1.一种图像筛选方法，其特征在于，包括以下步骤：

获取原始图像样本；

构建图像筛选网络；

在图像筛选网络中将原始图像样本均匀划分为图像块；

基于所述图像块对图像筛选网络进行训练，训练时根据典型特征区域选择策略，筛选出含有典型特征的图像块；

将待筛选图像于训练完成的图像筛选网络中进行典型特征筛选。

2.根据权利要求1所述的图像筛选方法，其特征在于，所述典型特征区域选择策略为：判断每个图像块的图像块类别，并统计每个图像块类别的图像块数量，以图像块数量最多的前CP种图像类别作为优势类别；针对优势类别，按照各图像块类别对应图像块数量的比例，确定输出的典型特征图像块。

3.根据权利要求2所述的图像筛选方法，其特征在于，判断每个图像块的图像块类别时，使用轻量级分类网络LCN、中量级分类网络MCN、重量级分类网络HCN对每个图像块进行图像块类别判断；并按以下公式对图像块进行筛，并统计每个图像块类别的图像块数量；

其中，CLCN(patchi)、CMCN(patchi)、CHCN

(patchi)分别代表轻量级分类网络LCN、中量级分类网络MCN、重量级分类网络HCN针对第i个图像块patchi判断的图像类别；PLCN(patchi)、PMCN(patchi)、PHCN(patchi)分别代表轻量级分类网络LCN、中量级分类网络MCN、重量级分类网络HCN针对第i个图像块patchi判断图像类型所对应的置信度。

4.根据权利要求3所述的图像筛选方法，其特征在于，图像筛选网络的输出为其中，pathology代表该类图像、 为图像筛选网络

的可训练参数；TOP‑Nc表示根据优势类别图像块，确定所输出的典型特征图像块数量；

代表图像筛选网络输出的符合筛选策略的典型特征图像块的集合；

网络MMDPS(·)的参数集 的训练过程为以下最小化问题：

其中，βPS‑1*

WCELCN+βPS‑2*WCEMCN+βPS‑3*WCEHCN+δPS为图像筛选网络的损失函数LOSS1，WCELCN为轻量级判别网络LCN针对图像块类型的预测值与图像块实际类型的交叉熵，WCEMCN为中量级判别网络MCN针对图像块类型的预测值与图像块实际类型的交叉熵，WCEHCN为重量级判别网络HCN针对图像块类型的预测值与图像块实际类型的交叉熵，βPS‑1、βPS‑2、βPS‑3分别是用于调节交叉熵WCELCN、WCEMCN、WCEHCN的权重系数，当图像筛选网络自身对图像块patchi的类型判别正确时，幂指数μ取值为1，若判别错误则幂指数μ取值为2；δPS是小于1的正数。

5.根据权利要求1所述的图像筛选方法，其特征在于，将原始图像样本按即定的类型分为n个类别，n为正整数，再将原始图像样本均匀划分为图像块。

6.根据权利要求5所述的图像筛选方法，其特征在于，所述典型特征区域选择策略为：判断每个图像块中是否含有目标物，并对含目标物的图像块进行目标物提取，统计图像块中目标物的比例，并筛选出典型目标物区域，得到典型特征图像块。

7.根据权利要求6所述的图像筛选方法，其特征在于，判断每个图像块中是否含有目标物时，根据公式 进行判断，其中，PDM指阳性判别模块，PDM(patchi)＝POSITIVE表示针对第i个图像块的判别类型为有目标物，记为阳性POSITIVE，该公式表示图像块i中含有目标物，且该图像块判别的置信度Conf(patchi)大于阈值Tpositive。

8.根据权利要求6所述的图像筛选方法，其特征在于，对含目标物的图像块进行目标物提取时，根据公式 进行提取，其中Mask(·)表征每个类别的语义预测表，对其添加一个线性变换Sigmoid(·)+Softmax激活以输出得到类别概率预测，PEM(patchi)指阳性判别模块PDM针对第i个图形块的判别输出结果。

9.根据权利要求6所述的图像筛选方法，其特征在于，统计图像块中目标物的比例，并筛选出典型目标物区域时，根据公式 进行统计筛选，其中， 则代表取表达式(·)的前NUM个最大值所对应的图像块，R1(patchi)、R2(patchi)、...、Rn(patchi)分别代表第1至第n种类别原始图像中第i个图像块patchi中的目标物比例，NUMH1、NUMH2、NUMH3分别代表从第1至第n种类别原始图像中筛选出的典型特征图像块的数量。

10.一种图像筛选系统，其特征在于，包括图像接收模块、处理模块和存储模块，所述图像接收模块接收用于训练或待筛选的图像，并将接收到的图像发送至处理模块，所述处理模块与存储模块通信连接，所述存储模块用于存放至少一个可执行指令，所述可执行指令使所述处理模块根据其接收到的图像执行如权利要求1‑9任一项所述的图像筛选方法对应的操作。