CN119048446B 一種病理圖像成像質量評估方法 （江蘇微控生物科技有限公司）

產業開發區漓江路南國家安全科技產本發明公開了一種病理圖像成像質量評估優化后基于頻域特征的病理圖像質量評估深度2所述S4中深度神經網絡模型訓練和優化方將訓練集的訓練樣本對輸入深度神經網絡模型，深度神經網絡模型圖像I1和病理圖像I2進行特征提取，深度神經網絡模型的蒸餾網絡以其中一張病理圖像再通過建立輸入的另一副圖像IZ與生成圖像的損失函數來優化深度神經網絡模型函數采用KL散度損失函數Las，蒸餾損失函數包括像素損失函數Lpixel以及傅里葉損失函獲取光學顯微鏡在多個離焦平面所拍攝到的樣本病理圖像，得到訓練樣本對采用隨機成對采樣，在采樣時選取清晰病理選取離焦距離為0的圖像作為清晰病理圖像，選取離焦距離大于4微米的3絡模型的主干網絡包括四層Reslock，設主干網絡第三層ResBlock提取到的特征圖尺寸為,然后將該特征圖和主干網絡提取到的特征圖一并輸入到自適應實例歸一化其中，a表示輸入圖像I1的特征圖，cmean表示a的平均值，csra表示a的標準差，Bmean表示輸入的相互離焦距離特征p的平均值，Bsra表示輸入的相互離焦距離特征p的標準差；利用蒸餾網絡編碼器提取的特征和從主干網絡Res在解碼器階段，逐漸將特征圖恢復到原始圖像分辨率大小，最后與原通過計算真實概率分布與預測概率分布的差異，并對所有維度的差異求設圖像A經過蒸餾網絡后的輸出為f(xz)，期望值為配對圖像在每個像素上的差異，4將f(xz)和yi通過快速傅里葉變換到頻率域之后，計算f(xz)和yF(·)表示快速傅里葉變換。判定的病理圖像輸入優化后的病理圖像成像質量評估深度神經網絡模型，得到離焦距離，輸入的病理圖像通過模型計算出標簽概率分布后，再將推理出的概5由于細胞病理成像顯微鏡的放大倍數通常都很高，導致顯微鏡的景深通常很小（低于1微[0003]本發明的主要目的在于提供一種結合頻域特征和特征蒸餾的病理圖像成像質量[0009]S5、將待判定的病理圖像輸入優化后的病理圖像成像質量評估深度神經網絡模6[0024]再通過建立輸入的另一副圖像IZ與生成圖像的損失函數來優化深度神經網絡[0025]所述深度神經網絡模型的主干網絡包括四層Reslock，設主干網絡第三層一并輸入到自適應實例歸一化AdaIn模塊進行特征融合，利用相互離焦距離特征調整圖像Bmean表示輸入的相互離焦距離特征p的平均值，Bsra表示輸入的相互離焦距離特征p的標準差。[0028]利用蒸餾網絡編碼器提取的特征和從主干網絡ResNet中損失函數采用KL散度損失函數Lais，蒸餾損失函數包括像素損失函數Lpixel以及傅里葉損7[0034]所述KL散度損失函數Lais的計異，并對所有像素的差異取絕對值之后求和，然后除以總像素數目，得到像素損失函數8[0053]結合頻域特征，建立了基于頻域特征的病理圖像成像質量評估深度神經網絡模[0068]S5、將待判定的病理圖像輸入優化后的病理圖像成像質量評估深度神經網絡模9[0084]每個大小為2448×2048的z_stack圖像經過4比1降采樣后被分割成大小為224×[0085]測試集分為兩組，第一組包括697張圖像，使用與訓練集相同的染色方案進行處[0088]將訓練集的訓練樣本對輸入深度神經網絡模型，深度神經網絡模型的主干網絡成對圖像的離焦核進行估計，提取兩幅圖像之間的相互離焦距離特征，并將特征圖傳遞給蒸餾網絡（ConditionalUNet該網絡僅接受其中一張I1為例首先經過編碼器Embedding提取特征，每經過一層編碼器就通過一次最大池化將碼器之后不會再經過最大池化，因此這兩部分特征圖大小是對齊的，之后將蒸餾網絡（ConditionalUNet）編碼器和主干網絡ResNet第三層提取到的特征輸入到蒸餾網絡碼器提取的特征和從主干網絡ResNet中獲得的特征的互補信息，旨在學習到隱式離焦的信息；[0091]將該特征圖和主干網絡提取到的特征圖一并輸入到自適應實例歸一化AdaIn模塊Bmean表示輸入的相互離焦距離特征p的平均值，Bsra表示輸入的相互離焦距離特征p的標準差。加得到最終的輸出圖像，通過監督輸入的另一副圖像與生成圖像的像素損失和轉f(xz)，期望值為配對圖像y;在每個像素上的差異，并對所有像素的差異取絕對值之后求[0106]網絡模型代碼基于Pytorch1.12實現[0107]S5中將測試集的圖像輸入到步驟S4優化后的深度神經網為離焦距離，(-)為歐式距離度量，p(·)是概率值，真實標簽越接近這絡學習到的離焦距離特征傳遞給蒸餾網絡，蒸餾網絡融合了圖像特征與