CN119048446B 一种病理图像成像质量评估方法 （江苏微控生物科技有限公司）

产业开发区漓江路南国家安全科技产本发明公开了一种病理图像成像质量评估优化后基于频域特征的病理图像质量评估深度2所述S4中深度神经网络模型训练和优化方将训练集的训练样本对输入深度神经网络模型，深度神经网络模型图像I1和病理图像I2进行特征提取，深度神经网络模型的蒸馏网络以其中一张病理图像再通过建立输入的另一副图像IZ与生成图像的损失函数来优化深度神经网络模型函数采用KL散度损失函数Las，蒸馏损失函数包括像素损失函数Lpixel以及傅里叶损失函获取光学显微镜在多个离焦平面所拍摄到的样本病理图像，得到训练样本对采用随机成对采样，在采样时选取清晰病理选取离焦距离为0的图像作为清晰病理图像，选取离焦距离大于4微米的3络模型的主干网络包括四层Reslock，设主干网络第三层ResBlock提取到的特征图尺寸为,然后将该特征图和主干网络提取到的特征图一并输入到自适应实例归一化其中，a表示输入图像I1的特征图，cmean表示a的平均值，csra表示a的标准差，Bmean表示输入的相互离焦距离特征p的平均值，Bsra表示输入的相互离焦距离特征p的标准差；利用蒸馏网络编码器提取的特征和从主干网络Res在解码器阶段，逐渐将特征图恢复到原始图像分辨率大小，最后与原通过计算真实概率分布与预测概率分布的差异，并对所有维度的差异求设图像A经过蒸馏网络后的输出为f(xz)，期望值为配对图像在每个像素上的差异，4将f(xz)和yi通过快速傅里叶变换到频率域之后，计算f(xz)和yF(·)表示快速傅里叶变换。判定的病理图像输入优化后的病理图像成像质量评估深度神经网络模型，得到离焦距离，输入的病理图像通过模型计算出标签概率分布后，再将推理出的概5由于细胞病理成像显微镜的放大倍数通常都很高，导致显微镜的景深通常很小（低于1微[0003]本发明的主要目的在于提供一种结合频域特征和特征蒸馏的病理图像成像质量[0009]S5、将待判定的病理图像输入优化后的病理图像成像质量评估深度神经网络模6[0024]再通过建立输入的另一副图像IZ与生成图像的损失函数来优化深度神经网络[0025]所述深度神经网络模型的主干网络包括四层Reslock，设主干网络第三层一并输入到自适应实例归一化AdaIn模块进行特征融合，利用相互离焦距离特征调整图像Bmean表示输入的相互离焦距离特征p的平均值，Bsra表示输入的相互离焦距离特征p的标准差。[0028]利用蒸馏网络编码器提取的特征和从主干网络ResNet中损失函数采用KL散度损失函数Lais，蒸馏损失函数包括像素损失函数Lpixel以及傅里叶损7[0034]所述KL散度损失函数Lais的计异，并对所有像素的差异取绝对值之后求和，然后除以总像素数目，得到像素损失函数8[0053]结合频域特征，建立了基于频域特征的病理图像成像质量评估深度神经网络模[0068]S5、将待判定的病理图像输入优化后的病理图像成像质量评估深度神经网络模9[0084]每个大小为2448×2048的z_stack图像经过4比1降采样后被分割成大小为224×[0085]测试集分为两组，第一组包括697张图像，使用与训练集相同的染色方案进行处[0088]将训练集的训练样本对输入深度神经网络模型，深度神经网络模型的主干网络成对图像的离焦核进行估计，提取两幅图像之间的相互离焦距离特征，并将特征图传递给蒸馏网络（ConditionalUNet该网络仅接受其中一张I1为例首先经过编码器Embedding提取特征，每经过一层编码器就通过一次最大池化将码器之后不会再经过最大池化，因此这两部分特征图大小是对齐的，之后将蒸馏网络（ConditionalUNet）编码器和主干网络ResNet第三层提取到的特征输入到蒸馏网络码器提取的特征和从主干网络ResNet中获得的特征的互补信息，旨在学习到隐式离焦的信息；[0091]将该特征图和主干网络提取到的特征图一并输入到自适应实例归一化AdaIn模块Bmean表示输入的相互离焦距离特征p的平均值，Bsra表示输入的相互离焦距离特征p的标准差。加得到最终的输出图像，通过监督输入的另一副图像与生成图像的像素损失和转f(xz)，期望值为配对图像y;在每个像素上的差异，并对所有像素的差异取绝对值之后求[0106]网络模型代码基于Pytorch1.12实现[0107]S5中将测试集的图像输入到步骤S4优化后的深度神经网为离焦距离，(-)为欧式距离度量，p(·)是概率值，真实标签越接近这络学习到的离焦距离特征传递给蒸馏网络，蒸馏网络融合了图像特征与