(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211161573.3 (22)申请日 2022.09.23 (71)申请人 杭州医策 科技有限公司 地址 311100 浙江省杭州市余杭区仓前街 道永乐村后木桥118号1幢2层205、 5层 505 (72)发明人 王晓梅　蔡博君　 (74)专利代理 机构 上海申新 律师事务所 31272 专利代理师 吴轶淳 (51)Int.Cl. G06V 10/24(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像矫正模型的训练方法及切片图像的色 彩矫正方法 (57)摘要 本发明涉及病理切片图像处理领域， 具体涉 及一种图像矫正模型的训练方法及切片图像的 色彩矫正方法， 包括： A1： 构建图像矫正模型， 包 括生成器和判别器； A2： 生成图像矫正模型的损 失函数； A 3： 将切片图像输入生成器， 根据切片图 像生成目标图像， 对目标图像评价生成第一评 分； A4： 根据目标图像生成重建图像， 对重建图像 评价以生 成第二评分； 并采用损失函数对图像损 失进行量化； A5： 调整 生成器和判别器， 随后返回 A3， 直至训练完成。 有 益效果在于： 通过训练基于 循环生成对抗网络生成的图像矫正模 型， 可直接 将切片图像映射至染色归一化后的目标图像， 避 免了色彩空间转换时造成的图像丢失或映射不 准确的问题， 并通过调整损失函数 实现了较好的 训练效果。 权利要求书2页 说明书8页 附图3页 CN 115239943 A 2022.10.25 CN 115239943 A 1.一种图像矫正模型的训练方法， 适用于对切片图像进行色彩矫正， 其特征在于， 包 括： 步骤A1： 构建所述图像矫正模型， 所述图像矫正模 型包括生成器和判别器； 步骤A2： 生 成 所述图像矫正模 型的损失函数； 步骤A3： 将切片图像输入 所述图像矫正模型的所述生 成器， 所述生成器将所述切片图像 从一原始域映射至一目标域以生成目标图像， 所述判别器对所 述目标图像的图像质量进行评价以生成第一评分； 步骤A4： 所述生成器将所述目标图像 自 所述目标域重新映射回所述原始 域以生成重建图像， 所述判别器对所述重 建图像的图像质 量进行评价以生成第二评分； 于所述步骤A3和所述步骤A4中， 采用所述损失函数分别对所 述目标图像和所述重 建图像的图像损失进 行量化； 步骤A5： 基于所述损失函数的量化结果、 所述第一评分和所述第二评分分别调整所述生成器和所述判别器， 随后返回所述步骤A3， 直至所述图像矫 正模型训练完成。 2.根据权利要求1所述的训练方法， 其特征在于， 所述步骤A2包括： 步骤A21： 分别生成 感知损失函数、 对抗损失函数、 第一交叉熵损失函数、 第二交叉熵损失函数和一致性损失函 数； 步骤A22： 根据所述感知损失函数、 所述感知损失函数、 所述第一交叉熵损失函数、 所述 第二交叉熵损失函数和所述循环一致性损失函数生成对应于所述生成器的第一损失函数 和对应于所述判别器的第二损失函数； 步骤A23： 分别对 所述第一损失函数的第一超参数 组 和所述第二损失函数的第二超参数组进行迭代， 随后输出所述第一损失函数和所述第二损 失函数作为所述损失函数。 3.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A21中， 所述感知损失函数的 生成方法包括： 采用卷积神经网络分类器分别对所述 目标图像提取第一高维特征图， 以及 对所述重建图像提取第二高维特征图； 根据所述第一高维特征图和所述第二高维特征图的 均方误差生成所述感知损失函数。 4.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A21中， 所述对抗损失函数的 生成方法包括： ； 其中， 为所述对抗损失函数，   为所述切片图像， 为所述判别器针对同一所 述切片图像生成的目标图像的输出结果的分布， 为基于切片图像生成的目标图像， 为所述判别器针对所述目标图像的输出结果的分布， 为梯度惩罚的系数， 为梯度惩罚项， 其中， 为所述切片图像到所述目标图像在任意直线 方向上的均匀采样值， 其 生成方法包括： ； 其中， 为随机数， 取值范围为[0,1]， 为所述切片图像， 为基于所述切片图像生 成的所述目标图像。 5.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A21中， 所述第一交叉熵损失 函数的生成方法包括： ； 其中， 为所述第一交叉熵损失函数， 表示所述判别器在所述生成器固定输入 所述切片图像时的输出 结果的分布； 所述第二交叉熵损失函数的生成方法包括：权　利　要　求　书 1/2 页 2 CN 115239943 A 2； 其中， 为所述第二交叉熵损失函数， 为所述目标域中的所述目标图像， 为 基于所述切片图像生成的所述目标图像， 为所述判别器针对相同的所述目 标图像时的输出 结果的分布。 6.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A21中， 所述循环一致性损失 函数的生成方法包括： ； 其中， 为所述循环一致性损失函数， 为所述切片图像， 为根据所述切片图 像生成的所述目标图像， 为基于所述目标图像重新映射至所述原始域的所述重 建图像， 为所述目标图像。 7.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A22中， 所述第一损失函数的 生成方法包括： ； 其中， 为所述第一损失函数， 为所述对抗损失函数， 为第一交叉熵损失函数， 为所述第一超参数组中的第一超参数； 所述第二损失函数的生成方法包括： ； 其中， 为所述第二损失函数， 为所述对抗损失函数， 为第二超参数组中的第 二超参数， 为所述第二交叉熵损失函数， 为所述第二超参数组中的第三超参 数， 为所述循环一 致性损失函数。 8.根据权利要求2所述的训练方法， 其特征在于， 所述步骤A23包括： 步骤A231： 采用所 述第一损失函数和所述第二损失函数对一验证模型进行预训练， 生成预训练模型； 步骤 A232： 对所述预训练模型进行校验并生成校验结果， 随后根据所述校验结果进一步生成结 构相似度； 步骤A233： 根据所述结构相似度调整所述第一超参数 组和所述第二超参数 组； 步 骤A234： 返回所述步骤A231， 直至满足迭代条件后将所述第一损失函数和所述第二损失函 数作为所述损失函数输出。 9.一种切片图像的色彩矫正方法， 其特征在于， 应用如权利要求1 ‑8任意一项所述的训 练方法训练得到的所述图像矫正模 型， 包括： 步骤B1： 对待扫描玻片采集切片图像； 步骤B2： 将所述切片图像输入所述图像矫 正模型， 以获得 所述图像矫 正模型输出的目标图像。权　利　要　求　书 2/2 页 3 CN 115239943 A 3