[发明专利]一种病理切片颜色归一化方法及系统

权利要求书

1.一种病理切片颜色归一化方法，其特征在于，将病理切片图像A的颜色风格作为目标颜色风格，通过对抗生成模型将另一种颜色风格的病理切片图像B归一到目标颜色风格，所述对抗生成模型按照如下方式构建：

1)样本图像预处理步骤：

将病理切片样本图像A和B转化为灰度图以及红蓝编码图，作为对抗生成网络G的输入图像C_A和C_B；

2)域内对抗生成训练步骤

利用样本图像C_A训练生成网络G，使得生成网络G生成与图像A相近的图像A’，而鉴别网络D1分辨A与A’的真假，如此不断进行生成与鉴别的对抗学习，构建对抗生成网络G；

步骤3)域间对抗生成学习步骤

利用样本图像C_B，并以步骤2)中对抗生成网络G为起点继续训练，生成与图像A相近的图像B’，而鉴别网络D2分辨A与B’的真假，如此不断进行生成与鉴别的对抗学习，优化对抗生成网络G。

2.根据权利要求1所述的病理切片颜色归一化方法，其特征在于，所述步骤2)域内对抗生成训练采用的损失函数为：

式中，

其中，G^*为对抗训练所得最优生成器，λ_GAN1，λ_L1为用于权衡不同损失函数之间重要性的超参数；E_A[]为在A分布下[]内表达式的期望，为在C_A分布下[]内表达式的期望，为在A,C_A分布下[]内表达式的期望，G为生成器，D1为域内鉴别器，A为目标颜色风格的原始彩色图像,C_A为G的A的灰度图以及红蓝编码图。

3.根据权利要求1或2所述的病理切片颜色归一化方法，其特征在于，所述步骤3)域间对抗生成学习采用的损失函数为：

其中，E_A[]为在A分布下[]内表达式的期望，D2为域间鉴别器，为在C_B分布下[]内表达式的期望，C_B为期望进行颜色归一化的病理图像的灰度图以及红蓝编码图。

4.根据权利要求1所述的病理切片颜色归一化方法，其特征在于，所述步骤1)样本图像预处理步骤中还对病理切片图像A和B分别进行红蓝编码，将编码得到的二值图。

5.根据权利要求1所述的病理切片颜色归一化方法，其特征在于，还包括步骤4)任务监督学习步骤：

预先以图像A为训练样本训练得到执行指定任务的任务网络T；将图像C_A输入步骤3)得到的对抗生成网络G，对抗生成网络G输出图像A’；将图像A’输入任务网络T，比较任务网络T的输出结果与图像A对应的任务标签之间的差异，将该差异作为损失反馈进一步优化对抗生成网络G。

6.根据权利要求5所述的病理切片颜色归一化方法，其特征在于，所述优化对抗生成网络G的损失函数表示为：

其中，为在A，C_A，Y_A分布下[]内表达式的期望G为生成器，T为任务网络；A为目标颜色风格的原始彩色图像,C_A为A的灰度图以及红蓝编码图,Y_A为A的任务标签，C_B为期望进行颜色归一化的病理图像的灰度图以及红蓝编码图。

7.一种用于病理切片颜色归一化的对抗生成器训练系统，将病理切片图像A的颜色风格为目标颜色风格，通过对抗生成模型将另一种颜色风格的病理切片图像B归一到目标颜色风格，所述对抗生成器训练系统包括：

样本图像预处理模块，用于将病理切片样本图像A和B转化为灰度图以及红蓝编码图，作为对抗生成网络G的输入图像C_A和C_B；

域内对抗生成训练模块，用于利用样本图像C_A训练生成网络G，使得生成网络G生成与图像A相近的图像A’，而鉴别网络D1分辨A与A’的真假，如此不断进行生成与鉴别的对抗学习，构建对抗生成网络；

域间对抗生成学习模块，用于利用样本图像C_B，并以生成网络G为起点继续训练，生成与图像A相近的图像B’，而鉴别网络D2分辨A与B’的真假，如此不断进行生成与鉴别的对抗学习，优化对抗网络G。