[发明专利]数字病理图像染色归一化方法、电子装置及存储介质

权利要求书

1.一种数字病理图像的染色归一化方法，应用于数字病理图像的处理，其特征在于，包括如下步骤：

S110：对预存的数字病理切片图像进行数据解析，生成RGB图像I(x，y)，其中，I_R为RGB图像中的R通道的二维矩阵，I_G为RGB图像中G通道的二维矩阵，I_B为RGB图像中B通道的二维矩阵；

S120：根据预设的转换规则对所述RGB图像I(x，y)进行HSD变换，将所述RGB图像转换为HSD图像；

S130：利用所述HSD图像持续训练深度卷积高斯混合模型来提取求解不同风格图像的高斯混合模型，直至得到最优的深度卷积高斯混合模型；

S140：通过所述最优的深度卷积高斯混合模型对待检测组织病理HE染色数字病理图像进行染色归一化。

2.根据权利要求1所述的数字病理图像的染色归一化方法，其特征在于，所述转换规则为：

其中，所述H、S、D为图像在HSD空间下的不同通道。

3.根据权利要求1所述的数字病理图像的染色归一化方法，其特征在于，利用所述HSD图像训练深度卷积高斯混合模型来提取求解不同风格图像的高斯混合模型的过程包括：

通过卷积神经网络提取后验概率的向量γ；其中，所述向量γ为一个值处于(0，1)之间的k维向量；

获取所述HSD图像的像素点X＝{x₁，x₂，...，x_p}，计算所述HSD图像中的像素点x₁，x₂，...，x_p由第k个高斯分布生成的概率：

所述z_k为具有均值μ＝[μ₁，..，μ_k]，协方差∑＝σ²I的颜色的分布；

结合所述概率从向量γ以及HSD图像中求解π_k，∑_k，μ_k，持续训练深度卷积高斯混合模型，以利用梯度下降算法不断更新所述π_k，∑_k，μ_k。

4.根据权利要求3所述的数字病理图像的染色归一化方法，其特征在于，所述卷积神经网络包括卷积层、批处理层、激活层、池化层及Upsampling层。

5.根据权利要求3所述的数字病理图像的染色归一化方法，其特征在于，在结合所述概率从向量γ以及HSD图像中求解π_k，∑_k，μ_k，反复训练深度卷积高斯混合模型过程中，包括：

所述深度卷积高斯混合模型通过网络的正向传播得到gamma，通过gamma求解π_k，∑_k，μ_k。

6.根据权利要求3所述的数字病理图像的染色归一化方法，其特征在于，不断更新所述π_k，∑_k，μ_k过程中，利用对数似然函数持续更新直至得到π_k，∑_k，μ_k使得所述对数似然函数最大，所述对数似然函数为：

7.根据权利要求1所述的数字病理图像的染色归一化方法，其特征在于，通过最优的深度卷积高斯混合模型对待检测组织病理HE染色数字病理图像进行染色归一化的过程包括：

在待检测组织病理HE染色数字病理图像上应用所述最优的深度卷积高斯混合模型，所述最优的深度卷积高斯混合模型自动计算待检测图像中每个像素所属的类别，并根据每个像素所属类别分别对原图和待测试图像中同一类别的区域进行H、S、D的转换，完成染色归一化。

8.根据权利要求7所述的数字病理图像的染色归一化方法，其特征在于，所述H、S、D的转换至少包括平均值、白化和色彩变换。