CN114202494A - 基于细胞分类模型分类细胞的方法、装置及设备 - Google Patents
基于细胞分类模型分类细胞的方法、装置及设备 Download PDFInfo
- Publication number
- CN114202494A CN114202494A CN202010899451.9A CN202010899451A CN114202494A CN 114202494 A CN114202494 A CN 114202494A CN 202010899451 A CN202010899451 A CN 202010899451A CN 114202494 A CN114202494 A CN 114202494A
- Authority
- CN
- China
- Prior art keywords
- classification
- features
- neural network
- target
- cell
- 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
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种基于细胞分类模型分类细胞的方法、装置及设备,该基于细胞分类模型分类细胞的方法包括:获取目标细胞图像;将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征;将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接,输出拼接特征;将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征;将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征,多个第二粗分类特征包括目标粗分类特征,目标粗分类特征标识有目标细胞图像的粗分类结果;本申请实施例能够解决现有的肿瘤细胞分类模型对细胞分类精度较低的问题。
Description
技术领域
本申请属于深度学习领域,尤其涉及一种基于细胞分类模型分类细胞的方法、装置及设备。
背景技术
在我国,恶性肿瘤早已成为城乡居民的首要死因,恶性肿瘤死亡率属于世界较高水平,而且呈持续的增长趋势。对细胞样本进行病理分类对癌症治疗有着重大意义。
近年来,人工智能与深度学习的发展带给医疗健康领域迅速和革命性的改变,用于疾病诊断和病理分析的人工智能层出不穷,现已有将深度学习用于细胞分类中。
现有技术的肿瘤细胞分类模型通常单纯使用一个卷积神经网络(ConvolutionalNeural Networks,CNN)训练分类器,仅对细胞样本进行二分类,分类精度较低。
发明内容
本申请实施例提供一种在基于细胞分类模型分类细胞的方法、装置及设备,能够解决现有的肿瘤细胞分类模型对细胞分类精度较低的问题。
第一方面,本申请实施例提供一种基于细胞分类模型分类细胞的方法,该细胞分类模型包括,级联的第一卷积神经网络、拼接层第和二卷积神经网络;
该方法包括:
获取目标细胞图像;
将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征;
将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接,输出拼接特征;
将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征,多个精分类特征包括目标精分类特征,目标精分类特征标识有目标细胞图像的精分类结果;
将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征,多个第二粗分类特征包括目标粗分类特征,目标粗分类特征标识有目标细胞图像的粗分类结果。
进一步地,在一种实施例中,第一卷积神经网络包括多个级联的卷积层;
将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征,包括:
将目标细胞图像输入第一卷积神经网络中的第一层卷积层进行特征提取,输出第一个第一粗分类特征;
针对第一卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:
将上一层卷积层输出的第一粗分类特征输入本层卷积层,输出第一粗分类特征,直至末层卷积层输出最后一个第一粗分类特征,得到多个第一粗分类特征。
进一步地,在一种实施例中,第二卷积神经网络包括多个级联的卷积层;
将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征,包括:
将拼接特征输入第二卷积神经网络中的第一层卷积层进行特征提取,输出第一个精分类特征;
针对第二卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:
将上一层卷积层输出的精分类特征输入本层卷积层,输出精分类特征,直至末层卷积层输出最后一个精分类特征,得到多个精分类特征。
进一步地,在一种实施例中,该方法还包括:
将第二卷积神经网络的末层卷积层输出的精分类特征作为目标精分类特征。
进一步地,在一种实施例中,将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征,包括:
将多个精分类特征分别输入第一卷积神经网络中的多个卷积层,输出多个第二粗分类特征。
进一步地,在一种实施例中,该方法还包括:
将第一卷积神经网络的末层卷积层输出的第二粗分类特征作为目标粗分类特征。
第二方面,本申请实施例提供一种细胞分类模型的训练方法,该方法包括:
获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括细胞原始图像和与其对应的类别标签;
针对每个训练样本,分别执行以下操作:
将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,输出多个第一粗分类训练特征;
将多个第一粗分类训练特征与细胞原始图像输入目标模型的拼接层进行特征拼接,得到拼接训练特征;
将拼接训练特征输入目标模型的第二卷积神经网络进行特征提取,输出多个精分类训练特征,多个精分类训练特征包括目标精分类训练特征,目标精分类训练特征标识有训练样本的精分类结果;
将多个精分类训练特征输入目标模型的第一卷积神经网络进行特征提取,输出多个第二粗分类训练特征,多个第二粗分类训练特征包括目标粗分类训练特征,目标粗分类训练特征标识有训练样本的粗分类结果;
根据各个目标精分类训练特征、及其所对应的类别标签和每一类细胞数量所占全部细胞数量的比例,计算目标模型的交叉熵损失函数;
在不满足交叉熵损失函数输出值小于预设阈值的情况下,根据各个目标精分类训练特征、目标粗分类训练特征以及其所对应的类别标签,调整目标模型的模型参数;返回将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,直至交叉熵损失函数输出值小于预设阈值,得到该细胞分类模型。
第三方面,本申请实施例提供一种基于细胞分类模型分类细胞的装置,该细胞分类模型包括,级联的第一卷积神经网络、拼接层第和二卷积神经网络;
该装置包括:
获取模块,用于获取目标细胞图像;
第一特征提取模块,用于将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征;
特征拼接模块,用于将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接,输出拼接特征;
第二特征提取模块,用于将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征,多个精分类特征包括目标精分类特征,目标精分类特征标识有目标细胞图像的精分类结果;
第三特征提取模块,用于将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征,多个第二粗分类特征包括目标粗分类特征,目标粗分类特征标识有目标细胞图像的粗分类结果。
第四方面,本申请实施例提供一种基于细胞分类模型分类细胞的设备,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,计算机程序被处理器执行时实现基于细胞分类模型分类细胞的方法和细胞分类模型的训练方法。
第三方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传递的实现程序,程序被处理器执行时实现基于细胞分类模型分类细胞的方法和细胞分类模型的训练方法。
本申请实施例的基于细胞分类模型分类细胞的方法、装置及设备,通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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。
图1是本申请一个实施例提供的细胞分类模型的训练方法的流程示意图;
图2是本申请一个实施例提供的乳腺肿瘤细胞分类模型的训练方法的流程示意图;
图3是本申请一个实施例提供的采用二级卷积神经网络训练乳腺肿瘤细胞分类模型的流程示意图;
图4是本申请一个实施例提供的乳腺肿瘤细胞分类模型输出的分类结果示意图;
图5是本申请一个实施例提供的基于细胞分类模型分类细胞的方法的流程示意图;
图6是本申请一个实施例提供的细胞分类模型的训练装置的结构示意图;
图7是本申请一个实施例提供的基于细胞分类模型分类细胞的装置结构示意图;
图8是本申请一个实施例提供的基于细胞分类模型分类细胞的设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在我国,恶性肿瘤早已成为城乡居民的首要死因,恶性肿瘤死亡率属于世界较高水平,而且呈持续的增长趋势。对细胞样本进行病理分类对癌症治疗有着重大意义。
近年来,人工智能与深度学习的发展带给医疗健康领域迅速和革命性的改变,用于疾病诊断和病理分析的人工智能层出不穷,现已有将深度学习用于细胞分类中。
现有技术的肿瘤细胞分类模型通常单纯使用一个卷积神经网络(ConvolutionalNeural Networks,CNN)训练分类器,在肿瘤细胞多分类问题上,具备如下弊端:类内差异大,类间差异小,类别之间不互斥。同时其损失函数也没有考虑各类样本数量的均衡性,导致分类精度和准确性较低。
为了解决现有技术问题,本申请实施例提供了一种基于细胞分类模型分类细胞的方法、装置及设备。需要说明的是,本申请实施例提供的基于细胞分类模型分类细胞的方法中,需要利用预先训练好的细胞分类模型对目标细胞图像进行分类,因此,在应用细胞分类模型之前,需要完成细胞分类模型的训练。基于此,下面首先结合附图描述本申请实施例提供的一种细胞分类模型的训练方法的具体实施方式。
图1示出了本申请一个实施例提供的细胞分类模型的训练方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S100,获取训练样本集。
训练样本集包括多个训练样本,训练样本可以从医院的细胞数据库获取。每个训练样本包括细胞原始图像和与其对应的类别标签;类别标签指的是细胞原始图像所对应细胞的病理类型,例如:良性、恶性、以及正常;再例如:纤维腺瘤、叶状肿瘤、以及管状肿瘤。
针对每个训练样本,分别执行以下操作:
S102,将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,输出多个第一粗分类训练特征。
需要说明的是,本申请的第一卷积神经网络包含有多个卷积层,故对细胞原始图像进行特征提取时会生成多个第一粗分类训练特征。由于第一粗分类训练特征是仅基于训练样本本身得到的,其分类准确度较差,故不将其作为最终的粗分类结果。
S104,将多个第一粗分类训练特征与细胞原始图像输入目标模型的拼接层进行特征拼接,得到拼接训练特征。
由于拼接训练特征是基于细胞原始图像和第一粗分类训练特征生成的,故,其同时具备有充足的全局特征和局部特征,基于该拼接训练特征进行细胞分类,分类结果精度更高。
S106,将拼接训练特征输入目标模型的第二卷积神经网络进行特征提取,输出多个精分类训练特征。
多个精分类训练特征包括目标精分类训练特征,目标精分类训练特征标识有训练样本的精分类结果。需要说明的是,本申请的第二卷积神经网络包含有多个卷积层,故对拼接训练特征进行特征提取时会生成多个精分类训练特征,并将多个卷积层中的末层卷积层输出的精分类特征作为目标精分类训练特征。
S108,将多个精分类训练特征输入目标模型的第一卷积神经网络进行特征提取,输出多个第二粗分类训练特征。
其中,多个第二粗分类训练特征包括目标粗分类训练特征,目标粗分类训练特征标识有训练样本的粗分类结果。由于第二粗分类训练特征是基于精分类训练特征提取得到的,而精分类训练特征是基于同时具备有充足的全局特征和局部特征的拼接训练特征提取得到的,故,精分类训练特征也具备有充足的全局特征和局部特征,进而,第二粗分类训练特征也具备有充足的全局特征和局部特征,可以将其作为最终的粗分类结果。
S110,根据各个目标精分类训练特征、及其所对应的类别标签和每一类细胞数量所占全部细胞数量的比例,计算目标模型的交叉熵损失函数。
需要说明的是,由于各样本类型所占样本总数的比例各不相同,在计算目标模型的交叉熵损失函数时,应抑制大量样本的类别对模型的贡献,增强少量样本的类别对模型的贡献,从而提高模型的整体性能。基于此,本申请引入每一类细胞数量所占全部细胞数量的比例来计算目标模型的交叉熵损失函数,在不增加各类样本数量和网络模型复杂度的同时,保证了目标模型的分类性能。
S112,在不满足交叉熵损失函数输出值小于预设阈值的情况下,根据各个目标精分类训练特征、目标粗分类训练特征以及其所对应的类别标签,调整目标模型的模型参数;返回将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,直至交叉熵损失函数输出值小于预设阈值,得到该细胞分类模型。
本申请实施例的细胞分类模型的训练方法,通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。
至此,便完成了细胞分类模型的训练,为了帮助理解,下面将以训练样本集为乳腺肿瘤细胞为例进一步说明乳腺肿瘤细胞分类模型的训练流程,使用二级CNN网络作为乳腺肿瘤细胞分类模型,进行细胞的粗细颗粒度的分类。
在训练CNN模型时,使用改进的损失函数以提高肿瘤分割的准确率。CNN网络包括至少一个卷积层(conv)、至少一个全局均值池化层(avg pooling)、至少一个最大池化层(max pooling)、至少一个全连接层(fc)、批次归一化(batch normal)和修正线性单元(relu)组成。如图2所示,乳腺肿瘤细胞二级CNN网络,将原始图像和第一级CNN网络三个尺度的卷积层输出的结果拼接与原始的图像块一起作为其输入;在第二级CNN网络中,将网络三个尺度的卷积层输出反向传播至第一级CNN网络中,这样形成一个端到端的多级联神经网络。最终将训练好的二级CNN模型组合构建为一个计算机辅助诊断系统,读取待诊断的乳腺肿瘤细胞病理切片并输入系统后,以得出该病理切片属于的腺病、纤维腺瘤、叶状肿瘤、管状肿瘤、癌、小叶癌、粘液癌和乳头状癌的概率。在建立网络模型时,改进交叉熵损失函数,抑制大量样本的类别对模型的贡献,增强少量样本的类别对模型的贡献,从而提高模型的整体性能。
图2示出了该乳腺肿瘤细胞分类模型的训练方法的流程示意图,如图2所示,该方法包括:
对于训练用细胞样本(即已标记了细胞类型的细胞样本),获取训练用细胞样本对应的全尺寸病理切片。
本申请首先通过浸蜡和苏木精-伊红染色法处理训练用细胞样本,得到全尺寸的病理切片,细胞样本可从医院获取,该细胞样本被标记了相应的细胞类型,例如,细胞是正常细胞或是肿瘤细胞,如果是肿瘤细胞,则相应也会标记有该细胞的肿瘤细胞类型。苏木精染液为碱性,主要使细胞核内的染色质与胞质内的核酸着紫蓝色;伊红为酸性染料,主要使细胞质和细胞外基质的成分着红色。全尺寸病理切片包含细胞组织部分和无细胞部分,无细胞部分对肿瘤细胞分类没有影像,但占用空间很大。故,需要对全尺寸病理切片进行处理,进而得到其具有细胞组织部分的图像。
通过图像预处理处理全尺寸病理切片从而获得图像小块,图像小块即训练样本集。
具体的,图像预处理过程包括:
使用最大类间方差法提取全尺寸病理切片中的细胞组织部分,再把细胞组织部分切分成大量50×50像素的图像小块,即完成了训练样本集的获取,该训练样本集指的即已标记的图像小块,即可将训练样本集输入二级CNN网络进行模型训练,经过训练后即可得到神经网络模型。
对于待检测细胞样本,采用与训练用细胞样本相同的处理过程,获取图像小块,输入上文训练得到的神经网络模型,即可得到该待检测细胞样本对应的乳腺肿瘤细胞类型。
图3示出了采用二级卷积神经网络训练乳腺肿瘤细胞分类模型的流程示意图,该流程包括:
把图像小块输入到第一级CNN网络(Inception-v3)和第二级CNN网络(ResNet50)两个级联的网络中,第一级Inception-v3网络用于识别正常细胞、良性细胞和恶性细胞;第二级ResNet50网络的输入使用原始图像和Inception-v3网络三个不同尺度的卷积层输出的结果拼接输入到ResNet50网络中,同时,将ResNet50网络三个不同尺度的卷积层输出的结果输入到Inception-v3网络中。利用第一级Inception-v3网络粗分类的结果,把第一级网络学习到的粗分类特征输入到第二级ResNet50网络中,输出粗分类结果。同时第二级ResNet50网络的特征图反向输入至第一级Inception-v3网络,输出精分类结果,比如:腺病、纤维腺瘤、叶状肿瘤、管状肿瘤、癌、小叶癌、粘液癌和乳头状癌,等等,使第一级网络获取更多全局特征,第二级网络获取更多局部特征。
图4示出了乳腺肿瘤细胞分类模型输出的分类结果示意图。
至此,即可进行交叉熵损失函数的计算,计算过程如下:
基于图3识别出的分类结果,假设腺病、纤维腺瘤、叶状肿瘤、管状肿瘤、癌、小叶癌、粘液癌和乳头状癌这八种病症的百分比向量为P:
P=[p1,p2,p3,p4,p5,p6,p7,p8]
权重向量为W:
改进的交叉熵损失函数:
Loss=-WT·Label·Pgroundtruth·(1-Ppred)r·log(Ppred·Pgroundtruth)
其中Label表示该种类以one-hot编码形式表示的类别标签向量,Pgroundtruth表示样本的真值,即细胞样本对应的实际类型,Ppred表示模型输出的类别预测值,即输出的粗分类结果和精分类结果。r是超参数,取值大于1。
至此,即完成了乳腺肿瘤细胞分类模型的训练。
本申请通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。本申请引入每一类细胞数量所占全部细胞数量的比例来计算目标模型的交叉熵损失函数,在不增加各类样本数量和网络模型复杂度的同时,保证了目标模型的分类性能。
以上为本申请实施例提供的细胞分类模型的训练方法的具体实施方式。经上述训练得到的细胞分类模型可应用于如下实施例提供的基于细胞分类模型分类细胞的方法中。
下面结合附图5详细描述本申请提供的基于细胞分类模型分类细胞的方法。该细胞分类模型包括,级联的第一卷积神经网络、拼接层第和二卷积神经网络,其中第一卷积神经网络和第二卷积神经网络均包括多个级联的卷积层。
图5示出了本申请一个实施例提供的基于细胞分类模型分类细胞的方法的流程示意图,该方法包括:
S500,获取目标细胞图像。
即需要进行分类的细胞的图像。
S502,将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征。
需要说明的是,本申请的第一卷积神经网络包含有多个卷积层,故对细胞原始图像进行特征提取时会生成多个第一粗分类特征。由于第一粗分类特征是仅基于样本本身得到的,其分类准确度较差,故不将其作为最终的粗分类结果。
在一种实施例中,S502可以包括:
将目标细胞图像输入第一卷积神经网络中的第一层卷积层进行特征提取,输出第一个第一粗分类特征;针对第一卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:将上一层卷积层输出的第一粗分类特征输入本层卷积层,输出第一粗分类特征,直至末层卷积层输出最后一个第一粗分类特征,得到多个第一粗分类特征。
S504,将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接,输出拼接特征。
由于拼接特征是基于细胞原始图像和第一粗分类特征生成的,故,其同时具备有充足的全局特征和局部特征,基于该拼接特征进行细胞分类,分类结果精度更高。
S506,将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征,多个精分类特征包括目标精分类特征,目标精分类特征标识有目标细胞图像的精分类结果。
需要说明的是,本申请的第二卷积神经网络包含有多个卷积层,故对拼接特征进行特征提取时会生成多个精分类特征,并可以将多个卷积层中的末层卷积层输出的精分类特征作为目标精分类特征。
在一种实施例中,S506可以包括:
将拼接特征输入第二卷积神经网络中的第一层卷积层进行特征提取,输出第一个精分类特征;针对第二卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:将上一层卷积层输出的精分类特征输入本层卷积层,输出精分类特征,直至末层卷积层输出最后一个精分类特征,得到多个精分类特征。
在一种实施例中,该方法还可以包括:
将第二卷积神经网络的末层卷积层输出的精分类特征作为目标精分类特征。
S508,将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征。
其中,多个第二粗分类特征包括目标粗分类特征,目标粗分类特征标识有目标细胞图像的粗分类结果。
由于第二粗分类特征是基于精分类特征提取得到的,而精分类特征是基于同时具备有充足的全局特征和局部特征的拼接特征提取得到的,故,精分类特征也具备有充足的全局特征和局部特征,进而,第二粗分类特征也具备有充足的全局特征和局部特征,可以将其作为最终的粗分类结果。
在一种实施例中,该方法还可以包括:
将第一卷积神经网络的末层卷积层输出的第二粗分类特征作为目标粗分类特征。
本申请通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。
图1-5描述了本申请实施例提供的细胞分类模型的训练方法和基于细胞分类模型分类细胞的方法,下面结合附图6-8描述本申请实施例提供的装置。
图6示出了本申请一个实施例提供的细胞分类模型的训练装置的结构示意图。图6所示装置中各模块具有实现图1中各个步骤的功能,并能达到其相应技术效果。如图6所示,该装置可以包括:
训练用获取模块600,用于获取训练样本集。
训练样本集包括多个训练样本,训练样本可以从医院的细胞数据库获取。每个训练样本包括细胞原始图像和与其对应的类别标签;类别标签指的是细胞原始图像所对应细胞的病理类型,例如:良性、恶性、以及正常;再例如:纤维腺瘤、叶状肿瘤、以及管状肿瘤。
针对每个训练样本,分别执行以下操作:
训练用第一特征提取模块602,用于将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,输出多个第一粗分类训练特征。
需要说明的是,本申请的第一卷积神经网络包含有多个卷积层,故对细胞原始图像进行特征提取时会生成多个第一粗分类训练特征。由于第一粗分类训练特征是仅基于训练样本本身得到的,其分类准确度较差,故不将其作为最终的粗分类结果。
训练用特征拼接模块604,用于将多个第一粗分类训练特征与细胞原始图像输入目标模型的拼接层进行特征拼接,得到拼接训练特征。
由于拼接训练特征是基于细胞原始图像和第一粗分类训练特征生成的,故,其同时具备有充足的全局特征和局部特征,基于该拼接训练特征进行细胞分类,分类结果精度更高。
训练用第二特征提取模块606,用于将拼接训练特征输入目标模型的第二卷积神经网络进行特征提取,输出多个精分类训练特征。
多个精分类训练特征包括目标精分类训练特征,目标精分类训练特征标识有训练样本的精分类结果。需要说明的是,本申请的第二卷积神经网络包含有多个卷积层,故对拼接训练特征进行特征提取时会生成多个精分类训练特征,并将多个卷积层中的末层卷积层输出的精分类特征作为目标精分类训练特征。
训练用第三特征提取模块608,用于将多个精分类训练特征输入目标模型的第一卷积神经网络进行特征提取,输出多个第二粗分类训练特征。
其中,多个第二粗分类训练特征包括目标粗分类训练特征,目标粗分类训练特征标识有训练样本的粗分类结果。由于第二粗分类训练特征是基于精分类训练特征提取得到的,而精分类训练特征是基于同时具备有充足的全局特征和局部特征的拼接训练特征提取得到的,故,精分类训练特征也具备有充足的全局特征和局部特征,进而,第二粗分类训练特征也具备有充足的全局特征和局部特征,可以将其作为最终的粗分类结果。
计算模块610,用于根据各个目标精分类训练特征、及其所对应的类别标签和每一类细胞数量所占全部细胞数量的比例,计算目标模型的交叉熵损失函数。
需要说明的是,由于各样本类型所占样本总数的比例各不相同,在计算目标模型的交叉熵损失函数时,应抑制大量样本的类别对模型的贡献,增强少量样本的类别对模型的贡献,从而提高模型的整体性能。基于此,本申请引入每一类细胞数量所占全部细胞数量的比例来计算目标模型的交叉熵损失函数,在不增加各类样本数量和网络模型复杂度的同时,保证了目标模型的分类性能。
模型生成模块612,用于在不满足交叉熵损失函数输出值小于预设阈值的情况下,根据各个目标精分类训练特征、目标粗分类训练特征以及其所对应的类别标签,调整目标模型的模型参数;返回将细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,直至交叉熵损失函数输出值小于预设阈值,得到该细胞分类模型。
本申请实施例的细胞分类模型的训练装置,通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。
图7示出了本申请一个实施例提供的基于细胞分类模型分类细胞的装置结构示意图。图7所示装置中各模块具有实现图5中各个步骤的功能,并能达到其相应技术效果。如图7所示,该装置可以包括:
获取模块700,用于获取目标细胞图像。
即需要进行分类的细胞的图像。
第一特征提取模块702,将目标细胞图像输入第一卷积神经网络进行特征提取,输出多个第一粗分类特征。
需要说明的是,本申请的第一卷积神经网络包含有多个卷积层,故对细胞原始图像进行特征提取时会生成多个第一粗分类特征。由于第一粗分类特征是仅基于样本本身得到的,其分类准确度较差,故不将其作为最终的粗分类结果。
在一种实施例中,第一特征提取模块702可以包括:
第一输出单元,用于将目标细胞图像输入第一卷积神经网络中的第一层卷积层进行特征提取,输出第一个第一粗分类特征。
第二输出单元,用于针对第一卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:将上一层卷积层输出的第一粗分类特征输入本层卷积层,输出第一粗分类特征,直至末层卷积层输出最后一个第一粗分类特征,得到多个第一粗分类特征。
特征拼接模块706,用于将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接,输出拼接特征。
由于拼接特征是基于细胞原始图像和第一粗分类特征生成的,故,其同时具备有充足的全局特征和局部特征,基于该拼接特征进行细胞分类,分类结果精度更高。
第二特征提取模块706,用于将拼接特征输入第二卷积神经网络进行特征提取,输出多个精分类特征,多个精分类特征包括目标精分类特征,目标精分类特征标识有目标细胞图像的精分类结果。
需要说明的是,本申请的第二卷积神经网络包含有多个卷积层,故对拼接特征进行特征提取时会生成多个精分类特征,并可以将多个卷积层中的末层卷积层输出的精分类特征作为目标精分类特征。
在一种实施例中,第二特征提取模块706可以包括:
第三输出单元,用于将拼接特征输入第二卷积神经网络中的第一层卷积层进行特征提取,输出第一个精分类特征;
第四输出单元,用于针对第二卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:将上一层卷积层输出的精分类特征输入本层卷积层,输出精分类特征,直至末层卷积层输出最后一个精分类特征,得到多个精分类特征;其中,多个第二精分类特征包括目标精分类特征,目标精分类特征标识有目标细胞图像的精分类结果。
在一种实施例中,第四输出单元还可以用于:
将第二卷积神经网络的末层卷积层输出的精分类特征作为目标精分类特征。
第三特征提取模块708,用于将多个精分类特征输入第一卷积神经网络进行特征提取,输出多个第二粗分类特征。
其中,多个第二粗分类特征包括目标粗分类特征,目标粗分类特征标识有目标细胞图像的粗分类结果。
在一种实施例中,第三特征提取模块708,还用于将第一卷积神经网络的末层卷积层输出的第二粗分类特征作为目标粗分类特征。
由于第二粗分类特征是基于精分类特征提取得到的,而精分类特征是基于同时具备有充足的全局特征和局部特征的拼接特征提取得到的,故,精分类特征也具备有充足的全局特征和局部特征,进而,第二粗分类特征也具备有充足的全局特征和局部特征,可以将其作为最终的粗分类结果。
本申请通过采用两个卷积神经网络进行目标细胞图像的分类,能够得到两个精度的分类结果,并且,将第一卷积神经网络的输出特征与目标细胞图像拼接后作为第二卷积神经网络的输入,使得第二卷积神经网络能够获得更多的局部特征。再将第二卷积神经网络的输出返回到第一卷积神经网络进行输入,使得第一卷积神经网络能够获得更多的全局特征,将第一卷积神经网络的输出作为细胞的粗分类结果,将第二卷积神经网络的输出作为精分类结果,分类精度高且分类准确。
图8示出了本申请一个实施例提供的基于细胞分类模型分类细胞的设备的结构示意图。如图8所示,该设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地,上述处理器801可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器802可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器802可以包括可移除或不可移除(或固定)的介质,或者存储器802是非易失性固态存储器。存储器802可在综合网关容灾设备的内部或外部。
在一个实例中,存储器802可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器801通过读取并执行存储器802中存储的计算机程序指令,以实现图1-5所示实施例中的方法/步骤,并达到图1-5所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,该基于细胞分类模型分类细胞的设备还可包括通信接口808和总线810。其中,如图8所示,处理器801、存储器802、通信接口808通过总线810连接并完成相互间的通信。
通信接口808,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线810可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该基于细胞分类模型分类细胞的设备可以执行图1-5所示实施例中的方法/步骤,从而实现图1-5描述的方法。
另外,结合上述实施例中的方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于细胞分类模型分类细胞的方法,其特征在于,所述细胞分类模型包括,级联的第一卷积神经网络、拼接层第和二卷积神经网络;
所述方法包括:
获取目标细胞图像;
将所述目标细胞图像输入所述第一卷积神经网络进行特征提取,输出多个第一粗分类特征;
将所述多个第一粗分类特征与所述目标细胞图像输入所述拼接层进行特征拼接,输出拼接特征;
将所述拼接特征输入所述第二卷积神经网络进行特征提取,输出多个精分类特征,所述多个精分类特征包括目标精分类特征,所述目标精分类特征标识有所述目标细胞图像的精分类结果;
将所述多个精分类特征输入所述第一卷积神经网络进行特征提取,输出多个第二粗分类特征,所述多个第二粗分类特征包括目标粗分类特征,所述目标粗分类特征标识有所述目标细胞图像的粗分类结果。
2.如权利要求1所述的基于细胞分类模型分类细胞的方法,其特征在于,所述第一卷积神经网络包括多个级联的卷积层;
所述将所述目标细胞图像输入所述第一卷积神经网络进行特征提取,输出多个第一粗分类特征,包括:
将所述目标细胞图像输入所述第一卷积神经网络中的第一层卷积层进行特征提取,输出第一个第一粗分类特征;
针对所述第一卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:
将上一层卷积层输出的所述第一粗分类特征输入本层卷积层,输出所述第一粗分类特征,直至末层卷积层输出最后一个第一粗分类特征,得到多个第一粗分类特征。
3.如权利要求1所述的基于细胞分类模型分类细胞的方法,其特征在于,所述第二卷积神经网络包括多个级联的卷积层;
所述将所述拼接特征输入所述第二卷积神经网络进行特征提取,输出多个精分类特征,包括:
将所述拼接特征输入所述第二卷积神经网络中的第一层卷积层进行特征提取,输出第一个精分类特征;
针对所述第二卷积神经网络中除第一层卷积层之外的多个卷积层,均执行以下操作:
将上一层卷积层输出的所述精分类特征输入本层卷积层,输出所述精分类特征,直至末层卷积层输出最后一个精分类特征,得到多个精分类特征。
4.如权利要求3所述的基于细胞分类模型分类细胞的方法,其特征在于,所述方法还包括:
将所述第二卷积神经网络的末层卷积层输出的精分类特征作为所述目标精分类特征。
5.如权利要求2所述的基于细胞分类模型分类细胞的方法,其特征在于,所述将所述多个精分类特征输入所述第一卷积神经网络进行特征提取,输出多个第二粗分类特征,包括:
将所述多个精分类特征分别输入所述第一卷积神经网络中的多个卷积层,输出所述多个第二粗分类特征。
6.如权利要求5所述的基于细胞分类模型分类细胞的方法,其特征在于,所述方法还包括:
将所述第一卷积神经网络的末层卷积层输出的第二粗分类特征作为所述目标粗分类特征。
7.一种细胞分类模型的训练方法,其特征在于,包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括细胞原始图像和与其对应的类别标签;
针对每个所述训练样本,分别执行以下操作:
将所述细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,输出多个第一粗分类训练特征;
将所述多个第一粗分类训练特征与所述细胞原始图像输入所述目标模型的拼接层进行特征拼接,得到拼接训练特征;
将所述拼接训练特征输入所述目标模型的第二卷积神经网络进行特征提取,输出多个精分类训练特征,所述多个精分类训练特征包括目标精分类训练特征,所述目标精分类训练特征标识有所述训练样本的精分类结果;
将所述多个精分类训练特征输入所述目标模型的第一卷积神经网络进行特征提取,输出多个第二粗分类训练特征,所述多个第二粗分类训练特征包括目标粗分类训练特征,所述目标粗分类训练特征标识有所述训练样本的粗分类结果;
根据各个所述目标精分类训练特征、及其所对应的类别标签和每一类细胞数量所占全部细胞数量的比例,计算目标模型的交叉熵损失函数;
在不满足所述交叉熵损失函数输出值小于预设阈值的情况下,根据各个所述目标精分类训练特征、所述目标粗分类训练特征以及其所对应的类别标签,调整所述目标模型的模型参数;返回所述将所述细胞原始图像输入目标模型的第一卷积神经网络进行特征提取,直至所述交叉熵损失函数输出值小于预设阈值,得到所述细胞分类模型。
8.一种基于细胞分类模型分类细胞的装置,其特征在于,所述细胞分类模型包括,级联的第一卷积神经网络、拼接层第和二卷积神经网络;
所述装置包括:
获取模块,用于获取目标细胞图像;
第一特征提取模块,用于将所述目标细胞图像输入所述第一卷积神经网络进行特征提取,输出多个第一粗分类特征;
特征拼接模块,用于将所述多个第一粗分类特征与所述目标细胞图像输入所述拼接层进行特征拼接,输出拼接特征;
第二特征提取模块,用于将所述拼接特征输入所述第二卷积神经网络进行特征提取,输出多个精分类特征,所述多个精分类特征包括目标精分类特征,所述目标精分类特征标识有所述目标细胞图像的精分类结果;
第三特征提取模块,用于将所述多个精分类特征输入所述第一卷积神经网络进行特征提取,输出多个第二粗分类特征,所述多个第二粗分类特征包括目标粗分类特征,所述目标粗分类特征标识有所述目标细胞图像的粗分类结果。
9.一种基于细胞分类模型分类细胞的设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899451.9A CN114202494A (zh) | 2020-08-31 | 2020-08-31 | 基于细胞分类模型分类细胞的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899451.9A CN114202494A (zh) | 2020-08-31 | 2020-08-31 | 基于细胞分类模型分类细胞的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202494A true CN114202494A (zh) | 2022-03-18 |
Family
ID=80644372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010899451.9A Pending CN114202494A (zh) | 2020-08-31 | 2020-08-31 | 基于细胞分类模型分类细胞的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648527A (zh) * | 2022-05-19 | 2022-06-21 | 赛维森(广州)医疗科技服务有限公司 | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 |
-
2020
- 2020-08-31 CN CN202010899451.9A patent/CN114202494A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648527A (zh) * | 2022-05-19 | 2022-06-21 | 赛维森(广州)医疗科技服务有限公司 | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 |
CN114648527B (zh) * | 2022-05-19 | 2022-08-16 | 赛维森(广州)医疗科技服务有限公司 | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112184508B (zh) | 一种用于图像处理的学生模型的训练方法及装置 | |
CN112052868A (zh) | 模型训练方法、图像相似度度量方法、终端及存储介质 | |
CN113408472B (zh) | 目标重识别模型的训练方法、目标重识别方法及装置 | |
Tofighi et al. | Deep networks with shape priors for nucleus detection | |
CN112560993A (zh) | 数据筛选方法、装置、电子设备及存储介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
WO2024060416A1 (zh) | 一种病理图像的端到端弱监督语义分割标注方法 | |
CN114511523B (zh) | 基于自监督学习的胃癌分子亚型分类方法及装置 | |
CN115393606A (zh) | 图像识别的方法和系统 | |
CN114202494A (zh) | 基于细胞分类模型分类细胞的方法、装置及设备 | |
CN113762262B (zh) | 图像数据筛选、图像分割模型训练方法、装置和存储介质 | |
CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
CN113689383A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN117130615A (zh) | 页面数据生成方法、装置、设备及存储介质 | |
CN116310713B (zh) | 红外图像识别方法、装置、电子设备及存储介质 | |
Lakshmi et al. | Deep learning model based Ki-67 index estimation with automatically labelled data | |
CN111144575A (zh) | 舆情预警模型的训练方法、预警方法、装置、设备及介质 | |
CN113688263B (zh) | 用于搜索图像的方法、计算设备和存储介质 | |
Mulmule et al. | Classification of cervical cytology overlapping cell images with transfer learning architectures | |
CN115761360A (zh) | 一种肿瘤基因突变分类方法、装置、电子设备及存储介质 | |
CN113255828B (zh) | 特征检索方法、装置、设备及计算机存储介质 | |
CN115309891A (zh) | 一种文本分类方法、装置、设备及计算机存储介质 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN113112102A (zh) | 优先级确定方法、装置、设备及存储介质 |
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 |