基于全局特征和局部特征的组织切片分类方法和系统

技术领域

本申请涉及图像处理技术领域，特别是涉及基于全局特征和局部特征的组织切片分类方法和系统。

背景技术

病理诊断是疾病诊断的金标准，而病理诊断需要依赖于病理切片的观察。通常医生需要借助显微镜来观察病理切片，通过移动玻片逐视野进行诊断。随着切片的数字化，医生可以通过切片的扫描获得数字图像，从而借助电脑观察切片情况。对于组织病理切片来说，其40X镜下图像尺寸巨大，每张图像包含上亿个像素点，需要综合病理图像所有局部特征的诊断来达到阅片的目的。为了利用计算机来辅助阅片，也需要将一张切片切成很多个局部特征图像，（也可以称为补丁），才能输入模型进行训练。

针对组织病理的诊断（分类）问题，现有的有监督学习技术方案主要有2种标注方式，一种是精细的区域轮廓分割，一种则是局部特征图像类别的标注。前者标注精细，需要花费更多的时间和成本，而后者标注相对简单，只需要借助标注工具打标签即可。在后一种标注方式的情况下，一般的做法是构建一个分类网络，通过输入局部特征图像,输出分类类别，训练各种不同的网络以达到网络学习的目的，最后选择全切片数字图像中最有代表性的局部特征图像或者整合所有局部特征图像的类别来表示当前切片的类别。中国专利申请号为：202210980903 .5 提出肿瘤微环境感知模块将当前局部特征图像的周边相邻的c圈小图像块特征提取出来并进行融合，其将相邻图像块堆叠并卷积获得了特征，进行了特征融合，但并没有保留全切片在原始维度上的全局结构特征，也就是说这种做法以及常规的分类网络均忽视了全局特征，尤其对于组织病理图像来说，首先需要了解全局组织特特征，再结合少量局部特征和细胞形态信息，才能捕获到最佳的切片类别。

目前，分类网络忽视了全局视野和组织切片的全局特征，只有少量局部特征和细胞形态信息，更没能将这种组织切片的全局特征很好地融合到局部特征当中，不能达到最佳的观察状态，导致病理组织切片分类精确度低。

发明内容

本申请实施例提供了一种基于全局特征和局部特征的组织切片分类方法和系统，以至少解决相关技术中病理组织切片分类精确度低的问题。

第一方面，本申请实施例提供了一种基于全局特征和局部特征的组织切片分类方法，所述方法包括：

将全切片数字图像输入分类模型中，获取全局特征；

将所述全切片数字图像中的局部特征图像输入分类模型中，获取局部特征；

通过注意力机制将所述全局特征和所述局部特征进行融合，获取融合特征，

基于所述融合特征，通过所述分类模型中的池化层和全连接层处理，输出局部组织切片标签；

基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。

在一实施例中通过注意力机制将所述全局特征和所述局部特征进行融合，获取融合特征，包括：

将所述全局特征与所述局部特征进行点乘操作，获取第一特征；

将池化处理后的所述全局特征与所述局部特征进行矩阵乘法操作，获取第二特征；

将所述局部特征、所述第一特征和所述第二特征进行拼接，获取第三特征；

将所述第三特征依次进行卷积层、挤压-激励层和卷积层的特征重组操作，获取融合特征。

在一实施例中所述分类模型包括：

第一支路，所述第一支路依次包括调整尺寸、卷积、池化、阶段层、最大池化和全连接层操作，其中，所述第一支路输入为所述全切片数字图像，输出为组织切片类别；

第二支路，所述第二支路依次包括卷积、池化、阶段层、注意力机制融合模块、最大池化和全连接层操作，其中，所述第二支路输入为局部特征图像和全切片数字图像，输出为局部组织切片标签，所述注意力机制融合模块用于将所述第一支路的全局特征和所述第二支路的局部特征进行融合，所述第一支路的输出通过所述局部组织切片标签得到。

在一实施例中，在将全切片数字图像输入分类模型中之前，所述方法包括：

获取全切片数字图像及全切片数字图像中的局部特征图像，其中对所述局部特征图像进行分类标注；

基于阈值分割方法筛选包含组织区域的所述局部特征图像；

基于病案号对所述全切片数字图像和包含组织区域的所述局部特征图像划分训练集、验证集和测试集；

对所述训练集的全切片数字图像和所述局部特征图像进行数据扩增处理；

基于扩增处理后的所述训练集对所述分类模型进行训练；

基于所述验证集对训练后的所述分类模型进行验证，得到训练好的所述分类模型；

基于所述测试集对训练好的所述分类模型进行测试，得到测试结果。

在一实施例中，所述基于扩增处理后的所述训练集对所述分类模型进行训练，包括：

第一阶段，将所述全切片数字图像和全局组织切片标签作为训练样本，对所述分类模型的第一支路进行训练；

第二阶段，将局部特征图像作为训练样本，对所述分类模型的第二支路进行训练，输出所述局部组织切片标签，其中，所述分类模型的第一支路中的卷积、池化和阶段层的参数不变；

第三阶段，将局部特征图像和全切片数字图像作为训练样本，对第一支路和第二支路进行训练，输出所述局部组织切片标签，其中，所述分类模型的第一支路中的最大池化层和全连接层的参数不变。

在一实施例中，基于阈值分割方法筛选包含组织区域的所述局部特征图像；

获取所述局部特征图像的像素灰度值；

响应于所述像素灰度值大于或等于预设值，筛选出包含组织区域的所述局部特征图像。

在一实施例中，基于所述验证集对训练后的所述分类模型进行验证，得到训练好的所述分类模型，包括：

基于所述验证集对所述分类模型进行验证，响应于所述分类模型达到预设迭代次数或所述验证集损失超出预设值，得到训练好的分类模型。

第二方面，本申请实施例提供了一种基于全局特征和局部特征的组织切片分类系统，所述系统包括获取全局特征模块、获取局部特征模块、获取融合特征模块、获取局部组织切片标签模块和确定组织切片类别模块；其中：

所述全局特征模块，用于将全切片数字图像输入分类模型中，获取全局特征；

所述获取局部特征模块，用于将所述全切片数字图像中的局部特征图像输入分类模型中，获取局部特征；

所述获取融合特征模块，用于通过注意力机制将所述全局特征和所述局部特征进行融合，获取融合特征；

所述局部组织切片标签模块，基于所述融合特征，通过所述分类模型中的池化层和全连接层处理，输出局部组织切片标签；

所述确定组织切片类别模块，用于基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种基于全局特征和局部特征的组织切片分类方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种基于全局特征和局部特征的组织切片分类方法。

本申请实施例提供的基于全局特征和局部特征的组织切片分类方法和系统至少具有以下技术效果。

通过将全切片数字图像输入分类模型中，获取全局特征，将全切片数字图像中的局部特征图像输入分类模型中，获取局部特征，通过注意力机制将全局特征和局部特征进行融合，获取融合特征，基于融合特征，通过分类模型中的池化层和全连接层处理，输出局部组织切片标签，基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。通过注意力机制将组织切片全局特征和组织切片局部特征进行融合，实现了对病理组织切片类别的预测，解决相关技术中病理组织切片分类精确度低的问题，提高了病理组织切片分类的精确度。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据一示例性实施例示出的基于全局特征和局部特征的组织切片分类的流程图；

图2是根据一示例性实施例示出的分类模型结构流程图；

图3是根据一示例性实施例示出的步骤S103流程图；

图4是根据一示例性实施例示出的基于全局特征和局部特征的组织切片分类系统的结构框图；

图5是根据一示例性实施例示出的电子设备的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

第一方面，本申请实施例提供了一种基于全局特征和局部特征的组织切片分类方法，图1是基于全局特征和局部特征的组织切片分类的流程图，如图1所示，基于全局特征和局部特征的组织切片分类方法包括：

步骤S101、将全切片数字图像输入分类模型中，获取全局特征。

步骤S102、将全切片数字图像中的局部特征图像输入分类模型中，获取局部特征。

步骤S103、通过注意力机制将全局特征和局部特征进行融合，获取融合特征。

步骤S104、基于融合特征，通过分类模型中的池化层和全连接层处理，输出局部组织切片标签。

步骤S105、基于局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。

综上，本申请实施例提供的基于全局特征和局部特征的组织切片分类方法，通过将全切片数字图像输入分类模型中，获取全局特征，将全切片数字图像中的局部特征图像输入分类模型中，获取局部特征，通过注意力机制将全局特征和局部特征进行融合，获取融合特征，基于融合特征，通过分类模型中的池化层和全连接层处理，输出局部组织切片标签，基于局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。通过注意力机制将组织切片全局特征和组织切片局部特征进行融合通过注意力机制将组织切片全局特征和组织切片局部特征进行融合，实现了对病理组织切片类别的预测，解决相关技术中病理组织切片分类精确度低的问题，提高了病理组织切片分类的精确度。

图2是根据一示例性实施例示出的分类模型结构流程图，如图2所示，步骤S101中的分类模型包括：

第一支路，第一支路依次包括调整尺寸、卷积、池化、阶段层、最大池化和全连接层操作，其中，第一支路输入为全切片数字图像，输出为组织切片类别；

第二支路，第二支路依次包括卷积、池化、阶段层、注意力机制融合模块、最大池化和全连接层操作，其中，第二支路输入为局部特征图像和全切片数字图像，输出为局部组织切片标签，注意力机制融合模块用于将第一支路的全局特征和第二支路的局部特征进行融合，在模型训练开始时，通过局部组织切片标签推导出全局标签，供第一支路的训练。

可选地，分类模型有两个支路的输入和输出，分别是第一支路全切片数字图像，如图2中的全切片输入和第二支路该全切片数字图像中的局部特征图像，如图2中的补丁输入，全切片输入是全切片数字图像的第三层。第一支路全切片输入之后会先进行调整尺寸的操作，例如Resize到固定的2240*2240尺寸，每个模块的上方或下方的数字为该模块的输出尺寸，随后，再通过以SEResNet为基础的“卷积+池化”和“阶段1-4”模块（经过了卷积、池化和阶段1-4的处理）获得2048*70*70的全局特征输出，每一片特征图的大小为 2048（通道数）*70（高度）*70（宽度），最后通过“池化+全连接层”模块（该模块包括最大池化操作和FC全连接层操作）获得类别输出。

第二支路的补丁输入为全切片数字图像40X倍率下的2048*2048尺寸的局部图像（局部特征图像），按照这个尺寸，一张全切片的图像可以裁出几十甚至上百张包含组织区域的局部特征图像，局部特征图像输入与第一支路相同结构的“卷积+池化”和“阶段1-4”模块（经过了卷积、池化和阶段1-4的处理），输出局部特征2048*70*70尺寸的特征图，特征图的大小为 2048（通道数）*70（高度）*70（宽度）。最后注意力机制（如图2中的Attention融合）将第一支路的全局特征和第二支路的局部特征进行融合。目的是为了将全局视野的全局特征融合到当前局部特征中，融合之后通过池化和FC层用以输出当前局部特征图像的标签。其中，第一支路类别输出由局部特征图像的输出转化而来，指的是该张切片最严重的局部组织切片标签作为该全局组织切片标签。通过第一支路和第二支路获取全局特征和局部特征，并将其融合，实现了对病理组织切片类别的预测，降低人力成本，大大提升工作效率，减少了出现误判和漏检的可能性，保证了诊断的准确性。

值得注意的是，图2中，第一支路和第二支路中的“卷积+池化”模块通过卷积和最大池化的作用将输入进行了两次下采样，使之获得64*560*560的特征输出，而“阶段1-4”模块则是添加了SE特征加权的残差块的堆叠模块，其中经历了3次2倍下采样的操作，获得了2048*70*70维度的特征输出。

在一实施中，在将全切片数字图像输入分类模型中之前，方法包括：

步骤一、获取全切片数字图像及全切片数字图像中的局部特征图像，其中，对局部特征图像进行分类标注。

可选地，获取全切片数字图像和全切片数字图像中的局部特征图像，其中，局部特征图像为全切片数字图像40X倍率下的2048*2048尺寸的图像，一张全切片的图像可以裁出几十甚至上百张包含组织区域的局部特征图像。并对局部特征图像进行分类标注，在本申请实施例中，肠道以肠道组织切片为例，类别为：息肉、腺瘤，标签为0，1；分类标注可以是医生在全切片数据上进行息肉和腺瘤的区域绘制，以此为基础切割图像产生补丁，并进行训练，实际生产环境的类别可能是息肉、腺瘤和癌。

步骤二、基于阈值分割方法筛选包含组织区域的局部特征图像。

可选地，获取局部特征图像的像素灰度值；响应于像素灰度值大于或等于预设值，筛选出包含组织区域的局部特征图像。

具体地，基于对组织病理切片的样本观察的统计，统计出含组织的局部特征图像和不含组织的局部特征图像对应的局部特征图像内像素灰度值的差异。筛选包含组织区域的局部特征图像（选取）。假设阈值为k，当局部特征图像内灰度均值超过或等于阈值k，该局部特征图像即为包含组织区域的有效局部特征图像（选取），反之为背景局部特征图像,训练的时候不需要考虑这些背景样本（过滤）。通过步骤二有效减少了对局部特征图像的处理复杂度。

步骤三、基于病案号对全切片数字图像和包含组织区域的局部特征图像划分训练集、验证集和测试集。

步骤四、对训练集的全切片数字图像和局部特征图像进行数据扩增处理。

可选地，对训练集的局部特征图像数据和全切片数字图像数据进行数据扩增，包括旋转、翻转等。有效提高模型的性能和泛化能力。

步骤五、基于扩增处理后的训练集对分类模型进行训练。

可选地，步骤五、基于扩增处理后的训练集对分类模型进行训练，包括：

第一阶段，将全切片数字图像和全局组织切片标签作为训练样本，对分类模型的第一支路进行训练。

第二阶段，将局部特征图像作为训练样本，对分类模型的第二支路进行训练，输出局部组织切片标签，其中，分类模型的第一支路中的卷积、池化和阶段层的参数不变。

第三阶段，将局部特征图像和全切片数字图像作为训练样本，对第一支路和第二支路进行训练，输出局部组织切片标签，其中，分类模型的第一支路中的最大池化层和全连接层的参数不变。

具体地，第一阶段需要对全切片数字图像的输入和输出进行第一支路的训练。该分支输入为组织病理全切片的第3层，输出则由第二支路的输出转化而来，也即将该切片所有的局部组织切片标签按严重程度排序0，1，3，5，则该切片的标签为5，通过切片的标签，可以确定该组织切片的类别。以此样本对进行第一支路的训练，第一阶段训练完成之后将该部分的“卷积+池化”和“阶段1-4”模块的权重固定，也即在第二阶段训练第二支路的时候不更新该部分参数。以局部特征图像和全切片数字图像作为输入，以局部特征图像对应的标签作为输出，将所有样本迭代循环一次。第三阶段训练，针对第一支路除“池化+全连接层”模块后的所有模块，以极小的学习率进行局部特征图像输入、全切片数字图像输入和局部特征图像输出的训练，直至完成一轮样本的迭代训练，由此该技术框架的一次完整训练已经完成。进入下一轮样本训练的时候，重复进行第二阶段和第三阶段的训练，调参即可。由此，该网络模型训练完成。通过分阶段训练分裂模型策略，当分类性能到达一定程度，则能通过计算机辅助的方式同时对多张切片进行辅助筛查，降低人力成本，大大提升工作效率，减少了出现误判和漏检的可能性，保证了诊断的准确性。

步骤六、基于验证集对训练后的分类模型进行验证，得到训练好的分类模型；

可选地，基于验证集对分类模型进行验证，响应于分类模型达到预设迭代次数或验证集损失超出预设值，得到训练好的分类模型。

具体地，计算验证集损失，验证集损失超出一定的水平或者模型迭代次数达到迭代次数，则输出训练好的模型；否则继续迭代更新步骤六。

步骤七、基于测试集对训练好的分类模型进行测试，得到测试结果。

通过步骤一至步骤七构对分类模型进行训练、测试和验证，能够有效提升算法的分类性能和辅助效能，提高模型的性能和提高模型的泛化能力。

图3是根据一示例性实施例示出的步骤S103流程图，如图3所示，通过注意力机制将全局特征和局部特征进行融合（Attention融合），获取融合特征，包括：

步骤S1031、将全局特征与局部特征进行点乘操作，获取第一特征；

步骤S1032、将池化处理后的全局特征与局部特征进行矩阵乘法操作，获取第二特征；

步骤S1033、将局部特征、第一特征和第二特征进行拼接，获取第三特征；

步骤S1034、将第三特征依次进行卷积层、挤压-激励层和卷积层的特征重组操作，获取融合特征。

可选地，如图3所示，模块上下方的数字仍然表示该模块输出图像的尺寸。针对第一支路全切片数字图像和第二支路局部特征图像的2048*70*70维度的输出特征A和B,多矩阵聚合指代将括号内的3种特征做了拼接，这3种特征分别指原始局部特征B，全局特征和局部特征的点乘，全切片数字图像平均池化特征与局部特征矩阵乘法，3个特征尺寸分别为2048*70*70、2048*70*70和1*70*70。拼接之后的特征经过“卷积”模块、“SE特征加权”模块和“卷积”模块的特征重组，获取融合特征，以此优化特征配比。通过注意力机制将组织切片全局特征和组织切片局部特征进行融合，实现了对病理组织切片类别的预测，提高了病理组织切片分类的精确度。

在一实施例中，步骤S105、基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。

可选地，在获取到局部组织切片标签后，按照最严重的局部组织切片标签来确定组织切片的标签，比如某全切片数字图像的所有局部组织切片标签包括1，3，5，7这4类，这4类按严重性排列，选取严重性最高的某局部组织切片标签，也即选取标签7作为目标局部组织切片标签，根据目标局部组织切片标签确定组织切片类别。

综上，本申请实施例提供的基于全局特征和局部特征的组织切片分类方法，通过将全切片数字图像输入分类模型中，获取全局特征，将全切片数字图像中的局部特征图像输入分类模型中，获取局部特征，通过注意力机制将全局特征和局部特征进行融合，获取融合特征，基于融合特征，通过分类模型中的池化层和全连接层处理，输出局部组织切片标签，基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。通过注意力机制将组织切片全局特征和组织切片局部特征进行融合，能够有效提升算法的分类性能和辅助效能，同时，创新性地提出一种分阶段训练策略，当分类性能到达一定程度，则能通过计算机辅助的方式同时对多张切片进行辅助筛查，降低人力成本，大大提升工作效率，减少了出现误判和漏检的可能性，保证了诊断的准确性。解决相关技术中病理组织切片分类精确度低的问题，提高了病理组织切片分类的精确度。

第二方面，本申请实施例提供了基于全局特征和局部特征的组织切片分类系统。图4是根据一示例性实施例示出的基于全局特征和局部特征的组织切片分类系统的框图。如图4所示，系统包括获取全局特征模块410、获取局部特征模块420、获取融合特征模块430、获取局部组织切片标签模块440和确定组织切片类别模块450；其中：

获取全局特征模块410，用于将全切片数字图像输入分类模型中，获取全局特征；

获取局部特征模块420，用于将全切片数字图像中的局部特征图像输入分类模型中，获取局部特征；

获取融合特征模块430，用于通过注意力机制将全局特征和局部特征进行融合，获取融合特征；

局部组织切片标签模块440，基于融合特征，通过分类模型中的池化层和全连接层处理，输出局部组织切片标签；

确定组织切片类别模块450，用于基于所述局部组织切片标签，选取目标局部组织切片标签，确定组织切片类别。

综上，本申请提供的基于全局特征和局部特征的组织切片分类系统。通过获取全局特征模块410、获取局部特征模块420、获取融合特征模块430、获取局部组织切片标签模块440和确定组织切片类别模块450；以及通过注意力机制将组织切片全局特征和组织切片局部特征进行融合，实现了对病理组织切片类别的预测，解决相关技术中病理组织切片分类精确度低的问题，提高了病理组织切片分类的精确度。

需要说明的是，本实施例提供的基于全局特征和局部特征的组织切片分类系统用于实现上述实施方式，已经进行过说明的不再赘述。如以上所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以上实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

第三方面，本申请实施例提供了一种电子设备，图5是根据一示例性实施例示出的电子设备的框图。如图5所示，该电子设备可以包括处理器51以及存储有计算机程序指令的存储器52。

具体地，上述处理器51可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器52可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（SolidState Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（Universal SerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器52可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器52可在数据处理装置的内部或外部。在特定实施例中，存储器52是非易失性（Non-Volatile）存储器。在特定实施例中，存储器52包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（RandomAccess Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-Only Memory，简称为PROM）、可擦除PROM（Erasable ProgrammableRead-Only Memory，简称为EPROM）、电可擦除PROM（Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM）、电可改写ROM（Electrically Alterable Read-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-Access Memory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。

存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器51所执行的可能的计算机程序指令。

处理器51通过读取并执行存储器52中存储的计算机程序指令，以实现上述实施例中的任意基于全局特征和局部特征的组织切片分类方法。

在一实施例中，基于全局特征和局部特征的组织切片分类设备还可包括通信接口53和总线50。其中，如图5所示，处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。

通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口53还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线50包括硬件、软件或两者，将基于全局特征和局部特征的组织切片分类设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（LocalBus）。举例来说而非限制，总线50可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry StandardArchitecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（HyperTransport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro Channel Architecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial Advanced Technology Attachment，简称为SATA）总线、视频电子标准协会局部（Video Electronics Standards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时，实现第一方面中提供的基于全局特征和局部特征的组织切片分类方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现第一方面提供的基于全局特征和局部特征的组织切片分类方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。