本发明专利技术公开一种低倍率病理图像的超分辨重建方法及设备，包括：收集若干不同倍率的病理图像；按照倍率的不同对所有病理图像进行分类，并将分类后的每张病理图像划分，得到低倍率图像块和高倍率图像块；将低倍率图像块与高倍率图像块输入SR‑CycleGAN模型内进行训练，SR‑CycleGAN模型用于学习低倍率图像块与高倍率图像块之间的映射关系，将低倍率图像块转换为高倍率状态；将训练好的SR‑CycleGAN模型应用在低倍率病理图像的超分辨重建上，生成对应高倍率病理图像。本发明专利技术能够显著提高低倍率病理图像的清晰度和细节展现，使得医生更容易阅读、理解并提高诊断的准确性。
2、然而，在实际应用中，由于设备限制、样品质量等因素，往往只能获取到低倍率的病理图像。这些低倍率图像往往存在模糊、细节不清等问题，给医生的诊断带来困难。另外，若使用扫描仪高倍镜扫描图像亦存在一些挑战，如：扫描速度慢，时间成本高，高倍镜图像尺寸过大导致医院的存储成本呈指数上升。同时，当放大倍率增大时，景深会相应减小，这意味着，对于不佳的组织平整性，可能会因对焦不准确而导致局部图像模糊。
5、基于深度学习的方法则通过训练深度神经网络学习低倍率图像和高倍率图像之间的映射关系，从而得到更高倍率的图像。然而，这种方法往往需要大量的配对训练数据，而且训练过程较为复杂，计算成本较高。
>3、第一方面，本专利技术公开一种低倍率病理图像的超分辨重建方法，包括：4、步骤s1：收集若干不同倍率的病理图像；
5、步骤s2：按照倍率的不同对所有病理图像进行分类，并将分类后的每张病理图像划分，得到低倍率图像块和高倍率图像块；
6、步骤s3：将步骤s2得到的低倍率图像块与高倍率图像块输入sr-cyclegan模型内进行训练，sr-cyclegan模型用于学习低倍率图像块与高倍率图像块之间的映射关系，将低倍率图像块转换为高倍率状态；
7、步骤s4：将训练好的sr-cyclegan模型应用在低倍率病理图像的超分辨重建上，生成对应高倍率病理图像。
8、在上述技术方案的基础上，还可做如下改进：
9、作为优选的方案，步骤s2包括：
10、步骤s2.1：按照倍率的不同对所有病理图像进行分类，分为：低倍率病理图像和高倍率病理图像；
11、步骤s2.2：将每张低倍率病理图像进行划分，得到低倍率图像块；
12、将每张高倍率病理图像进行划分，得到高倍率图像块；
13、步骤s2.3：将所有低倍率图像块上采样至与高倍率图像块同尺寸；
14、步骤s2.4：从所有低倍率图像块和高倍率图像块中分别筛选出高组织占比的图像块。
15、作为优选的方案，sr-cyclegan模型包括：
16、高倍率生成器，用于基于低倍率图像块生成伪高倍率图像块；
17、第一鉴别器，用于评估伪高倍率图像块与高倍率图像块之间的相似度；
18、低倍率生成器，用于基于伪高倍率图像块生成伪低倍率图像块；
19、第二鉴别器，用于评估伪低倍率图像块与低倍率图像块之间的相似度。
20、作为优选的方案，步骤s3包括：
21、步骤s3.1：将低倍率图像块生输入高倍率生成器，得到伪高倍率图像块；
22、步骤s3.2：使用第一鉴别器评估伪高倍率图像块与高倍率图像块之间的相似度；
23、步骤s3.3：计算对抗性损失一，并优化高倍率生成器和第一鉴别器之间的对抗性能；
24、步骤s3.4：将伪高倍率图像块输入低倍率生成器，得到伪低倍率图像块；
25、步骤s3.5：使用第二鉴别器评估伪低倍率图像块与低倍率图像块之间的相似度；
26、步骤s3.6：计算对抗性损失二，并优化低倍率生成器和第二鉴别器之间的对抗性能；
27、步骤s3.7：计算循环一致性损失，并优化高倍率生成器和低倍率生成器之间的循环一致性。
28、作为优选的方案，步骤s4包括：
29、步骤s4.1：将待处理的低倍率病理图像划分为若干低倍率图像块；
30、步骤s4.2：将步骤s4.1得到的低倍率图像块输入训练好的sr-cyclegan模型，生成高倍率图像块；
31、步骤s4.3：拼接步骤s4.2生成的高倍率图像块，得到高倍率病理图像。
32、第二方面，本专利技术还公开一种低倍率病理图像的超分辨重建设备，包括：
33、病理图像收集模块，用于收集若干不同倍率的病理图像；
34、图像块获得模块，用于按照倍率的不同对所有病理图像进行分类，并将分类后的每张病理图像划分，得到低倍率图像块和高倍率图像块；
35、模型训练模块，用于将图像块获得模块得到的低倍率图像块与高倍率图像块输入sr-cyclegan模型内进行训练，sr-cyclegan模型用于学习低倍率图像块与高倍率图像块之间的映射关系，将低倍率图像块转换为高倍率状态；
36、超分辨重建模块，用于将训练好的sr-cyclegan模型应用在低倍率病理图像的超分辨重建上，生成对应高倍率病理图像。
37、作为优选的方案，图像块获得模块包括：
38、分类单元，用于按照倍率的不同对所有病理图像进行分类，分为：低倍率病理图像和高倍率病理图像；
39、划分单元，用于将每张低倍率病理图像进行划分，得到低倍率图像块；
40、将每张高倍率病理图像进行划分，得到高倍率图像块；
41、上采样单元，用于将所有低倍率图像块上采样至与高倍率图像块同尺寸；
42、筛选单元，用于从所有低倍率图像块和高倍率图像块中分别筛选出高组织占比的图像块。
43、作为优选的方案，sr-cyclegan模型包括：
44、高倍率生成器，用于基于低倍率图像块生成伪高倍率图像块；
45、第一鉴别器，用于评估伪高倍率图像块与高倍率图像块之间的相似度；
46、低倍率生成器，用于基于伪高倍率图像块生成伪低倍率图像块；
47、第二鉴别器，用于评估伪低倍率图像块与低倍率图像块之间的相似度。
48、作为优选的方案，模型训练模块包括：
49、第一处理单元，用于将低倍率图像块生输入高倍率生成器，得到伪高倍率图像块；
50、第一鉴别单元，用于使用第一鉴别器评估伪高倍率图像块与高倍率图像块之间的相似度；
51、第一优化单元，用于计算对抗性损失一，并优化高倍率生成器和第一鉴别器之间的对抗性能；
52、第二处理单元，用于将伪高倍率图像块输入低倍率生成器，得到伪低倍率图像块；
53、第二鉴别单元，用于使用第二鉴别器评估伪低倍本文档来自技高网...
【技术保护点】
1.低倍率病理图像的超分辨重建方法，其特征在于，包括：
2.根据权利要求1所述的超分辨重建方法，其特征在于，所述步骤S2包括：
3.根据权利要求1所述的超分辨重建方法，其特征在于，所述SR-CycleGAN模型包括：
4.根据权利要求3所述的超分辨重建方法，其特征在于，所述步骤S3包括：
5.根据权利要求1所述的超分辨重建方法，其特征在于，所述步骤S4包括：
6.低倍率病理图像的超分辨重建设备，其特征在于，包括：
7.根据权利要求6所述的超分辨重建设备，其特征在于，所述图像块获得模块包括：
8.根据权利要求6所述的超分辨重建设备，其特征在于，所述SR-CycleGAN模型包括：
9.根据权利要求8所述的超分辨重建设备，其特征在于，所述模型训练模块包括：
10.根据权利要求6所述的超分辨重建设备，其特征在于，所述超分辨重建模块包括：
【技术特征摘要】
1.低倍率病理图像的超分辨重建方法，其特征在于，包括：
2.根据权利要求1所述的超分辨重建方法，其特征在于，所述步骤s2包括：
3.根据权利要求1所述的超分辨重建方法，其特征在于，所述sr-cyclegan模型包括：
4.根据权利要求3所述的超分辨重建方法，其特征在于，所述步骤s3包括：
5.根据权利要求1所述的超分辨重建方法，其特征在于，所述步骤s4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。