【技术实现步骤摘要】
本专利技术属于涉及计算机辅助诊断、图像处理、以及深度学习相结合的，具体涉及一种基于多任务学习的病理图像虚拟染色方法。
技术介绍
1、作为肿瘤诊断的金标准，病理医生在光学显微镜下进行病理检查，通过观察染色制片后肿瘤组织的形态、细胞特征来完成肿瘤的确诊与定级。苏木精——伊红(hematoxylin-eosin，he)是病理诊断中最常用的染色剂，着重于展示细胞的组织结构。然而，he染色并不具备评估疾病分级所需的所有信息，对于不同的疾病，病理学家仍需要不同的免疫组织化学(immunohistochemistry，ihc)染色剂来分析特定的结构或异常物质。常见的免疫组化染色，如p57可以较好地着色滋养细胞层；ki67表现出对细胞核的特异性表示，常用于宫颈癌筛查等。但此类特殊染色的制备耗时、费力，特定疾病需要不同的ihc试剂，在下游医院推广开展的可行性不高。
2、随着数字扫描仪和深度学习的出现，病理切片诊断方式逐渐从显微镜下的镜检转变为数字切片的阅片。作为新时代的计算机辅助诊断方式，基于深度学习方法的模型可以在单一染色切片上生成不同的虚...
【技术保护点】
1.一种基于多任务学习的病理图像虚拟染色方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，所述生成器采用由编码器和解码器组成的Unet结构，并在中间加入Resnet残差结构优化编码器的特征提取。
3.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，所述判别器采用堆叠的卷积神经网络结构，添加全连接层作为病理类别分类部分。
4.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，针对源域向目标域的虚拟染色模型Ms2t包含目标域生成器Gs2t...
【技术特征摘要】
1.一种基于多任务学习的病理图像虚拟染色方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，所述生成器采用由编码器和解码器组成的unet结构，并在中间加入resnet残差结构优化编码器的特征提取。
3.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，所述判别器采用堆叠的卷积神经网络结构，添加全连接层作为病理类别分类部分。
4.根据权利要求1所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，针对源域向目标域的虚拟染色模型ms2t包含目标域生成器gs2t和目标域判别器ds2t，目标域向源域的虚拟染色模型mt2s包含源域生成器gt2s和源域判别器dt2s；
5.根据权利要求4所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，第一本体损失和第二本体损失采用两图像的li范数的期望值。
6.根据权利要求4所述的基于多任务学习的病理图像虚拟染色方法，其特征在于，第一循环损失和第二循环损失采用两图像的li范数的期望值。
<...
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。