[发明专利]多尺度超分辨率病理图像数字化方法、系统及存储介质

权利要求书

1.一种多尺度超分辨率病理图像数字化方法，其特征在于，包括以下步骤：

利用低分辨率镜头，对病理载玻片进行扫描数字化，获得待转换的低分辨率病理图像；

根据放大倍率需求构建以低分辨率病理图像为输入量，以低分辨率病理图像对应的多个尺度高分辨率图像为输出量的多尺度对抗网络，多尺度对抗网络包括生成网络以及鉴别网络；

以最大放大倍率采集载玻片的真实图像，并从真实图像中提取其它放大倍率的图像以及低分辨率图像，并将真实图像、对应的其它放大倍率的图像以及低分辨率图像输入至多尺度对抗网络中进行训练，得到训练好的多尺度对抗网络；

将待转换的低分辨率图像输入至训练好的多尺度对抗网络中，得到多个不同目标放大倍率的高分辨率图像；

所述生成网络中包括多个分别用于生成不同放大倍率的生成模块，所述多个生成模块并联连接，且多个生成模块由多个生成单位网络串联和/或并联构成，第J个生成模块输入图像的放大倍率要与输出端与其输入端连接的第J-1个生成模块输出图像的放大倍率相等，所述第J个生成模块的输出图像的放大倍率要与输入端与其输出端连接的第J+1个生成模块的输入图像的倍率相等，其中，J为大于0的整数；

将所述真实图像、对应的其它放大倍率的图像以及低分辨率图像输入至所述多尺度对抗网络中进行训练，得到训练好的多尺度对抗网络，具体以下步骤：

对于每一张低分辨率图像：

将所述低分辨率图像输入至所述各个生成模块中，得到所述各个生成模块的输出图像；

设各个生成模块中输出放大倍率最大的生成模块为第一类生成模块，其它生成模块为第二类生成模块；基于所述第一类生成模块的输出图像及其对应的图像块计算所述第一类生成模块的第一生成代价、第一鉴别代价以及第一感知代价，并根据所述第一生成代价、第一鉴别代价以及第一感知代价计算所述第一类生成模块的总代价；

基于各个第二类生成模块的输出图像及其对应的其它放大倍率的图像分别计算各个第二类生成模块的第二生成代价、第二感知代价，并根据各个第二生成代价、第二感知代价分别计算分别各个第二类生成模块的总代价；

根据所述第一类生成模块的总代价以及各个第二类生成模块的总代价计算所述多尺度对抗网络的总代价，以所述多尺度对抗网络的总代价最小为目标，根据所述总代价计算梯度值，并根据所述梯度值更新所述生成网络和鉴别网络的权值。

2.根据权利要求1所述的多尺度超分辨率病理图像数字化方法，其特征在于，所述生成模块包括残差卷积神经网络的特征提取器，密集网络的基本块和上采样重构层，所述的低分辨率指4倍或5倍放大倍率的图像，高分辨率指10倍以上放大倍率的图像。

3.根据权利要求2所述的多尺度超分辨率病理图像数字化方法，其特征在于，以最大放大倍率采集载玻片的真实图像，并从所述真实图像中提取其它放大倍率的图像以及低分辨率图像，具体包括以下步骤：

以最大放大倍率采集载玻片的多张真实图像，从每张真实图像中随机抽取多个不重叠的包含病理组织的图像块；

采用图像降采样和双三次插值算法对每张图像块进行采样，从每张图像块中降采样到其它放大倍率的图像以及低分辨率图像。

4.根据权利要求1所述的多尺度超分辨率病理图像数字化方法，其特征在于，所述多尺度对抗网络的总代价计算方式为：

 ；

其中，，k表示多尺度对抗网络中生成模块的序号，表示第k个生成模块代价的权重，表示第k个生成模块的总代价。

5.根据权利要求4所述的多尺度超分辨率病理图像数字化方法，其特征在于，所述第一类生成模块的总代价计算方式为：

;

其中，j为第一类生成模块的序号，为该生成模块的总代价；为第j个第一类生成模块对应的感知代价，表示第j个第一类生成模块对应的生成代价；鉴别代价；为误差函数，为一个特征计算函数，用于提取图像的高层次特征向量；表示第j个第一类生成模块中的输出图像对应的真实图像，表示第j个第一类生成模块的输出图像；表示鉴别网络的鉴别结果，判定输入图像的真假，是期望。