WO2023078041A1

WO2023078041A1 - 基于自适应比例学习的肿瘤组织病理分类系统及方法

Info

Publication number: WO2023078041A1
Application number: PCT/CN2022/124693
Authority: WO
Inventors: 李劲松; 田雨; 周天舒; 叶前呈
Original assignee: 浙江大学
Priority date: 2021-11-03
Filing date: 2022-10-11
Publication date: 2023-05-11
Also published as: CN113723573A; CN113723573B

Abstract

一种基于自适应比例学习的肿瘤组织病理分类系统及方法，首先获取若干病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；然后利用RGB通道和灰度值的差值分布特征分割组织前景，构建包含多级放大倍数的图像块的训练数据组；最后进行多级放大倍数整合，组合了各级放大倍数和整合放大倍数的交叉熵函数形成损失函数，实现多放大倍数整合学习；通过自适应比例学习，对图像全局比例标签和未达到最低比例的图像块训练权重进行动态调整，扩大数据利用率，实现快速收敛。在日常肿瘤组织的病理检查中，在尽可能低地增加额外工作负担的基础上，最大限度地提升检出率。

Description

基于自适应比例学习的肿瘤组织病理分类系统及方法

技术领域

本发明涉及医疗图像处理及机器学习领域，尤其涉及一种基于自适应比例学习的肿瘤组织病理分类系统及方法。

背景技术

病理检查作为癌症诊疗的第一步，提供的组织病理信息对于癌症患者病情判断至关重要。但由于病理医生缺口大，较多的病理指标无法在日常病理检查中得到完整详细的调查，一些罕见的肿瘤分化如果未被病理医生识别则仅报告为中分化或低分化。胚胎发育来源接近的消化系统中，肝脏以外的器官肿瘤也有可能出现肝样分化，没有鳞状上皮分布但也可能出现鳞状细胞癌分化，以及较为常见的神经内分泌分化等等，这些类别分化的出现可能会影响患者预后。现有的病理报告中对相关类型分化的描述缺失，不利于精准的个性化医疗的开展，因此需要额外的识别方法或工具对其进行识别，有效补充病理报告。

现有方案包括两类，一类是人工阅片，一类是机器阅片。人工阅片，即由医生对病理样本制片染色后的切片图像进行检查，根据细胞分化形态将肿瘤细胞分为高、中、低等不同分化等级，以及根据细胞间的组织形态分为腺体状、巢状、实性片状等生长模式。但在病理检查采样多、病理图像尺寸大的客观条件下，病理医生无法完成不遗漏每一区域的详尽检查，容易遗漏一些罕见但倾略性较高的分化亚型。

机器阅片即利用机器学习算法(包括深度学习模型在内)根据病理图像特征与图像标签进行模型训练，当模型测试的准确性达到一定程度时可应用于病理特征识别。模型训练多采用监督学习的方式，即每一个训练最小单位都需要有类标签，为达到较高的识别准确率则需要大量的训练数据及标签，标注成本过高。目前针对是否为癌的分类模型较为常见，利用多示例学习可以有效降低标签成本，同时大规模的弱监督学习可以提升识别准确性。比例标签学习则利用数据包内类别所占比例进行机器学习，但在病理图像领域，精确的比例标签的获取成本约等同于监督学习，失去了弱监督学习低标签成本的优势。现有技术有如下缺点：

1.人工阅片耗时耗力，且存在个体间和个体内的差异性，难以覆盖整张病理切片，无法获取较细粒度的分化差异；

2.由于样本制备、染色标准、扫描设备的不同，数字病理切片图像的数据质量差异较大，且易存在包括笔迹、边缘伪影在内的非实质组织区域，在去除这些质量问题前不适合模型训练与直接应用，在进行自动化识别前应进行质量控制，保证数据质量；

3.现有机器学习方法标注成本过高：监督学习需要大量像素级别或图像块级别的标注标签；多示例学习难有绝对的完全标签，且训练约束太少，模型效果不佳；全尺寸病理图像的客观比例标签获取成本同监督学习。

4.现有模型通常仅用单一放大倍数或不规定放大倍数进行建模，而绝大多数肿瘤分化需要综合不同放大倍数的形态特征以得到准确判断。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于自适应比例学习的肿瘤组织病理分类系统及方法。

本发明的目的是通过以下技术方案来实现的：一种基于自适应比例学习的肿瘤组织病理分类系统，该系统包括比例标签标注模块、前景分割与图像块定位模块和自适应多放大倍数整合比例学习模块；

所述比例标签标注模块获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；

所述前景分割与图像块定位模块将病理图像在不同的放大倍数下，根据设定的目标图像块重叠率计算病理图像的缩略图尺寸并利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景，去除肿瘤组织背景，缩略图中每个像素点对应一个图像块；

所述自适应多放大倍数整合比例学习模块通过神经网络模型计算数据集中分割后的图像块在不同放大倍数下属于各个分类任务目标类别的概率，得到病理图像含有各个分类任务目标类别的比例，作为计算比例，对于每个分类任务目标类别，分别将计算的不同放大倍数下概率最小值与不同放大倍数下概率最大值的二分之一进行比较，取其中较大值作为图像块在该分类任务目标类别下的整合概率；将所有图像块同一类别下的整合概率进行降序排列，根据标注的比例阈值，选择训练图像块，并对每个训练图像块赋值类别标签；根据标注的比例阈值与计算比例的差值，对于病理图像中处于计算比例与比例阈值之间的训练图像块给予更高的训练权重，权重与差值呈正比，进行自适应权重赋值；使用权重调整后的训练图像块训练神经网络，损失函数为各级放大倍数损失函数项、整合损失函数项及比例拟合损失函数项之和，其中比例拟合损失函数项为若分类任务目标类别的计算比例低于比例阈值，则比例阈值与计算比例的差值作为比例拟合损失函数项，若计算比例大于等于比例阈值，则损失函数中比例拟合损失函数项为零，并根据训练结果调整比例阈值对模型迭代训练，通过训练好的神经网络模型计算病理图像含有各个分类任务目标类别的比例。

进一步地，所述比例标签标注模块共获取n张病理切片的全尺寸数字化扫描图像，构成数据集记为B＝{B ₁，...，B _i，...，B _n}，其中B _i为第i张病理图像；分类任务目标类别共计C类，针对第i张病理图像B _i，构建比例标签向量R _i为：

其中，

为第i个病理图像中第k类的比例阈值，且满足

T表示转置。

进一步地，所述前景分割与图像块定位模块计算病理图像的缩略图尺寸具体过程如下：记目标图像块尺寸为S _tar(pixels)*S _tar(pixels)，pixels为像素，目标图像块分辨率为R _tar，目标图像块重叠率为O _tar，对原始尺寸为W _ori(pixels)×H _ori(pixels)，原始分辨率为R _ori的病理图像B _i进行目标缩略图获取，W _ori(pixels)和H _ori(pixels)分别为原始病理图像尺寸的宽和高，则目标缩略图的宽和高尺寸分别为：

目标缩略图对应病理图像B _i的目标分割区域左上角点坐标为

其中，mod表示取余数，将缩略图的目标分割区域，进行像素级分割，目标缩略图中每一个像素点对应一个的图像块，图像块的尺寸为

进一步地，所述前景分割与图像块定位模块利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景具体过程如下：提取缩略图红V _Red、绿V _Green、蓝V _Blue通道值以及灰度图值V _Grey，计算V _Red-V _Grey，V _Green-V _Grey，V _Blue-V _Grey，V _Red-V _Green，V _Blue-V _Green这五种差值密度分布的分割阈值；若缩略图上的一像素点超过上述五个分割阈值的数量大于等于3，则该像素点对应的图像块被视为组织前景，否则，该像素点对应的图像块作为背景剔除。

进一步地，所述损失函数中各级放大倍数损失函数项如下：

其中，op表示不同的放大倍数，ω ^k为第k类计算比例中的训练图像块的训练权重，

为处于计算比例和比例阈值之间的训练图像块的训练权重；

为第k类训练图像块的集合，

为第k类中第j个图像块的整合概率，

为第k类中第j个图像块的标签；

为图像块在各放大倍数下归类为第k类的概率；N _i为第i个病理图像中前景图像块的数量。

进一步地，所述损失函数中整合损失函数项Loss _combine如下：

进一步地，所述损失函数中比例拟合损失函数项为根据去除背景图像块后的病理图像中的训练图像块数量，通过随机升采样或者随机降采样，使得一个训练批次中的训练图像块均来自同一张病理图像：比例拟合损失函数项

定义为：

进一步地，所述自适应多放大倍数整合比例学习模块根据神经网络训练结果调整比例阈值具体公式如下：

其中，

表示调整后的比例阈值，

表示调整前的比例阈值，α为调整率。

进一步地，训练图像块的具体选择过程如下：根据分类任务目标类别中的第k类对应多放大倍数整合概率进行降序排列，得

此时

对应的图像块在第k类中概率最高，

对应的图像块在第k类中概率最低；对于病理图像B _i中归类为第k类的图像块，根据标注的比例阈值，选择在比例阈值内的图像块作为训练图像块：

其中，

表示

对应的训练图像块；赋值类别标签

本发明还提供了一种基于自适应比例学习的肿瘤组织病理分类方法，该方法包括如下步骤：

步骤1：获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；

步骤2：将病理图像在不同的放大倍数下，根据设定的目标图像块重叠率计算病理图像的缩略图尺寸并利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景，去除肿瘤组织背景，对缩略图进行像素级分割，每个像素点对应一个图像块；

步骤3：通过神经网络模型计算数据集中分割后的图像块在不同放大倍数下属于各个分类任务目标类别的概率，得到病理图像含有各个分类任务目标类别的比例，作为计算比例；

步骤4：对于每个分类任务目标类别，分别将计算的不同放大倍数下概率最小值与不同放大倍数下概率最大值的二分之一进行比较，取其中较大值作为图像块在该分类任务目标类别下的整合概率；将所有图像块同一类别下的整合概率进行降序排列，根据标注的比例阈值，选择训练图像块，并对每个训练图像块赋值类别标签；

步骤5：根据标注的比例阈值与计算比例的差值，对于病理图像中处于计算比例与比例阈值之间的训练图像块给予更高的训练权重，权重与差值呈正比，进行自适应权重赋值；使用权重调整后的训练图像块训练神经网络，损失函数为各级放大倍数损失函数项、整合损失函数项及比例拟合损失函数项之和，其中比例拟合损失函数项为若分类任务目标类别的计算比例低于比例阈值，则比例阈值与计算比例的差值作为比例拟合损失函数项，若计算比例大于等于比例阈值，则损失函数中比例拟合损失函数项为零；

步骤6：根据训练结果调整比例阈值对模型迭代训练，通过训练好的神经网络模型计算病理图像含有各个分类任务目标类别的比例。

本发明的有益效果：本发明通过比例标签的标定标准，以明确最低比例为标注体系进行图像比例标签的标注，降低标注成本和对标注精度的要求，扩大数据利用率；通过有效前景组织的快速提取，完成多放大倍数图像块预分割与坐标定位；最后通过自适应比例学习，提升数据利用率和训练效率；并且通过多放大倍数整合训练，提高识别准确率。本发明在日常肿瘤组织的病理检查中，在尽可能低地增加额外工作负担的基础上，最大限度地提升检出率。

附图说明

图1为本发明基于自适应比例学习的肿瘤组织病理分类的流程示意图；

图2为本发明比例标签标定示意图；

图3为本发明图像前景分割结果示例图。

具体实施方式

以下结合附图对本发明具体实施方式作进一步详细说明。

如图1所示，本发明提供的一种基于自适应比例学习的肿瘤组织病理分类系统，该系统包括比例标签标注模块、前景分割与图像块定位模块和自适应多放大倍数整合比例学习模块；

所述比例标签标注模块获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；具体过程如下

总数据集记为B，共包含n张经苏木精—伊红染色法(hematoxylin-eosin，HE)获得的肿瘤组织病理切片的全尺寸数字化扫描图像(Whole Slide Image,WSI)B _i，即B＝{B ₁，...，B _i，...，B _n}。分类任务目标类别共计C类，针对每张病理图像B _i，构建比例标签向量为

其中，

为第i个样本图像中第k类的比例阈值，且满足

比例阈值指人工粗略估计时的比例范围的最低值。假设B _i中第k类面积占比主观估计约占50％，不经过详细勾画计算比例无法确定是48％或54％或是客观确定值，但大致在40-60％之间，则标定

为(0，40％]之内的任意数值均可，设定比例阈值为40％。

以肝样分化和普通腺癌分化的分类目标为例，C＝3，分别为非癌变组织C ₀、普通腺癌组织C ₁、肝样腺癌组织C ₂。图2病理诊断为肝细胞肝癌，人工评估时粗略判断虚线框内为C ₂，框外为C ₀，两者面积相近，则赋予

所述前景分割与图像块定位模块将计算病理图像的缩略图尺寸并将缩略图分割出肿瘤组织前景，去除肿瘤组织背景，缩略图中每个像素点对应一个图像块；具体过程如下：

为得到不同放大倍数(op)下的图像块坐标，以20X放大倍数为基础，进行不同放大倍数的图像块分割。当放大倍数为20X时，目标图像块分辨率R _tar＝0.5μm/pixel，记目标图像块尺寸为S _tar(pixels)*S _tar(pixels)，pixels为像素，目标图像块重叠率为O _tar，对原始尺寸为W _ori(pixels)×H _ori(pixels)，原始分辨率为R _ori的病理图像B _i进行目标缩略图获取，W _ori(pixels)和H _ori(pixels)分别为原始病理图像尺寸的宽和高，则目标缩略图的宽W _tar和高H _tar尺寸分别为：

该缩略图对应病理图像B _i的目标分割区域左上角点坐标(W _left，H _up)为：

其中，mod表示取余数。目标缩略图中每一个像素点对应一个20X放大倍数下的训练图像块，图像块的尺寸为：

利用RGB通道和灰度值的差值分布特征分割组织前景，去除肿瘤组织背景，对缩略图进行像素级分割，每个像素点对应一个图像块；具体过程如下：提取该缩略图的红(V _Red)、绿(V _Green)、蓝(V _Blue)通道值以及灰度图值(V _Grey)。依据Otsu阈值分割算法，分别计算V _Red-V _Grey，V _Green-V _Grey，V _Blue-V _Grey，V _Red-V _Green，V _Blue-V _Green这五种差值密度分布的分割阈值，若该缩略图上的第m个像素点(a ^m，b ^m)通过上述5个分割阈值的数量大于等于3，则该像素点对应的图像块

被视为组织前景，该图像块的坐标左上角为(W _left+a ^m*S _20X，H _up+b ^m*S _20X)；否则，该像素点对应的图像块作为背景剔除。如图3所示，经过前景分割后，图像上的各轮廓与无效背景得以识别，仅保留前景组织(图3中最右侧图的非白色区域)。

以20X图像块区域为中心，取10X放大倍数下图像块

左上角坐标为

图像大小为2*S _20X×2*S _20X；取5X放大倍数下图像块

左上角坐标为

图像大小为4*S _20X×4*S _20X。

最终得去除背景图像块后的总数据集

包含n个样本包

每个样本包内含N _i个示例图像块组，记为

所述自适应多放大倍数整合比例学习模块组合了各级放大倍数和整合放大倍数的交叉墒函数形成损失函数，实现多放大倍数整合学习；通过自适应比例学习，自适应的动态调整图像块训练权重，并对神经网络进行迭代训练；具体过程如下：

A.各级放大倍数概率推算：利用神经网络模型f(x)(如ResNet等)对样本包中所有图像块进行概率推理计算，得到各图像的概率矩阵组

各放大倍数概率矩阵可表示为：

图像块

在各放大倍数下归类为第k类概率为

B.整合概率计算：由各级放大倍数概率可计算其在第k类上的多放大倍数整合概率为

C.各类概率排序与标签赋值：根据第k类对应多放大倍数整合概率进行降序排列，得

此时

对应的图像块在第k类中概率最高，

对应的图像块在第k类中概率最低。对于B _i中应当归类为第k类的训练图像块：

其中，

表示

对应的图像块；赋值类别标签

D.各级放大倍数损失函数：将所有得到赋值类别标签的训练图像块

计算交叉墒，即

Loss _op为在放大倍数o ^p下的损失函数，ω ^k为第k类训练图像块的训练权重。

E.整合损失函数：整合损失函数项定义为：

F.训练图像块权重调整：对B _i中低于比例标签阈值的差值训练图像块给予更高的训练权重，权重与差值呈正比，进行自适应权重赋值。即，若

将

其中，

为处于计算比例和比例阈值之间的训练图像块的训练权重，替换公式(4)、(5)中的ω ^k项。

G.比例拟合损失函数：通过随机升采样(若

中训练图像块数量小于单训练批次训练图像块数量)或者降采样(若

中训练图像块数量大于单训练批次训练图像块数量)，使得一个训练批次中的训练图像块均来自

第k的组织比例若低于比例标签，则有比例拟合损失函数项定义为：

H.比例标签动态更新：由于人工标记的比例标签纪录的明确最低比例，并不等同于客观比例。因此在训练迭代模型参数前的样本赋予标签步骤中，根据前一次模型计算的各类组织比例小幅度调整比例标签，调整率α根据实验选择，本发明中设置为α＝1％，进行自适应比例标签调整，以公式(8)中的

更新公式(3)、(6)、(7)中的

其中，

表示调整后的比例阈值，

表示调整前的比例阈值。

I.最终损失函数Loss _total为各级放大倍数损失函数项、整合损失函数项及比例拟合损失函数项之和，即

J.最佳模型参数状态选择方式：通过N ^epoch次步骤A-I的循环训练迭代后，Loss _total将趋于稳定。对于第epoch次模型，其计算概率P _i与标定标签R _i之间的匹配度为：

匹配度越高，模型识别效果越好。计算N ^epoch次模型匹配度，选定具有最高匹配度的模型参数作为最佳模型参数。

K.测试/应用：对于测试数据

经过前景分割后得测试示例集

利用最佳模型对样本包中所有图像块进行概率推理计算，

表示各放大倍数下的分类概率。

表示WSI上图像块对于第k类分化的多放大倍数整合概率。

应用在肿瘤组织病理分类问题时，

高于分类阈值(一般定为0.5)则分类至第k类分化，若WSI中含有至少一个图像块分类为该类分化，则判断该组织具有该类分化。应用在肿瘤组织病理分类量化问题时，WSI含有第k类分化的比例为

本发明还提供了一种基于自适应比例学习的肿瘤组织病理分类方法，其特征在于，该方法包括如下步骤：

步骤1：获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；该步骤具体参考比例标签标注模块的实现过程；

步骤2：将病理图像在不同的放大倍数下，根据设定的目标图像块重叠率计算病理图像的缩略图尺寸并利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景，去除肿瘤组织背景，对缩略图进行像素级分割，每个像素点对应一个图像块；该步骤具体参考前景分割与图像块定位模块的实现过程；

步骤3～步骤6具体参考自适应多放大倍数整合比例学习模块的实现过程。

本发明实施例中收集TCGA(The Cancer Genome Atlas)数据库中的肝细胞肝癌、食管腺癌、胃腺癌、结肠腺癌、直肠腺癌、胰腺癌、宫颈腺癌、食管鳞癌、头颈鳞癌、宫颈鳞癌、肉瘤等数据集。对所有图像进行比例标签标定，以肝样分化和普通腺癌分化的分类目标为例，C＝3，分别为非癌变组织C ₀、普通腺癌组织C ₁、肝样腺癌组织C ₂。其中仅有肝细胞肝癌中的图像含有C ₂组织，其余数据均不含。

经过数据预处理和模型训练后，将最佳模型应用于三家三甲医院收集的胃肠道腺癌数据 (分别有135、95、351例)，识别其是否含有肝样分化，即肝样腺癌特征。本发明针对胃肠道肝样腺癌的识别任务，在三家三甲医院病理科的日常病理检查中，胃肠道肝样分化检出率为0％、8.5％、56％，本方法构建模型检出率可达100％、80％、93.8％，假阳性均在10％左右，在尽可能低地增加额外工作负担的基础上，最大限度地提升检出率。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims

一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，该系统包括比例标签标注模块、前景分割与图像块定位模块和自适应多放大倍数整合比例学习模块；

所述比例标签标注模块获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；

所述前景分割与图像块定位模块将病理图像在不同的放大倍数下，根据设定的目标图像块重叠率计算病理图像的缩略图尺寸并利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景，去除肿瘤组织背景，缩略图中每个像素点对应一个图像块；

所述自适应多放大倍数整合比例学习模块通过神经网络模型计算数据集中分割后的图像块在不同放大倍数下属于各个分类任务目标类别的概率，得到病理图像含有各个分类任务目标类别的比例，作为计算比例，对于每个分类任务目标类别，分别将计算的不同放大倍数下概率最小值与不同放大倍数下概率最大值的二分之一进行比较，取其中较大值作为图像块在该分类任务目标类别下的整合概率；将所有图像块同一类别下的整合概率进行降序排列，根据标注的比例阈值，选择训练图像块，并对每个训练图像块赋值类别标签；根据标注的比例阈值与计算比例的差值，对于病理图像中处于计算比例与比例阈值之间的训练图像块给予更高的训练权重，权重与差值呈正比，进行自适应权重赋值；使用权重调整后的训练图像块训练神经网络，损失函数为各级放大倍数损失函数项、整合损失函数项及比例拟合损失函数项之和，其中比例拟合损失函数项为若分类任务目标类别的计算比例低于比例阈值，则比例阈值与计算比例的差值作为比例拟合损失函数项，若计算比例大于等于比例阈值，则损失函数中比例拟合损失函数项为零，并根据训练结果调整比例阈值对模型迭代训练，通过训练好的神经网络模型计算病理图像含有各个分类任务目标类别的比例。
根据权利要求1所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述比例标签标注模块共获取n张病理切片的全尺寸数字化扫描图像，构成数据集记为B＝{B ₁,...，B _i，...，B _n}，其中B _i为第i张病理图像；分类任务目标类别共计C类，针对第i张病理图像B _i，构建比例标签向量R _i为：

其中，
为第i个病理图像中第k类的比例阈值，且满足
T表示转置。
根据权利要求1所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述前景分割与图像块定位模块计算病理图像的缩略图尺寸具体过程如下：记目标图像块尺寸为S _tar(pixels)*S _tar(pixels)，pixels为像素，目标图像块分辨率为R _tar，目标图像块重叠率为O _tar，对原始尺寸为W _ori(pixels)×H _ori(pixels)，原始分辨率为R _ori的病理图像B _i进行目标缩略图获取，W _ori(pixels)和H _ori(pixels)分别为原始病理图像尺寸的宽和高，则目标缩略图的宽和高尺寸分别为：

目标缩略图对应病理图像B _i的目标分割区域左上角点坐标为
其中，mod表示取余数，将缩略图的目标分割区域，进行像素级分割，目标缩略图中每一个像素点对应一个的图像块，图像块的尺寸为
根据权利要求1所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述前景分割与图像块定位模块利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景具体过程如下：提取缩略图红V _Red、绿V _Green、蓝V _Blue通道值以及灰度图值V _Grey，计算V _Red-V _Grey，V _Green-V _Grey，V _Blue-V _Grey，V _Red-V _Green，V _Blue-V _Green这五种差值密度分布的分割阈值；若缩略图上的一像素点超过上述五个分割阈值的数量大于等于3，则该像素点对应的图像块被视为组织前景，否则，该像素点对应的图像块作为背景剔除。
根据权利要求2所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述损失函数中各级放大倍数损失函数项如下：

其中，op表示不同的放大倍数，ω ^k为第k类计算比例中的训练图像块的训练权重，
为处于计算比例和比例阈值之间的训练图像块的训练权重；
为第k类训练图像块的集合，
为第k类中第j个图像块的整合概率，
为第k类中第j个图像块的标签；
为图像块在各放大倍数下归类为第k类的概率；N _i为第i个病理图像中前景图像块的数量。
根据权利要求5所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述损失函数中整合损失函数项Loss _combine如下：
根据权利要求5所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述损失函数中比例拟合损失函数项为根据去除背景图像块后的病理图像中的训练图像块数量，通过随机升采样或者随机降采样，使得一个训练批次中的训练图像块均来自同一张病理图像：比例拟合损失函数项
定义为：
根据权利要求5所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，所述自适应多放大倍数整合比例学习模块根据神经网络训练结果调整比例阈值具体公式如下：

其中，
表示调整后的比例阈值，
表示调整前的比例阈值，α为调整率。
根据权利要求5所述的一种基于自适应比例学习的肿瘤组织病理分类系统，其特征在于，训练图像块的具体选择过程如下：根据分类任务目标类别中的第k类对应多放大倍数整合概率进行降序排列，得
此时
对应的图像块在第k类中概率最高，
对应的图像块在第k类中概率最低；对于病理图像B _i中归类为第k类的图像块，根据标注的比例阈值，选择在比例阈值内的图像块作为训练图像块：

其中，
表示
对应的训练图像块；赋值类别标签
一种基于自适应比例学习的肿瘤组织病理分类方法，其特征在于，该方法包括如下步骤：

步骤1：获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；

步骤2：将病理图像在不同的放大倍数下，根据设定的目标图像块重叠率计算病理图像的缩略图尺寸并利用缩略图的RGB通道和灰度值的差值分布特征分割肿瘤组织前景，去除肿瘤组织背景，对缩略图进行像素级分割，每个像素点对应一个图像块；

步骤3：通过神经网络模型计算数据集中分割后的图像块在不同放大倍数下属于各个分类任务目标类别的概率，得到病理图像含有各个分类任务目标类别的比例，作为计算比例；

步骤4：对于每个分类任务目标类别，分别将计算的不同放大倍数下概率最小值与不同放大倍数下概率最大值的二分之一进行比较，取其中较大值作为图像块在该分类任务目标类别下的整合概率；将所有图像块同一类别下的整合概率进行降序排列，根据标注的比例阈值，选择训练图像块，并对每个训练图像块赋值类别标签；

步骤5：根据标注的比例阈值与计算比例的差值，对于病理图像中处于计算比例与比例阈值之间的训练图像块给予更高的训练权重，权重与差值呈正比，进行自适应权重赋值；使用权重调整后的训练图像块训练神经网络，损失函数为各级放大倍数损失函数项、整合损失函数项及比例拟合损失函数项之和，其中比例拟合损失函数项为若分类任务目标类别的计算比例低于比例阈值，则比例阈值与计算比例的差值作为比例拟合损失函数项，若计算比例大于等于比例阈值，则损失函数中比例拟合损失函数项为零；

步骤6：根据训练结果调整比例阈值对模型迭代训练，通过训练好的神经网络模型计算病理图像含有各个分类任务目标类别的比例。