申请/专利权人：浙江大学

申请日：2024-01-05

公开（公告）日：2024-04-12

公开（公告）号：CN117877688A

主分类号：G16H30/20

分类号：G16H30/20;G06T7/00;G06V10/82;G06V10/764;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于任务约束增强对抗生成网络的数字病理图像标准化系统，包括数据集构建模块、数据预处理模块、生成器模块、判别器模块、任务约束模块和损失计算模块。本发明根据特定任务的计算机辅助病理诊断系统基于的深度学习模型的训练集构建规模庞大的源数据集，相较于数量有限的数字病理图像模板更能适配复杂多变的临床实践，同时将数字病理图像转化为灰度图作为生成器的输入保留了原始数字病理图像的结构信息。本发明在生成器模块中采用多层嵌套的U‑Net网络架构，可以生成分辨率更高的数字病理图像，同时引入任务约束以增强对抗生成网络，保证生成器针对特定任务学习到所需的图像特征，具有较强的普适性。

主权项：1.一种基于任务约束增强对抗生成网络的数字病理图像标准化系统，其特征在于，包括：数据集构建模块，用于根据特定任务的计算机辅助病理诊断系统基于的深度学习模型的数字病理图像训练集构建源数据集；数据预处理模块，用于对源数据集中的数字病理图像进行清洗并将RGB图像转化为灰度图，得到灰度图数据集；生成器模块，用于将数字病理图像灰度图输入生成器生成标准化的数字病理图像，所述生成器由多层相互嵌套的U-Net组成；判别器模块，用于通过判别器判别数字病理图像是否由生成器模块生成；任务约束模块，用于将标准化数字病理图像和原始数字病理图像分别输入根据特定任务训练完成的深度学习模型，得到模型计算结果；损失计算模块，用于根据生成器模块、判别器模块和任务约束模块得到的数据综合计算损失，对生成器模块和判别器模块进行优化；所述损失包括对抗损失、生成图像差值损失和任务损失，所述对抗损失用于衡量判别器判断的结果，所述生成图像差值损失为生成器生成图像与原始图像之间每个像素差值的绝对值的平均值，所述任务损失为生成器生成图像经过深度学习模型的结果矩阵与原始图像经过深度学习模型的结果矩阵按照位置依次做差取平方之后的平均值。

全文数据：

权利要求：

百度查询： 浙江大学 基于任务约束增强对抗生成网络的数字病理图像标准化系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD