一种基于去噪扩散概率模型的自监督染色标准化方法

本发明涉及组织病理学图像染色标准化，具体涉及一种基于去噪扩散概率模型的自监督染色标准化方法。

背景技术：

1、随着计算机辅助检测/诊断的发展，组织病理学图像对癌症的诊断和预后变得越来越重要。然而，由于染色技术、操作技能和扫描仪规格的不同，组织病理学图像呈现不同的染色风格。这些多样的染色风格降低了计算机辅助检测/诊断算法的鲁棒性。

2、近年来，染色标准化方法仅限于传统的染色向量分解、基于学习的生成对抗网络和其变体。传统的染色标准化方法通常需要医学专业人员进行筛选染色模板，耗费大量时间和精力。基于学习的方法中监督方法需要配对的图像，临床应用中获取困难。无监督方法往往存在染色错误和细胞结构改变的问题，自监督方法大多于将灰度图像映射为彩色图像，存在泛化能力差和信息丢失的问题。

技术实现思路

1、针对现有染色标准化技术的不足，本发明的目的在于提供一种基于去噪扩散概率模型的自监督染色标准化方法，该方法系统地将染色归一化任务转换为一种自监督的像素对齐的色彩映射，避免了配对数据的需要，适应了多种染色风格，不需要重新训练即可适用不同的染色场景，同时设计了重新规划采样算法，具有速度快，准确性高，不破坏细胞形态结构等特点，为数字组织病理学图像的染色标准化提供了一个稳健而有效的解决方案，有利于提高疾病诊断和后续分析的准确性，推进临床实践和医学研究。

2、本发明通过以下技术方案来实现上述目的：

3、一种基于去噪扩散概率模型的自监督染色标准化方法，该方法包括以下步骤：

4、获取不同染色组织病理图像，并划分目标染色数据集和其它染色数据集；

5、对获取到的其它染色数据集进行预处理，将提取到的染色向量整合成染色矩阵数据库；

6、设计自监督染色标准化训练策略，利用染色矩阵数据库中的染色向量对目标染色数据集进行染色增强预处理；

7、构建基于去噪扩散概率模型的染色标准化模型，并利用预处理后的数据集对去噪扩散概率模型进行自监督训练；

8、判断训练是否达到预期效果，如是，在训练后的模型上采用重新归一化采样策略对组织病理图像进行采样，得到染色标准化结果；否则，重新调整自监督染色标准化训练策略，使用调整后的策略重新训练模型，直至达到满意的标准化效果。

9、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，对获取到的组织病理图像数据集进行整理，包括：

10、遍历获取到的组织病理图像数据集中所有的图像，对产生不同染色风格的组织病理图像进行划分；

11、筛选一种染色风格的目标染色图像，并存储为数据集0，其它染色图像存储为数据集1。

12、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述对获取到的其它染色数据集进行预处理，包括：

13、对数据集1中的每个组织病理图像，将图像的rgb彩色空间映射为lab颜色空间，在亮度通道上对图像进行阈值截断，获得组织区域像素掩码；

14、将图像的rgb彩色空间映射为光密度空间，对光密度图像进行乘以组织区域像素掩码，去除几乎没有染色的区域，以突出感兴趣的染色范围；

15、对经过截断的图像展平为向量，然后使用奇异值分解得到两个垂直的染色矩阵，数据集1中每个图像的染色矩阵组成染色矩阵数据库。

16、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述设计自监督染色标准化训练策略，包括：

17、从染色矩阵数据库中随机选择一个染色矩阵；

18、对于随机选择的染色矩阵，添加扰动；

19、对于扰动后的染色矩阵，在染色矩阵数据库中使用k近邻算法在染色矩阵数据库中搜索在欧式距离0.1以内的样本，确保搜索到的邻居数量大于5，否则返回染色矩阵数据库中重新选择染色矩阵进行增强；

20、对于输入图像，计算其染色矩阵；

21、将输入图像的染色矩阵校正为扰动后的染色矩阵，得到染色增强图像；

22、将染色增强图像添加高斯模糊，得到最终染色增强预处理后的图像。

23、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，对于随机选择的染色矩阵，添加扰动，表示为以下公式：

24、m′＝m×a+b

25、其中，m是随机选择的染色矩阵，m′是添加扰动后的染色矩阵，a为范围在0.3到1.7的随机数，b为范围在-0.7到0.7的随机数。

26、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述去噪扩散概率模型的构建，包括：

27、构建前向加噪过程，将图像经过参数化的马尔可夫链逐步添加噪声，直到其分布接近标准高斯分布；

28、构建用于预测噪声的unet网络，该网络接收带噪声图像xt、待标准化图像x和当前时刻t的输入，输出当前状态下预测的噪声

29、构建后向去噪过程，通过预测的随机噪声和带噪声的图像xt，经过反向推理得到下一时刻带噪声的图像xt-1，直到完全去除噪声得到染色标准化后的图像.

30、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，将图像经过参数化的马尔可夫链逐步添加噪声，直到其分布接近标准高斯分布，表示为以下公式：

31、

32、其中，x0表示未经过加噪的干净图像，xt是t时刻经过加噪的图像，∈是从正态分布中采样的随机噪声，是t时刻去噪扩散概率模型的超参数。

33、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述判断训练是否符合预期效果，包括：

34、比较训练模型生成的染色标准图像与真实要求的染色标准化图像在结构相似性ssim、峰值信噪比psnr、学习感知图像块相似度lpips方面的表现时，表示为以下公式：

35、

36、

37、

38、

39、其中μ是均值，σ是标准差，σxy是图像x和图像y的协方差，mse是两张图像的均方误差，maxvalue是图像像素可取到的最大值，和是由预训练的神经网络提取的第i层特征，wl是对应的权重向量。

40、将染色标准化结果应用于分类、分割等相关下游任务中，计算机辅助检测/诊断系统的对经过染色标准化图像的相应指标优于未经过染色标准化图像。

41、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，所述采用重新归一化采样策略对组织病理图像进行采样，包括：

42、将待标准化图像添加一定程度的噪声，并作为后向去噪过程中的初始图像；

43、通过非马尔科夫链方法，跳跃后向去噪过程中的部分步骤，从而快速准确的得到去噪扩散概率模型的染色标准化图像。

44、根据本发明提供的一种基于去噪扩散概率模型的自监督染色标准化方法，通过非马尔科夫链方法，跳跃后向去噪过程中的部分步骤，表示为以下公式：

45、

46、其中，xprev的prev表示与t可以间隔多个步长。

47、由此可见，因此，相对于现有技术，本发明具有以下有益效果：

48、1、自动化：传统组织病理学图像染色标准化通常要求专业人员根据染色效果手动挑选染色模板，而本发明充分利用去噪扩散概率模型，实现了对不同染色组织病理学图像的染色标准化，从而显著减轻了人力资源的负担，通过引入自动化处理，加速了组织病理学图像分析的整个流程。

49、2、准确性：通过自监督染色标准化训练策略进行充分训练和学习，本发明具备更高水平的对组织病理学图像染色标准化和形态学结构保留的能力。相对于目前现有的方法，本发明更为精准地识别组织病理学图像中的关键信息，从而提供更可信赖的染色标准化。

50、3、高效性：本发明采用高效的重新规划采样算法，解决了去噪扩散概率模型速度慢的缺点，速度相比去噪扩散概率模型的初始采样过程提高了120倍，达到了和传统方法相当的速度，这种实时性的分析过程为快速的诊断决策提供有力支持。

51、4、辅助决策：本发明对不同染色风格的组织病理学图像进行了染色标准化，解决了计算机辅助检测/诊断系统对不同染色风格的组织病理学图像泛化能力差的问题，通过结合计算机辅助检测/诊断系统的分析结果和医生的经验和判断，可以提高疾病诊断和预后分析的准确性和治疗的效果，有助于制定更准确的诊断和治疗决策。

52、5、减少对配对数据的依赖：自监督学习能够利用未配对的数据进行训练，从而减少对大量配对、不同染色风格的组织病理学图像的依赖。通过自监督学习，模型能够学习到数据中的内在规律和特征，从而在面对新的、未见过的数据时，能够表现出更好的泛化能力。

53、6、强大的生成能力：去噪扩散概率模型(ddm)在图像生成领域表现出色，能够生成高质量、逼真的图像，这种生成能力为染色标准化提供了坚实的基础，使得模型能够更好地模拟和还原目标染色风格。ddm通过逐步添加和去除噪声的方式，对数据进行训练和学习，使得模型能够更好地适应不同染色风格的病理图像，提高染色标准化的准确性和鲁棒性。

54、7、本发明设计自监督染色标准化训练策略，并根据训练效果进行动态调整，使得模型能够适应不同的数据分布和染色风格，达到更好的标准化效果。在训练后的模型上采用重新归一化采样策略对组织病理图像进行采样，可以得到高精度的染色标准化结果，这种采样策略能够确保标准化后的图像在保持原有组织结构的同时，具有一致的染色风格。

55、下面结合附图和具体实施方式对本发明作进一步详细说明。