CN114463746A - 目标识别模型训练以及细胞识别方法、装置及电子设备 - Google Patents
目标识别模型训练以及细胞识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114463746A CN114463746A CN202111608353.6A CN202111608353A CN114463746A CN 114463746 A CN114463746 A CN 114463746A CN 202111608353 A CN202111608353 A CN 202111608353A CN 114463746 A CN114463746 A CN 114463746A
- Authority
- CN
- China
- Prior art keywords
- cell
- network
- target recognition
- loss function
- characteristic information
- 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
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000005859 cell recognition Effects 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims description 113
- 230000015654 memory Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000005265 lung cell Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种目标识别模型训练以及细胞识别方法、装置及电子设备，涉及医学图像识别领域。该方法包括：获取细胞样本图像；细胞样本图像带有标签；将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。上述方法中，不仅使用位置损失函数和类型损失函数，同时利用对比损失函数对目标识别网络进行训练，从而使得目标识别模型能够更加准确获取到细胞样本图像中的目标区域，且根据对比损失函数更加准确地确定细胞的种类。从而不需要人工设计特征来寻找目标区域，从而不仅可以对复杂细胞图像进行特征提取，还可以保证提取的特征的稳定性，且保证对细胞进行分类的准确性。
Description
技术领域
本发明涉及医学图像识别领域，具体涉及一种目标识别模型训练以及细胞识别方法、装置及电子设备。
背景技术
随着深度学习的快速发展，目标检测技术作为其热点方向之一，很快与各行各业联合起来进行自动化智能化流程的研究。其中，在医学图像学领域中，宫颈细胞彩色图像的细胞检测一直是医学图像学领域的研究重点，在宫颈细胞彩色图像中对细胞进行准确地定位和分类，能够为后续的宫颈癌研究和快速诊断打下坚实的基础。
针对宫颈细胞彩色图像中对宫颈细胞的检测，传统的许多方法一般通过人工设计特征来寻找目标区域，从而达到细胞检测的目的。
但是，这些技术往往不能适应复杂图像，难以提取稳定的特征表示，直接导致结果缺乏准确性和鲁棒性，从而进一步影响了后续的工作。
发明内容
有鉴于此，本发明实施例提供了一种目标识别模型训练以及细胞识别方法、装置及电子设备，旨在解决当前细胞识别模型需要通过人工设计特征来寻找目标区域，且识别结果缺乏准确性和鲁棒性的问题。
根据第一方面，本发明实施例提供了一种目标识别模型训练方法，该方法包括：
获取细胞样本图像；细胞样本图像带有标签；
将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。
本发明实施例提供的目标识别模型训练方法，获取细胞样本图像，将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。上述方法中，不仅使用位置损失函数和类型损失函数，同时利用对比损失函数对目标识别网络进行训练，从而使得目标识别模型能够更加准确获取到细胞样本图像中的目标区域，且根据对比损失函数更加准确地确定细胞的种类。从而不需要人工设计特征来寻找目标区域，从而不仅可以对复杂细胞图像进行特征提取，还可以保证提取的特征的稳定性，且保证对细胞进行分类的准确性。
结合第一方面，在第一方面第一实施方式中，将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型，包括：
将细胞样本图像输入至目标识别网络中，获取细胞样本图像对应的第一特征信息；
根据第一特征信息，计算第一特征信息对应的对比损失函数；
根据对比损失函数，训练目标识别网络，得到目标识别模型。
本发明实施例提供的目标识别模型训练方法，将细胞样本图像输入至目标识别网络中，获取细胞样本图像对应的第一特征信息，从而可以保证获取到的细胞样本图像对应的第一特征信息的准确性。然后，根据第一特征信息，计算第一特征信息对应的对比损失函数，根据对比损失函数，训练目标识别网络，得到目标识别模型。从而使得目标识别模型能够更加快速准确地确定细胞样本图像对应的细胞类型，提高了目标识别模型的准确性和鲁棒性。
结合第一方面第一实施方式，在第一方面第二实施方式中，根据第一特征信息，计算第一特征信息对应的对比损失函数，包括：
获取细胞样本图像对应的目标标签类型；
根据目标标签类型，确定与细胞样本图像同类型细胞图像对应的第二特征信息以及与细胞样本图像不同类型细胞图像对应的第三特征信息；
计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度；
根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。
本发明实施例提供的目标识别模型训练方法，获取细胞样本图像对应的目标标签类型，并根据目标标签类型确定与细胞样本图像同类型细胞图像对应的第二特征信息以及与细胞样本图像不同类型细胞图像对应的第三特征信息。从而可以保证确定的第二特征信息和第三特征信息的准确。然后，计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。其中，第一相似度可以用于表征细胞样本图像与同类型细胞图像之间的相似度，第二相似度可以用于表征细胞样本图像与不同类型细胞图像之间的相似度。然后，根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。从而使得对比损失函数可以更好地表征细胞样本图像的类型，进而使得训练得到的目标识别模型能够更好地对细胞图像中的细胞分类，获取细胞的类别。
结合第一方面第二实施方式，在第一方面第三实施方式中，根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数，包括：
利用如下公式计算第一特征信息对应的对比损失函数：
其中，
表示第一相似度，S(zi,zj)表示第二相似度，zi第一特征信息，
表示第二特征信息，zj表示第三特征信息。
本发明实施例提供的目标识别模型训练方法，利用上述公式计算第一特征信息对应的对比损失函数，从而可以通过增加同类细胞的特征相似性和减少异类细胞的特征差异性使得目标识别模型在对细胞进行检测的任务中可以更好的区分出细胞的类别，从而可以保证训练到的目标识别模型的准确性。
结合第一方面，在第一方面第四实施方式中，目标识别模型包括：主干网络、区域生成网络以及头网络；其中，头网络中包括对比损失函数；
主干网络，用于提取细胞样本图像的特征并传输给区域生成网络以及头网络；
区域生成网络，用于从主干网络输入的特征中确定候选区域并将候选区域传输给头网络；
头网络，用于获取候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，根据第一特征信息确定候选区域的位置以及类型。
本发明实施例提供的目标识别模型训练方法，利用主干网络提取细胞样本图像的特征并传输给区域生成网络以及头网络，从而可以保证提取的细胞样本图像的特征的准确性。然后区域生成网络从主干网络输入的特征中确定候选区域并将候选区域传输给头网络，可以保证传输给头网络的候选区域的准确性。此外，头网络获取候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，根据第一特征信息确定候选区域的位置以及类型，并根据位置损失函数和类型损失函数计算位置损失值和类型损失值，从而使得基于对比损失函数训练得到的头网络可以准确快速确定各候选区域中的细胞对应的类型。进一步保证了目标识别模型的精准度。
结合第一方面第四实施方式，在第一方面第五实施方式中，头网络包括三个分支；
其中一个分支，用于将候选区域经过全连接层得到候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的位置；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的类型。
本发明实施例提供的目标识别模型训练方法中，头网络包括三个分支；
其中一个分支，用于将候选区域经过全连接层得到候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，从而可以根据计算出的对比损失值训练头网络，保证头网络的准确性，进一步保证目标识别模型的准确性。另一个分支，用于根据第一特征信息确定候选区域的位置，从而使得头网络可以输出细胞的位置信息。其中另一个分支，用于根据第一特征信息确定候选区域中细胞的类型，从而使得头网络可以输出细胞的类型。进一步实现了根据细胞样本图像中细胞的位置和类型训练目标识别网络。
根据第二方面，本发明实施例提供了一种细胞识别方法，方法包括：
获取待识别的细胞图像；
将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型；其中，目标识别模型根据权利要求1-6任一的方法训练得到。
本发明实施例提供的细胞识别方法，获取待识别的细胞图像，将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型，从而可以保证输出的细胞的位置以及类型的准确性。
根据第三方面，本发明实施例还提供了一种目标识别模型训练装置，该装置包括：
第一获取模块，用于获取细胞样本图像；细胞样本图像带有标签；
训练模块，用于将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。
本发明实施例提供的目标识别模型训练装置，获取细胞样本图像，将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。上述方法中，不仅使用位置损失函数和类型损失函数，同时利用对比损失函数对目标识别网络进行训练，从而使得目标识别模型能够更加准确获取到细胞样本图像中的目标区域，且根据对比损失函数更加准确地确定细胞的种类。从而不需要人工设计特征来寻找目标区域，从而不仅可以对复杂细胞图像进行特征提取，还可以保证提取的特征的稳定性，且保证对细胞进行分类的准确性。
根据第四方面，本发明实施例还提供了一种细胞识别方法，装置包括：
第二获取模块，用于获取待识别的细胞图像；
识别模块，用于将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型；其中，目标识别模型根据权利要求1-6任一的方法训练得到。
本发明实施例提供的细胞识别装置，获取待识别的细胞图像，将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型，从而可以保证输出的细胞的位置以及类型的准确性。
根据第五方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中的目标识别模型训练方法以及第二方面的细胞识别方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的目标识别模型训练方法以及第二方面的细胞识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是应用本发明实施例提供的目标识别模型训练方法的流程图；
图2是应用本发明另一实施例提供的目标识别模型训练方法中的目标识别模型的结构图；
图3是应用本发明另一实施例提供的目标识别模型训练方法的流程图；
图4是应用本发明另一实施例提供的目标识别模型训练方法中的目标识别模型的结构图；
图5是应用本发明另一实施例提供的目标识别模型训练方法中的目标识别模型的头网络的结构图；
图6是应用本发明另一实施例提供的细胞识别方法的流程图；
图7是应用本发明实施例提供的目标识别模型训练装置的功能模块图；
图8是应用本发明实施例提供的细胞识别装置的功能模块图；
图9是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本申请实施例提供的目标识别模型训练的方法，其执行主体可以是目标识别模型训练的装置，该目标识别模型训练的装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部，其中，该电子设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中，如图1所示，提供了一种目标识别模型训练方法，以该方法应用与电子设备为例进行说明，包括以下步骤：
S11、获取细胞样本图像。
其中，细胞样本图像带有标签。
可选的，电子设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取细胞样本图像，也可以从医学影像设备中实时地获取细胞样本图像。
在获取到细胞样本图像之后，可以通过专业人员对细胞样本图像进行观察，并对细胞样本图像中的细胞的位置和细胞的类型进行标注，生成细胞样本图像的标签信息。
需要说明的是，一个细胞样本图像中至少包括一个细胞，各个细胞有对应标签信息。
其中，细胞样本图像可以是宫颈细胞图像、也可以是肺部细胞图像、还可以是其他部位的细胞，对比，本申请实施例不做具体限定。
S12、将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。
具体地，电子设备将细胞样本图像输入至目标识别网络之后，可以对细胞样本图像进行特征提取，然后根据提取的特征确定细胞样本图像中各个细胞对应的候选区域，然后对各个候选区域进行识别，获取各个候选区域的特征信息。并根据各个候选区域的特征信息，确定各个候选区域中细胞的位置以及细胞的类型。然后利用位置损失函数计算确定的细胞位置与标注的细胞位置之间的损失值，利用类型损失函数计算确定的细胞类型与标注的细胞类型之间的损失值，此外，利用对比损失函数对类型损失函数进行进一步约束，从而根据位置损失函数、类型损失函数以及对比损失函数对目标识别网络进行训练，得到目标识别模型。由此在利用类型损失函数和对比损失函数训练得到目标识别模型，从而使得训练得到的目标识别模型在对细胞类型进行识别时更加准确。
其中，目标识别网络可以是将机器学习网络作为基础网络模型，当然也可以将其他网络作为基础网络模型。其中，当目标识别网络将机器学习网络作为基础网络模型时，机器学习网络可以是DNN(Deep Neural Networks，深度神经网络)、CNN(ConvolutionalNeural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)等。当目标识别网络将CNN作为基础网络模型时，CNN可以是V-Net模型、U-Net模型、生成式对抗网络Generative Adversarial Nets、二阶段模型Faster RCNN模型等。本申请实施例对目标识别网络的类型不做具体限定。
本申请实施例主要是对卷积神经网络中的二阶段模型Faster RCNN模型的网络结构进行了一些改进，得到了一种新的神经网络模型，记为目标识别模型。示例性的，如图2所示，为目标识别模型的结构。
关于该步骤具体将在下文中进行详细描述。
本发明实施例提供的目标识别模型训练方法，获取细胞样本图像，将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。上述方法中，不仅使用位置损失函数和类型损失函数，同时利用对比损失函数对目标识别网络进行训练，从而使得目标识别模型能够更加准确获取到细胞样本图像中的目标区域，且根据对比损失函数更加准确地确定细胞的种类。从而不需要人工设计特征来寻找目标区域，从而不仅可以对复杂细胞图像进行特征提取，还可以保证提取的特征的稳定性，且保证对细胞进行分类的准确性。
在本申请一个实施例中，如图3所示，提供了一种目标识别模型训练方法，以该方法应用与电子设备为例进行说明，包括以下步骤：
S21、获取细胞样本图像。
其中，细胞样本图像带有标签。
关于该步骤的介绍请参考图1对S11的介绍，在此不再赘述。
S22、将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。
在本申请一个可选的实施方式中，上述步骤S22还可以包括如下步骤：
S221、将细胞样本图像输入至目标识别网络中，获取细胞样本图像对应的第一特征信息。
具体地，电子设备可以将细胞样本图像输入至目标识别网络中，然后，目标识别网络对细胞样本图像进行特征提取，然后根据提取的特征确定细胞样本图像中各个细胞对应的候选区域。然后对各个候选区域进行识别，获取各个候选区域的第一特征信息。
S222、根据第一特征信息，计算第一特征信息对应的对比损失函数。
在本申请一个可选的实施例中，上述步骤S222还可以包括如下步骤：
(1)获取细胞样本图像对应的目标标签类型。
(2)根据目标标签类型，确定与细胞样本图像同类型细胞图像对应的第二特征信息以及与细胞样本图像不同类型细胞图像对应的第三特征信息。
(3)计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。
(4)根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。
在一种可选的实施方式中，电子设备根据获取到的各个候选区域的第一特征信息，获取各个候选区域对应的目标标签类型。根据各个候选区域对应的目标标签类型在细胞样本队列中查找与各个候选区域相同类型的细胞图像对应的地第二特征信息以及与各个候选区域不同类型的细胞图像对应的第三特征信息。其中，需要说明的是各个细胞样本保存在有上限大小的细胞队列中，每一个细胞样本对应的第一特征信息在计算损失后也将添加到队列中，参加后续的计算，当队列满时，则将队首的细胞的特征信息样本的移出。在队列中，与此时输入的特征信息同属于一个类别的将归为正样本，而队列中其余的特征信息则为负样本。
然后，电子设备根据获取到的各个候选区域对应的第一特征信息、各第二特征信息以及各第三特征信息，计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。
在一种可选的实施方式中，电子设备可以利用欧式距离的计算公式计算第一特征信息与各第二特征信息之间的距离，根据第一特征信息与各第二特征信息之间的距离计算得到第一特征信息与各第二特征信息之间的第一相似度。然后，电子设备可以利用欧式距离的计算公式计算第一特征信息与各第三特征信息之间的距离，根据第一特征信息与各第三特征信息之间的距离计算得到第一特征信息与各第三特征信息之间的第二相似度。
其中，二维空间的欧式公式的计算公式为：
其中，ρ为点(x2,y2)与点(x1,y1)之间的欧氏距离；|X|为点(x2,y2)到原点的欧氏距离。
在本申请另一种可选的实施方式中，电子设备还可以利用基于特征点的图像相似度计算方式，计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。
示例性的，每个候选区域都有自己的特征点，这些特征点表征候选区域中比较重要的一些位置，比较类似函数的拐点那种，通常比较常用的有Harris角点和Sift特征点。那么将得到的候选区域角点进行比较，如果相似的角点数目较多，那么可以认为候选区域与另一个细胞图像的相似程度较高。这里主要介绍基于Sift算子。
因此，可以通过找到匹配点的个数来判断候选区域与另一个细胞图像是否一致，这个算法的好处是对于一个类型的细胞图像依然可以找到很多的匹配点，因此，上述方法是一个综合来说结果相对较为准确的方法，。
在另一种可选的实施方式中，电子设备可以将第一特征信息与各第二特征信息进行对比，获取第一特征信息与各第二特征信息之间的第一相似度。然后，电子设备将第一特征信息与各第三特征信息进行对比，获取第一特征信息与各第三特征信息之间的第二相似度。
在一种可选的实施方式中，电子设备可以将利用第一相似度除以第二相似度，计算第一特征信息对应的对比损失函数。
示例性的，以细胞样本图像中多个候选区域中的一个目标候选区域为例进行说明。假设细胞队列中包括3个类别的细胞对应的特征信息，分别为1类、2类以及3类。目标候选区域中细胞对应的类别为1类，则电子设备在细胞队列里查找1类细胞对应的第二特征信息，以及2类细胞和3类细胞对应的第三特征信息。电子设备计算第一特征信息与第二特征信息之间的第一相似度，并计算第一特征信息与第三特征信息之间的第二相似度。然后，电子设备根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。
在本申请一个可选的实施例中，利用如下公式计算第一特征信息对应的对比损失函数：
其中，
表示第一相似度，S(zi,zj)表示第二相似度，zi第一特征信息，
表示第二特征信息，zj表示第三特征信息，τ表示温度常数。
整体上，上述损失函数中，分子表示细胞样本图像中某个候选区域对应的第一特征信息与第二特征信息的相似度，分母则表示细胞样本图像中某个候选区域对应的第一特征信息与其他所有第二特征信息的相似度，此损失函数的目标则是通过增加同类目标的特征相似性和减少异类目标的特征差异性使得网络模型在应对我们宫颈细胞检测的任务中可以更好的区分出类别。
在本申请一个可选的实施方式中，温度常数设置为0.07，用来控制调节对难分辨出类型的细胞图像样本的关注程度，温度常数越小，损失函数将越关注到当前细胞图像样本和最相似的难分辨出类型的细胞图像样本的分开，来得到更均匀的表示。
S223、根据对比损失函数，训练目标识别网络，得到目标识别模型。
具体地，电子设备将细胞样本图像输入至目标识别网络之后，可以对细胞样本图像进行特征提取，然后根据提取的特征确定细胞样本图像中各个细胞对应的候选区域，然后对各个候选区域进行识别，获取各个候选区域的特征信息。并根据各个候选区域的特征信息，确定各个候选区域中细胞的位置以及细胞的类型。然后利用位置损失函数计算确定的细胞位置与标注的细胞位置之间的损失值，利用类型损失函数计算确定的细胞类型与标注的细胞类型之间的损失值，此外，利用对比损失函数对类型损失函数进行进一步约束，从而根据位置损失函数、类型损失函数以及对比损失函数对目标识别网络进行训练，得到目标识别模型。由此在利用类型损失函数和对比损失函数训练得到目标识别模型，从而使得训练得到的目标识别模型在对细胞类型进行识别时更加准确。
进一步地，上述根据对比损失函数，训练目标识别网络时，可以选择Adam优化器对目标识别网络进行优化，从而可以使目标识别网络能够快速收敛，并具有很好的泛化能力。
在上述利用Adam优化器对目标识别网络进行优化时，也可以为优化器设置一个学习率，在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率，并设置给优化器。该测试技术的学习率选择过程为：首先将学习率设置为一个很小的值，接着将目标识别网络和细胞样本图像简单的迭代几次，每次迭代完成后增加学习率，并记录每次的训练损失，然后绘制LR Range Test图，一般理想的LR Range Test图包含三个区域：第一个区域学习率太小损失基本不变，第二个区域损失减小收敛很快，最后一个区域学习率太大以至于损失开始发散，那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率，并将该最佳学习率作为Adam优化器的初始学习率，设置给优化器。
本发明实施例提供的目标识别模型训练方法，将细胞样本图像输入至目标识别网络中，获取细胞样本图像对应的第一特征信息，从而可以保证获取到的细胞样本图像对应的第一特征信息的准确性。然后，根据第一特征信息，计算第一特征信息对应的对比损失函数，根据对比损失函数，训练目标识别网络，得到目标识别模型。从而使得目标识别模型能够更加快速准确地确定细胞样本图像对应的细胞类型，提高了目标识别模型的准确性和鲁棒性。
此外，本发明实施例提供的目标识别模型训练方法，获取细胞样本图像对应的目标标签类型，并根据目标标签类型确定与细胞样本图像同类型细胞图像对应的第二特征信息以及与细胞样本图像不同类型细胞图像对应的第三特征信息。从而可以保证确定的第二特征信息和第三特征信息的准确。然后，计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。其中，第一相似度可以用于表征细胞样本图像与同类型细胞图像之间的相似度，第二相似度可以用于表征细胞样本图像与不同类型细胞图像之间的相似度。然后，根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。从而使得对比损失函数可以更好地表征细胞样本图像的类型，进而使得训练得到的目标识别模型能够更好地对细胞图像中的细胞分类，获取细胞的类别。
在本申请实施例中，利用上述公式计算第一特征信息对应的对比损失函数，从而可以通过增加同类细胞的特征相似性和减少异类细胞的特征差异性使得目标识别模型在对细胞进行检测的任务中可以更好的区分出细胞的类别，从而可以保证训练到的目标识别模型的准确性。
在本申请一个可选的实施例中，如图4所示，目标识别模型包括：主干网络、区域生成网络以及头网络；其中，头网络中包括对比损失函数；
主干网络，用于提取细胞样本图像的特征并传输给区域生成网络以及头网络；
区域生成网络，用于从主干网络输入的特征中确定候选区域并将候选区域传输给头网络；
头网络，用于获取候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，根据第一特征信息确定候选区域的位置以及类型。
具体地，主干网络可以分别细胞样本图像进行不同层次的特征提取，并根据主干网络对细胞样本图像进行特征提取后的结果，输出细胞样本图像对应的特征信息。将特征信息输入至区域生成网络。
其中，在一种可选的实施方式中，主干网络可以50层深度卷积神经网络，其中，包括4个残差块，49次卷积和一次全连接，激活函数采用RELU激活函数，公式为：
Fn＝R(Wn*Fn-1+Bn)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。
区域生成网络根据主干网络输入的特征信息从滑动窗口的大量细胞样本图像对应的区域中筛选出多个候选区域。并利用ROIPooling层对候选区域进行归一化处理。将归一化处理后的各个候选区域输入至头网络。
在一种可选的实施方式中，区域生成网络分别计算每个区域对应的分类值和回归值，其中，分类值代表各个区域对应的为某一类型的概率，回归值代表各个区域相对于细胞样本图像中心点的位置偏移量。然后，区域生成网络根据各个区域对应的分类值和回归值从滑动窗口的大量细胞样本图像对应的区域中筛选出多个候选区域，并对候选区域进行归一化处理。
头网络接收到区域生成网络输入的候选区域之后，可以对各个候选区域进行识别，获取到各个候选区域对应的第一特征信息。然后根据各个候选区域对应的第一特征信息确定候选区域的位置以及类型。基于位置损失函数计算位置损失值，基于类型损失函数计算类型损失值，并基于对比损失函数计算对比损失值，然后通过位置损失函数、类型损失函数以及对比损失函数对主干网络、区域特征网络以及头网络进行训练，从而得到目标识别模型，使得训练得到的目标识别模型在对细胞类型进行识别时更加准确。
本发明实施例提供的目标识别模型训练方法，利用主干网络提取细胞样本图像的特征并传输给区域生成网络以及头网络，从而可以保证提取的细胞样本图像的特征的准确性。然后区域生成网络从主干网络输入的特征中确定候选区域并将候选区域传输给头网络，可以保证传输给头网络的候选区域的准确性。此外，头网络获取候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，根据第一特征信息确定候选区域的位置以及类型，并根据位置损失函数和类型损失函数计算位置损失值和类型损失值，从而使得基于对比损失函数训练得到的头网络可以准确快速确定各候选区域中的细胞对应的类型。进一步保证了目标识别模型的精准度。
在本申请一个可选的实施方式中，如图5所示，头网络包括三个分支；
其中一个分支，用于将候选区域经过全连接层得到候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的位置；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的类型。
具体地，电子设备基于头网络中与区域生成网络连接的全连接层，对从ROIPooling层输出的大小一样的各个候选区域经过1024的全连接层后，输入到编码全连接层，输出各个候选区域对应的第一特征信息。其中，第一特征信息可以为128大小的向量，也可以是其他特征信息。
然后，电子设备利用头网络中的一个分支获取各个候选区域对应的目标标签类型。根据各个候选区域对应的目标标签类型在细胞样本队列中查找与各个候选区域相同类型的细胞图像对应的地第二特征信息以及与各个候选区域不同类型的细胞图像对应的第三特征信息。
电子设备根据获取到的各个候选区域对应的第一特征信息、各第二特征信息以及各第三特征信息，计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度。然后利用上述对比损失函数计算得到对比损失值。
在一种可选的实施方式中，其中另一个分支，根据第一特征信息再次计算候选区域中细胞对应的回归值，根据计算得到的回归值，确定候选区域中细胞的位置，然后利用位置损失函数计算确定的候选区域中细胞的位置与细胞标注位置之间的位置损失值。
在一种可选的实施方式中，其中另一个分支，根据第一特征信息再次计算候选区域中细胞对应的分类值，根据计算得到的分类值，确定候选区域中细胞的类型，然后利用类型损失函数计算确定的候选区域中细胞的类型与细胞标注类型之间的类型置损失值。
最后，根据头网络中的对比损失值、位置损失值以及类型置损失值训练得到目标识别网络，从而使得训练得到的目标识别模型在对细胞类型进行识别时更加准确。
本发明实施例提供的目标识别模型训练方法中，头网络包括三个分支；其中一个分支，用于将候选区域经过全连接层得到候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，从而可以根据计算出的对比损失值训练头网络，保证头网络的准确性，进一步保证目标识别模型的准确性。另一个分支，用于根据第一特征信息确定候选区域的位置，从而使得头网络可以输出细胞的位置信息。其中另一个分支，用于根据第一特征信息确定候选区域中细胞的类型，从而使得头网络可以输出细胞的类型。进一步实现了根据细胞样本图像中细胞的位置和类型训练目标识别网络。
需要说明的是，本申请实施例提供的细胞识别的方法，其执行主体可以是细胞识别的装置，该细胞识别的装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部，其中，该电子设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中，如图6所示，提供了一种细胞识别方法，以该方法应用与电子设备为例进行说明，包括以下步骤：
S31、获取待识别的细胞图像。
可选的，电子设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取待识别的细胞图像，也可以从医学影像设备中实时地获取待识别的细胞图像像。
需要说明的是，一个细胞样本图像中至少包括一个细胞，各个细胞有对应标签信息。
其中，待识别的细胞图像可以是宫颈细胞图像、也可以是肺部细胞图像、还可以是其他部位的细胞，对比，本申请实施例不做具体限定。
S32、将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型。
其中，目标识别模型根据上述实施例中的目标识别模型训练方法训练得到。
具体地，电子设备将细胞图像输入至目标识别网络之后，可以对细胞图像进行特征提取，然后根据提取的特征确定细胞图像中各个细胞对应的候选区域，然后对各个候选区域进行识别，获取各个候选区域的特征信息。并根据各个候选区域的特征信息，确定各个候选区域中细胞的位置以及细胞的类型。
本发明实施例提供的细胞识别方法，获取待识别的细胞图像，将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型，从而可以保证输出的细胞的位置以及类型的准确性。
应该理解的是，虽然图1、图3、以及图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图3、以及图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图7所示，本实施例提供一种目标识别模型训练装置，装置包括：
第一获取模块41，用于获取细胞样本图像；细胞样本图像带有标签；
训练模块42，用于将细胞样本图像输入至目标识别网络中，利用目标识别网络中的对比损失函数，对目标识别网络进行训练，得到目标识别模型。
在本申请一个实施例中，上述训练模块，具体用于将细胞样本图像输入至目标识别网络中，获取细胞样本图像对应的第一特征信息；根据第一特征信息，计算第一特征信息对应的对比损失函数；根据对比损失函数，训练目标识别网络，得到目标识别模型。
在本申请一个实施例中，上述训练模块，具体用于获取细胞样本图像对应的目标标签类型；根据目标标签类型，确定与细胞样本图像同类型细胞图像对应的第二特征信息以及与细胞样本图像不同类型细胞图像对应的第三特征信息；计算第一特征信息与各第二特征信息之间的第一相似度以及第一特征信息与各第三特征信息之间的第二相似度；根据第一相似度和第二相似度，计算第一特征信息对应的对比损失函数。
在本申请一个实施例中，上述训练模块，具体用于利用如下公式计算第一特征信息对应的对比损失函数：
其中，
表示第一相似度，S(zi,zj)表示第二相似度，zi第一特征信息，
表示第二特征信息，zj表示第三特征信息。
在本申请一个实施例中，目标识别模型包括：主干网络、区域生成网络以及头网络；其中，头网络中包括对比损失函数；
主干网络，用于提取细胞样本图像的特征并传输给区域生成网络以及头网络；
区域生成网络，用于从主干网络输入的特征中确定候选区域并将候选区域传输给头网络；
头网络，用于获取候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值，根据第一特征信息确定候选区域的位置以及类型。
在本申请一个实施例中，头网络包括三个分支；
其中一个分支，用于将候选区域经过全连接层得到候选区域对应的第一特征信息，并根据第一特征信息基于对比损失函数计算对比损失值；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的位置；
其中另一个分支，用于根据第一特征信息确定候选区域中细胞的类型。
如图8所示，本实施例提供一种细胞识别装置，装置包括：
第二获取模块51，用于获取待识别的细胞图像；
识别模块52，用于将细胞图像输入至预设的目标识别模型中，目标识别模型对细胞图像进行识别，确定细胞图像中包括的细胞的位置以及类型；其中，目标识别模型根据上述实施例中的目标识别模型训练方法训练得到。
关于目标识别模型训练装置以及细胞识别装置的具体限定以及有益效果可以参见上文中对于目标识别模型训练方法以及细胞识别方法的限定，在此不再赘述。上述目标识别模型训练装置以及细胞识别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电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备，具有上述图7所示的目标识别模型训练装置以及图8所示的细胞识别装置。
如图9所示，图9是本发明可选实施例提供的一种电子设备的结构示意图，如图9所示，该电子设备可以包括：至少一个处理器61，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口63，存储器64，至少一个通信总线62。其中，通信总线62用于实现这些组件之间的连接通信。其中，通信接口63可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图7或图8所描述的装置，存储器64中存储应用程序，且处理器61调用存储器64中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线62可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器64可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器64还可以包括上述种类的存储器的组合。
其中，处理器61可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器64还用于存储程序指令。处理器61可以调用程序指令，实现如本申请图1、图3以及图6实施例中所示的目标识别模型训练方法以及细胞识别方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的目标识别模型训练方法以及细胞识别方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种目标识别模型训练方法，其特征在于，所述方法包括：
获取细胞样本图像；所述细胞样本图像带有标签；
将所述细胞样本图像输入至目标识别网络中，利用所述目标识别网络中的对比损失函数，对所述目标识别网络进行训练，得到目标识别模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述细胞样本图像输入至目标识别网络中，利用所述目标识别网络中的对比损失函数，对所述目标识别网络进行训练，得到目标识别模型，包括：
将所述细胞样本图像输入至所述目标识别网络中，获取所述细胞样本图像对应的第一特征信息；
根据所述第一特征信息，计算所述第一特征信息对应的对比损失函数；
根据所述对比损失函数，训练所述目标识别网络，得到所述目标识别模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征信息，计算所述第一特征信息对应的对比损失函数，包括：
获取所述细胞样本图像对应的目标标签类型；
根据所述目标标签类型，确定与所述细胞样本图像同类型细胞图像对应的第二特征信息以及与所述细胞样本图像不同类型细胞图像对应的第三特征信息；
计算所述第一特征信息与各所述第二特征信息之间的第一相似度以及所述第一特征信息与各所述第三特征信息之间的第二相似度；
根据所述第一相似度和所述第二相似度，计算所述第一特征信息对应的对比损失函数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一相似度和所述第二相似度，计算所述第一特征信息对应的对比损失函数，包括：
利用如下公式计算所述第一特征信息对应的对比损失函数：
其中，
表示所述第一相似度，S(zi,zj)表示所述第二相似度，zi所述第一特征信息，
表示所述第二特征信息，zj表示所述第三特征信息。
5.根据权利要求1所述的方法，其特征在于，所述目标识别模型包括：主干网络、区域生成网络以及头网络；其中，所述头网络中包括所述对比损失函数；
所述主干网络，用于提取所述细胞样本图像的特征并传输给所述区域生成网络以及所述头网络；
所述区域生成网络，用于从所述主干网络输入的特征中确定候选区域并将所述候选区域传输给所述头网络；
所述头网络，用于获取所述候选区域对应的第一特征信息，并根据所述第一特征信息基于所述对比损失函数计算对比损失值，根据所述第一特征信息确定所述候选区域的位置以及类型。
6.根据权利要求5所述的方法，其特征在于，所述头网络包括三个分支；
其中一个所述分支，用于将所述候选区域经过全连接层得到所述候选区域对应的所述第一特征信息，并根据所述第一特征信息基于所述对比损失函数计算对比损失值；
其中另一个分支，用于根据所述第一特征信息确定所述候选区域中细胞的位置；
其中另一个分支，用于根据所述第一特征信息确定所述候选区域中细胞的类型。
7.一种细胞识别方法，其特征在于，所述方法包括：
获取待识别的细胞图像；
将所述细胞图像输入至预设的目标识别模型中，所述目标识别模型对所述细胞图像进行识别，确定所述细胞图像中包括的细胞的位置以及类型；其中，所述，目标识别模型根据权利要求1-6任一所述的方法训练得到。
8.一种目标识别模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取细胞样本图像；所述细胞样本图像带有标签；
训练模块，用于将所述细胞样本图像输入至目标识别网络中，利用所述目标识别网络中的对比损失函数，对所述目标识别网络进行训练，得到目标识别模型。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6中任一项所述的目标识别模型训练方法以及权利要求7所述的细胞识别方法。
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存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的目标识别模型训练方法以及权利要求7所述的细胞识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608353.6A CN114463746A (zh) | 2021-12-24 | 2021-12-24 | 目标识别模型训练以及细胞识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608353.6A CN114463746A (zh) | 2021-12-24 | 2021-12-24 | 目标识别模型训练以及细胞识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463746A true CN114463746A (zh) | 2022-05-10 |
Family
ID=81406857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111608353.6A Pending CN114463746A (zh) | 2021-12-24 | 2021-12-24 | 目标识别模型训练以及细胞识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690785A (zh) * | 2022-12-08 | 2023-02-03 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 |
| CA3166288A1 (en) * | 2020-01-30 | 2021-08-05 | Thibaut TROUDE | Systematic characterization of objects in a biological sample |
-
2021
- 2021-12-24 CN CN202111608353.6A patent/CN114463746A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3166288A1 (en) * | 2020-01-30 | 2021-08-05 | Thibaut TROUDE | Systematic characterization of objects in a biological sample |
| CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| KAI ZHENG等: "Contrast R-CNN for Continual Learning in Object Detection", 《ARXIV》, 11 July 2021 (2021-07-11), pages 3 - 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690785A (zh) * | 2022-12-08 | 2023-02-03 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
| CN115690785B (zh) * | 2022-12-08 | 2023-06-06 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020207431A1 (zh) | 文献分类方法、装置、设备及存储介质 | |
| US11734319B2 (en) | Question answering method and apparatus | |
| CN106202329B (zh) | 样本数据处理、数据识别方法和装置、计算机设备 | |
| Singh et al. | Currency recognition on mobile phones | |
| CN108875610B (zh) | 一种基于边界查找的用于视频中动作时间轴定位的方法 | |
| WO2019018063A1 (en) | FINAL GRAIN IMAGE RECOGNITION | |
| WO2019020049A1 (zh) | 一种图像检索方法、装置及电子设备 | |
| CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN103415825A (zh) | 用于手势识别的系统和方法 | |
| CN111008576B (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
| JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
| CN111291807B (zh) | 一种细粒度图像分类方法、装置及存储介质 | |
| CN111325156A (zh) | 人脸识别方法、装置、设备和存储介质 | |
| CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
| CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
| CN114612728A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN111325276A (zh) | 图像分类方法及装置、电子设备、计算机可读存储介质 | |
| CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
| CN112991280A (zh) | 视觉检测方法、系统及电子设备 | |
| CN110414562B (zh) | X光片的分类方法、装置、终端及存储介质 | |
| CN114996466A (zh) | 一种医学标准映射模型的建立方法、系统及使用方法 | |
| CN114463746A (zh) | 目标识别模型训练以及细胞识别方法、装置及电子设备 | |
| CN109492702B (zh) | 基于排序度量函数的行人重识别方法、系统、装置 | |
| US20150058579A1 (en) | Systems and methods for memory utilization for object detection | |
| CN102201060B (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 |
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 |