【技术实现步骤摘要】
本专利技术属于医学影像修复领域，尤其涉及一种基于频域特征的病理图像去模糊方法。
技术介绍
1、光学显微镜成像提供细胞水平的组织可视化，可以直观地展现出组织结构和生理状态等信息，因此已成为癌症诊断的金标准。尽管光学显微镜对病理学有重大贡献，但一个基本的先决条件是捕获高质量的聚焦图像。然而，由于拍摄设备、图像传输、以及存储过程中的种种因素，病理图像常常受到模糊的影响。焦外模糊是显微镜成像质量低的主要原因，这种模糊可能导致医生对病变的判断出现误差，影响诊断的准确性和治疗的效果。此外，用于显微镜成像的计算机辅助诊断(cad)系统也会受到低质量样本的影响。
2、目前的医学图像去模糊方法，例如中国专利cn111986102a，该专利提出传统去模糊与深度学习去模糊结合，将patch图复原拼接的方法恢复清晰图像，然而这种方法在复原时对边缘细节的恢复效果不好，且针对不同的图像需要手动调整滤波等操作的相关参数，对不同的病理图像鲁棒性不好。
技术实现思路
1、本专利技术的主要目的在于提供一种基于频域特征的病理图像去模糊方法，解决现有技术中在图像去模糊的过程，对边缘细节的处理效果不好的问题，而且需要手动调整相关参数以及鲁棒性较差的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于频域特征的病理图像去模糊方法，包括以下步骤：
3、s1、构建模糊-清晰病理图像数据集：利用光学显微镜在多个离焦平面拍摄到的病理图像，筛选出清晰病理图像和模糊病理图像，作为模糊
4、s2、对模糊-清晰病理图像数据集进行预处理：基于模糊-清晰病理图像数据集划分训练集和测试集，对训练集的模糊-清晰图像对进行切分，并得到处理后的训练集；
5、s3、构建基于频域特征的深度神经网络：结合频域特征，建立基于频域特征的病理图像去模糊网络；
6、s4、训练和优化模型：将经过步骤s2处理后的训练集输入步骤s3中的深度神经网络，得到训练好的病理图像去模糊网络，并通过构建组合损失函数对模型进行优化；
7、s5、利用优化后的去模糊网络，输出清晰图像：将待去模糊的病理模糊图像输入到步骤s4优化后的去模糊神经网络，得到待去模糊的病理模糊图像的清晰图像。
8、优选方案中，所述步骤s1中，筛选出清晰图像和模糊图像，具体筛选方式为：选出离焦距离为0的图像作为清晰图像，离焦距离为4微米的作为模糊图像。
9、优选方案中，所述步骤s2中，具体包括以下步骤：
10、s21、将数据集按4：1比例划分为训练集和测试集；
11、s22、将训练集中的模糊-清晰图像对切割成512×512大小的patch，步长为256；
12、s23、从每个patch中随机选择256×256的区域作为训练样本；
13、s24、所有训练样本构建训练集，得到的训练集为：
14、{data(xc,h,w,yc,h,w),x∈[1,x],[1,y],c＝3,h＝256,w＝256} (1)
15、其中，data(xc,h,w,yc,h,w)表示输入模糊病理图像x和清晰病理图像y，c表示图像的通道数，h表示图像的高度，w表示图像的宽度，x表示模糊病理图像的数量，y表示清晰病理图像的数量。
16、优选方案中，所述步骤s3中，基于频域特征的病理图像去模糊网络模型包括频域特征编码器、频域特征解码器和频域特征中间块。
17、优选方案中，所述频域特征中间块由1个频域卷积模块构成；所述频域特征编码器和频域特征解码器都由频域卷积模块堆叠而成；
18、其中，频域特征编码器由31个频域卷积模块堆叠而成，分为4层，分别有1、1、1、28个频域卷积模块组成；频域特征解码器由4个频域卷积模块堆叠而成，分为4层，每层各一个频域卷积模块。
19、优选方案中，所述频域卷积模块都包括层归一化layernorm、卷积conv2d、分组卷积conv2d、傅里叶变换层、前向反馈模块，每一层频域卷积模块可以表示为：
20、
21、其中，表示第i层频域卷积模块的输入通道数为c，输出通道数为t。
22、优选方案中，所述傅里叶变换层包括二维傅里叶变换、卷积conv2d、gelu激活函数、卷积conv2d、二维逆傅里叶变换；
23、通过傅里叶变换将图像从空间域转换到频率域，并依次通过卷积、gelu激活函数、卷积提取频率特征，再通过逆傅里叶变换将特征图从频率域转换回空间域，最后通过跳跃连接将原始输入与输出相加，每一个傅里叶变换层可以表示为：
24、
25、其中，表示第i层傅里叶变换模块的输入通道数为c，输出通道数为t，f-1表示逆傅里叶变换，conv1*1表示1×1的卷积，gelu表示gelu激活函数，f1表示傅里叶变换。
26、优选方案中，所述前向反馈模块由层归一化layernorm、卷积conv2d、gelu激活函数、卷积conv2d组成，最后通过跳跃连接与输入相加，可以表示为：
27、
28、其中，表示第i层前向反馈模块的输入通道数为c，输出通道数为t，conv1*1表示1×1的卷积，gelu表示gelu激活函数。
29、优选方案中，所述步骤s4中，将训练集图像输入至基于频域特征的病理图像去模糊网络模型进行图像修复，得到去模糊之后的推理图，构建组合损失函数，通过adam算法优化训练得到优化后的去模糊网络。
30、优选方案中，所述步骤s5中，将测试集的模糊图像输入到步骤s4优化后的去模糊神经网络，得到清晰的去模糊图像，结合测试集中清晰图像，评估生成图像的清晰度和准确性。
31、本专利技术提供了一种基于频域特征的病理图像去模糊方法，通过采集光学显微镜在多个离焦平面拍摄到的病理图像作为数据集，构建基于频域特征的病理图像去模糊神经网络，使用组合损失函数，优化训练得到优化后基于频域特征的病理图像去模糊神经网络；使用优化后的神经网络对模糊病理图像进行推理，得到去模糊化的病理图像。
32、本专利技术的有益效果在于：
33、(1)通过利用光学显微镜在多个离焦平面拍摄到的病理图像，筛选出清晰和模糊的图像对，构建了一个专门用于病理图像去模糊的数据集，确保了数据集的针对性和实用性，为后续模型的训练提供了高质量的数据基础。
34、(2)结合频域特征，建立了基于频域特征的病理图像去模糊网络，频域特征能够更深入地反映图像的本质信息，因此这种方法能够更准确地识别和处理模糊问题，提高去模糊效果。
35、(3)通过adam算法优化训练过程，构建组合损失函数，使模型在训练过程中不断优化和提升去模糊性能。这种方法能够有效提高模型的准确性和稳定性。
36、(4)本专利技术采用端到端的深度学习模型，提取了图像的频率特征，提高了修复本文档来自技高网...
【技术保护点】
1.一种基于频域特征的病理图像去模糊方法，其特征是：包括以下步骤：
2.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤S1中，筛选出清晰图像和模糊图像，具体筛选方式为：选出离焦距离为0的图像作为清晰图像，离焦距离为4微米的作为模糊图像。
3.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤S2中，具体包括以下步骤：
4.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤S3中，基于频域特征的病理图像去模糊网络模型包括频域特征编码器、频域特征解码器和频域特征中间块。
5.根据权利要求4所述一种基于频域特征的病理图像去模糊方法，其特征是：所述频域特征中间块由1个频域卷积模块构成；所述频域特征编码器和频域特征解码器都由频域卷积模块堆叠而成；
6.根据权利要求5所述一种基于频域特征的病理图像去模糊方法，其特征是：所述频域卷积模块都包括层归一化LayerNorm、卷积Conv2d、分组卷积Conv2d、傅里叶变换层、前向反馈模块，每一层频域卷积模块可以表
7.根据权利要求6所述一种基于频域特征的病理图像去模糊方法，其特征是：所述傅里叶变换层包括二维傅里叶变换、卷积Conv2d、gelu激活函数、卷积Conv2d、二维逆傅里叶变换；
8.根据权利要求6所述一种基于频域特征的病理图像去模糊方法，其特征是：所述前向反馈模块由层归一化LayerNorm、卷积Conv2d、gelu激活函数、卷积Conv2d组成，最后通过跳跃连接与输入相加，可以表示为：
9.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤S4中，将训练集图像输入至基于频域特征的病理图像去模糊网络模型进行图像修复，得到去模糊之后的推理图，构建组合损失函数，通过Adam算法优化训练得到优化后的去模糊网络。
10.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤S5中，将测试集的模糊图像输入到步骤S4优化后的去模糊神经网络，得到清晰的去模糊图像，结合测试集中清晰图像，评估生成图像的清晰度和准确性。
...【技术特征摘要】
1.一种基于频域特征的病理图像去模糊方法，其特征是：包括以下步骤：
2.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤s1中，筛选出清晰图像和模糊图像，具体筛选方式为：选出离焦距离为0的图像作为清晰图像，离焦距离为4微米的作为模糊图像。
3.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤s2中，具体包括以下步骤：
4.根据权利要求1所述一种基于频域特征的病理图像去模糊方法，其特征是：所述步骤s3中，基于频域特征的病理图像去模糊网络模型包括频域特征编码器、频域特征解码器和频域特征中间块。
5.根据权利要求4所述一种基于频域特征的病理图像去模糊方法，其特征是：所述频域特征中间块由1个频域卷积模块构成；所述频域特征编码器和频域特征解码器都由频域卷积模块堆叠而成；
6.根据权利要求5所述一种基于频域特征的病理图像去模糊方法，其特征是：所述频域卷积模块都包括层归一化layernorm、卷积conv2d、分组卷积conv2d、傅里叶变换层、...
【专利技术属性】
技术研发人员：冯晶，孙雨，刘娟，庞宝川，李诚，曹德华，李晋贤，严姗，
申请(专利权)人：武汉兰丁智能医学股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。