[发明专利]基于DCAE结构的病理图像染色不变性低维表示方法

权利要求书

1.一种基于DCAE结构的病理图像染色不变性低维表示方法，其特征在于，步骤如下：

1)组织样本病理图像粗对准；

首先将同一组织样本分别用不同病理扫描仪进行扫描得到成对的病理数字化图像，将标准U-Net模型应用于病理图像以分割背景和组织类，形成二进制mask，然后应用像素差分来计算2个mask欧式最小距离，得到初步粗对准图像对；

2)训练样本的选取；

将系列图像块a_i∈A定义为一个数据集A，a_i的大小为960×960像素；这些图像块是从对齐的参考图像和目标图像中成对提取，利用ORB特征匹配对每个图像对x_i，计算参考图像x_i,s和目标图像x_i,t的ORB特征；然后，使用K最近邻特征匹配方法以及比率测试来找出一系列x_i,s和x_i,t之间的对齐点p_i；对于每个对齐点p_i，提取一个大小为a×a×3，以p_i为中心的块，其中a是一个实验定义的参数；将每个a×a×3的图像块分成一系列尺寸大小为b×b×3的对齐块图像并附加到数据集A中，以便保留源块图像和目标块图像之间的空间对齐；

3)双通道自动编码器的训练；

双通道编码器每个通道由一个具有相同架构的自动编码器组成；每个自动编码器由两个模块组成，即一个编码器和一个解码器；编码器具有两个完全连接层，其从输入图像x_i,s或x_i,t映射到一个10维特征向量；解码器从10维特征向量映射到输入图像的重构；使用SELU激活函数；分别从参考图像数据集和目标图像数据集中各提取成对块图像，作为自动编码器AE-S和AE-T的输入，一旦编码器重构其各自输入，就计算综合损失迫使每个网络在整个学习过程中得到相似的特征表示；使用BP算法计算损失函数相对于每个网络参数的梯度，并使用ADAM算法优化权重；

4)更新特征聚类中心；

在每个训练周期结束前，对输入训练样本Xi对应的编码表示Zi，使用标准的k-means方法，将其分成k个独立的相似数据点聚类，为其定义标签C_i，并将k个聚类中心用于下一次训练中聚类损失的距离度量。

2.根据权利要求1所述的基于DCAE结构的病理图像染色不变性低维表示方法，其特征在于，步骤2)中，块图像为大小为8×8×3。

3.根据权利要求1所述的基于DCAE结构的病理图像染色不变性低维表示方法，其特征在于，步骤3)中，为了加强输入的各个特征向量{x_i,s,x_i,t}之间的相似性，所用的综合损失包括重构损失L_r、特征损失L_f和聚类损失L_c；在训练初期，首先引入重构损失作用于模型通道，获得有效特征；当重构损失下降到阈值时，特征损失和聚类损失开始作用于训练过程，同时计算特征损失和聚类损失值，取二者大的值和重构损失一起作为综合损失；各损失函数定义如下：

系统目标函数定义如下：

其中W表示两个自动编码器({W_E,s，W_D,s，W_E,t，W_D,t})的权重，c_i表示聚类中心，L_r是重构损失，L_f是特征损失，L_c是聚类损失，α是阈值参数，λ为特征损失和聚类损失的权重。

4.根据权利要求3所述的基于DCAE结构的病理图像染色不变性低维表示方法，其特征在于，步骤3)中，λ＝0.25，α＝0.1。