一种基于编解码结构模型的细胞核图像颜色归一化的方法

本发明属于细胞核图像处理，特别涉及一种基于编解码结构模型的细胞核图像颜色归一化的方法。

背景技术：

1、在医学研究和临床诊断中，细胞核图像是重要的图像资源，用于研究细胞结构、分析病理学特征以及辅助疾病诊断。然而，不同来源、不同实验条件下获取的细胞核图像可能因染色条件、设备、处理方法等因素而呈现出颜色上的差异。在过去，医学研究者和临床医生在使用细胞核图像时，常常会面临颜色不一致的问题，这可能导致图像比较、分析和诊断的不准确性。因此，颜色归一化技术应运而生，旨在消除图像之间的颜色差异，使细胞核图像具有一致的颜色风格，从而提高图像分析和诊断的可靠性和准确性。

2、目前，现有的细胞核图像颜色归一化方法主要分为传统图像处理方法、基于统计学方法、基于gan网络的方法。传统图像处理方法通常基于手工设计的图像处理技术，例如颜色解卷积技术通常是基于事先定义的颜色矩阵，如果染色剂的反应存在变异或噪音，解卷积过程可能会受到影响，导致结果不够精确；基于统计学的方法利用统计学分析和机器学习技术来实现颜色归一化。然而，这些方法涉及到一些参数的设置，例如颜色通道数、稀疏表示的参数等，这些参数的选择对结果影响较大，需要经过反复调试和优化；基于gan网络的方法训练相对复杂，包括生成器和判别器的对抗性训练，需要细致的调参和大量的数据样本才能获得良好的效果；传统图像处理方法和统计学方法在颜色归一化过程中存在一定的局限性，例如对大规模和复杂数据的适应性不强、数据标记成本高、处理效率较低等；同时，基于gan网络的方法虽然具有一定的自学习能力，但在细胞核图像处理中可能存在不稳定性和处理效果不佳的问题。因此，为了对细胞核图像进行颜色归一化，本方案提出了一种编解码结构的模型，可以克服传统图像处理方法、统计学方法和基于gan的方法所面临的一些局限性。因此，需要设计一种基于编解码结构模型的细胞核图像颜色归一化的方法来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于编解码结构模型的细胞核图像颜色归一化的方法，该方法旨在构建一个编解码结构的模型并利用这个模型自动学习细胞核图像的颜色特征，实现对细胞核图像的颜色归一化，提高细胞核图像研究的效率和准确性，为医学和生物学研究提供有力的支持。

2、为实现上述技术效果，本发明所采用的技术方案是：

3、一种基于编解码结构模型的细胞核图像颜色归一化的方法，包括以下步骤：

4、s1，模型构建：构建编解码结构的模型，包括encoder和decoder两部分；

5、s2，数据准备：从数据库获取包含不同染色条件下的细胞核图像数据；

6、s3，数据预处理：对细胞核图像数据进行随机裁剪、随机水平翻转、随机垂直翻转、随机旋转、随机尺度缩放和随机仿射变换，并对像素值进行归一化；

7、s4，模型训练和验证：采用均方误差作为损失函数，使用adam优化器对所构建的unet模型进行训练；

8、s5，模型测试：完成训练后，使用测试集对训练好的模型进行测试。

9、优选地，步骤s1中，encoder将原始输入图像转换为特征向量，decoder将这些特征向量转换为归一化后的输出图像。

10、优选地，步骤s1中的模型构建由编码器和解码器组成，分别设计了下采样模块和上采样模块，下采样模块位于编码器，上采样模块位于解码器，编码器每一次下采样之前会将当前特征通过改进的跳连接模块传递给解码器。编码器部分的下采样模块由两个3×3的卷积层再加上一个2×2的maxpooling层组成，解码器部分的上采样模块由一个用于上采样的2×2的转置卷积加上两个3×3的卷积层组成；改进的跳连接模块加入了残差块，在低级特征与高级特征融合之前，分别通过3×3和1×1的卷积，将来自编码器的低级特征转化为更高级的特征；模型输出层增加了具有3个通道的输出，以生成彩色图像。

11、优选地，步骤s2中的数据库包括医学图像数据库、实验室采集或其他来源数据库。

12、优选地，步骤s2中，选取细胞核图像数据时选用包括多样颜色风格的细胞核图像，并且将整个数据集划分为训练集、验证集和测试集。

13、优选地，步骤s3中，对像素值进行归一化的具体方法如下：设图像的像素值为x，均值为μ，标准差为σ，归一化后的像素值x'计算公式为：

14、x'＝(x-μ)/σ；

15、通过上述公式对像素值进行归一化，将它们压缩到[0.0,1.0]的范围内。

16、优选地，步骤s3中，模型训练和验证的具体方法如下：

17、模型在训练集上进行多个epoch的训练，每个epoch迭代训练所有的样本；在每个epoch的训练过程中，计算训练损失并更新模型参数，以使模型逐渐优化；在每个epoch结束后，使用验证集对模型进行验证，计算验证损失；通过对模型在验证集上的表现进行评估，监控模型的泛化能力和学习效果。

18、本发明的有益效果为：

19、1，综合解决了传统图像处理方法和统计学方法在颜色归一化中的适应性不足、数据标记成本高、处理效率低的问题；

20、2，克服了基于gan网络的方法在细胞核图像处理中可能存在的不稳定性和处理效果不佳的问题。

技术特征：

1.一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s1中，encoder将原始输入图像转换为特征向量，decoder将这些特征向量转换为颜色归一化后的输出图像。

3.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s1中的模型构建由编码器和解码器组成，分别设计了下采样模块和上采样模块，下采样模块位于编码器，上采样模块位于解码器，编码器每一次下采样之前会将当前特征通过改进的跳连接模块传递给解码器。编码器部分的下采样模块由两个3×3的卷积层再加上一个2×2的maxpooling层组成，解码器部分的上采样模块由一个用于上采样的2×2的转置卷积加上两个3×3的卷积层组成；改进的跳连接模块加入了残差块，在低级特征与高级特征融合之前，分别通过3×3和1×1的卷积，将来自编码器的低级特征转化为更高级的特征；模型输出层增加了具有3个通道的输出，以生成彩色图像。

4.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s2中的数据库包括医学图像数据库、实验室采集或其他来源数据库。

5.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s2中，选取细胞核图像数据时选用包括多样颜色风格的细胞核图像，并且将整个数据集划分为训练集、验证集和测试集。

6.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s3中，对像素值进行归一化的具体方法如下：设图像的像素值为x，均值为μ，标准差为σ，归一化后的像素值x'计算公式为：

7.根据权利要求1所述的一种基于编解码结构模型的细胞核图像颜色归一化的方法，其特征在于：步骤s3中，模型训练和验证的具体方法如下：

技术总结
本发明公开了一种基于编解码结构模型的细胞核图像颜色归一化的方法，首先进行模型构建，构建编解码结构的模型，包括Encoder和Decoder两部分；然后进行数据准备和数据预处理，对数据库获取的细胞核图像数据进行随机裁剪、随机水平翻转、随机垂直翻转、随机旋转、随机尺度缩放和随机仿射变换，并对像素值进行归一化；最后进行模型训练和验证：采用均方误差作为损失函数，使用Adam优化器对所构建的模型进行训练并完成模型测试；该方案可以实现对细胞核图像的颜色归一化，提高细胞核图像研究的效率和准确性，为医学和生物学研究提供有力的支持。

技术研发人员：陈小辉,阮启胜,陈凌俊
受保护的技术使用者：三峡大学
技术研发日：
技术公布日：2024/2/6