一种基于深度学习的全场图病理图像质量优化方法技术

本发明专利技术公开了一种基于深度学习的全场图病理图像质量优化方法，其特征在于，包括：图像预处理单元，扩展有限数据至不同倍率场景，提升模型的适用性；图像生成单元，使用轻量级UNet架构网络，用于在实际使用时将低分辨率或模糊图像恢复到高清图像；图像判别单元，在模型训练中监督图像生成单元，促进对语义信息的深度挖掘和学习；预训练视觉模型，提取高清图像的高级语义特征，促进生成单元对图像结构信息的深度学习。本发明专利技术的算法系统能够在保持高运行效率的同时，实现病理图像的超分辨率和去模糊，改善了超分去模糊算法的高效性和实时性，满足了临床实践和研究的需求，具有广泛的应用前景。

【技术实现步骤摘要】

本专利技术属于图像去模糊，具体涉及一种基于深度学习的全场图病理图像质量优化方法。

技术介绍

1、病理图像超分去模糊旨在通过图像处理技术提高病理图像的清晰度和细节，对病理学和临床医学有重要的应用意义，现有技术方法主要从大规模数据集中学习图像特征和纹理，并生成高质量的图像，但通常这些方法的计算复杂度很高，亦或者不能同时处理超分和去模糊两个子任务，难以实现日常应用的轻量级部署应用，更谈不上镜下实时，使得该技术难以从理论落地到实际应用，因此，有必要研发新的算法系统，改善超分去模糊算法的高效性、实时性，以满足临床实践和研究的需求，确保病理图像超分去模糊技术的可落地性和应用价值。

技术实现思路

1、本专利技术的目的在于提供一种，以解决上述
技术介绍
中提出的问题。

2、为了实现上述目的，本专利技术采用了如下技术方案：

3、一种基于深度学习的全场图病理图像质量优化方法，包括：

4、图像预处理单元：扩展有限数据至不同倍率场景，提升模型的适用性。实现模型对复杂倍率恢复场景功能的可用性。

<本文档来自技高网...

【技术保护点】

1.一种基于深度学习的全场图病理图像质量优化方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的全场图病理图像质量优化方法，其特征在于：所述图像生成单元采用UNet架构网络，并结合图注意力模块，所述UNet架构网络被用于生成超分辨率图像；所述图注意力模块基于自注意力机制，能使模型自动关注重要的特征区域，将更多的计算资源分配给图像中的重要部分。

3.根据权利要求1所述的一种基于深度学习的全场图病理图像质量优化方法，其特征在于：所述图像判别单元基于视觉变换器架构，所述视觉变换器架构能有效地理解全局的图像结构信息，处理长距离的依赖关系，使得判别器能更准确...

【技术特征摘要】

1.一种基于深度学习的全场图病理图像质量优化方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的全场图病理图像质量优化方法，其特征在于：所述图像生成单元采用unet架构网络，并结合图注意力模块，所述unet架构网络被用于生成超分辨率图像；所述图注意力模块基于自注意力机制，能使模型自动关注重要的特征区域，将更多的计算资源分配给图像中的重要部分。

3.根据权利要求1所述的一种基于深度学习的全场图病理图像质量优化方法，其特征在于：所述图像判别单元基于视觉变换器架构，所述视觉变换器架构能有效地理解全局的图像结构信息，处理长距离的依赖关系，使得判别器能更准确地评估生成器生成的图像的质量。

...

【专利技术属性】
技术研发人员：杨林，郭锐哲，祝骋路，张士川，崔灿，杨蕊，
申请(专利权)人：杭州迪英加科技有限公司，
类型：发明
国别省市：