[发明专利]一种基于StrainNet的染色方法

权利要求书

1.一种基于StrainNet的染色方法，其特征在于：包括下列步骤：

S100、数据采集：采集医院患者宫颈细胞病理切片的扫描图像，并对获取的图像进行标注，完成模型训练所需数据集的构建；

S200、数据预处理：预处理包括归一化、图像缩放、数据分割；

S300、模型构建：采用深度学习技术搭建识别模型，输入训练数据，完成参数模型的搭建；

S400、模型评价：使用结构相似度指数SSIM和峰值信噪比PSNR用于评估与目标图像的相似度；

S500、模型保存：当StainNet网络模型和StainGAN网络模型的预测结果通过L1损失函数获得的损失值不再降低之后，保存模型。

2.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S100数据采集中，通过使用两种载片扫描仪扫描来自医院患者的宫颈细胞病理切片，第一台扫描仪使用一个20倍物镜，分辨率为每像素0.2930米，第二台扫描仪使用了一个40倍的物镜，分辨率为0.1803米/像素，将第二台扫描仪的图像调整到分辨率为0.2930m/像素，然后对第一台扫描仪的图像进行刚性配准和非刚性配准，使第二台扫描仪的图像与第一台扫描仪的图像对齐，最终获取原始数据集用于模型的训练。

3.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S200数据预处理中，归一化方式为对每个像素点除以225，图像缩放方式为将图像数据按照大小比例全部调整为256*256的尺寸；数据分割方式为将原始数据集按照7：3的比例分为训练集和测试集。

4.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S300模型构建中，使用基于GAN的无监督染色归一化方法StainGAN训练源和目标图像不配对的生成器，通过预先训练好的StainGAN模型对训练集和测试集的源图像进行归一化处理，并将归一化后的图像作为训练过程中的Ground truth，将StainGAN模型训练后的图像与StainNet模型训练后的图像使用L1损失函数来最小化模型输出与映射图像之间的差异，L1损失函数公式如下：其中y⁽ⁱ⁾为目标值，为估计值。

5.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S300模型构建中，采用StainNet模型利用全1×1卷积将源颜色空间转化为中间颜色空间，再由中间颜色空间转化为目标颜色空间，之后StainNet模型通过使用随机梯度下降优化器进行训练，用于提高模型训练效果。

6.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S400模型评价中，测量目标图像与归一化图像之间的相似度、归一化图像与源图像之间的一致性，以评价源图像信息的保存情况，使用结构相似度指数即SSIM和峰值信噪比即PSNR用于评估与目标图像的相似度。

7.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S400模型评价中，SSIM公式如下：SSIM(x,y)＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ，其中l(x,y)是亮度比较，c(x,y)是对比度比较，s(x,y)是结构比较，μ_x和μ_y分别代表x,y的平均值，δ_x和δ_y分别代表x,y的标准差，δ_xy代表x，y的协方差，c1、c2和c3分别为常数，避免分母为0带来的系统错误，所述α、β和γ设为1。

8.根据权利要求1所述的一种基于StrainNet的染色方法，其特征在于：所述S400模型评价中，PSNR公式如下：其中MAX是表示图像点颜色的最大数值，I(i,j)为真实值，K(i,j)为预测值，m,n为像素。