一种基于多实例学习的双原型病理图像分类方法

本发明涉及医疗人工智能领域，针对病理图像异质性导致的分类误差问题，提出一种基于多实例学习的双原型病理图像分类方法：1)构建主要原型组与边界原型组；2)通过交叉注意力机制实现样本与双原型特征交互；3)并通过最小化主要原型组类内相似度、最大化边界原型组类内相似度及增大组间距离的三重损失优化原型学习；4)基于样本难易度筛选与全局令牌最相似实例进行平均池化，并采用动量更新策略优化双原型组表征；每个训练轮次对低置信度样本特征平均池化并动量更新至边界原型组。本发明显著提升病理图像分类准确率，有效缓解原型学习中的语义漂移问题，并通过双原型机制最大程度保留病理图像的异质性特征表征。