(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 20221021413 5.2 (22)申请日 2022.03.04 (71)申请人 闽江学院 地址 350121 福建省福州市闽侯县溪 源宫 路200号闽江学院行政楼B201 (72)发明人 李佐勇　黄茂叶　樊好义　陈春强　 蔡远征　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈明鑫　蔡学俊 (51)Int.Cl. G06K 9/62(2022.01) G06T 5/00(2006.01) G06T 7/11(2017.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/80(2022.01) (54)发明名称 基于循环生成对抗网络的血液白细胞染色 风格转换方法 (57)摘要 本发明涉及一种基于循环生成对抗网络的 血液白细胞 染色风格转换方法。 通过引入无监督 分割策略， 本发 明解决了获取白细胞图像的标签 信息作为语义条件限制代价昂贵的难题， 并充分 利用已有的图像数据； 通过改进得到的多尺度鉴 别器 （Multi ‑scale Discriminator） ， 将多尺度 下采样操作获取的深、 浅层特征信息通过一个自 校正模块 （SCBlock） 进行特征融合矫正， 保证了 转换后图像的清晰度以及语义上的准确度。 广泛 的实验表明， 本发明所生 成的转换后的白细胞快 速染色图像不仅清晰、 准确， 同时， 利用本发明生 成的白细胞快速染色图像可以大大提升白细胞 图像分割的性能。 权利要求书2页 说明书8页 附图3页 CN 114662571 A 2022.06.24 CN 114662571 A 1.一种基于循环生成对抗网络的血 液白细胞染色风格转换 方法， 其特 征在于， 包括： 引入无监督分割策略， 获取语义指导信 息， 实现白细胞染色风格转换， 从而克服获取白 细胞图像的标签信息作为语义条件限制代价昂贵的难题， 并充分利用已有的图像数据； 改进多尺度鉴别器， 将多尺度下采样操作获取的深、 浅层特征信息通过一个自校正模 块进行特征融合矫正， 保证转换后图像的清晰度以及语义上的准确度。 2.根据权利要求1所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 该 方法具体实现如下： 将瑞氏染色下的白细胞图像定义为A域， 快速染色下的白细胞图像定义为B域， 定义两 个语义生 成器GA2B和GB2A分别用于从将A域的白细胞图像转换到B域和将B域的 白细胞图像转 换到A域， 以及两个多尺度鉴别器DA和DB分别用于 鉴别生成的A域和B域下的白细胞图像的真 实性， 并输出一个大小为N ×N的概率矩阵Mprob； 将真实的白细胞瑞氏染色 图像以及真实的 白细胞快速染色图像分别表示为 和 将生成的白细胞瑞氏染色图像和白细胞快速 染色图像分别表示为 和 其中 和 会被映射回原域上的图像， 将它们分别表 示为 和 当训练语义生成器GA2B时， 将 作为输入， 在由图像分割网络所生成的语义指导信息 下学习A域到B域的映射， 生成 接着， GB2A在语义指导信息的条件限制下， 会将生成的B域 的图像 映射回A域， 即生成 训练语义生成器GB2A的过程即将上述描述的转换方向进 行倒转； 训练GA2B与GB2A的过程可以表示 为： 当训练多尺度鉴别器时， 对于DA， 和 分别输入DA， 对于每一张输入图像， 多尺度 鉴别器输出对应的N ×N矩阵， 矩阵的每一个元素表示对应图像块是真实图像还 是虚假图像 的概率， 这里N的大小由多尺度鉴别器的结构决定； DB同理。 3.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 语义 生成器的总体损失LG表示为： LG＝α·Ladv+β·Lcyc+γ·Lidt      (3) 其中α、 β和γ为权重参数， Ladv、 Lcyc和Lidt分别表示adversarial  loss、 cycle   consistency  loss以及identity  loss。 4.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 多尺度鉴别器的总体损失LD表示为： 其中α 、 β 为权 重参数， 和 分别表示 为： 权　利　要　求　书 1/2 页 2 CN 114662571 A 2其中Mtrue和Mfalse表示布尔矩阵， 其大小与多尺度鉴别器输 出的预测矩阵的大小 一致， Yi 和 分别表示真实标签与预测值， i 为元素索引。 5.根据权利要求1所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 所述引入无监督分割 策略， 获取语义指导信息过程的实现方式为： 首先， 定义一 个分割网络G， 对于给定一张图像x， 生成分割网络预测图的过程表示 为： Predicti on＝argmax(BN(Co nv(G(x))))        (8) 分割网络的预测图大小为1 ×H×W， 分割网络的预测图上的每一个值表示预测类别； 对 属于同一语义类别的像素， 可以定位到对应原图像的区域， 之后计算对应区域的每一个通 道上的均值， 获取语义指导信息； 而后对图像采用均值滤波， 使 得语义指导信息图像中的 白 细胞在形态上 更加接近真实的白细胞。 6.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 所述语义生成器遵循编码器 ‑解码器架构， 并由残差编码器和Spade残差解码器 组成； 语义生成器利用生成的语义指导信息作为条件限制， 进而生成高质量的白细胞快速 染色图像。 7.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法， 其 特征在于， 所述多尺度鉴别器能够提取并融合 来自不同大小感受野的特 征信息。权　利　要　求　书 2/2 页 3 CN 114662571 A 3