面向组织病理学图像的颜色迁移算法

颜色迁移是组织病理学图像颜色预处理中的重要环节.为了解决颜色迁移过程中某些重要结构颜色改变的问题,在保结构颜色迁移(structure-preserving color normalization,SPCN)算法基础上融合聚类过程,并结合稀疏非负矩阵分解(sparse non-negative matrix factorization,SNMF)提出K均值稀疏非负矩阵分解基组合(K-means and SNMF basis combination,KSBC)算法.首先通过K均值算法对图像聚类,根据聚类中心识别细胞结构;然后求解稀疏非负矩阵分解模型得到染色基和结构矩阵,根据聚类结果对结构矩阵和染色基准确组合.KSBC算法承袭了SPCN算法的特性,又能灵活地迁移和保留原图像结构颜色.在组织病理学图像数据库中进行对比实验,KSBC算法在图像质量评估指标上优于直方图匹配,Reinhard,Macenko,SPCN和高阶矩算法,并提高残差神经网络的泛化性能.

多尺度小波池化协方差网络:对噪声鲁棒的病理学图像分类算法

将基于深度学习的图像分类方法用于辅助病理学诊断优势突出,但获取病理学切片过程中产生的噪声会影响网络的泛化性能,进而降低分类算法的准确率.针对该问题,提出了一种鲁棒的病理学图像分类算法——多尺度小波池化协方差(multi-scale wavelet pooling covariance,MWPC)网络.MWPC网络主要由小波池化层、复合卷积层、多尺度特征融合和协方差特征提取层4个核心模块构成,其中小波池化层在抑制噪声影响的同时,保护了有效特征不受损失.多尺度特征融合将浅层特征与深层特征结合,使深层特征能够保留更多图像细节.协方差特征提取层可以获取图像的高阶统计特征,提高网络的泛化性能.在病理图像数据集上的测试结果表明,MWPC网络针对组织病理学图像分块级别的五分类任务,在无噪声条件下准确率可以达到90.90%,比ResNet提高1.68%,比Inception-v3分类网络提高0.43%;在模拟椒盐噪声、高斯噪声和柯西噪声等条件下,其噪声鲁棒性能提升明显,且能够降低平均噪声误差.多种网络模块的消融实验结果表明,MWPC网络能够提高网络分类性能和噪声鲁棒性.