CN112132206A - 图像识别方法及相关模型的训练方法及相关装置、设备 - Google Patents

图像识别方法及相关模型的训练方法及相关装置、设备 Download PDF

Info

Publication number
CN112132206A
CN112132206A CN202010987969.8A CN202010987969A CN112132206A CN 112132206 A CN112132206 A CN 112132206A CN 202010987969 A CN202010987969 A CN 202010987969A CN 112132206 A CN112132206 A CN 112132206A
Authority
CN
China
Prior art keywords
detection
cell
area
target
detection model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010987969.8A
Other languages
English (en)
Inventor
李嘉辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Shangtang Technology Co ltd
Original Assignee
Qingdao Shangtang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Shangtang Technology Co ltd filed Critical Qingdao Shangtang Technology Co ltd
Priority to CN202010987969.8A priority Critical patent/CN112132206A/zh
Publication of CN112132206A publication Critical patent/CN112132206A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本申请公开了一种图像识别方法及相关模型的训练方法及相关装置、设备，其中，细胞检测模型的训练方法包括：利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，检测结果包括样本图像中目标细胞的检测区域，样本图像标注有目标细胞所在的实际区域；基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值；利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练。上述方案，提高细胞检测的准确性。

Description

图像识别方法及相关模型的训练方法及相关装置、设备
技术领域
本申请涉及人工智能技术领域，特别是涉及一种图像识别方法及相关模型的训练方法及相关装置、设备。
背景技术
随着神经网络、深度学习等人工智能技术的发展，对神经网络模型进行训练，并利用经训练的神经网络模型满足医学领域中的相关业务需求，逐渐受到人们的青睐。
在相关业务需求中，对于诸如印戒细胞等目标细胞的检测，由于在提高患者生存率等方面的应用价值而受到瞩目。然而，利用显微镜进行人工检测，极易发生遗漏、误检等情况，从而难以确保目标细胞检测的准确性。有鉴于此，如何提高细胞检测的准确性成为亟待解决的问题。
发明内容
本申请提供一种图像识别方法及相关模型的训练方法及相关装置、设备。
本申请第一方面提供了一种细胞检测模型的训练方法，包括：利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，检测结果包括样本图像中目标细胞的检测区域，样本图像标注有目标细胞所在的实际区域；基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值；利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练。
因此，通过细胞检测模型对样本图像进行目标检测，从而得到包括样本图像中目标细胞的检测区域的检测结果，进而基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值，并利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练，从而能够在细胞检测模型的迭代训练过程中，加入疑似区域，进而能够充分利用样本图像中实际区域之外未标注的区域，故能够提高细胞检测的准确性。
其中，在基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值之前，还包括：将之前训练过程得到的至少一个检测区域作为目标细胞的疑似区域。
因此，通过将之前训练过程得到的至少一个检测区域作为目标细胞的疑似区域，能够通过在训练过程中，利用细胞检测模型检测目标细胞的疑似区域，并以此来监督细胞检测模型的训练，有利于在迭代训练过程中，不断促进细胞检测模型的检测精度。
其中，至少一个检测区域与实际区域之间的重合度不满足预设条件。
因此，将至少一个检测区域设置为与实际区域之间的重合度不满足预设条件，能够基于检测区域与实际区域之间的重合度来筛选疑似区域，从而能够有利于降低遗漏疑似区域的可能性。
其中，重合度为交并比，预设条件包括：交并比大于或等于预设交并比阈值；和/或，之前训练过程得到的至少一个检测区域为上次训练过程得到的检测区域，或者为之前若干次训练过程累积得到的检测区域。
因此，通过将交并比大于或等于预设交并比阈值的检测区域作为疑似区域，能够发现样本图像中可能存在的遗漏标注的疑似区域，从而能够有利于降低漏检发生的概率，提高细胞检测的准确性；通过将之前训练过程得到的至少一个检测区域设置为上次训练过程得到的检测区域，或者设置为之前若干次训练过程累积得到的检测区域，能够有利于降低漏检发生的概率，提高细胞检测的准确性。
其中，检测结果还包括与检测区域对应的置信度；基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值，包括：基于检测区域与实际区域之间的差异，得到实际损失值，基于检测区域与疑似区域之间的差异，得到疑似损失值；分别对实际损失值和疑似损失值进行加权处理，得到细胞检测模型的损失值，其中，实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定。
因此，通过检测区域与实际区域之间的差异，得到实际损失值，并通过检测区域与疑似区域之间的差异，得到疑似损失值，从而分别对实际损失值和疑似损失值加权处理，得到细胞检测模型的损失值，且实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定，进而在训练过程中，能够充分学习样本图像中的实际区域以及置信度较高的疑似区域，从而能够提高检测出样本图像中可能遗漏标注的目标细胞的概率，进而能够提高细胞检测的准确性。
其中，在利用细胞检测模型对样本图像进行目标检测，得到检测结果之前，方法还包括以下至少一个步骤：对样本图像进行数据增强；对样本图像进行颜色迁移；将样本图像中的像素值进行归一化处理。
因此，通过将样本图像进行数据增强，能够有利于避免因数据量不足而可能导致的过拟合，从而能够有利于提高细胞检测的准确性；通过对样本图像进行颜色迁移，能够有利于适应多中心数据的染色差异；通过将样本图像中的像素值进行归一化处理，能够有利于提高收敛速度。
其中，目标细胞包括印戒细胞；和/或，细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者。
因此，通过将目标细胞设置为包括印戒细胞，能够使细胞检测模型对印戒细胞进行检测；通过将细胞检测模型设置为包括可变形卷积层，能够提高对多形态的目标细胞进行识别的准确性，通过将细胞检测模型设置为包括全局信息增强模块，能够有利于获取长距离的、具有依赖关系的特征，有利于提高目标细胞识别的准确性。
本申请第二方面提供了一种图像识别方法，包括：获取待识别病理图像；采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的检测区域；其中，细胞检测模型是由上述第一方面中的细胞检测模型的训练方法得到的。
因此，通过利用上述第一方面中的细胞检测模型的训练方法得到的细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中的目标细胞的检测区域，能够降低漏检发生的概率，从而能够提高细胞检测的准确性。
本申请第三方面提供了一种图像识别方法，包括：获取待识别病理图像；采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域；利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域；筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域。
因此，通过采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域，并利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域，从而筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域，进而能够有利于区分游离于预设目标的目标细胞以及位于预设目标内的正常细胞，从而能够降低误检发生的概率，提高细胞检测的准确性。
其中，预设位置条件包括：第一检测区域的中心在第二检测区域之外；或者，第一检测区域与第二检测区域之间的重合度不大于预设阈值。
因此，通过将预设位置条件设置为包括：第一检测区域的中心在第二检测区域之外；或者，第一检测区域与第二检测区域之间的重合度不大于预设阈值，能够有利于区分游离于预设目标的目标细胞以及位于预设目标内的正常细胞，从而能够降低误检发生的概率，提高细胞检测的准确性。
其中，目标细胞包括印戒细胞，预设目标包括腺体；和/或，细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者；和/或，细胞检测模型是由上述第一方面中的细胞检测模型的训练方法得到的；和/或，分割模型在训练时采用的样本图像经过数据增强、颜色迁移、像素值归一化中的至少一种处理。
因此，通过将目标细胞设置为包括印戒细胞，预设目标包括腺体，能够使细胞检测模型对印戒细胞进行检测，而将预设目标设置为腺体，能够有利于区分游离于腺体的印戒细胞；通过将细胞检测模型设置为包括可变形卷积层，能够提高对多形态的目标细胞进行识别的准确性，通过将细胞检测模型设置为包括全局信息增强模块，能够有利于获取长距离的、具有依赖关系的特征，有利于提高目标细胞识别的准确性；通过由上述第一方面中的细胞检测模型的训练方法得到细胞检测模型，能够进一步提高细胞检测的准确性；通过将样本图像进行数据增强，能够有利于避免因数据量不足而可能导致的过拟合，从而能够有利于提高细胞检测的准确性；通过对样本图像进行颜色迁移，能够有利于适应多中心数据的染色差异；通过将样本图像中的像素值进行归一化处理，能够有利于提高收敛速度。
本申请第四方面提供了一种细胞检测模型的训练装置，包括：目标检测模块、损失确定模块、参数调整模块和疑似查找模块，目标检测模块用于利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，检测结果包括样本图像中目标细胞的检测区域，样本图像标注有目标细胞所在的实际区域；损失确定模块用于基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值；参数调整模块用于利用损失值，调整检测模型的参数，以完成对细胞检测模型的本次训练。
本申请第五方面提供了一种图像识别装置，包括：图像获取模块和目标检测模块，图像获取模块用于获取待识别病理图像；目标检测模块用于采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的检测区域；其中，细胞检测模型是由上述第四方面中的细胞检测模型的训练装置得到的。
本申请第六方面提供了一种图像识别装置，包括：图像获取模块、目标检测模块、目标分割模块和区域筛选模块，图像获取模块用于获取待识别病理图像；目标检测模块用于采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域；目标分割模块用于利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域；区域筛选模块用于筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域。
本申请第七方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的细胞检测模型的训练方法，或实现上述第二方面中的图像识别方法，或实现上述第三方面中的图像识别方法。
本申请第八方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的细胞检测模型的训练方法，或实现上述第二方面中的图像识别方法，或实现上述第三方面中的图像识别方法。
上述方案，能够提高细胞检测的准确性。
附图说明
图1是本申请细胞检测模型的训练方法一实施例的流程示意图；
图2是图1中步骤S12一实施例的流程示意图；
图3是本申请图像识别方法一实施例的流程示意图；
图4是图3中待识别病理图像及其检测区域一实施例的示意图；
图5是本申请图像识别方法另一实施例的流程示意图；
图6是图5中待识别病理图像及其检测区域另一实施例的示意图；
图7是筛选之后的最终检测区域一实施例的示意图；
图8是本申请细胞检测模型的训练装置一实施例的框架示意图；
图9是本申请图像识别装置一实施例的框架示意图；
图10是本申请图像识别装置另一实施例的框架示意图；
图11是本申请电子设备一实施例的框架示意图；
图12是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请细胞检测模型的训练方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S11：利用细胞检测模型对样本图像进行目标检测，得到检测结果。
细胞检测模型可以采用Faster RCNN(Region with Convolutional NeuralNetworks)网络模型。在一个实施场景中，细胞检测模型还可以采用Fast RCNN、YOLO(YouOnly Look Once)等等，在此不做限定。在一个具体的实施场景中，当细胞检测模型采用Faster RCNN时，可以采用ResNet101作为其进行特征提取的网络。样本图像可以为病理图像，病理图像可以包括但不限于：宫颈病理图像、肝脏病理图像、肾脏病理图像，在此不做限定。
检测结果包括样本图像中目标细胞的检测区域，样本图像标注有目标细胞所在的实际区域。目标细胞可以根据细胞检测模型的检测任务而进行设置，例如，目标细胞可以是印戒细胞，从而细胞检测模型经过训练后能够对印戒细胞进行检测，其他应用场景可以以此类推，在此不再一一举例。检测区域可以采用一矩形的中心坐标以及矩形的长宽表示，例如，可以采用(50,60,10,20)表示一以样本图像中像素点(50,60)为中心，且长度为10、宽度为20的矩形，在一个实施场景中，检测区域还可以采用一包含目标细胞的矩形的中心坐标以及矩形的长宽分别与一预设矩形长宽的比值，例如，预设矩形的长度为10且宽度为20，则可以采用(50,60,1,1,)表示一以样本图像中像素点(50,60)为中心，且长度为10、宽度为20的矩形。此外，实际区域也可以采用一包含目标细胞的矩形的中心坐标以及矩形的长宽表示，在此不再一一举例。
在一个实施场景中，在利用细胞检测模型对样本图像进行目标检测之前，还可以对样本图像进行数据增强，数据增强的方式可以包括但不限于：随机旋转、随机翻转、颜色扰动、伽马校正、高斯噪声等等，从而能够有利于避免因数据量不足可能导致的过拟合。在另一个实施场景中，在利用细胞检测模型对样本图像进行目标检测之前，还可以对样本图像进行颜色迁移，从而能够减轻多中心数据的染色差异。在又一个实施场景中，为了提高收敛速度，在利用细胞检测模型对样本图像进行目标检测之前，还可以对样本图像中的像素值进行归一化处理，在一个的具体的实施场景中，可以先统计一预设大数据集合中图像像素值的均值和方差，再利用每个样本图像中的像素值减去均值，再除以方差，从而对每一样本图像进行归一化处理，大数据集合可以是Imagenet、PASCAL VOC等，在此不做限定。
在一个实施场景中，为了提高对多形态的目标细胞进行识别的准确性，细胞检测模型可以包括可变形卷积层(deformable convolution)，可变形卷积基于对空间采用的位置信息，作进一步位移调整，以实现对不同形态细胞的特征提取。在另一个实施场景中，为了获取长距离的、具有依赖关系的特征，从而提高目标细胞识别的准确性，细胞检测模型还可以包括全局信息增强模块。
步骤S12：基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值。
在一个实施场景中，目标细胞的疑似区域可以为用户勾画的疑似为目标细胞的区域。此外，用户在勾画过程中，还可以为每一疑似区域赋值一置信度，表示对该疑似区域确为目标细胞的确定程度。例如，在训练过程中，可以接收用户对样本图像的勾画信息，并基于该勾画信息，得到目标细胞的疑似区域。此外，还可以基于该勾画信息，得到对应疑似区域的置信度(例如，90％)。上述方式，能够有利于通过与用户交互，提高用户感知。
在另一个实施场景中，也可以对多个样本图像中目标细胞进行统计，得到目标细胞的分布规律信息，从而可以基于该分布规律信息，以及样本图像已标注的实际区域，得到样本图像中目标细胞的疑似区域。此外，还可以为每一疑似区域对应赋予一置信度，表示该疑似区域确为目标细胞的确定程度。例如，该分布规律信息可以包括每一目标细胞的预设范围内存在至少一个目标细胞，在此情况下，可以对样本图像已标注的实际区域进行分析，并在实际区域的预设范围内不存在另一实际区域的情况下，可以自动在实际区域的预设范围内设置若干个疑似区域，并为每一疑似区域赋予一置信度(例如，50％)。上述方式，能够免于人工勾画疑似区域，提高自动化程度。
在又一个实施场景中，为了提高疑似区域的准确性，也可以将之前训练过程得到的至少一个检测区域作为目标细胞的疑似区域。
在一个具体的实施场景中，上述训练过程得到的至少一个检测区域与实际区域之间的重合度不满足预设条件，即疑似区域与实际区域之间的重合度不满足预设条件。具体地，重合度可以为交并比(Intersection over Union，IoU)，即同时存在于检测区域和实际区域的像素点，以及存在于检测区域或实际区域的像素点之间的比值，交并比越大，检测区域与实际区域之间的重合度越高，交并比越小，检测区域与实际区域之间的重合度越低，此外，预设条件可以包括：交并比大于或等于预设交并比阈值(例如，0.3、0.4等等)。通过统计训练过程中，检测区域与实际区域之间的重合度，能够查找出样本图像中可能漏标的目标细胞。
在另一个具体的实施场景中，之前训练过程得到的至少一个检测区域可以为上次训练过程得到的检测区域，例如，在第二次训练过程，可以将第一次训练过程得到的至少一个检测区域作为本次训练过程中的疑似区域；在第三次训练过程，可以将第二次训练过程得到的至少一个检测区域作为本次训练过程的疑似区域，以此类推，在此不再一一举例。
在又一个具体的实施场景中，之前训练过程得到的至少一个检测区域也可以为之前若干次训练过程累积得到的检测区域，例如，在第二次训练过程，可以将第一次训练过程得到的至少一个检测区域作为本次训练过程的疑似区域；在第三次训练过程，可以将第一次和第二次训练过程得到的至少一个检测区域作为本次训练过程的疑似区域，以此类推，在此不再一一举例。
在又一个具体的实施场景中，上述训练过程得到的至少一个检测区域也可以和实际区域之间的中心距离不满足预设条件，即疑似区域与实际区域之间的中心距离不满足预设条件。具体地，中心距离可以为检测区域的中心与实际区域的中心的连线长度。此外，预设条件可以包括：中心距离小于预设中心距离阈值。上述方式，可以将与实际区域之间的中心距离较大的检测区域作为疑似区域，从而能够查找出样本图像中可能漏标的目标细胞。
在一个实施场景中，检测区域分别与实际区域、疑似区域之间的差异可以包括：区域中心位置的差异、区域大小的差异等等，在此不做限定。具体地，可以采用交叉熵损失值函数、均方误差函数中的任一者，确定细胞检测模型在本次训练过程中的损失值。在一个实施场景中，检测结果还可以进一步包括与检测区域对应的置信度，置信度表示检测区域中包含目标细胞的可信度，即置信度越高，检测区域中包含目标细胞的概率越大，反之，置信度越低，检测区域中包含目标细胞的概率越小，则检测区域分别与实际区域、疑似区域之间的差异可以包括：区域中心位置的差异、区域大小的差异、置信度的差异等等，在一个具体的实施场景中，检测区域的置信度可以由细胞检测模型检测检测得到；在另一个具体的实施场景中，在疑似区域是由至少一个检测区域得到的情况下，疑似区域的置信度可以由细胞检测模型检测检测得到。此外，实际区域的置信度可以设置为1。
步骤S13：利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练。
具体地，可以采用随机梯度下降(Stochastic Gradient Descent，SGD)、批量梯度下降(Batch Gradient Descent，BGD)、小批量梯度下降(Mini-Batch Gradient Descent，MBGD)等方式，利用损失值对细胞检测模型的参数进行调整，其中，批量梯度下降是指在每一次迭代时，使用所有样本来进行参数更新；随机梯度下降是指在每一次迭代时，使用一个样本来进行参数更新；小批量梯度下降是指在每一次迭代时，使用一批样本来进行参数更新，在此不再赘述。
在一个实施场景中，还可以设置一训练结束条件，当满足训练结束条件时，可以结束对细胞检测模型的训练。具体地，训练结束条件可以包括：损失值小于一预设损失阈值，且损失值不再减小；当前训练次数达到预设次数阈值(例如，500次、1000次等)，在此不做限定。
上述方案，通过细胞检测模型对样本图像进行目标检测，从而得到包括样本图像中目标细胞的检测区域的检测结果，进而基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值，并利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练，从而能够在细胞检测模型的迭代训练过程中，加入疑似区域，进而能够充分利用样本图像中实际区域之外未标注的区域，故能够提高细胞检测的准确性。
请参阅图2，图2是图1中步骤S12一实施例的流程示意图。本公开实施例中，目标细胞的疑似区域是利用之前训练得到的至少一个检测区域得到的，具体可以参阅前述公开实施例中的相关步骤，在此不再赘述。此外，检测结果还可以包括检测区域对应的置信度，则确定细胞检测模型的损失值具体可以包括如下步骤：
步骤S121：基于检测区域与实际区域之间的差异，得到实际损失值，基于检测区域与疑似区域之间的差异，得到疑似损失值。
在一个实施场景中，实际损失值可以包括区域中心位置损失值、区域尺寸损失值、区域置信度损失值中的至少一者。区域中心损失值可以根据检测区域与实际区域的中心位置之间的差异进行计算，具体地，可以采用交叉熵损失函数进行计算；区域尺寸损失值可以根据检测区域与实际区域的区域尺寸(长度、宽度)之间的差异进行计算，具体地，可以采用均方误差函数进行计算；区域置信度损失值可以根据检测区域与实际区域的置信度进行计算，具体地，可以采用交叉熵损失函数进行计算，在此不再赘述。
在另一个实施场景中，疑似损失值可以包括区域中心损失值、区域尺寸损失值、区域置信度损失值中的至少一者。区域中心损失值可以根据检测区域与疑似区域的中心位置之间的差异进行计算，具体地，可以采用交叉熵损失函数进行计算；区域尺寸损失值可以根据检测区域与疑似区域的区域尺寸(长度、宽度)之间的差异进行计算，具体地，可以采用均方误差函数进行计算；区域置信度损失值可以根据检测区域与疑似区域的置信度进行计算，具体地，可以采用交叉熵损失函数进行计算，在此不再赘述。
步骤S122：分别对实际损失值和疑似损失值进行加权处理，得到细胞检测模型的损失值。
具体地，实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定。在一个具体的实施场景中，实际区域的置信度可以设置为1，则细胞检测模型的损失值可以表示为：
Figure BDA0002689882350000121
其中，lossmodel表示细胞检测模型的损失值，
Figure BDA0002689882350000122
表示第i个实际区域对应的实际损失值，
Figure BDA0002689882350000123
表示第j个疑似区域对应的疑似损失值，λj第j个疑似区域对应的置信度。
区别于前述实施例，通过检测区域与实际区域之间的差异，得到实际损失值，并通过检测区域与疑似区域之间的差异，得到疑似损失值，从而分别对实际损失值和疑似损失值加权处理，得到细胞检测模型的损失值，且实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定，进而在训练过程中，能够充分学习样本图像中的实际区域以及置信度较高的疑似区域，从而能够提高检测出样本图像中可能遗漏标注的目标细胞的概率，进而能够提高细胞检测的准确性。
请参阅图3，图3是本申请图像识别方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S31：获取待识别病理图像。
待识别病理图像可以包括但不限于：宫颈病理图像、肝脏病理图像、肾脏病理图像，在此不做限定。
步骤S32：采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的检测区域。
具体地，细胞检测模型是通过上述任一细胞检测模型的训练方法实施例中步骤训练得到的。具体可以参阅前述实施例中的相关步骤，在此不再赘述。例如，细胞检测模型是利用标注有印戒细胞的样本图像训练得到的，则可以采用细胞检测模型对待识别病理图像进行目标检测，从而得到待识别病理图像中印戒细胞的检测区域。请结合参阅图4，图4是图3中待识别病理图像及其检测区域一实施例的示意图，如图4所示，图4中黑色边框的矩形区域表示细胞检测模型检测得到的检测区域。
在一个实施场景中，还可以在得到待识别病理图像中目标细胞的检测区域之后，对识别得到的检测区域进行统计，得到待识别病理图像中目标细胞的数量、尺寸(如最大尺寸、最小尺寸、平均尺寸等等)，以及形状，在此不做限定。
上述方案，通过利用上述第一方面中的细胞检测模型的训练方法得到的细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中的目标细胞的检测区域，能够降低漏检发生的概率，从而能够提高细胞检测的准确性。
请参阅图5，图5是本申请图像识别方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S51：获取待识别病理图像。
待识别病理图像可以包括但不限于：宫颈病理图像、肝脏病理图像、肾脏病理图像，在此不做限定。
步骤S52：采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域。
在一个实施场景中，细胞检测模型可以由上述任一细胞检测模型的训练方法实施例中的步骤训练得到，从而能够进一步降低细胞检测模型漏检的概率，提高细胞检测的准确性。此外，细胞检测模型也可以通过如下训练步骤得到：利用细胞检测模型对样本图像进行目标检测，得到目标细胞的检测区域，基于目标细胞的检测区域和样本图像中所标注的实际区域之间的差异，确定细胞检测模型的损失值，并利用损失值，调整细胞检测模型的参数。具体地，可以参阅前述公开实施例中的相关步骤，在此不再赘述。
在一个实施场景中，为了提高对多形态的目标细胞进行识别的准确性，细胞检测模型可以包括可变形卷积层(deformable convolution)，可变形卷积基于对空间采用的位置信息，作进一步位移调整，以实现对不同形态细胞的特征提取。
在另一个实施场景中，为了获取长距离的、具有依赖关系的特征，从而提高目标细胞识别的准确性，细胞检测模型还可以包括全局信息增强模块。
请结合参阅图4，如图4所示，采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域(黑色边框的矩形区域)。
步骤S53：利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域。
在一个实施场景中，预设目标具体可以为腺体，例如，乳腺、前列腺等，在此不做限定。此外，预设目标也可以包括：胃肠道、膀胱等。
在一个实施场景中，分割模型可以包括但不限于：Unet、FCN(FullyConvolutional Network，全卷积网络)、Enet等等。在一个具体的实施场景中，当采用Unet作为分割模型时，其用于特征提取的网络可以采用DLAnet。在另一个具体的实施场景中，分割模型在训练时采用的样本可以经过数据增强、颜色迁移、像素值归一化中的至少一种处理，其中，数据增强、颜色迁移、像素值归一化具体可以参阅前述实施例中的相关步骤，在此不再赘述。在又一个实施场景中，分割模型和细胞检测模型在训练过程中可以采用相同的样本图像进行训练，也可以采用不同的样本图像进行训练，在此不做限定。在又一个实施场景中，分割模型和细胞检测模型可以按照先后顺序进行训练，例如，先训练细胞检测模型，再训练分割模型，或者，先训练分割模型，再训练细胞检测模型；分割模型和细胞检测模型还可以同时训练，在此不做限定。
请结合参阅图6，图6是图5中待识别病理图像及其检测区域另一实施例的示意图。如图6所示，图6中黑色粗线所圈画出来的区域表示预设目标的第二检测区域。
上述步骤S52和步骤S53可以按照先后顺序执行，例如，可以先执行步骤S52，后执行步骤S53；或者，还可以先执行步骤S53，后执行步骤S52。上述步骤S52和步骤S53还可以同时执行，在此不做限定。
步骤S54：筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域。
在一个实施场景中，预设位置条件可以包括第一检测区域的中心在第二检测区域之外，例如，图4所示的第一检测区域(黑色边框的矩形区域)的中心若在图6所示的第二检测区域(黑色粗线所圈画的区域)之外，则可以将其作为目标细胞的最终检测区域。请结合参阅图7，图7是筛选之后的最终检测区域一实施例的示意图，如图7所示，将中心在第二检测区域之外的第一检测区域进行筛选，可以得到最终检测区域(图中黑色边框的矩形区域)，从而识别得到待识别病理图像中的目标细胞。
在另一个实施场景中，预设位置条件还可以包括第一检测区域与第二检测区域之间的重合度不大于预设阈值，在一个具体的实施场景中，重合度可以是交并比(IoU)，在此情况下，预设阈值可以是预设交并比阈值(例如，0.8、0.9等等)。
在一个实施场景中，还可以在得到待识别病理图像中目标细胞的最终检测区域之后，对识别得到的最终检测区域进行统计，得到待识别病理图像中目标细胞的数量、尺寸(如最大尺寸、最小尺寸、平均尺寸等等)，以及形状，在此不做限定。
上述方案，通过采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域，并利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域，从而筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域，进而能够有利于区分游离于预设目标的目标细胞以及位于预设目标内的正常细胞，从而能够降低误检发生的概率，提高细胞检测的准确性。
请参阅图8，图8是本申请细胞检测模型的训练装置80一实施例的框架示意图。细胞检测模型的训练装置80包括目标检测模块81、损失确定模块82、参数调整模块83，目标检测模块81用于利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，检测结果包括样本图像中目标细胞的检测区域，样本图像标注有目标细胞所在的实际区域；损失确定模块82用于基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值；参数调整模块83用于利用损失值，调整检测模型的参数，以完成对细胞检测模型的本次训练。
上述方案，通过细胞检测模型对样本图像进行目标检测，从而得到包括样本图像中目标细胞的检测区域的检测结果，进而基于检测区域分别与实际区域、目标细胞的疑似区域之间的差异，确定细胞检测模型的损失值，并利用损失值，调整细胞检测模型的参数，以完成对细胞检测模型的本次训练，从而能够在细胞检测模型的迭代训练过程中，加入疑似区域，进而能够充分利用样本图像中实际区域之外未标注的区域，故能够提高细胞检测的准确性。
在一些公开实施例中，细胞检测模型的训练装置80还包括疑似查找模块84，用于将之前训练过程得到的至少一个检测区域作为目标细胞的疑似区域。
区别于前述实施例，通过将之前训练过程得到的至少一个检测区域作为目标细胞的疑似区域，能够通过在训练过程中，利用细胞检测模型检测目标细胞的疑似区域，并以此来监督细胞检测模型的训练，有利于在迭代训练过程中，不断促进细胞检测模型的检测精度。
在一些公开实施例中，至少一个检测区域与实际区域之间的重合度不满足预设条件。
区别于前述实施例，将至少一个检测区域设置为与实际区域之间的重合度不满足预设条件，能够基于检测区域与实际区域之间的重合度来筛选疑似区域，从而能够有利于降低遗漏疑似区域的可能性。
在一些公开实施例中，重合度为交并比，预设条件包括：交并比大于或等于预设交并比阈值；和/或，之前训练过程得到的至少一个检测区域为上次训练过程得到的检测区域，或者为之前若干次训练过程累积得到的检测区域。
区别于前述实施例，通过将交并比大于或等于预设交并比阈值的检测区域作为疑似区域，能够发现样本图像中可能存在的遗漏标注的疑似区域，从而能够有利于降低漏检发生的概率，提高细胞检测的准确性；通过将之前训练过程得到的至少一个检测区域设置为上次训练过程得到的检测区域，或者设置为之前若干次训练过程累积得到的检测区域，能够有利于降低漏检发生的概率，提高细胞检测的准确性。
在一些公开实施例中，检测结果还包括与检测区域对应的置信度，损失确定模块82包括损失值确定子模块，用于基于检测区域与实际区域之间的差异，得到实际损失值，基于检测区域与疑似区域之间的差异，得到疑似损失值，损失确定模块82还包括损失加权子模块，用于分别对实际损失值和疑似损失值进行加权处理，得到细胞检测模型的损失值，其中，实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定。
区别于前述实施例，通过检测区域与实际区域之间的差异，得到实际损失值，并通过检测区域与疑似区域之间的差异，得到疑似损失值，从而分别对实际损失值和疑似损失值加权处理，得到细胞检测模型的损失值，且实际损失值、疑似损失值的权重分别由实际区域、疑似区域对应的置信度确定，进而在训练过程中，能够充分学习样本图像中的实际区域以及置信度较高的疑似区域，从而能够提高检测出样本图像中可能遗漏标注的目标细胞的概率，进而能够提高细胞检测的准确性。
在一些公开实施例中，细胞检测模型的训练装置80还包括数据增强模块，用于对样本图像进行数据增强，细胞检测模型的训练装置80还包括颜色迁移模块，用于对样本图像进行颜色迁移，细胞检测模型的训练装置80还包括归一化模块，用于将样本图像中的像素值进行归一化处理。
区别于前述实施例，通过将样本图像进行数据增强，能够有利于避免因数据量不足而可能导致的过拟合，从而能够有利于提高细胞检测的准确性；通过对样本图像进行颜色迁移，能够有利于适应多中心数据的染色差异；通过将样本图像中的像素值进行归一化处理，能够有利于提高收敛速度。
在一些公开实施例中，目标细胞包括印戒细胞；和/或，细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者。
区别于前述实施例，通过将目标细胞设置为包括印戒细胞，能够使细胞检测模型对印戒细胞进行检测；通过将细胞检测模型设置为包括可变形卷积层，能够提高对多形态的目标细胞进行识别的准确性，通过将细胞检测模型设置为包括全局信息增强模块，能够有利于获取长距离的、具有依赖关系的特征，有利于提高目标细胞识别的准确性。
请参阅图9，图9是本申请图像识别装置90一实施例的框架示意图。图像识别装置90包括图像获取模块91和目标检测模块92，图像获取模块91用于获取待识别病理图像；目标检测模块92用于采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的检测区域；其中，细胞检测模型是由上述任一细胞检测模型的训练装置实施例中的细胞检测模型的训练装置训练得到的。
上述方案，通过利用上述任一细胞检测模型的训练装置实施例中的细胞检测模型的训练装置得到的细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中的目标细胞的检测区域，能够降低漏检发生的概率，从而能够提高细胞检测的准确性。
请参阅图10，图10是本申请图像识别装置100一实施例的框架示意图。图像识别装置100包括图像获取模块101、目标检测模块102、目标分割模块103和区域筛选模块104，图像获取模块101用于获取待识别病理图像；目标检测模块102用于采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域；目标分割模块103用于利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域；区域筛选模块104用于筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域。
上述方案，通过采用细胞检测模型对待识别病理图像进行目标检测，得到待识别病理图像中目标细胞的第一检测区域，并利用分割模型对待识别病理图像进行目标分割，得到待识别病理图像中预设目标的第二检测区域，从而筛选与第二检测区域之间满足预设位置条件的第一检测区域，以作为目标细胞的最终检测区域，进而能够有利于区分游离于预设目标的目标细胞以及位于预设目标内的正常细胞，从而能够降低误检发生的概率，提高细胞检测的准确性。
在一些公开实施例中，预设位置条件包括：第一检测区域的中心在第二检测区域之外；或者，第一检测区域与第二检测区域之间的重合度不大于预设阈值。
区别于前述实施例，通过将预设位置条件设置为包括：第一检测区域的中心在第二检测区域之外；或者，第一检测区域与第二检测区域之间的重合度不大于预设阈值，能够有利于区分游离于预设目标的目标细胞以及位于预设目标内的正常细胞，从而能够降低误检发生的概率，提高细胞检测的准确性。
在一些公开实施例中，目标细胞包括印戒细胞，预设目标包括腺体；和/或，细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者；和/或，细胞检测模型是由上述任一细胞检测模型的训练装置实施例中的细胞检测模型的训练装置训练得到的；和/或，分割模型在训练时采用的样本图像经过数据增强、颜色迁移、像素值归一化中的至少一种处理。
区别于前述实施例，通过将目标细胞设置为包括印戒细胞，能够使细胞检测模型对印戒细胞进行检测，而将预设目标设置为腺体，能够有利于区分游离于腺体的印戒细胞；通过将细胞检测模型设置为包括可变形卷积层，能够提高对多形态的目标细胞进行识别的准确性，通过将细胞检测模型设置为包括全局信息增强模块，能够有利于获取长距离的、具有依赖关系的特征，有利于提高目标细胞识别的准确性；通过由上述任一细胞检测模型的训练装置实施例中的细胞检测模型的训练装置训练得到细胞检测模型，能够进一步提高细胞检测的准确性；通过将样本图像进行数据增强，能够有利于避免因数据量不足而可能导致的过拟合，从而能够有利于提高细胞检测的准确性；通过对样本图像进行颜色迁移，能够有利于适应多中心数据的染色差异；通过将样本图像中的像素值进行归一化处理，能够有利于提高收敛速度。
请参阅图11，图11是本申请电子设备110一实施例的框架示意图。电子设备110包括相互耦接的存储器111和处理器112，处理器112用于执行存储器111中存储的程序指令，以实现上述任一细胞检测模型的训练方法实施例中的步骤，或实现上述任一图像识别方法实施例中的步骤。在一个具体的实施场景中，电子设备110可以包括但不限于：微型计算机、服务器，此外，电子设备110还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器112用于控制其自身以及存储器111以实现上述任一细胞检测模型的训练方法实施例中的步骤，或实现上述任一图像识别方法实施例的步骤。处理器112还可以称为CPU(Central Processing Unit，中央处理单元)。处理器112可能是一种集成电路芯片，具有信号的处理能力。处理器112还可以是通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器112可以由集成电路芯片共同实现。
上述方案，能够提高细胞检测的准确性。
请参阅图12，图12是本申请计算机可读存储介质120一实施例的框架示意图。计算机可读存储介质120存储有能够被处理器运行的程序指令121，程序指令121用于实现上述任一细胞检测模型的训练方法实施例中的步骤，或实现上述任一图像识别方法实施例中的步骤。
上述方案，能够提高细胞检测的准确性。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (16)

1.一种细胞检测模型的训练方法，其特征在于，包括：
利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，所述检测结果包括所述样本图像中目标细胞的检测区域，所述样本图像标注有目标细胞所在的实际区域；
基于所述检测区域分别与所述实际区域、所述目标细胞的疑似区域之间的差异，确定所述细胞检测模型的损失值；
利用所述损失值，调整所述细胞检测模型的参数，以完成对所述细胞检测模型的本次训练。
2.根据权利要求1所述的方法，其特征在于，在所述基于所述检测区域分别与所述实际区域、所述目标细胞的疑似区域之间的差异，确定所述细胞检测模型的损失值之前，所述方法还包括：
将之前训练过程得到的至少一个检测区域作为所述目标细胞的疑似区域。
3.根据权利要求2所述的方法，其特征在于，所述至少一个检测区域与所述实际区域之间的重合度不满足预设条件。
4.根据权利要求3所述的训练方法，其特征在于，所述重合度为交并比，所述预设条件包括：所述交并比大于或等于预设交并比阈值；
和/或，所述之前训练过程得到的至少一个检测区域为上次训练过程得到的检测区域，或者为之前若干次训练过程累积得到的检测区域。
5.根据权利要求2至4任一项所述的训练方法，其特征在于，所述检测结果还包括与所述检测区域对应的置信度；
所述基于所述检测区域分别与所述实际区域、所述目标细胞的疑似区域之间的差异，确定所述细胞检测模型的损失值，包括：
基于所述检测区域与所述实际区域之间的差异，得到实际损失值，基于所述检测区域与所述疑似区域之间的差异，得到疑似损失值；
分别对所述实际损失值和所述疑似损失值进行加权处理，得到所述细胞检测模型的损失值，其中，所述实际损失值、疑似损失值的权重分别由所述实际区域、所述疑似区域对应的置信度确定。
6.根据权利要求1至5任一项所述的训练方法，其特征在于，在所述利用细胞检测模型对样本图像进行目标检测，得到检测结果之前，所述方法还包括以下至少一个步骤：
对所述样本图像进行数据增强；
对所述样本图像进行颜色迁移；
将所述样本图像中的像素值进行归一化处理。
7.根据权利要求1至6任一项所述的训练方法，其特征在于，所述目标细胞包括印戒细胞；
和/或，所述细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者。
8.一种图像识别方法，其特征在于，包括：
获取待识别病理图像；
采用细胞检测模型对所述待识别病理图像进行目标检测，得到所述待识别病理图像中目标细胞的检测区域；
其中，所述细胞检测模型是由权利要求1至7任一项所述的方法训练得到的。
9.一种图像识别方法，其特征在于，包括：
获取待识别病理图像；
采用细胞检测模型对所述待识别病理图像进行目标检测，得到所述待识别病理图像中目标细胞的第一检测区域；
利用分割模型对所述待识别病理图像进行目标分割，得到所述待识别病理图像中预设目标的第二检测区域；
筛选与所述第二检测区域之间满足预设位置条件的第一检测区域，以作为所述目标细胞的最终检测区域。
10.根据权利要求9所述的图像识别方法，其特征在于，所述预设位置条件包括：所述第一检测区域的中心在所述第二检测区域之外；或者，所述第一检测区域与所述第二检测区域之间的重合度不大于预设阈值。
11.根据权利要求9或10所述的图像识别方法，其特征在于，所述目标细胞包括印戒细胞，所述预设目标包括腺体；
和/或，所述细胞检测模型包括可变形卷积层、全局信息增强模块中的至少一者；
和/或，所述细胞检测模型是由权利要求1至7任一项所述的方法训练得到的；
和/或，所述分割模型在训练时采用的样本图像经过数据增强、颜色迁移、像素值归一化中的至少一种处理。
12.一种细胞检测模型的训练装置，其特征在于，包括：
目标检测模块，用于利用细胞检测模型对样本图像进行目标检测，得到检测结果，其中，所述检测结果包括所述样本图像中目标细胞的检测区域，所述样本图像标注有目标细胞所在的实际区域；
损失确定模块，用于基于所述检测区域分别与所述实际区域、所述目标细胞的疑似区域之间的差异，确定所述细胞检测模型的损失值；
参数调整模块，用于利用所述损失值，调整所述细胞检测模型的参数，以完成对所述细胞检测模型的本次训练。
13.一种图像识别装置，其特征在于，包括：
图像获取模块，用于获取待识别病理图像；
目标检测模块，用于采用细胞检测模型对所述待识别病理图像进行目标检测，得到所述待识别病理图像中目标细胞的检测区域；
其中，所述细胞检测模型是由权利要求12所述的细胞检测模型的训练装置得到的。
14.一种图像识别装置，其特征在于，包括：
图像获取模块，用于获取待识别病理图像；
目标检测模块，用于采用细胞检测模型对所述待识别病理图像进行目标检测，得到所述待识别病理图像中目标细胞的第一检测区域；
目标分割模块，用于利用分割模型对所述待识别病理图像进行目标分割，得到所述待识别病理图像中预设目标的第二检测区域；
区域筛选模块，用于筛选与所述第二检测区域之间满足预设位置条件的第一检测区域，以作为所述目标细胞的最终检测区域。
15.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至7任一项所述的细胞检测模型的训练方法，或权利要求8至11任一项所述的图像识别方法。
16.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至7任一项所述的细胞检测模型的训练方法，或权利要求8至11任一项所述的图像识别方法。
CN202010987969.8A 2020-09-18 2020-09-18 图像识别方法及相关模型的训练方法及相关装置、设备 Pending CN112132206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987969.8A CN112132206A (zh) 2020-09-18 2020-09-18 图像识别方法及相关模型的训练方法及相关装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987969.8A CN112132206A (zh) 2020-09-18 2020-09-18 图像识别方法及相关模型的训练方法及相关装置、设备

Publications (1)

Publication Number Publication Date
CN112132206A true CN112132206A (zh) 2020-12-25

Family

ID=73841507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987969.8A Pending CN112132206A (zh) 2020-09-18 2020-09-18 图像识别方法及相关模型的训练方法及相关装置、设备

Country Status (1)

Country Link
CN (1) CN112132206A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906810A (zh) * 2021-03-08 2021-06-04 共达地创新技术(深圳)有限公司 目标检测方法、电子设备和存储介质
CN113192016A (zh) * 2021-04-21 2021-07-30 深圳力维智联技术有限公司 传送带异常变形检测方法、装置、设备及存储介质
CN113313697A (zh) * 2021-06-08 2021-08-27 青岛商汤科技有限公司 图像分割和分类方法及其模型训练方法、相关装置及介质
CN113344849A (zh) * 2021-04-25 2021-09-03 山东师范大学 一种基于YOLOv5的微乳头检测系统
CN113435260A (zh) * 2021-06-07 2021-09-24 上海商汤智能科技有限公司 图像检测方法和相关训练方法及相关装置、设备及介质
CN113705677A (zh) * 2021-08-27 2021-11-26 北京三快在线科技有限公司 图像识别方法、装置、电子设备及存储介质
WO2022247573A1 (zh) * 2021-05-26 2022-12-01 腾讯科技（深圳）有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
CN116681892A (zh) * 2023-06-02 2023-09-01 山东省人工智能研究院 基于多中心PolarMask模型改进的图像精准分割方法
CN116934742A (zh) * 2023-09-13 2023-10-24 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种淋巴结构图像识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334735A (zh) * 2019-05-31 2019-10-15 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
US20190377972A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
WO2019233266A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法、计算机可读存储介质和电子设备
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质
CN111461165A (zh) * 2020-02-26 2020-07-28 上海商汤智能科技有限公司 图像识别方法、识别模型的训练方法及相关装置、设备
CN111461110A (zh) * 2020-03-02 2020-07-28 华南理工大学 一种基于多尺度图像和加权融合损失的小目标检测方法
CN111508019A (zh) * 2020-03-11 2020-08-07 上海商汤智能科技有限公司 目标检测方法及其模型的训练方法及相关装置、设备
CN111539947A (zh) * 2020-04-30 2020-08-14 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法和相关装置、设备
CN115019126A (zh) * 2022-05-25 2022-09-06 深圳市商汤科技有限公司 图像样本的筛选方法、装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190377972A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
WO2019233266A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法、计算机可读存储介质和电子设备
CN110334735A (zh) * 2019-05-31 2019-10-15 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
CN111461165A (zh) * 2020-02-26 2020-07-28 上海商汤智能科技有限公司 图像识别方法、识别模型的训练方法及相关装置、设备
CN111461110A (zh) * 2020-03-02 2020-07-28 华南理工大学 一种基于多尺度图像和加权融合损失的小目标检测方法
CN111508019A (zh) * 2020-03-11 2020-08-07 上海商汤智能科技有限公司 目标检测方法及其模型的训练方法及相关装置、设备
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质
CN111539947A (zh) * 2020-04-30 2020-08-14 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法和相关装置、设备
CN115019126A (zh) * 2022-05-25 2022-09-06 深圳市商汤科技有限公司 图像样本的筛选方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHAOWEI CAI ET AL.: "Cascade R-CNN: Delving into High Quality Object Detection", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 16 December 2018 (2018-12-16), pages 6154 - 6162 *
何君婷: "基于卷积神经网络和迁移学习的宫颈细胞学图像异常区域检测", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》）, no. 02, 15 February 2020 (2020-02-15), pages 068 - 44 *
朱世伟等: "基于类加权YOLO 网络的水下目标检测", 《南京师大学报( 自然科学版)》, vol. 43, no. 1, 10 February 2020 (2020-02-10), pages 129 - 135 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906810A (zh) * 2021-03-08 2021-06-04 共达地创新技术(深圳)有限公司 目标检测方法、电子设备和存储介质
CN112906810B (zh) * 2021-03-08 2024-04-16 共达地创新技术(深圳)有限公司 目标检测方法、电子设备和存储介质
CN113192016A (zh) * 2021-04-21 2021-07-30 深圳力维智联技术有限公司 传送带异常变形检测方法、装置、设备及存储介质
CN113344849A (zh) * 2021-04-25 2021-09-03 山东师范大学 一种基于YOLOv5的微乳头检测系统
CN113344849B (zh) * 2021-04-25 2023-01-24 山东师范大学 一种基于YOLOv5的微乳头检测系统
WO2022247573A1 (zh) * 2021-05-26 2022-12-01 腾讯科技（深圳）有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
CN113435260A (zh) * 2021-06-07 2021-09-24 上海商汤智能科技有限公司 图像检测方法和相关训练方法及相关装置、设备及介质
CN113313697B (zh) * 2021-06-08 2023-04-07 青岛商汤科技有限公司 图像分割和分类方法及其模型训练方法、相关装置及介质
CN113313697A (zh) * 2021-06-08 2021-08-27 青岛商汤科技有限公司 图像分割和分类方法及其模型训练方法、相关装置及介质
CN113705677A (zh) * 2021-08-27 2021-11-26 北京三快在线科技有限公司 图像识别方法、装置、电子设备及存储介质
CN116681892A (zh) * 2023-06-02 2023-09-01 山东省人工智能研究院 基于多中心PolarMask模型改进的图像精准分割方法
CN116681892B (zh) * 2023-06-02 2024-01-26 山东省人工智能研究院 基于多中心PolarMask模型改进的图像精准分割方法
CN116934742A (zh) * 2023-09-13 2023-10-24 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种淋巴结构图像识别方法及系统
CN116934742B (zh) * 2023-09-13 2024-02-27 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种淋巴结构图像识别方法及系统

Similar Documents

Publication Publication Date Title
CN112132206A (zh) 图像识别方法及相关模型的训练方法及相关装置、设备
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN107330979B (zh) 建筑户型的矢量图生成方法、装置及终端
CN110378313B (zh) 细胞团识别方法、装置及电子设备
CN112561080B (zh) 样本筛选方法、样本筛选装置及终端设备
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN111935479A (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
CN113658192A (zh) 一种多目标行人的轨迹获取方法、系统、装置及介质
CN111178364A (zh) 一种图像识别方法和装置
CN108229583B (zh) 一种基于主方向差分特征的快速模板匹配的方法及装置
CN110349070B (zh) 一种短视频水印检测方法
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN116580216B (zh) 病理图像匹配方法、装置、设备及存储介质
CN116579985A (zh) 一种基于RefineDet模型的晶圆缺陷检测方法
CN107403428B (zh) 板材缺陷识别方法及装置
CN115170838A (zh) 一种数据筛选方法及装置
CN114927236A (zh) 一种面向多重目标图像的检测方法及系统
CN115424250A (zh) 一种车牌识别方法及装置
CN110232302B (zh) 一种集成灰度值、空间信息和类别知识的变化检测方法
CN112069885A (zh) 人脸属性识别方法、装置及移动终端
CN112712004B (zh) 人脸检测系统及人脸检测方法、装置、电子设备
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN113221820B (zh) 一种对象识别方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination