CN113779295A - 一种异常细胞图像特征的检索方法、装置、设备和介质 - Google Patents
一种异常细胞图像特征的检索方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113779295A CN113779295A CN202111087262.2A CN202111087262A CN113779295A CN 113779295 A CN113779295 A CN 113779295A CN 202111087262 A CN202111087262 A CN 202111087262A CN 113779295 A CN113779295 A CN 113779295A
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- coding
- abnormal
- image
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000004027 cell Anatomy 0.000 claims description 152
- 230000006870 function Effects 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 57
- 230000004913 activation Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010827 pathological analysis Methods 0.000 abstract description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 10
- 208000032124 Squamous Intraepithelial Lesions Diseases 0.000 description 10
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 10
- 201000010881 cervical cancer Diseases 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 210000001703 glandular epithelial cell Anatomy 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 210000004085 squamous epithelial cell Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010001197 Adenocarcinoma of the cervix Diseases 0.000 description 1
- 208000034246 Adenocarcinoma of the cervix uteri Diseases 0.000 description 1
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 description 1
- 206010008263 Cervical dysplasia Diseases 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 241001502500 Trichomonadida Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 201000006662 cervical adenocarcinoma Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009841 epithelial lesion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 241001446247 uncultured actinomycete Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种异常细胞图像特征的检索方法、装置、设备和介质,涉及图像处理应用领域,该方法包括:构建用于获取输入图像的二进制编码特征的特征编码网络;获取样本数据集,所述样本数据集包括细胞样本图像;将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索;本发明为细胞病理性诊断提供可靠的参考数据,同时保障特征检索的效率。
Description
技术领域
本发明涉及图像处理应用领域,尤其涉及一种异常细胞图像特征方法、装置、设备和介质。
背景技术
宫颈癌作为对女性生命健康造成严重危害的恶性肿瘤之一,发病率在女性恶性肿瘤中位居第二。全世界每年有50万新发病例和27.4万死亡病例,其中85%的宫颈癌病例发生在普查率低的中低收入国家。宫颈癌又是目前唯一可以早发现并治愈的癌症,因此早期筛查对于宫颈癌的治疗相当关键。
宫颈液基细胞检查方法是目前最常用的宫颈癌筛查方法,但在中国由于缺乏病理医生和细胞学检测设备,对宫颈癌的普查率只有1%。传统细胞病理性诊断大多依赖于专业医生的经验进行判断,准确性难以保障。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种异常细胞图像特征的检索方法、装置、设备和介质,主要解决现有方法依赖于人工经验进行病理判断,临床诊断处理效率低且准确性差的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种异常细胞图像特征的检索方法,包括:
构建用于获取输入图像的二进制编码特征的特征编码网络;
获取样本数据集,所述样本数据集包括细胞样本图像;
将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;
将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
可选地,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,包括:
整理特定疾病对应的细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;
从所述样本数据集中选出指定数量样本训练所述特征编码网络;
根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
可选地,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征之前,还包括:
根据特定疾病分类标准,创建每种特征的异常描述文本;
根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;
获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
可选地,所述特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;
多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;
所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
可选地,采用多尺度注意力单元各特征提取通道进行特征提取,包括:
通过多个通道的卷积层分别对输入图像进行卷积,得到每个卷积层输出的特征图;
设置通道注意力单元,获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;
将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
可选地,所述通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数;
将经过所述特征提取通道得到的特征图输入所述全局平均平均池化层后,得到对应通道的一个标量;将所述标量依次经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为通道的注意力权重,其中所述第一激活函数采用ReLU函数,所述第二激活函数采用Sigmoid函数。
可选地,所述编码单元的全连接层为两层,包括第三全连接层和第四全连接层,第三全连接层将获取的特征图分别输出至所述第四全连接层和所述哈希层;所述第四全连接层将获取的特征图输出至所述哈希层。
一种异常细胞图像特征的检索装置,包括:
网络构建模块,用于构建用于获取输入图像的二进制编码特征的特征编码网络;
样本数据获取模块,用于获取样本数据集,所述样本数据集包括细胞样本图像;
标准特征库创建模块,用于将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;
异常特征检索模块,用于将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的异常细胞图像特征的检索方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的异常细胞图像特征的检索方法的步骤。
如上所述,本发明一种动态合同签署方法、装置、设备和介质,具有以下有益效果。
通过对历史细胞图像进行分类,创建标准样例特征库,通过深度神经网络对细胞图像特征进行编码,搜索时直接根据细胞特征编码进行检索匹配,可极大提高检索效率;通过构建深度神经网络,提高特征提取以及特征比对的准确性;医生或患者可直接将当前待检索图像作为输入,与特征库中的特征进行快速比对,获取匹配的特征,并根据特征获取相关的描述信息,如症状描述、用药建议、饮食禁忌等,快速获取参考数据,提高医生或患者获取信息的效率,为经验不足的医生提供可用的参考数据。
附图说明
图1为本发明一实施例中异常细胞图像特征的检索方法的流程示意图。
图2为本发明一实施例中多尺度特征提取的流程示意图。
图3为本发明一实施例中细胞样本图像异常细胞图像特征获取的流程示意图。
图4为本发明一实施例中细胞样本图像与异常描述文本关联的流程示意图。
图5为本发明一实施例中异常细胞图像特征的检索装置的模块图。
图6为本发明一实施例中计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供了一种异常细胞图像特征的检索方法,包括以下步骤:
步骤S1,构建用于获取输入图像的二进制编码特征的特征编码网络;
步骤S2,获取样本数据集,所述样本数据集包括细胞样本图像;
步骤S3,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;
步骤S4,将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
下面结合具体实施例对本发明异常细胞图像特征的检索方法的工作流程步骤进行说明。
在步骤S1中,构建用于获取输入图像的二进制编码特征的特征编码网络。
在一实施例中,特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
具体地,以宫颈细胞分类为例,为了能够更好的适配宫颈细胞区别于其他目标检测任务的特有特点,可采用加入注意力机制的高效金字塔特征提取网络进行网络的改进,将常规的卷积核替换为EPSA(Efficient Pyramid Split Attention)模块作为多尺度特征提取单元,整合多尺度空间信息和跨通道注意力机制,能够在更细粒度的级别上提取特征信息,并选择性地衡量每个通道的重要性,以此得到更丰富的多尺度特征信息细化的特征图作为输出。最后经过一个全连接层神经网络,该全连接层神经网络先是将前述特征提取网络输出转为多维的哈希层,用于输出图像的特征,再经过激活函数用于进行图像编码,将哈希层中的值约束在(0,1)中,之后通过阈值函数,对哈希层中的数据进行二进制编码,大于阈值则为1,反之则为0。示例性地,设哈希层包含48个输出神经元,则经过哈希层后生成48位的二进制哈希码,以此进行图像特征的提取,存于数据库中。
请参阅图2,在一实施例中,采用多尺度注意力单元各特征提取通道进行特征提取,包括以下步骤:
S101,通过多个通道的卷积层分别对输入图像进行卷积,得到每个卷积层输出的特征图;
S102,设置通道注意力单元,获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;
S103,将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
具体地,可将输入图像拆分为多个部分,每个部分对应一个通道,分别对每个部分通过对应通道的卷积层进行特征提取,得到不同尺度的特征。进而将多个通道对应的不同尺度的特征图通过拼接层(concat层)进行特征拼接。在特征拼接之前,计算每个通道的注意力向量。
在一实施例中,通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数。每个通道的特征图经过全局平局平均池化层后得到对应通道的一个标量,再经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为该通道的注意力权重。然后根据每个通道的注意力权重进行加权(即将对应通的每个元素与注意力权重相乘),将加权后的特征图作为该通道的校准特征图。第一步每个通道HxW个数全局平均池化得到一个标量,称之为Squeeze,然后通过两个全连接层得到0到1之间的一个权重值,对原始的每个HxW的每个元素乘以对应通道的权重,得到新的特征图。第一激活函数可采用ReLU函数,第二激活函数可采用Sigmoid函数。由于每个通道的重要度不同,通道注意力单元主要用于自主学习通道之间的相关性,筛选出针对通道的注意力权重。
对于CNN网络来说,其核心计算是卷积算子,其通过卷积核从输入特征图学习到新特征图。从本质上讲,卷积是对一个局部区域进行特征融合,这包括空间上(H和W维度)以及通道间(C维度)的特征融合。导致了普通卷积神经网络的感受野不大,当然也可以设计出更多的通道特征来增加感受野,但是这样做导致了计算量大大的增加。因此为了空间上融合更多特征,或者是提取多尺度空间信息。本领域技术人员也提出了许多不同的方法如Inception网络的多分支结构。对于通道维度的特征融合,卷积操作基本上默认对输入特征图的所有通道进行融合。本实施例中的通道注意力单元关注通道之间的关系,希望模型可以自动学习到不同通道特征的重要程度。因此,通过对卷积得到的特征图进行处理,得到一个与通道对应的标量作为每个通道的评价分数,然后将该分数分别施加到对应的通道上,得到校正的特征图。
在一实施例中,特征校正和特征拼接后,将特征图输入一个全连接层神经网络。全连接层神经网络包括全连接层和哈希层。其中,哈希层的维度可根据应用需求进行调整,示例性地,哈希层维度可设置为48。全连接层中的每个神经元输出连接一个激活函数,激活函数可采用sigmoid函数,通过激活函数激活哈希层中的神经元,将全连接层输出的特征值约束在0到1之间。哈希层再通过阈值函数进行阈值判断,大于阈值输出为1,小于阈值输出为0。通过哈希层生成细胞异常特征的48位二进制编码。可通过调节哈希层的维度调节二进制编码的位数。
在一实施例中,哈希层的激活函数也可采用tanh函数。若将符号函数直接作用于完全连接层的输出,能够将输出严格限制为二进制输出,但是其不可微分,从而难以通过反向传播梯度更新梯度,不利于模型的优化。若选择ReLU函数,最小化损失函数时就会面对难以直接优化的离散优化问题。为了将连续输出用做哈希码的松弛可以利用sigmoid或tanh作为激活函数,但是sigmoid函数的输出值不是以0为中心值,其输出范围在(0,1)的区间内总是正数,这样会造成非0均值的信号输入到后一层的神经元,从而对梯度产生影响。在训练过程中参数的梯度值总是全部为正数或全部为负数,故在反向传播过程中要么都往正方向更新,要么都往负方向更新,使得收敛缓慢且不容易到达最优值。而tanh函数是0均值的,解决了sigmoid函数的非0均值的问题,更加有利于提高训练效率。
在一实施例中,全连接层可采用两层全连接层,第三层全连接层与第四层全连接层依次连接,且每个全连接层的输出均连接至哈希层。哈希层可连接一个输出层通过输出层的损失函数进行反向传播更新网络参数,进行模型训练。完成模型训练,获取哈希层的输出作为对应输入图像的异常细胞图像特征。第四全连接层输出的特征可作为图像的视觉特征,但其过多地依赖于类且具有较强的不变性,不利于捕捉图像间的细微的语义区分,而将哈希层连接到两个全连接层,能够减轻存在的信息丢失情况,并使哈希编码更好地利用偏向视觉外观的多样化信息,所以把哈希层的输入分为成了两部分,一部分来自第二全连接层,另一部分来自第一全连接层。
在图像特征提取环节,传统方式是基于人工提取的图像底层特征,但底层视觉描述符存在表达能力不够强的问题。而与人工提取特征相比,深度卷积神经网络更能获得图像的内在特征,提取的特征也更准确。在匹配环节,传统的线性扫描通过与数据库中各数据点逐个进行相似性计算来实现。随着数据库规模变大以及特征向量维度变高,计算量变得巨大,搜索成本也逐步提升。而基于哈希编码的图像检索可以降低搜索的空间复杂度与时间复杂度,其将图像的高维的特征表示映射为二进制的编码,实现了数据降维并能在低维空间内进行度量运算。
在步骤S2和步骤3中,获取样本数据集,所述样本数据集包括细胞样本图像;将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库。
请参阅图3,在一实施例中,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,包括以下步骤:
步骤,201:整理特定疾病对应的细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;
步骤S202:从所述样本数据集中选出指定数量样本训练所述特征编码网络;
步骤S203:根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
具体地,以宫颈异常细胞样本图像为例,宫颈异常细胞样本图像可通过显微镜或数字病历扫描仪成像获取。获取的样本图像可包括以下几类:
a.正常鳞状上皮细胞和异常改变的鳞状上皮细胞(没有明确诊断意义的不典型鳞状上皮细胞(ASC-US)、低度鳞状上皮内病变(LSIL)、高度鳞状上皮内病变(HSIL))
b.正常腺上皮细胞和异常腺上皮细胞(没有明确诊断意义的不典型腺上皮细胞(AGC),宫颈腺癌)
c.微生物(疱疹、放线菌、滴虫)
进一步地,可通过专家医生对样本图像中的异常区域进行标注,标注对应特异常区域的异常类别,如低度鳞状上皮内病变、高度鳞状上皮内病变等,
获取标注的样本数据集。
请参阅图4,在一实施例中,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征之前,还包括以下步骤:
步骤,S204,根据特定疾病分类标准,创建每种特征的异常描述文本;
步骤S205,根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;
步骤S206,获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
具体地,以TBS(The Bethesda system)诊断为例,TBS诊断是一种描述性诊断,主要诊断描述宫颈细胞的情况。其中提到了两大专业术语:低度鳞状上皮内病变(LSIL)和高度鳞状上皮内病变(HSIL))。可针对这两类病变的样本图像生成对应的描述文本。异常描述文本内容可包括诊断标准、治疗方法、注意事项等。示例性地,低度鳞状上皮病变诊断标准包括:细胞单个或成片排列、胞质“成熟”或为表层型胞质的细胞以及细胞质边界清楚等。可根据TBS诊断标准中数据生成各诊断段标准对应的描述文本。不同疾病类型可对应不同的诊断标准,此处的TBS诊断标准不应视为对本实施例的限制。诊断标准和异常描述文本的对应关系可根据实际应用需求进行设置,这里不作限制。将异常描述文本输入数据库中,得到描述文本数据库。
在获取样本图像后,可将样本图像输出至专家组对应的应用端,由专家组对样本图像中的特征类别进行标注,得到标注信息。进一步地,可根据每个样本图像的标注信息从描述文本数据库中获取匹配的异常描述文本。具体地,可计算标注的特征类别与异常描述文本的欧氏距离或范式距离,得到二者的相似度。若二者相似度达到预设的相似度阈值,则将样本图像与对应的异常描述文本关联。样本图像以及关联的异常描述文本输出至专家组对应的应用端,由专家组对异常描述文本进行修正。
在样本图像经过特征编码网络完成特征提取后,可根据样本图像与异常描述文本的关联关系,建立样本图像对应的异常细胞图像特征与异常描述文本的关联关系。
将经过标注的样本数据及输入经过前述步骤构建的特征编码网络,进行模型训练,得到异常细胞图像特征获取模型。
在S3中,将待检索样本图像输入所述特征编码网络,获取待检索特征;
在一实施例中,可将待检索样本输入步骤S2中经过模型训练得到的异常细胞图像特征获取模型中,以获取待检索特征。
经过步骤S2获取样本图像对应的标准特征库后,实习医生或其他经验不足的人员在无法对当前采集的细胞图像进行准确诊断时,可将采集图像录入系统,进行图像特征检索,以获取参考信息,以便于辅助对应人员进行细胞异常判别。具体地,可将当前获取的细胞图像作为待检索样本图像输入异常细胞图像特征获取模型,经过模型特征提取将待检索样本图像对应异常细胞图像特征转化为对应位数的二进制哈希码,作为待检索特征。
在步骤S4中,根据待检索特征从所述标准特征库中获取匹配的特征以及关联的描述文本。
从标准特征库中检索匹配特征时,可根据步骤S2中获取的待检索特征,进行二进制哈希码比对,计算两个二进制哈希码之间的汉明距离作为二者的相似度。获取相似度最高异常细胞图像特征,或者,获取达到相似度阈值的前K个异常细胞图像特征作为匹配特征输出。同时根据异常细胞图像特征与异常描述文本的关联关系,输出对应的描述文本,供检索人员参考。
在一实施例中,获取匹配的异常细胞图像特征后,可进一步提取关联的异常描述文本中的关键信息,如异常描述文本包含的类别信息等,根据每个类别信息提取对应的关键特征作为类别标识输出至检索方。检索方可点击对应的关键特征触发二级界面跳转连接,获取二级界面。在二级界面中显示关键信息对应的描述文本。在处理信息量较大的描述文本时,不需要有检索方进行信息筛查,自动分类输出对应文本数据,增强使用体验。
按照特定诊断标准标注样本图像,建立标准特征库,并关联特征描述文本,便于细胞病理医生通过搜索平台快速获取准确的诊断参考数据。采用加入注意力机制的高效金字塔分割特征提取模块的网络,整合多尺度空间信息和跨通道注意力机制,以此更好的拟合宫颈癌细胞病理图像特征,从而更好地提取宫颈癌细胞的细节信息,提高检测准确率。同时采用二进制哈希码编码,提高检索效率。对于临床诊断经验不足的医生,通过在病理数据库中搜索到相似的典型样例,能够参考专家的描述和判断,辅助医生进行病理诊断,使其能够结合历史性病理库诊断结果做出综合分析,提高临床效率和准确率。
在一实施例中,如图5所示,提供一种异常细胞图像特征的检索装置,该装置包括:网络构建模块10,用于构建用于获取输入图像的二进制编码特征的特征编码网络;样本数据获取模块11,用于获取样本数据集,所述样本数据集包括细胞样本图像;标准特征库创建模块12,用于将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;异常特征检索模块13,用于将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
在一实施例中,标准特征库创建模块12还包括:样本集创建单元,用于整理特定疾病对应的细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;网络训练单元,用于从所述样本数据集中选出指定数量样本训练所述特征编码网络;特征获取单元,用于根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
在一实施例中,装置还包括:描述文本创建模块,用于根据特定疾病分类标准,创建每种特征的异常描述文本;描述文本匹配模块,用于根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;关联校正模块,用于获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
在一实施例中,所述特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
在一实施例中,通道注意力单元,用于获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
在一实施例中,所述通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数;将经过所述特征提取通道得到的特征图输入所述全局平均平均池化层后,得到对应通道的一个标量;将所述标量依次经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为通道的注意力权重,其中所述第一激活函数采用ReLU函数,所述第二激活函数采用Sigmoid函数。
在一实施例中,所述编码单元的全连接层为两层,包括第三全连接层和第四全连接层,第三全连接层将获取的特征图分别输出至所述第四全连接层和所述哈希层;所述第四全连接层将获取的特征图输出至所述哈希层。
上述异常细胞图像特征的检索装置可以以一种计算机程序的形式实现,计算机程序可以在如图5所示的计算机设备上运行。计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
上述异常细胞图像特征的检索装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端的存储器中,也可以以软件形式存储于终端的存储器中,以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。
如图6所示,为一个实施例中计算机设备的内部结构示意图。提供了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:构建用于获取输入图像的二进制编码特征的特征编码网络;获取样本数据集,所述样本数据集包括细胞样本图像;将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
在一实施例中,上述处理器执行时,所实现的将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,包括:整理特定疾病对应的细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;从所述样本数据集中选出指定数量样本训练所述特征编码网络;根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
在一实施例中,上述处理器执行时,所实现的将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征之前,还包括:根据特定疾病分类标准,创建每种特征的异常描述文本;根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
在一实施例中,上述处理器执行时,所实现的所述特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
在一实施例中,上述处理器执行时,所实现的采用多尺度注意力单元各特征提取通道进行特征提取,包括:通过多个通道的卷积层分别对输入图像进行卷积,得到每个卷积层输出的特征图;设置通道注意力单元,获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
在一实施例中,上述处理器执行时,所实现的所述通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数;将经过所述特征提取通道得到的特征图输入所述全局平均平均池化层后,得到对应通道的一个标量;将所述标量依次经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为通道的注意力权重,其中所述第一激活函数采用ReLU函数,所述第二激活函数采用Sigmoid函数。
在一实施例中,上述处理器执行时,所实现的所述编码单元的全连接层为两层,包括第三全连接层和第四全连接层,第三全连接层将获取的特征图分别输出至所述第四全连接层和所述哈希层;所述第四全连接层将获取的特征图输出至所述哈希层。
在一个实施例中,上述的计算机设备可用作服务器,包括但不限于独立的物理服务器,或者是多个物理服务器构成的服务器集群,该计算机设备还可用作终端,包括但不限手机、平板电脑、个人数字助理或者智能设备等。如图6所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器、显示屏和网络接口。
其中,该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。计算机设备的非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以上各个实施例所提供的一种异常细胞图像特征的检索方法。计算机设备中的内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。显示界面可通过显示屏进行数据展示。显示屏可以是触摸屏,比如为电容屏或电子屏,可通过接收作用于该触摸屏上显示的控件的点击操作,生成相应的指令。
本领域技术人员可以理解,图6中示出的计算机设备的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:构建用于获取输入图像的二进制编码特征的特征编码网络;获取样本数据集,所述样本数据集包括细胞样本图像;将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
在一实施例中,该计算机程序被处理器执行时,所实现的将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,包括:整理特定疾病对应的细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;从所述样本数据集中选出指定数量样本训练所述特征编码网络;根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
在一实施例中,该计算机程序被处理器执行时,所实现的将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征之前,还包括:根据特定疾病分类标准,创建每种特征的异常描述文本;根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
在一实施例中,该计算机程序被处理器执行时,所实现的所述特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
在一实施例中,该计算机程序被处理器执行时,所实现的采用多尺度注意力单元各特征提取通道进行特征提取,包括:通过多个通道的卷积层分别对输入图像进行卷积,得到每个卷积层输出的特征图;设置通道注意力单元,获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
在一实施例中,该计算机程序被处理器执行时,所实现的所述通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数;将经过所述特征提取通道得到的特征图输入所述全局平均平均池化层后,得到对应通道的一个标量;将所述标量依次经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为通道的注意力权重,其中所述第一激活函数采用ReLU函数,所述第二激活函数采用Sigmoid函数。
在一实施例中,该计算机程序被处理器执行时,所实现的所述编码单元的全连接层为两层,包括第三全连接层和第四全连接层,第三全连接层将获取的特征图分别输出至所述第四全连接层和所述哈希层;所述第四全连接层将获取的特征图输出至所述哈希层。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
综上所述,本发明一种异常细胞图像特征的检索方法、装置、设备和介质,严格按照TBS系统建立标准宫颈典型异常细胞样例库,由专家进行最终复核筛选并撰写相对应的细胞特征描述,给细胞病理医生提供一个方便实用的咨询搜索平台;采用加入注意力机制的高效金字塔分割特征提取模块的网络,整合多尺度空间信息和跨通道注意力机制,以此更好的拟合宫颈癌细胞病理图像特征,从而更好地提取宫颈癌细胞的细节信息,提高特征检索的准确性;同时采用二进制哈希码编码,提高检索效率。对于临床诊断经验不足的医生,通过在病理数据库中搜索到相似的典型样例,能够参考专家的描述和判断,为当前图像特征判断提供数据参考,使其能够结合历史性病理库诊断结果做出综合分析。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。。
Claims (10)
1.一种异常细胞图像特征的检索方法,其特征在于,包括:
构建用于获取输入图像的二进制编码特征的特征编码网络;
获取样本数据集,所述样本数据集包括细胞样本图像;
将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;
将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
2.根据权利要求1所述的异常细胞图像特征的检索方法,其特征在于,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征,包括:
整理细胞样本图像,并根据预设疾病分类标准对所述细胞样本图像进行分类标注,创建样本数据集;
从所述样本数据集中选出指定数量样本训练所述特征编码网络;
根据经过训练的所述特征编码网络对所述样本数据集中所有样本图像进行分类检测,获取对应的异常细胞图像特征。
3.根据权利要求1所述的异常细胞图像特征的检索方法,其特征在于,将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将其作为异常细胞图像特征之前,还包括:
根据特定疾病分类标准,创建每种特征的异常描述文本;
根据细胞样本图像的标注信息匹配对应类别的描述文本,获取对应细胞样本图像的异常描述文本,其中,标注信息包括异常特征类别;
获取所述样本图像以及对应的异常描述文本输出至特定目标对象进行校验,判断样本图像与异常描述文本是否正确关联。
4.根据权利要求1所述的异常细胞图像特征的检索方法,其特征在于,所述特征编码网络包括:多尺度特征提取单元、通道注意力单元和编码单元;
多尺度注意力单元包括至少四个相互独立的特征提取通道,所述通道注意力单元作用于每个特征提取通道上,获取每个特征提取通道的注意力向量;
所述编码单元包括全连接层和哈希层;通过所述全连接层各神经元接收所述多出度注意力单元输出的特征图,得到输入图像的异常特征,将全局特征输入哈希层进行二进制编码,获取对应的异常细胞图像特征。
5.根据权利要求4所述的异常细胞图像特征的检索方法,其特征在于,采用多尺度注意力单元各特征提取通道进行特征提取,包括:
通过多个通道的卷积层分别对输入图像进行卷积,得到每个卷积层输出的特征图;
设置通道注意力单元,获取每个通道特征图的评价分数作为通道注意力,引入对应通道输出中,获取对应特征提取通道的注意力向量;
将所述通道注意力加权到对应通道的特征图中,得到校正特征图,将所述校正特征图输入所述编码单元的全连接层。
6.根据权利要求3所述的异常细胞图像特征的检索方法,其特征在于,所述通道注意力单元包括依次连接的全局平均池化层、第一全连接层、第一激活函数、第二全连接层和第二激活函数;
将经过所述特征提取通道得到的特征图输入所述全局平均平均池化层后,得到对应通道的一个标量;将所述标量依次经过第一全连接层、第一激活函数、第二全连接层、第二激活函数后,得到对应通道0到1之间的标量,作为通道的注意力权重,其中所述第一激活函数采用ReLU函数,所述第二激活函数采用Sigmoid函数。
7.根据权利要求4所述的异常细胞图像特征的检索方法,其特征在于,所述编码单元的全连接层为两层,包括第三全连接层和第四全连接层,第三全连接层将获取的特征图分别输出至所述第四全连接层和所述哈希层;所述第四全连接层将获取的特征图输出至所述哈希层。
8.一种异常细胞图像特征的检索装置,其特征在于,包括:
网络构建模块,用于构建用于获取输入图像的二进制编码特征的特征编码网络;
样本数据获取模块,用于获取样本数据集,所述样本数据集包括细胞样本图像;
标准特征库创建模块,用于将所述样本数据集输入至特征编码网络,获取样本编码特征结果,并将所述样本编码特征结果作为异常细胞图像特征,并根据异常细胞图像特征与异常描述文本的关联关系,建立表征异常细胞图像特征的标准特征库;
异常特征检索模块,用于将待检索样本图像输入所述特征编码网络,获取待检索编码特征结果,进而通过所述标准特征库,获取与所述待检索编码特征结果匹配的异常描述文本,完成异常细胞图像特征的检索。
9.一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087262.2A CN113779295A (zh) | 2021-09-16 | 2021-09-16 | 一种异常细胞图像特征的检索方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087262.2A CN113779295A (zh) | 2021-09-16 | 2021-09-16 | 一种异常细胞图像特征的检索方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779295A true CN113779295A (zh) | 2021-12-10 |
Family
ID=78851388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087262.2A Pending CN113779295A (zh) | 2021-09-16 | 2021-09-16 | 一种异常细胞图像特征的检索方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329118A (zh) * | 2022-10-14 | 2022-11-11 | 山东省凯麟环保设备股份有限公司 | 一种面向垃圾图像的图像相似性检索方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837572A (zh) * | 2019-11-15 | 2020-02-25 | 北京推想科技有限公司 | 图像检索方法、装置、可读存储介质及电子设备 |
CN111428070A (zh) * | 2020-03-25 | 2020-07-17 | 南方科技大学 | 眼科案例的检索方法、装置、服务器及存储介质 |
US20200286229A1 (en) * | 2019-03-07 | 2020-09-10 | Hitachi, Ltd. | Image diagnostic device, image processing method, and program |
CN111723220A (zh) * | 2020-06-18 | 2020-09-29 | 中南大学 | 基于注意力机制和哈希的图像检索方法、装置及存储介质 |
-
2021
- 2021-09-16 CN CN202111087262.2A patent/CN113779295A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200286229A1 (en) * | 2019-03-07 | 2020-09-10 | Hitachi, Ltd. | Image diagnostic device, image processing method, and program |
CN110837572A (zh) * | 2019-11-15 | 2020-02-25 | 北京推想科技有限公司 | 图像检索方法、装置、可读存储介质及电子设备 |
CN111428070A (zh) * | 2020-03-25 | 2020-07-17 | 南方科技大学 | 眼科案例的检索方法、装置、服务器及存储介质 |
CN111723220A (zh) * | 2020-06-18 | 2020-09-29 | 中南大学 | 基于注意力机制和哈希的图像检索方法、装置及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329118A (zh) * | 2022-10-14 | 2022-11-11 | 山东省凯麟环保设备股份有限公司 | 一种面向垃圾图像的图像相似性检索方法及系统 |
CN115329118B (zh) * | 2022-10-14 | 2023-02-28 | 山东省凯麟环保设备股份有限公司 | 一种面向垃圾图像的图像相似性检索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021008328A1 (zh) | 图像处理方法、装置、终端及存储介质 | |
CN111709233B (zh) | 基于多注意力卷积神经网络的智能导诊方法及系统 | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
CN110490081B (zh) | 一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法 | |
US11861925B2 (en) | Methods and systems of field detection in a document | |
CN110472049B (zh) | 疾病筛查文本分类方法、计算机设备和可读存储介质 | |
CN113591866B (zh) | 基于db与crnn的特种作业证件检测方法及系统 | |
CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN113077434A (zh) | 基于多模态信息的肺癌识别方法、装置及存储介质 | |
CN112927776A (zh) | 一种面向医学检验报告的人工智能自动解读系统 | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN114330499A (zh) | 分类模型的训练方法、装置、设备、存储介质及程序产品 | |
Tavakoli | Seq2image: Sequence analysis using visualization and deep convolutional neural network | |
Singh et al. | A stack autoencoders based deep neural network approach for cervical cell classification in pap-smear images | |
CN113764034B (zh) | 基因组序列中潜在bgc的预测方法、装置、设备及介质 | |
CN113779295A (zh) | 一种异常细胞图像特征的检索方法、装置、设备和介质 | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
CN111340807B (zh) | 病灶定位核心数据提取方法、系统、电子设备及存储介质 | |
Gnanapriya et al. | A Hybrid Deep Learning Model for Real Time Hand Gestures Recognition. | |
CN113658690A (zh) | 一种智能导医方法、装置、存储介质以及电子设备 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
Fan et al. | A medical pre-diagnosis system for histopathological image of breast cancer | |
CN115270754A (zh) | 跨模态匹配方法及相关装置、电子设备、存储介质 | |
AU2021100367A4 (en) | A multi-task automatic analysis method for tongue manifestation |
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 |