[发明专利]一种病理切片颜色归一化方法及系统

说明书

本发明公开了一种病理切片颜色归一化方法及系统，利用生成器生成为目标风格的图片，通过鉴别网络鉴别生成图片和真实的目标风格图片，执行域内的学习和鉴别对抗训练。为了减少非目标风格图片的生成图片与目标风格图片之间的差异，进而通过另一鉴别网络鉴别非目标风格图片的生成图片与目标风格图片，执行域间的学习和鉴别对抗训练，从而进一步减少二者之间的差异，优化生成网络性能。本发明对不同颜色风格病理切片数据进行颜色归一化，解决单一颜色风格下训练出的深度模型难以在另一颜色风格的数据中具有相同或相近表现，不同颜色风格病理切片作为数据训练深度模型时会导致模型难以收敛的技术问题。

技术领域

本发明属于医学细胞病理图像分析领域，更具体地，涉及一种针对不同来源的细胞病理切片颜色归一化的方法及系统。

背景技术

近年来，人工智能技术发展迅速，人工智能与医疗结合能够缓解医生资源紧缺的问题。在医学细胞病理领域，病理切片数据的大量积累为医学细胞病理图像的分析提供了大数据背景，在大数据样本的处理中，由于深度学习算法的分析处理能力普遍强于其他传统分析算法，深度学习被广泛用于大数据医学细胞病理图像分析领域。

运用深度学习进行医学细胞病理图像的分析需要通过对大量标签数据的学习，训练出具有分类、识别或分割效果的深度模型。但现实中，由于拍摄仪器差异、仪器参数差异、病理切片染色方法差异等导致所成病理切片颜色风格出现较大差异(颜色风格差异包括：色相、色调、饱和度、亮度等图像属性的差异)。颜色风格差异会导致模型出现一些问题，如：在单一颜色风格下训练出的深度模型难以在另一颜色风格的数据中具有相同或相近表现；不同颜色风格病理切片作为数据训练深度模型时会导致模型难以收敛。

医学细胞病理图像的颜色风格差异要求深度模型需要具有较好的泛化能力，能够适应不同颜色风格的数据。现有的方法通过数据增强扩大训练数据，在数据中添加噪声等方式提高模型的泛化能力，但这些方式所训练出的模型的适用范围总是有限的，不能保证模型能在任一颜色风格的数据上表现较好。也有一些方法通过分析颜色和空间信息来匹配不同颜色风格数据之间的分布，这种方式的归一化只能在一定程度上缩小不同颜色风格之间的差异，不能真正的做到颜色风格的一致。因为现实中的颜色风格差异往往较为复杂，不同颜色风格的病理图像在分布上难以精确的分析。

综上所述，具有良好泛化能力的深度模型在实际运用中更稳定，而不同来源的医学细胞病理图像的颜色风格存在差异。深度模型虽然能够分析医学细胞病理图像，但在颜色风格存在差异的数据中仍然存在分析困难。仍需要通过颜色归一化等方法来提高模型的泛化能力，以满足在不同颜色风格数据上的需求。

发明内容

针对现有技术的缺陷或迫切技术需求，本发明提出了一种基病理切片颜色归一化的方法及系统，其目的在于，对不同颜色风格病理切片数据进行颜色归一化，解决单一颜色风格下训练出的深度模型难以在另一颜色风格的数据中具有相同或相近表现，不同颜色风格病理切片作为数据训练深度模型时会导致模型难以收敛的技术问题。

一种病理切片染色归一化方法，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