[发明专利]一种显微图像数据增强方法及装置

权利要求书

1.一种显微图像数据增强方法，其特征在于，包括：

生成真实显微图像的虚拟图像，包括：

通过模拟方法生成真实显微图像的虚拟图像；其中，所述模拟方法包括：顶点运动模拟、相场模拟、基于波茨模型的三维蒙特卡罗模拟；

通过风格迁移方法将真实显微图像的风格迁移至所述虚拟图像，包括：

获取真实显微图像作为参考图像；

对参考图像和虚拟图像做预处理，以消除显微尺度级别差异性；

构建风格迁移网络模型，利用预处理后的参考图像和虚拟图像，训练构建的风格迁移网络模型；其中，所述风格迁移网络模型，用于提取图像纹理风格特征；

将虚拟图像输入到训练好的风格迁移网络模型中，重建虚拟图像纹理风格特征，合成具有真实风格的虚拟图像；

根据虚拟图像的计算模拟特性，从虚拟图像的各语义区域中获得对应语义标注，将具有真实显微图像风格的虚拟图像和对应的语义标注结合形成有标注的图像数据，以训练图像分析模型，包括：

根据虚拟图像的计算模拟特性，从虚拟图像的各语义区域中获得对应的语义标注，将具有真实显微图像风格的虚拟图像和对应的语义标注结合形成有标注的图像数据，作为有标注的训练样本；

根据得到的有标注的训练样本，利用机器学习算法，训练图像分析模型；

获取已标注的若干个真实图像样本，根据得到的已标注的若干个真实图像样本，微调图像分析模型；

其中，所述风格迁移网络模型是基于循环一致性生成对抗网络CycleGAN的单向风格迁移网络结构，第一转换网络G_A和第二转换网络G_B设置为unet-16网络结构，判别器D设置为多层卷积特征提取网络结构；

所述风格迁移网络模型的工作原理过程如下：

将虚拟图像x输入第一转换网络G_A，输出具有真实风格的虚拟合成图像G_A(x)；

将G_A的输出G_A(x)和参考图像分别输入判别器网络D，定义均方误差损失为判别器D损失函数L_GAN；

将G_A的输出G_A(x)再输入第二转换网络G_B，计算G_B输出G_B(G_A(x))和虚拟图像x的L₁损失L₁(x，G_B(G_A(x)))；

整体损失函数Loss如下式所示：

Loss(x)＝L_GAN+L₁(x,G_B(G_A(x)))

最终通过反向误差传播方法训练和优化所述风格迁移网络模型。

2.根据权利要求1所述的显微图像数据增强方法，其特征在于，所述机器学习算法包括：逻辑回归、支持向量机或卷积神经网络。