1.一种基于半监督学习的全切片病理图像分类方法，其特征在于，所述图像分类方法包括如下步骤：
2.根据权利要求1所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s2中，对图像进行预处理的步骤包括：
3.根据权利要求2所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s3中，依据不同的wsi切片名将切割后的图像块划分成训练集和测试集，以保证训练集和测试集之间的独立性；
4.根据权利要求3所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s4中，所述resnet-50模型包括49个卷积层以及1个全连接层，将最后一层全连接层的样本类别数目设置为病理分类数据集样本类别数目2。
5.根据权利要求4所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s5中，计算有标记图像的预测概率与其标签之间的交叉熵，作为有监督的损失函数，其表达式为：
6.根据权利要求5中所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s6中，针对肺鳞癌类和非癌症类所述置信度阈值的获取过程如下：
7.根据权利要求6中所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s7中，无监督损失函数计算步骤如下：
8.根据权利要求7中所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s8中，计算强增强的不同分辨率图像的预测概率之间的正则化，其公式如下：
9.根据权利要求8中所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s9中，将有监督损失、无监督损失以及正则化进行加权求和，作为模型的总损失函数，用于训练网络模型，总损失函数的公式如下：
10.根据权利要求9中所述的基于半监督学习的全切片病理图像分类方法，其特征在于，所述s10中，利用训练好的分类模型对测试集进行测试，生成每个小图的概率热力图，其中癌症类别颜色为红色，非癌症类别颜色为蓝色，颜色的深浅表示属于该类别的概率大小，将小图的概率热力图拼成整张切片的结果，用于切片分类效果可视化。