[发明专利]基于强可逆对抗网络的数字病理图像HE染色复原方法

权利要求书

1.一种基于强可逆对抗网络的数字病理图像HE染色复原方法，其特征在于，训练强可逆对抗网络，通过训练好的强可逆对抗网络对数字病理图像进行HE染色复原，整个强可逆对抗网络包含两个生成器G_A、G_B和两个判别器D_A、D_B，其中生成器G_A主要由编码G_{A_ENC}、映射G_{A_CORE}和解码G_{A_DEC}三部分组成，生成器G_B主要由编码G_{B_ENC}、映射G_{B_CORE}和解码G_{B_DEC}三部分组成，判别器D_A、D_B采用PatchGAN结构，所述强可逆对抗网络的训练过程包括以下步骤：

步骤1：利用已有的数字病理图像分别制作褪色前、后的图像数据集，将褪色后的数据集作为A域数据，未褪色的数据集作为B域数据；

步骤2：训练正向过程，将A域数据x输入正向生成器G_A，生成具有B域颜色风格的数据，其计算公式为：

步骤3：将生成的B域图像输入反向生成器G_B，形成重建回来的A域图像，其计算公式为：

步骤4：计算输入的A域图像和重建回来的A域图像之间的L₁范数，其损失函数计算公式为：

其中，L_{cyc_positive}(G_A,G_B)表示以G_A、G_B的输出计算的正向循环一致性损失值，表示服从于设定分布的数据x的期望值，G_A(*)表示生成器G_A的输出值，‖ ‖₁表示L₁范数；

步骤5：在将生成的B域图像输入反向生成器G_B重建A域图像的同时，将生成的B域图像以及真实的B域样本分别输入判别器D_B，分别得到它们的判别值，再根据判别值计算两者的损失值，其损失函数的计算公式为：

其中，L_adv(G_A,D_B)表示以G_A、D_B的输出计算的损失值，表示服从于设定分布的数据y的期望值，D_B(*)表示判别器D_B的输出值；

步骤6：训练逆向过程，将B域中的真实样本y输入生成器G_B，得到生成的A域图像，其计算公式为：

步骤7：将生成的A域数据输入生成器G_A，得到重建回来的B域数据，其计算公式为：

步骤8：计算输入的B域图像和重建回来的B域图像之间的L₁范数，其损失函数计算公式为：

其中，L_{cyc_revrese}(G_A,G_B)表示以G_A、G_B的输出计算的反向循环一致性损失值；

步骤9：在将生成的A域图像输入反向生成器G_B得到重建回来的B域图像的同时，将生成的A域图像以及真实的A域样本分别输入判别器D_A，分别得到它们的判别值，再根据判别值计算两者的损失值，其损失函数的计算公式为：

步骤10：步骤2-9为一次训练，包含4个损失函数，则总损失函数为：

L(G_A,G_B,D_A,D_B)＝L_adv(G_A,D_B)+L_adv(G_B,D_A)+L_{cyc_positive}(G_A,G_B)+L_{cyc_revrese}(G_A,G_B) (9)

步骤11：基于总损失函数L(G_A,G_B,D_A,D_B)更新并优化G_A、G_B、D_A、D_B，获得更优的卷积权值参数和偏置参数；

当总损失函数和生成器所生成的图像质量没有达到预先设定的重建效果，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数，并返回步骤2继续训练；

当总损失函数和生成器所生成的图像质量达到预先设定的重建效果，则停止反向传播，获得G_A、G_B、D_A、D_B最优的卷积权值参数和偏置参数。