[发明专利]面向深度学习模型训练和学习的病理图像数据增强方法

权利要求书

1.面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：包括对已有数据进行扩充，构建训练集，并将扩充完毕后的训练数据集送入深度学习网络中进行训练，具体步骤如下：

步骤1，获得病理图像，确定病理图像类型，确定病理图像的来源数据；

步骤2，基于颜色变化对已有的病理图像进行数据扩充；

步骤3，对已有的病理图像进行单一图像变化处理，得到扩充数据；

步骤4，对已有的病理图像进行两种或两种以上的图像变化处理，得到扩充数据；

步骤5，对已有的病理图像进行HE染色分离，得到扩充数据；

步骤6，将步骤2、3、4、5中得到的扩充数据组合形成训练集，将训练集送入深度学习网络中进行训练，并于原始的数据集训练数据进行对比。

2.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：在预测端加入对陌生数据的数据扩充，提高模型的预测能力，对陌生数据的数据扩充方法与步骤2、3、4、5相同。

3.如权利要求1或2中所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：步骤3和步骤4中的图像变化处理方式包括但不限于仿射、尺度变化、镜像、对比度调节、旋转、高斯滤波和弹性变化。

4.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：所述的步骤2中基于颜色对已有病理图像进行数据扩充的具体步骤如下：

步骤2.1，将图像从RGB颜色空间转换至LAB颜色空间；

步骤2.2，计算目标图像的一阶统计量。一阶统计量包含均值和方差，其中均值反映的是图像整体基于LAB色彩空间的亮度值和颜色核心分布区域，方差则是反映图像色彩的差异度，主要表现为颜色的分布范围的广度；

步骤2.3，对源图像的均值和方差通过下式进行变化，

其中，source_mean，表示源图像中的像素的均值和方差，target_mean，表示转换的目标图像中的像素的均值和方差，Normed_pixels表示经过处理后的图像的对应像素的值；

步骤2.4，在完成对目标图像中每一个像素的转换后，将图像从LAB颜色空间转换回RGB空间。

5.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：所述的步骤5中对已有的病理图像进行HE染色分离的方法具体步骤如下：

步骤5.1，通过下式将病理图像进行染色分离，得到到病理图像中关于基质和细胞核的信息，

式中HE_i,j表示HE分离图像中(i,j)位置的颜色密度值，RGB_i,j为原始RGB三通道图像中(i,j)位置的颜色密度值，2x3矩阵伪逆矩阵；

步骤5.2，采用所述的步骤2中的颜色变化步骤将分离出的图片进行标准化处理。