータであり、σ（・）は、ｓｉｇｍｏｉｄ活性化関数を表し、ｔａｎｈ（・）は、双曲線正接活性化関数であり、
は、要素ごとに２つの行列を乗算することを表す。

ステップＳ４．２において、組織構造情報特徴ｈ_ｓ，ｋを集合層（Ａｇｇｒｅｇａｔｉｏｎ Ｌａｙｅｒ）に入力し、注意スコアを対応する重みとして、全ての組織構造情報特徴ｈ_ｓ，ｋの加重和を算出し、ｓｌｉｄｅレベルの特徴ｇ_{ｓｌｉｄｅ}を集合して生成し、
ステップＳ４．３において、ｓｌｉｄｅレベルの特徴ｇ_{ｓｌｉｄｅ}を分類層に送信し、予測分類結果ｐｒｏｂを得、分類層から出力された予測分類結果と実ラベルとの２値化クロスエントロピー損失関数は、以下のとおりであり、
Ｌ＝－ｆｌｏｇ（ｐｒｏｂ）－（１－ｆ）ｌｏｇ（１－ｐｒｏｂ）
ここで、ｆ∈｛０，１｝は、病理画像の実ラベルを表し、本実施例では、０が肺腺癌、１が肺扁平上皮癌を表す。

ステップＳ４．４において、確率的勾配降下アルゴリズムを用いて勾配の逆伝播を行い、損失関数を最小化にすることを目標としてネットワークパラメータを最適化し、本実施例では、Ａｄａｍ最適化器を用い、初期学習率を０．０００１に設定するとともに、早期停止法（ｅａｒｌｙ ｓｔｏｐｐｉｎｇ）を用いてパラメータを適時に更新及び保存し、十分割交差検証（１０－ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）を用いて最適モデルを決定し、訓練済みのマルチインスタンス分類ネットワークを得る。

本発明の病理画像分類システムによる病理画像分類のフローは、図５に示すように、具体的には、以下のステップを含み、
ステップＳ１において、患者の肺の全スライド病理画像を取得し、
ステップＳ２において、データ前処理ユニットを用いて、訓練する時に各全スライド病理画像に対して前処理を行う方法で前処理を行い、Ｋ枚の小さな画像ブロックを得、
ステップＳ３において、訓練済みの特徴抽出器を用いて、全ての小さな画像ブロックの組織構造情報特徴ｈ_ｓ，ｋを抽出し、
ステップＳ４において、訓練済みのマルチインスタンス分類ネットワークに入力して分類結果を得る。

明らかに、本発明の上記実施例は、本発明を明確に説明するための例示に過ぎず、本発明の実施形態を限定するものではない。当業者であれば、上記説明に基づいて他の異なる形態の変化又は変更を行うことができる。本明細書では全ての実施形態を網羅する必要がなく、また全ての実施形態を網羅することができない。本発明の精神と原則内で行われたいかなる修正、均等置換及び改良などは、いずれも本発明の特許請求の保護範囲内に含まれるべきである。本願の要求の保護範囲は、その特許請求の内容に準じるべきであり、説明書における具体的な実施形態などの記載は、特許請求の内容を解釈するために用いられる。このようにして導出された明らかな変化又は変更は、依然として本発明の保護範囲にある。

Claims (8)

1. 訓練データセットを構築するステップであって、前記訓練データセットの各サンプルが病理画像の分割に基づいて取得された２つの画像ブロックを含むステップと、
   特徴抽出器の訓練のための特徴分離ネットワークを構築するステップであって、前記特徴分離ネットワークは、
   入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
   入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
   入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
   入力された組織構造情報特徴及び色情報特徴を画像ブロックに新たに生成するための生成器Ｇと、
   実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含むステップと、
   訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とするステップであって、前記損失関数Ｌ_{ｔｏｔａｌ}は、以下のように表され、
   Ｌ_{ｔｏｔａｌ}＝－λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ}Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ}Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ}Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
   ここで、Ｌ_{ａｄｖ，ｓ}は組織構造の敵対的損失を表し、組織構造エンコーダＥ_ｓと組織構造判別器Ｄ_ｓの敵対的損失を含み、
   Ｌ_{ａｄｖ，ｄｏｍａｉｎ}は、元のサンプルの２つの画像ブロックｘ及びｙに対応するＸドメインのドメイン敵対的損失及びＹドメインのドメイン敵対的損失を含む、ドメイン敵対的損失を表し、
   Ｌ_{ｒｅｃｏｎ}は、各元のサンプルの２つの画像ブロックの自己再構築損失を表し、
   Ｌ_{ｌａｔｅｎｔ，ｓ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの組織構造情報特徴の組織構造情報整合性損失を表し、
   Ｌ_{ｌａｔｅｎｔ，ｃ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの色情報特徴の色情報整合性損失を表し、
   前記変換画像ブロックは、サンプルにおける２つの画像ブロックの色情報特徴を交換した後、生成器Ｇに基づいて再生成されたものであり、
   Ｌ_ｃｃは、変換画像ブロックが組織構造エンコーダＥ_ｓ、色エンコーダＥ_ｃによりエンコードされ、生成器Ｇにより再生成された画像ブロックと元のサンプルの画像ブロックの循環整合性損失を表し、
   λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表す、ステップと、を含む、
   ことを特徴とする特徴分離に基づく病理画像特徴抽出器の訓練方法。
2. 前記組織構造の敵対的損失は、以下のように表され、
   Ｌ_{ａｄｖ，ｓ}（Ｅ_ｓ，Ｄ_ｓ）＝Ｅｘ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｘ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｘ）））］＋Ｅ_ｙ［１／２ｌｏｇ Ｄ_ｓ（Ｅ_ｓ（ｙ））＋１／２ｌｏｇ（１－Ｄ_ｓ（Ｅ_ｓ（ｙ）））］
   ここで、Ｅ_ｓ（・）は、組織構造エンコーダＥ_ｓの出力を表し、Ｄ_ｓ（・）は、組織構造判別器Ｄ_ｓの出力を表し、ｘ及びｙは、各サンプルの２つの画像ブロックを表し、Ｅ［・］は、数学的期待である、
   ことを特徴とする請求項１に記載の方法。
3. 自己再構築損失Ｌ_{ｒｅｃｏｎ}、ドメイン敵対的損失Ｌ_{ａｄｖ，ｄｏｍａｉｎ}、色情報整合性損失Ｌ_{ｌａｔｅｎｔ，ｃ}及び組織構造情報整合性損失Ｌ_{ｌａｔｅｎｔ，ｓ}は、ＢＣＥ損失関数又はＭＳＥ損失関数を採用する、
   ことを特徴とする請求項１に記載の方法。
4. 前記循環整合性損失Ｌ_ｃｃは、以下のように表され、
   Ｌ_ｃｃ（Ｅ_ｃ，Ｅ_ｓ，Ｇ）＝Ｅ_ｘ，ｙ［｜｜Ｇ（Ｅ_ｓ（ｖ），Ｅ_ｃ（ｕ））－ｘ｜｜_１＋｜｜Ｇ（Ｅ_ｓ（ｕ），Ｅ_ｃ（ｖ））－ｙ｜｜_１］
   ここで、Ｅ_ｓ（・）は、組織構造エンコーダＥ_ｓの出力を表し、ｘ及びｙは、各サンプルの２つの画像ブロックを表し、Ｅ［・］は、数学的期待であり、｜｜・｜｜_１は、Ｌ１ノルムの算出を表し、Ｇ（・）は、生成器Ｇの出力を表し、Ｅ_ｃ（・）は、色エンコーダＥ_ｃの出力を表し、ｕ及びｖは、変換画像ブロックを表し、以下の式、
   ｕ＝Ｇ（Ｅ_ｓ（ｙ），Ｅ_ｃ（ｘ）），ｖ＝Ｇ（Ｅ_ｓ（ｘ），Ｅ_ｃ（ｙ））、で表される、
   ことを特徴とする請求項１に記載の方法。
5. 訓練データセットを構築するためのデータ取得モジュールであって、前記訓練データセットの各サンプルが病理画像の分割に基づいて取得された２つの画像ブロックを含む取得モジュールと、
   特徴抽出器の訓練のための特徴分離ネットワークを構築するための特徴分離ネットワーク構築モジュールであって、前記特徴分離ネットワークは、
   入力された画像ブロックをエンコードして組織構造情報特徴を得るための組織構造エンコーダＥ_ｓと、
   入力された画像ブロックをエンコードして色情報特徴を得るための色エンコーダＥ_ｃと、
   入力された組織構造情報特徴が同一のドメインにあるか否かを判別するための組織構造判別器Ｄ_ｓと、
   入力された組織構造情報特徴及び色情報特徴を画像ブロックに再生成するための生成器Ｇと、
   実画像ブロックと生成された画像ブロックが同一のドメインにあるか否かを区別するためのドメイン判別器Ｄと、を含む特徴分離ネットワーク構築モジュールと、
   訓練データセットに基づき、各サンプルを特徴分離ネットワークの入力として、損失関数を最小化することを目標として訓練して特徴分離ネットワークのパラメータを最適化し、訓練済みの組織構造エンコーダを、病理画像特徴抽出器とするための訓練モジュールであって、前記損失関数Ｌ_{ｔｏｔａｌ}は、以下のように表され、
   Ｌ_{ｔｏｔａｌ}＝－λ_{ａｄｖ，ｓ}Ｌ_{ａｄｖ，ｓ}－λ_{ａｄｖ，ｄｏｍａｉｎ}Ｌ_{ａｄｖ，ｄｏｍａｉｎ}＋λ_{ｒｅｃｏｎ}Ｌ_{ｒｅｃｏｎ}＋λ_{ｌａｔｅｎｔ，ｓ}Ｌ_{ｌａｔｅｎｔ，ｓ}＋λ_{ｌａｔｅｎｔ，ｃ}Ｌ_{ｌａｔｅｎｔ，ｃ}＋λ_ｃｃＬ_ｃｃ
   ここで、Ｌ_{ａｄｖ，ｓ}は、元のサンプルの２つの画像ブロックｘ及びｙが属するドメインと組織構造判別器Ｄ_ｓにより判別されたドメインとの間の損失を含む、組織構造の敵対的損失を表し、
   Ｌ_{ａｄｖ，ｄｏｍａｉｎ}は、元のサンプルの２つの画像ブロックｘ及びｙに対応するＸドメインのドメイン敵対的損失及びＹドメインのドメイン敵対的損失を含む、ドメイン敵対的損失を表し、
   Ｌ_{ｒｅｃｏｎ}は、各元のサンプルの２つの画像ブロックの自己再構築損失を表し、
   Ｌ_{ｌａｔｅｎｔ，ｓ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの組織構造情報特徴の組織構造情報整合性損失を表し、Ｌ_{ｌａｔｅｎｔ，ｃ}は、変換画像ブロックと対応する元のサンプルの画像ブロックの色情報特徴の色情報整合性損失を表し、
   前記変換画像ブロックは、サンプルにおける２つの画像ブロックの色情報特徴を交換した後、生成器Ｇに基づいて再生成されたものであり、
   Ｌ_ｃｃは、変換画像ブロックが組織構造エンコーダＥ_ｓ、色エンコーダＥ_ｃによりエンコードされ、生成器Ｇにより再生成された画像ブロックと元のサンプルの画像ブロックの循環整合性損失を表し、
   λ_{ａｄｖ，ｓ}、λ_{ａｄｖ，ｄｏｍａｉｎ}、λ_{ｒｅｃｏｎ}、λ_{ｌａｔｅｎｔ，ｓ}、λ_{ｌａｔｅｎｔ，ｃ}及びλ_ｃｃは、それぞれ対応する損失の重みを表す、訓練モジュールと、を含む、
   ことを特徴とする特徴分離に基づく病理画像特徴抽出器の訓練装置。
6. メモリと、プロセッサと、メモリに記憶され、プロセッサで実行可能なコンピュータプログラムとを含む電子機器であって、前記プロセッサは、前記コンピュータプログラムを実行する時、請求項１～４のいずれか１項に記載の特徴分離に基づく病理画像特徴抽出器の訓練方法を実施する、
   ことを特徴とする電子機器。
7. コンピュータ実行可能命令を含む記憶媒体であって、前記コンピュータ実行可能命令は、コンピュータプロセッサにより実行される時、請求項１～４のいずれか１項に記載の特徴分離に基づく病理画像特徴抽出器の訓練方法が実施される、
   ことを特徴とするコンピュータ実行可能命令を含む記憶媒体。
8. 分類すべき病理画像を複数の画像ブロックに分割するためのデータ前処理ユニットと、
   請求項１～４のいずれか１項に記載の特徴分離に基づく病理画像特徴抽出器の訓練方法により訓練して得られた特徴抽出器であって、各画像ブロックに対して組織構造情報特徴を抽出するための特徴抽出器と、
   特徴抽出器により抽出された各画像ブロックの組織構造情報特徴に基づいて分類を行い、分類すべき病理画像の分類結果を得るための分類ユニットと、を含む、
   ことを特徴とする病理画像分類システム。