一种基于自我激励多示例学习的病理图像分类方法

本发明公开了一种基于自我激励多示例学习的病理图像分类方法，所述方法通过探索实例之间的潜在关系，以及特征表达与标签预测之间的互惠关系促进更好和更可靠的决策。本发明通过引入伪包预测所提供的标签相关类别先验，捕获并聚合肿瘤特征表达，以实现高准确率的病理图像标签预测。反过来，基于预测结果优化网络，进一步提升特征表达，以改善伪包标签预测，形成了自我激励的学习。本发明引入多级特征融合策略去探索当前实例和全局历史实例知识，同时构造时间对比模块提高特征表达的鲁棒性缓解表征偏差和过拟合问题。此外，引入自我激励的特征融合模块利用伪包预测和特征表达的相互细化机制，增强了病理图像分类的准确性和可靠性。