CN110705403A - 细胞分类方法、装置、介质及电子设备 - Google Patents

Abstract

本公开实施例提供了一种细胞分类方法、细胞分类装置、计算机可读介质及电子设备，涉及生物识别技术领域。该细胞分类方法包括：获取包含多个细胞的待识别图像；确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。本公开实施例的技术方案通过获取待识别图像中的细胞图像，基于细胞图像对细胞进行分类确定分类结果，并将分类结果标注在待识别图像中，能够提高细胞分类的准确性。

Description

细胞分类方法、装置、介质及电子设备

技术领域

本公开涉及生物识别技术领域，具体而言，涉及一种细胞分类方法、细胞分类装置、计算机可读介质及电子设备。

背景技术

随着人工智能技术的成熟，机器学习的应用范围越来越广泛，例如数据挖掘、自然语言处理、DNA序列预测等等。在生物学研究领域，大量的生物特征对于研究人员来说，识别和分类的工作量十分巨大。而，在生物特征中对于细胞特征的分析显得基础又重要。

目前，对细胞的分析主要靠研究人员人眼观察进行分类识别，观察大量的样本数据很容易因疲劳而导致误差；或者，也利用一些常用的细胞染色方法对细胞进行分类识别，但是染色反应局限于细胞自身的特性，导致不同的细胞有可能呈现同样或者相近的颜色，不利于研究。例如，在疾病诊断时，病理图像经过染色后，医生会根据染色后的图像判断细胞是否发生病变等医学问题。在医生观察病理图像时，很容易因工作压力、视觉疲劳等各种问题导致诊断结果出错。

因此，亟需一种细胞识别方法来解决或改善上述问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种细胞分类方法，进而至少在一定程度上克服细胞分类准确率低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种细胞分类方法，包括：获取包含多个细胞的待识别图像；确定待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

在本公开的一种示例性实施例中，所述利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，包括：将验证数据输入所述分类模型中，获取所述验证数据的识别结果，其中，所述验证数据包括多个未识别的细胞样本图像；提取出所述识别结果中预测概率低于预设值的细胞样本图像，获得训练数据；基于所述训练数据对所述分类模型进行训练，获得目标分类模型；将所述细胞图像输入目标分类模型中，获得分类结果。

在本公开的一种示例性实施例中，所述确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像，包括：利用训练后的分割模型识别所述待识别图像中的细胞轮廓，对所述待识别图像进行分割，获取细胞图像。

在本公开的一种示例性实施例中，利用训练后的分割模型识别所述待识别图像中的细胞之前，还包括：获取样本图像，对样本图像中的细胞进行标注；利用标注后的样本图像训练所述分割模型，以获得训练后的分割模型。

在本公开的一种示例性实施例中，所述获取样本图像，对样本图像中的细胞进行标注，包括：对所述样本图像中不同类别的细胞标注为不同的标签，其中，所述样本图像的背景图像标注为目标标签。

在本公开的一种示例性实施例中，所述利用标注后的样本图像训练所述分割模型，包括：基于标注后的样本图像的标签确定所述分割模型的损失函数，以使所述分割模型识别所述目标标签对应的背景图像，以及除所述目标标签之外的其他标签对应的细胞图像。

在本公开的一种示例性实施例中，利用训练后的分类模型对所述细胞图像进行分类，获取分类结果之前，还包括：

利用标注后的样本图像训练所述分类模型，以使所述训练后的分类模型识别出不同类别的细胞图像。

根据本公开实施例的第二方面，提供了一种细胞分类装置，包括：图像获取单元，用于获取包含多种细胞的待识别图像；细胞定位单元，用于确定待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；细胞分类单元，用于利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；分类标识单元，用于按照所述细胞所属的类别，将所述分类结果标注在待识别图像中。

根据本公开实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的细胞分类方法。

根据本公开实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的细胞分类方法。

本公开实施例提供的技术方案可以包括以下有益效果：

在本公开的一些实施例所提供的技术方案中，一方面，通过将待识别图像中的细胞图像分离出来，对细胞图像进行分类并将细胞所属的类别标注在待识别图像中，能够对待识别图像中的每一细胞进行分类识别，节省人工逐一判断的时间，提高识别效率。另一方面，可以减少由于细胞物理特性限定导致染色颜色相近难以区分的问题，提高细胞分类识别的准确性。再一方面，将分类结果标注在待识别图像中可以更加直观对研究人员展示，使得研究人员更加快速地进行判断得出结论，从而提高体验感受。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开的实施例的细胞分类方法的流程图；

图2示意性示出了根据本公开的另一实施例的细胞分类方法的流程图；

图3示意性示出了根据本公开的实施例的细胞分类装置的框图；

图4示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本发明人发现，细胞识别对生物学研究以及医学诊断等领域具有重大的意义，研究人员通常是对细胞进行染色，通过染色后的细胞呈现的颜色对细胞进行分类，但是由于细胞的特性导致细胞呈现的颜色比较相近，导致分类误差较大。

基于此，本示例实施例中首先提出一种细胞分类方法，该方法的执行主体可以是计算处理功能的设备，例如服务器、云主机等。如图1所示，该细胞分类方法可以包括步骤S110、步骤S120、步骤S130以及步骤S140。其中：

步骤S110，获取包含多个细胞的待识别图像；

步骤S120，确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；

步骤S130，利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；

步骤S140，按照所述细胞所属的类别，将所述分类结果标注在待识别图像中。

在本示例实施例所提供的技术方案中，一方面，通过将待识别图像中的细胞图像分离出来，对细胞图像进行分类并将细胞所属的类别标注在待识别图像中，能够对待识别图像中的每一细胞进行分类识别，节省人工逐一判断的时间，提高识别效率。另一方面，可以减少由于细胞物理特性限定导致染色颜色相近难以区分的问题，提高细胞分类识别的准确性。再一方面，将分类结果标注在待识别图像中可以更加直观对研究人员展示，使得研究人员更加快速地进行判断得出结论，从而提高体验感受。

下面对本示例实施例中的各个步骤进行更加详细的说明。

参考图1所示，在步骤S110中，可以获取包含多个细胞的待识别图像。

待识别图像可以指生物组织的切片图像，不同的生物组织包含的细胞种类不同，对生物组织进行切片后该切片在显微镜下的图像可以为待识别图像。待识别图像中可以包含成千上万的细胞，同一种类的细胞形态也不同，可以对需要识别的目标生物组织进行切片得到待识别图像。或者，可以通过医疗平台的数据库获取患者的目标组织的病理切片为待识别图像。在本示例实施例中，以肾小球组织为例，来说明对待识别图像的识别过程，当然，本公开实施方式不限于此，在其他实施例中也可以对其他组织中包含的细胞进行识别。

在步骤S120中，确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出多个细胞分别对应的细胞图像。

通过对待识别图像进行图像处理可以确定识别图像中的细胞轮廓信息，从而根据细胞轮廓信息将细胞图像从待识别图像中分离出来。基于待识别图像的亮度，亮度发生变化的地方可以确定为待识别图像中边缘的位置，从而将该位置处的细胞分离出来。利用边缘检测算法可以对待识别图像进行边缘检测，从而确定待识别图像中的细胞轮廓，将待识别图像中的细胞分割出来得到细胞图像。或者，通过机器学习算法确定待识别图像中的细胞图像，可以先训练一分割模型，利用训练后的分割模型识别待识别图像中的细胞轮廓，对待识别图像进行分割，获取细胞图像。训练该分割模型可以具体通过以下步骤：获取样本图像，对样本图像中的细胞进行标注；利用标注后的样本图像训练分割模型，以获得训练后的分割模型。具体地：

样本图像可以包括包含细胞的图像，将图像中的细胞标注出来，作为分割模型学习的目标，例如，图像中的背景部分可以标注为“0”，细胞标注为“1”等。此外，不同种类的细胞可以标注为不同的标签，例如肾小球组织细胞，可以将图像背景可以标注为“0”，系膜细胞标注为“1”，足细胞标注为“2”，内皮细胞标注为“3”等。标注后的样本图像中可以包含标注的多个标签，为了能够在分割模型训练时减少特征量，可以将背景图像标注为一特定值。该特定值可以作为目标标签，以便于在训练模型时对目标标签的特征进行处理。

然后，将带有标签的图像作为分割模型的训练数据，对分割模型进行训练。示例性地，该分割模型可以通过卷积神经网络算法进行训练，网络结构可以包括卷积层、池化层、反卷积层、级联层，该网络结构的输入可以是一个三通道的二维图像，通过不断提取特征并对每个像素进行分类，从而得到最终的分割结果。其中，卷积层可以利用每个卷积核提取输入图像上所有位置的特定特征，实现同一个输入图像上的权值共享。为了提取不同的特征，可以使用不同的卷积核进行卷积操作。为使特征更加有效，在卷积层后还可以引入非线性映射。池化层可以对每个特征图进行下采样操作，可以采用最大池化方法，以使得保留主要特征的同时，减少参数和计算量，提高模型的泛化能力。反卷积层可以对特征图填补后做卷积操作。反卷积除了进行特征的提取外，还能放大特征图的尺寸。级联层是将两个特征图进行组合的操作，对两个特征图分别进行卷积操作后将这两个特征图进行级联，这就相当于给两个特征图加了不同的权重，然后将卷积过后的特征图进行级联。此外，还可以通过其他方法训练分割模型，例如U型卷积网络算法等，本实施例对此不做特殊限定。

示例性实施例中，为了能够提高分割模型的训练效率，可以将目标标签的特征去除，使目标标签对应的背景图像的特征不被计算到损失中，加快分割模型的收敛。例如，采用损失函数dice-coef-loss，标签为“0”的图像特征不会被计算到损失中。在识别到细胞轮廓时，可以将细胞轮廓的最小外包矩形作为目标区域进行裁取，得到样本图像的局部图像。每一局部图像可以为一细胞图像，得到多个细胞图像后，还可以对所有细胞图像进行同一比例的放大，便于对细胞图像所属的类别进行识别。

在步骤S130中，利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别。

分割得到细胞图像后，可以通过分类模型对细胞图像进行识别判断细胞图像对应的细胞类别，该分类模型可以通过深度残差网络算法训练。具体地，可以先获取训练数据，该训练数据可以是细胞图像，且细胞图像需要进行标注，不同类别的细胞图像标注为不同的标签，从而得到大量的标注后的细胞图像。将标注后的细胞图像输入分类模型，并且采用深度残差网络算法对分类模型进行训练，从而得到训练完成的分类模型。该分类模型可以对未识别的细胞图像进行识别。

为了提高分类模型的精确性，可以通过不断积累新的数据训练分类模型。具体的，本示例性实施例中，可以采用跨层连接的深度残差网络进行分类识别，在深度残差网络中对每组网络层采用残差学习。随着卷积神经网络深度的增加，后面的层级的学习能力将会退化，使用残差网络可以解决深度神经网络中梯度下降的问题。打破了传统的神经网络n-1层的输出只能给n层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，通过跨层连接的深度网络学习细胞之间的微小差异，实现多类细胞的准确分类。

通过深度残差网络算法可以完成对分类模型的训练，得到训练后的分类模型后，可以利用分类模型对细胞图像进行分类识别，确定分类结果。并且，可以采用主动学习的方法对分类模型再次进行训练，以使得分类的精确性更高。参考图2，本实施方式可以包括以下步骤：

步骤S201，将验证数据输入所述分类模型中，获取所述验证数据的识别结果，其中，所述验证数据包括多个未识别的细胞样本图像；

步骤S202，提取出所述识别结果中预测概率低于预设值的细胞样本图像，获得训练数据；

步骤S203，基于所述训练数据对所述分类模型再次进行训练，获得目标分类模型；

步骤S204，将所述细胞图像输入目标分类模型中，获得分类结果。

其中，细胞样本图像可以指未识别的单个细胞的图像，也可以指包含多种细胞的切片图像。获取大量未识别的细胞图像作为验证数据，将验证数据输入分类模型中，通过该分类模型可以对验证数据进行识别，预测细胞样本图像所属的类别，得到预测结果。例如，预测结果为：图像属于A类的概率是0.5，而系膜细胞图像标注的标签为A，则表示该图像为系膜细胞的概率为50％。

对验证数据中每一细胞样本图像均进行预测，得到每一细胞样本图像的预测结果。然后将预测概率低于预设值的细胞样本图像筛选出来，作为训练数据。预设值可以根据实际求进行设定，例如为0.5、0.2、0.1等，也可以为其他概率值，例如0.3、0.4等，本实施例对此不做限定。如果分类模型对细胞样本图像的预测概率较低，低于预设值，则可以说明分类模型对该细胞样本图像的特征的不确定性，该细胞样本图像对于该分类模型具有较大的学习价值，更有利于该分类模型的精度提升。

因此，将预测概率低于预设值的细胞样本图像提取出来可以作为训练数据，利用训练数据对该分类模型再次进行训练，得到目标分类模型。训练目标分类模型的算法可以与上述分类模型的相同，例如采用深度残差网络算法，也可以与上述分类模型的不同，例如目标分类模型可以采用决策树算法等。

训练得到目标分类模型后，将待识别的细胞图像输入目标分类模型中，对细胞图像进行识别可以获得分类结果。此外，还可以对目标分类模型再次进行训练，即，将目标分类模型的预测概率较低的细胞图像提取出来再次对目标分类模型进行训练，得到新的分类模型。通过主动学习，不断地改进，可以使得分类模型的精确度越来越高，从而使得分类模型对细胞图像的识别更加准确。

在步骤S140中，按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

本示例实施例中，可以将待识别图像中的各个细胞进行标注，并将标注后的图像展示给用户，例如系膜细胞标注为“1”，足细胞标注为“2”，内皮细胞标注为“3”等。将分类结果标注在待识别图像中可以使用户更加直观地看到待识别图像中包含的细胞的类别，便于用户进行研究和判断，例如待识别图像为肾脏病理切片，将标注后的图像展示在医生，可以使得医生方便地疾病诊断，避免对细胞进行染色反应时，由于颜色相近难以区分而导致误差。

以下介绍本公开的装置实施例，可以用于执行本公开上述的细胞分类方法。如图3所示，该细胞分类装置300可以包括图像获取单元310、细胞定位单元320、细胞分类单元330、分类标识单元340。具体地：

图像获取单元310，可以用于获取包含多个细胞的待识别图像；细胞定位单元320，用于确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；细胞分类单元330，用于利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；分类标识单元340，用于按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

在本公开的示例性实施例中，细胞分类单元330可以包括：第一识别单元，用于将验证数据输入所述分类模型中，获取所述验证数据的识别结果，其中，所述验证数据包括多个未识别的细胞样本图像；数据获取单元，用于提取出所述识别结果中预测概率低于预设值的细胞样本图像，获得训练数据；分类模型训练单元，用于基于所述训练数据对所述分类模型再次进行训练，获得目标分类模型；第二识别单元，用于将所述细胞图像输入所述目标分类模型中，获得分类结果。

在本公开的示例性实施例中，细胞定位单元320可以用于：利用训练后的分割模型识别所述待识别图像中的细胞轮廓，对所述待识别图像进行分割，获取细胞图像。

在本公开的示例性实施例中，该细胞分类装置300还包括：标注单元，用于获取样本图像，对样本图像中的细胞进行标注；第一模型训练单元，用于利用标注后的样本图像训练所述分割模型，以获得训练后的分割模型。

在本公开的示例性实施例中，标注单元用于：对所述样本图像中不同类别的细胞标注为不同的标签，其中，所述样本图像的背景图像标注为目标标签。

在本公开的示例性实施例中，模型训练单元可以用于：基于标注后的样本图像的标签确定所述分割模型的损失函数，以使所述分割模型识别所述目标标签对应的背景图像，以及除所述目标标签之外的其他标签对应的细胞图像。

在本公开的示例性实施例中，该细胞分类装置300还包括：第二模型训练单元，用于利用标注后的样本图像训练所述分类模型，以使所述训练后的分类模型识别出不同类别的细胞图像。

由于本公开的示例实施例的细胞分类装置的各个功能模块与上述的细胞分类方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的细胞分类方法的实施例。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备的计算机系统400仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的细胞分类方法。

例如，所述的电子设备可以实现如图1中所示的：步骤S110，获取包含多个细胞的待识别图像；步骤S120，确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；步骤S130，利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；步骤S140，按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

又如，所述的电子设备可以实现如图2所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种细胞分类方法，其特征在于，包括：

获取包含多个细胞的待识别图像；

确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；

利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；

按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

2.根据权利要求1所述的方法，其特征在于，所述利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，包括：

将验证数据输入所述分类模型中，获取所述验证数据的识别结果，其中，所述验证数据包括多个未识别的细胞样本图像；

提取出所述识别结果中预测概率低于预设值的细胞样本图像，获得训练数据；

基于所述训练数据对所述分类模型再次进行训练，获得目标分类模型；

将所述细胞图像输入所述目标分类模型中，获得分类结果。

3.根据权利要求1所述的方法，其特征在于，所述确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像，包括：

利用训练后的分割模型识别所述待识别图像中的细胞轮廓，对所述待识别图像进行分割，获取细胞图像。

4.根据权利要求3所述的方法，其特征在于，利用训练后的分割模型识别所述待识别图像中的细胞之前，还包括：

获取样本图像，对样本图像中的细胞进行标注；

利用标注后的样本图像训练所述分割模型，以获得训练后的分割模型。

5.根据权利要求4所述的方法，其特征在于，所述获取样本图像，对样本图像中的细胞进行标注，包括：

对所述样本图像中不同类别的细胞标注为不同的标签，其中，所述样本图像的背景图像标注为目标标签。

6.根据权利要求5所述的方法，其特征在于，所述利用标注后的样本图像训练所述分割模型，包括：

基于标注后的样本图像的标签确定所述分割模型的损失函数，以使所述分割模型识别所述目标标签对应的背景图像，以及除所述目标标签之外的其他标签对应的细胞图像。

7.根据权利要求5所述的方法，其特征在于，利用训练后的分类模型对所述细胞图像进行分类，获取分类结果之前，还包括：

利用标注后的样本图像训练所述分类模型，以使所述训练后的分类模型识别出不同类别的细胞图像。

8.一种细胞分类装置，其特征在于，包括：

图像获取单元，用于获取包含多个细胞的待识别图像；

细胞定位单元，用于确定所述待识别图像中的细胞轮廓信息，根据所述细胞轮廓信息从所述待识别图像中分割出所述多个细胞分别对应的细胞图像；

细胞分类单元，用于利用训练后的分类模型对所述细胞图像进行分类，获取分类结果，以确定所述细胞图像对应的细胞所属的类别；

分类标识单元，用于按照所述细胞所属的类别，将所述分类结果标注在所述待识别图像中。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的细胞分类方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的细胞分类方法。

Images