【技术实现步骤摘要】
本专利技术涉及组织病理学图像染色标准化，具体涉及一种基于去噪扩散概率模型的自监督染色标准化方法。
技术介绍
1、随着计算机辅助检测/诊断的发展，组织病理学图像对癌症的诊断和预后变得越来越重要。然而，由于染色技术、操作技能和扫描仪规格的不同，组织病理学图像呈现不同的染色风格。这些多样的染色风格降低了计算机辅助检测/诊断算法的鲁棒性。
2、近年来，染色标准化方法仅限于传统的染色向量分解、基于学习的生成对抗网络和其变体。传统的染色标准化方法通常需要医学专业人员进行筛选染色模板，耗费大量时间和精力。基于学习的方法中监督方法需要配对的图像，临床应用中获取困难。无监督方法往往存在染色错误和细胞结构改变的问题，自监督方法大多于将灰度图像映射为彩色图像，存在泛化能力差和信息丢失的问题。
技术实现思路
1、针对现有染色标准化技术的不足，本专利技术的目的在于提供一种基于去噪扩散概率模型的自监督染色标准化方法，该方法系统地将染色归一化任务转换为一种自监督的像素对齐的色彩映射，避免了配对数据的需要，适应了多种染色风格，不需要重新训练即可适用不同的染色场景，同时设计了重新规划采样算法，具有速度快，准确性高，不破坏细胞形态结构等特点，为数字组织病理学图像的染色标准化提供了一个稳健而有效的解决方案，有利于提高疾病诊断和后续分析的准确性，推进临床实践和医学研究。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种基于去噪扩散概率模型的自监督染色标准化方法，该方法包括以下步
4、获取不同染色组织病理图像，并划分目标染色数据集和其它染色数据集；
5、对获取到的其它染色数据集进行预处理，将提取到的染色向量整合成染色矩阵数据库；
6、设计自监督染色标准化训练策略，利用染色矩阵数据库中的染色向量对目标染色数据集进行染色增强预处理；
7、构建基于去噪扩散概率模型的染色标准化模型，并利用预处理后的数据集对去噪扩散概率模型进行自监督训练；
8、判断训练是否达到预期效果，如是，在训练后的模型上采用重新归一化采样策略对组织病理图像进行采样，得到染色标准化结果；否则，重新调整自监督染色标准化训练策略，使用调整后的策略重新训练模型，直至达到满意的标准化效果。
9、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，对获取到的组织病理图像数据集进行整理，包括：
10、遍历获取到的组织病理图像数据集中所有的图像，对产生不同染色风格的组织病理图像进行划分；
11、筛选一种染色风格的目标染色图像，并存储为数据集0，其它染色图像存储为数据集1。
12、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述对获取到的其它染色数据集进行预处理，包括：
13、对数据集1中的每个组织病理图像，将图像的rgb彩色空间映射为lab颜色空间，在亮度通道上对图像进行阈值截断，获得组织区域像素掩码；
14、将图像的rgb彩色空间映射为光密度空间，对光密度图像进行乘以组织区域像素掩码，去除几乎没有染色的区域，以突出感兴趣的染色范围；
15、对经过截断的图像展平为向量，然后使用奇异值分解得到两个垂直的染色矩阵，数据集1中每个图像的染色矩阵组成染色矩阵数据库。
16、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述设计自监督染色标准化训练策略，包括：
17、从染色矩阵数据库中随机选择一个染色矩阵；
18、对于随机选择的染色矩阵，添加扰动；
19、对于扰动后的染色矩阵，在染色矩阵数据库中使用k近邻算法在染色矩阵数据库中搜索在欧式距离0.1以内的样本，确保搜索到的邻居数量大于5，否则返回染色矩阵数据库中重新选择染色矩阵进行增强；
20、对于输入图像，计算其染色矩阵；
21、将输入图像的染色矩阵校正为扰动后的染色矩阵，得到染色增强图像；
22、将染色增强图像添加高斯模糊，得到最终染色增强预处理后的图像。
23、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，对于随机选择的染色矩阵，添加扰动，表示为以下公式：
24、m′＝m×a+b
25、其中，m是随机选择的染色矩阵，m′是添加扰动后的染色矩阵，a为范围在0.3到1.7的随机数，b为范围在-0.7到0.7的随机数。
26、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述去噪扩散概率模型的构建，包括：
27、构建前向加噪过程，将图像经过参数化的马尔可夫链逐步添加噪声，直到其分布接近标准高斯分布；
28、构建用于预测噪声的unet网络，该网络接收带噪声图像xt、待标准化图像x和当前时刻t的输入，输出当前状态下预测的噪声
29、构建后向去噪过程，通过预测的随机噪声和带噪声的图像xt，经过反向推理得到下一时刻带噪声的图像xt-1，直到完全去除噪声得到染色标准化后的图像.
30、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，将图像经过参数化的马尔可夫链逐步添加噪声，直到其分布接近标准高斯分布，表示为以下公式：
31、
32、其中，x0表示未经过加噪的干净图像，xt是t时刻经过加噪的图像，∈是从正态分布中采样的随机噪声，是t时刻去噪扩散概率模型的超参数。
33、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述判断训练是否符合预期效果，包括：
34、比较训练模型生成的染色标准图像与真实要求的染色标准化图像在结构相似性ssim、峰值信噪比psnr、学习感知图像块相似度lpips方面的表现时，表示为以下公式：
35、
36、
37、
38、
39、其中μ是均值，σ是标准差，σxy是图像x和图像y的协方差，mse是两张图像的均方误差，maxvalue是图像像素可取到的最大值，和是由预训练的神经网络提取的第i层特征，wl是对应的权重向量。
40、将染色标准化结果应用于分类、分割等相关下游任务中，计算机辅助检测/诊断系统的对经过染色标准化图像的相应指标优于未经过染色标准化图像。
41、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述采用重新归一化采样策略对组织病理图像进行采样，包括：
42、将待标准化图像添加一定程度的噪声，并作为后向去噪过程中的初始图像；
43、通过非马尔科夫链方法，跳跃后向去噪过程中的部分步骤，从而快速准确的得到去噪扩散概率模型的染色标准化图像。
44、根据本专利技术提供的一种基于去噪扩散概率模型的自监督染色标准化方法，通过非马尔科夫链方法，跳跃后向去噪过程中的部分步骤，表示为以下公式：
45、<本文档来自技高网...
【技术保护点】
1.一种基于去噪扩散概率模型的自监督染色标准化方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对获取到的组织病理图像数据集进行整理，包括：
3.根据权利要求1所述的方法，其特征在于，所述对获取到的其它染色数据集进行预处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述设计自监督染色标准化训练策略，包括：
5.根据权利要求4所述的方法，其特征在于，对于随机选择的染色矩阵，添加扰动，表示为以下公式：
6.根据权利要求1所述的方法，其特征在于，所述去噪扩散概率模型的构建，包括：
7.根据权利要求6所述的方法，其特征在于，将图像经过参数化的马尔可夫链逐步添加噪声，直到其分布接近标准高斯分布，表示为以下公式：
8.根据权利要求1所述的方法，其特征在于，所述判断训练是否符合预期效果，包括：
9.根据权利要求1所述的方法，其特征在于，所述采用重新归一化采样策略对组织病理图像进行采样，包括：
10.根据权利要求9所述的方法，其特征在于：
【技术特征摘要】
1.一种基于去噪扩散概率模型的自监督染色标准化方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对获取到的组织病理图像数据集进行整理，包括：
3.根据权利要求1所述的方法，其特征在于，所述对获取到的其它染色数据集进行预处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述设计自监督染色标准化训练策略，包括：
5.根据权利要求4所述的方法，其特征在于，对于随机选择的染色矩阵，添加扰动，表示为以下公式：
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。