基于原型学习的可解释性二分类病理图像质量控制方法

本发明公开了一种基于原型学习的可解释性二分类病理图像质量控制方法，方法包括：首先对全幅扫描病理图像进行预处理，提取有效区域；随后构建编码器‑解码器模型：编码器通过卷积层、瓶颈块和残差块提取多层次特征，在潜在空间中嵌入原型更新层，动态优化聚焦/失焦类别的原型向量，通过计算样本特征与原型间的欧氏距离生成相似性向量，输入线性分类层输出类别概率；解码器通过转置卷积和跳跃连接重构图像，结合优化原型补全细节；模型训练联合编解码损失、分类损失和原型损失，最终实现高精度分类。本发明通过编码器‑解码器架构提取图像特征，结合原型学习机制动态优化类别原型，并利用多损失联合训练实现高精度分类与可解释性。