1. one-hot 编码单元 用于对病理图片进行 one-hot 编码，将病理图片离散特征的取值扩展到欧式空间，离散特征的某个取值就对应欧式空间的某个点。以甲状腺病理图片为例，假设甲状腺病理图片可分为 A、B、C、D、E 五类，那么将 A 类的甲状腺病理图片对应的 one-hot 编码表示为[1,0,0,0,0], B 类甲状腺病理图片对应的 one-hot 编码为[0,1,0,0,0], 依次类推。

2. 映射单元 用于将所述 one-hot 编码单元输出的稀疏的 one-hot 编码映射成为非稀疏的高维表示。参数不断迭代更新，对于特定问题具有自适应特性。

3. 随机采样单元 用于对多维高斯分布进行随机采样，即通过对多维高斯分布进行随机采样的方式获取随机噪音。

4. 生成器模块 用于将映射单元的输出和随机采样单元输出的随机噪声拼接在一起，并经过全连接和多轮反卷积以及批量标准化操作后，最终生成和数据集既有图片同维度的分布，记作生成图片。

5. 共享单元 为判别器模块和分类器模块共享的网络模块，以在训练时梯度反向传播至生成器模块时，使得生成器模块的参数调整不仅接收到判别器模块真假判断的信息，同时也接收到分类器模块对于病理图片分类的分类信息，最终导致生成器不仅生成更加逼真的图片，且结合所述 one-hot 编码单元的结果指定生成哪一类别的图片。

6. Rule 模块 用于针对病理图片的胞核特征和间质特征进行检测，输出每一个胞核特征的概率值和每一个间质特征的概率值，并对其进行加权求和输出。具体地，以甲状腺乳头状癌的病理图片为例，Rule 模块由胞核检测器和间质检测器组成，分别针对甲状腺乳头状癌的病理切片的胞核特征和间质特征进行检测，胞核特征包括核重叠，毛玻璃核，核沟，核内包涵体，间质特征包括间质钙化，间质砂粒体形成和纤维组织玻璃样变，胞核检测器针对每一个胞核特征输出概率值，同理，间质检测器针对每一个间质特征输出概率值，最后模块输出为上述概率值的加权（可学习）求和。

7. 判别器模块 与共享单元共同组成生成对抗网络的判别，输出为 real（真）或者 fake（伪）。

8. 分类器模块 与所述共享单元组合共同完成病理图片类别分类任务，对于共享单元的输出进行多轮卷积以及批量标准化之后的操作后，再进行全连接作为输出。

9. 迁移学习模块 鉴于 inception v3 网络在医学图像领域的优秀表现，迁移在 ImageNet 网络预训练的 inception v3 网络，具体操作是在 ImageNet 数据集上进行训练，取得优异分类效果之后，然后固定网络参数，利用其强大的泛化能力，对生成器模块生成的图片以及当前数据集既有的图片进行特征提取，为深度学习模块进行分类任务提供更丰富的特征。

10. 深度学习分类器 用于整合所述分类器模块的输出和迁移学习模块的输出，利用神经网络根据自适应学习的方法将学习的特征作为依据来检测病理图片的分类。深度学习模块的主要操作为降维和全连接，降维操作是分别挑选某固定数量的迁移模块和分类模块的输出值最大的特征数，使得就特征数量而言，迁移（transfer）模块和分类器模块固定在某一特定比例，然后再进行全连接，作为深度学习模块最后的输出，自适应特征是表现在神经网络在训练过程中参数权重选择的自适应。整合分类器模块的输出和迁移模块的输出，是对于利用神经网络根据自适应学习的方法学习的特征作为依据来检测病理图片的分类的结果的加权汇总。

11. 输出（最终分类器） 用于对所述深度学习模块和 Rule 模块输出的判别结果进行加权平均，输出最终的病理图片分类结果。