摘要目的 免疫组化病理图像存在数据稀缺与标注困难的问题,带标签的图像生成算法为其提供了解决方法.但现有图像生成方法虽关注语义信息,却忽略颜色特征,造成标注准确性不足.为此,笔者研究提出了一种融合扩散模型与颜色增强技术的带标签图像数据增强方法(DM-color),以提升生成病理图像的质量,并提高标注的准确度.方法 实验数据来源实验室自建的小鼠皮肤免疫组化染色的病理图像数据集,通过ImageScope软件对全数字扫描切片图像进行读取,在20倍镜下进行高分辨率截图,获取合适大小的病理图像制作成实验用数据集,包含细胞型122幅与分泌型160幅.采用ImageJ软件对这282幅图片进行阳性细胞或区域的标注,导出标注区域的坐标数据,并用自行编写的算法将其绘制成二值图像(像素0为背景,255为病变区域)制作为标签.基于扩散模型DatasetDM框架,引入颜色增强卷积(CEC)与颜色相似性注意力(CSA)双模块构建DM-color图像生成算法.采用弗雷谢特初始距离(FID)评估图像真实性,医学专家等级评分衡量标注准确度,并结合下游图像阳性细胞/区域分割任务,以平均交并比(mIoU)为主要评价指标,综合评价真实性与准确度.结果 与DatasetDM相比,改进的DM-color模型生成的细胞型图像,FID指标从42.31优化至37.51,分泌型图像改进前后FID指标分别为42.12和42.78.标注准确性评价显示,细胞型与分泌型图像的"优秀"占比分别提升13％和11.67％,语义分割任务中细胞型图像mIoU提升了 6.96％,分泌型图像提升了 6.10％.结论 改进的DM-color方法显著提升了生成免疫组化图像的准确度和真实性,有望在人工智能病理图像识别应用中提供新的方法.