【技术实现步骤摘要】
本专利技术属于医学影像处理，具体涉及一种带笔迹病理图像的修复方法及设备。
技术介绍
1、病理图像是医学诊断中非常重要的图像类型之一，通过对病理图像的分析和理解，医生可以准确地诊断病情并制定相应的治疗方案。
2、然而，在实际应用中，病理图像中常常存在大量的笔迹信息，这些信息具有两方面影响。一方面，带笔迹的病理图像会干扰医生对图像的阅读和理解，从而影响医生对图像中病变区域的准确识别和判断，降低诊断的准确性和效率；另一方面，不清晰的带有笔迹的病理图像会影响机器学习模型的训练，造成无法准确识别和诊断病变区域。
3、传统的病理图像去笔迹方法主要包括基于图像分割和基于深度学习的方法。
4、基于图像分割的方法通常采用图像分割算法将笔迹区域从图像中提取出来，然后通过填充、覆盖等方式将笔迹去除。然而，这种方法在面对复杂的染色风格和多种颜色笔迹时，效果往往不佳，甚至可能会损害图像中的重要组织信息。
5、基于深度学习的方法则主要利用卷积神经网络或残差网络等模型进行笔迹的识别和提取。这些方法在笔迹识别方面取得了一定的进展，但在笔迹提取和恢复方面往往存在一定的局限性，如难以完全去除笔迹、无法保留组织的颜色和形态等。
6、此外，现有的处理病理图像笔迹的方法还存在一些共同的问题。首先，这些方法往往只适用于特定的图像类型或笔迹颜色，难以适应不同的图像来源和条件。其次，这些方法在处理过程中可能会产生一定的误差，如笔迹提取不准确、组织信息损失等，这些误差可能会影响医生的诊断结果。
<
1、为了解决上述技术问题，本专利技术提出了一种带笔迹病理图像的修复方法及设备。
2、为了达到上述目的，本专利技术的技术方案如下：
3、第一方面，本专利技术公开一种带笔迹病理图像的修复方法，包括：
4、步骤s1：收集若干病理图像，并将每张病理图像划分为若干图像块；
5、步骤s2：将所有图像块以是否具有笔迹为标准，划分为“有笔迹”类源域图像块集合x和“无笔迹”类目标域图像块集合y；
6、步骤s3：对于集合x内的每个图像块，在该图像块的原始病理图像上寻找对应的“无笔迹邻域”，并计算该“无笔迹邻域”的染色风格矩阵；
7、步骤s4：将集合x、集合y以及所有染色风格矩阵输入图像域迁移模型进行训练，图像域迁移模型能够在染色风格矩阵的基础上，学习“有笔迹”类源域图像块与“无笔迹”类目标域图像块之间的映射关系，将“有笔迹”类源域图像块中的笔迹去除，并恢复与笔迹重叠的原始组织部分，生成恢复图像块；
8、步骤s5：将待处理的病理图像划分为若干图像块，并获取每个有笔迹图像块的“无笔迹邻域”的染色风格矩阵；
9、步骤s6：将待处理的病理图像的所有图像块及染色风格矩阵输入训练好的图像域迁移模型中，得到修复图像块；
10、步骤s7：将步骤s6得到的修复图像块拼接，生成修复后的病理图像。
11、在上述技术方案的基础上，还可做如下改进：
12、作为优选的方案，步骤s1具体包括：
13、步骤s1.1：收集若干病理图像；
14、步骤s1.2：将每张病理图像划分为若干图像块；
15、步骤s1.3：对步骤s1.2获取的图像块进行数据增广和/或数据增强。
16、作为优选的方案，步骤s3具体包括：
17、步骤s3.1：对于集合x内的每个“有笔迹”类源域图像块，以该图像块为中心，在原始病理图像的基础上，向外扩展一定范围；
18、步骤s3.2：在扩展范围内寻找所有无笔迹的图像块，并认定其为该图像块的“无笔迹邻域”；
19、步骤s3.3：计算“无笔迹邻域”的染色风格矩阵。
20、作为优选的方案，图像域迁移模型包括：
21、前向生成器，用于在染色风格矩阵及“有笔迹”类源域图像块的基础上，生成“无笔迹”伪图像块；
22、第一鉴别器，用于评估“无笔迹”伪图像块与“无笔迹”类目标域图像块之间的相似度；
23、反向生成器，用于将“无笔迹”伪图像块恢复为“有笔迹”伪图像块；
24、第二鉴别器，用于评估“有笔迹”伪图像块与“有笔迹”类源域图像块之间的相似度。
25、作为优选的方案，步骤s4具体包括：
26、步骤s4.1：将集合x内的“有笔迹”类源域图像块和染色风格矩阵输入图像域迁移模型的前向生成器，得到“无笔迹”伪图像块；
27、步骤s4.2：将“无笔迹”伪图像块输入第一鉴别器，评估其与集合y内的“无笔迹”类目标域图像块之间的相似度；
28、步骤s4.3：计算对抗性损失一，并优化前向生成器和第一鉴别器之间的对抗性能；
29、步骤s4.4：将“无笔迹”伪图像块输入反向生成器，得到“有笔迹”伪图像块；
30、步骤s4.5：将“有笔迹”伪图像块输入第二鉴别器，评估其与集合x内的“有笔迹”类源域图像块之间的相似度；
31、步骤s4.6：计算对抗性损失二，并优化反向生成器和第二鉴别器之间的对抗性能；
32、步骤s4.7：计算循环一致性损失，优化前向生成器和反向生成器之间的循环一致性。
33、此外，第二方面，本专利技术公开一种带笔迹病理图像的修复设备，包括：
34、收集处理模块，用于收集若干病理图像，并将每张病理图像划分为若干图像块；
35、划分模块，用于将所有图像块以是否具有笔迹为标准，划分为“有笔迹”类源域图像块集合x和“无笔迹”类目标域图像块集合y；
36、染色风格矩阵计算模块，用于对于集合x内的每个图像块，在该图像块的原始病理图像上寻找对应的“无笔迹邻域”，并计算该“无笔迹邻域”的染色风格矩阵；
37、模型训练模块，用于将集合x、集合y以及所有染色风格矩阵输入图像域迁移模型进行训练，图像域迁移模型能够在染色风格矩阵的基础上，学习“有笔迹”类源域图像块与“无笔迹”类目标域图像块之间的映射关系，将“有笔迹”类源域图像块中的笔迹去除，并恢复与笔迹重叠的原始组织部分，生成恢复图像块；
38、应用处理模块，用于将待处理的病理图像划分为若干图像块，并获取每个有笔迹图像块的“无笔迹邻域”的染色风格矩阵；
39、应用修复模块，用于将待处理的病理图像的所有图像块及染色风格矩阵输入训练好的图像域迁移模型中，得到修复图像块；
40、应用拼接模块，用于将应用修复模块得到的修复图像块拼接，生成修复后的病理图像。
41、作为优选的方案，收集处理模块具体包括：
42、病理图像收集单元，用于收集若干病理图像；
43、图像块划分单元，用于将每张病理图像划分为若干图像块；
44、数据处理单元，用于对图像块划分单元获取的图像块进行数据增广和/或数据增强。
45、作为优选的方案，染色风格矩阵计算模块具体包本文档来自技高网...
【技术保护点】
1.带笔迹病理图像的修复方法，其特征在于，包括：
2.根据权利要求1所述的修复方法，其特征在于，所述步骤S1具体包括：
3.根据权利要求1所述的修复方法，其特征在于，所述步骤S3具体包括：
4.根据权利要求1所述的修复方法，其特征在于，所述图像域迁移模型包括：
5.根据权利要求4所述的修复方法，其特征在于，所述步骤S4具体包括：
6.带笔迹病理图像的修复设备，其特征在于，包括：
7.根据权利要求6所述的修复设备，其特征在于，所述收集处理模块具体包括：
8.根据权利要求6所述的修复设备，其特征在于，所述染色风格矩阵计算模块具体包括：
9.根据权利要求6所述的修复设备，其特征在于，所述图像域迁移模型包括：
10.根据权利要求9所述的修复设备，其特征在于，所述模型训练模块具体包括：
【技术特征摘要】
1.带笔迹病理图像的修复方法，其特征在于，包括：
2.根据权利要求1所述的修复方法，其特征在于，所述步骤s1具体包括：
3.根据权利要求1所述的修复方法，其特征在于，所述步骤s3具体包括：
4.根据权利要求1所述的修复方法，其特征在于，所述图像域迁移模型包括：
5.根据权利要求4所述的修复方法，其特征在于，所述步骤s4具体包括：
6....
【专利技术属性】
技术研发人员：徐清华，文虎儿，
申请(专利权)人：苏州可帮基因科技有限公司，
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。