CN114764762A - 细胞密度分类方法及装置、电子装置及存储介质 - Google Patents

细胞密度分类方法及装置、电子装置及存储介质 Download PDF

Info

Publication number
CN114764762A
CN114764762A CN202011613589.4A CN202011613589A CN114764762A CN 114764762 A CN114764762 A CN 114764762A CN 202011613589 A CN202011613589 A CN 202011613589A CN 114764762 A CN114764762 A CN 114764762A
Authority
CN
China
Prior art keywords
training
biological cell
neural network
network model
convolutional neural
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
CN202011613589.4A
Other languages
English (en)
Inventor
李宛真
卢志德
郭锦斌
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry 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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202011613589.4A priority Critical patent/CN114764762A/zh
Priority to US17/564,496 priority patent/US12002272B2/en
Publication of CN114764762A publication Critical patent/CN114764762A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/693—Acquisition
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种细胞密度分类方法，所述方法包括：获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。本申请还提供一种细胞密度分类装置、电子装置、及计算机可读存储介质，可提高细胞计数的速度。

Description

细胞密度分类方法及装置、电子装置及存储介质
技术领域
本发明涉及计算机学习技术领域，具体涉及一种细胞密度分类方法及装置、电子装置及计算机可读存储介质。
背景技术
目前，在对生物细胞，例如生物干细胞，进行研究时，往往不需要知道图像中的干细胞的准确数量，而只需要知道图像中的干细胞的密度范围。但是，目前的生物细胞计数方法为计算图像中的细胞的数量，并根据所述细胞的数量计算图像中的干细胞的密度范围，如此，将会导致细胞的计数费时。
发明内容
鉴于此，有必要提供一种细胞密度分类方法及装置、电子装置及计算机可读存储介质，可提高细胞计数的速度。
本申请的第一方面提供一种细胞密度分类方法，所述方法包括：
获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；
将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；
根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；
根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
较佳地，所述方法还包括：
获取不同密度的多个训练生物细胞图像；
将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型。
较佳地，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中得到所述训练卷积神经网络模型包括：
将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型；
确定各组第一编码特征的中心点。
较佳地，在将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型之前，所述方法还包括：
将所述不同密度的多个训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
较佳地，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型包括：
将一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练；
获取训练时对所述密度的训练生物细胞图像进行编码所产生的所述第一编码特征；
判断是否所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练；
若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，将所有第一编码特征按照所述训练生物细胞图像的密度范围分为多个不同组第一编码特征。
较佳地，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型还包括：
若不是所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，继续将另一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练及获取所述第一编码特征直至所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练。
较佳地，所述确定各组第一编码特征的中心点包括：
将各组第一编码特征求取平均值来确定各组第一编码特征的中心点。
本申请的第二方面提供一种细胞密度分类装置，所述装置包括：
信息获取模块，用于获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；
编码模块，用于将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；
中心点确定模块，用于根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；
密度范围确定模块，用于根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
本申请的第三方面提供一种电子装置，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个指令时实现如上任意一项所述的细胞密度分类方法。
本申请的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行以实现如上任意一项所述的细胞密度分类方法。
本案利用一个训练卷积神经网络模型、训练卷积神经网络模型时的各组第一编码特征的中心点的位置信息、及各中心点所代表的生物细胞图像的密度范围确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的细胞密度分类装置的方框图。
图2是本发明实施例二提供的细胞密度分类装置的方框图。
图3是本发明实施例三提供的细胞密度分类方法的流程图。
图4是本发明实施例四提供的细胞密度分类方法的流程图。
图5是图4中将所述不同密度的多个训练生物细胞图像逐一输入至卷积神经网络模型中得到所述训练卷积神经网络模型的流程图。
图6是图5中将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型的流程图。
图7是本发明实施例五提供的电子装置的方框图。
如下具体实施方式将结合上述附图进一步说明本发明。
主要元件符号说明
细胞密度分类装置 10，20
信息获取模块 101，203
编码模块 102，204
中心点确定模块 103，205
密度范围确定模块 104，206
图像获取模块 201
训练模块 202
电子装置 7
存储器 71
处理器 72
计算机程序 73
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅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，本领域普通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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1是本发明实施例一提供的细胞密度分类装置的方框图。所述细胞密度分类装置10应用于电子装置上。所述电子装置可为智能手机、桌上电脑、平板电脑等。所述细胞密度分类装置10包括信息获取模块101、编码模块102、中心点确定模块103、及密度范围确定模块104。所述信息获取模块101用于获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个训练生物细胞图像。所述编码模块102用于将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征。所述中心点确定模块103用于根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点。所述密度范围确定模块104用于根据所述各中心点所代表的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
图2是本发明实施例二提供的细胞密度分类装置的方框图。所述细胞密度分类装置20应用于电子装置上。所述电子装置可为智能手机、桌上电脑、平板电脑等。所述细胞密度分类装置20包括图像获取模块201、训练模块202、信息获取模块203、编码模块204、中心点确定模块205、及密度范围确定模块206。所述图像获取模块201用于获取不同密度的多个训练生物细胞图像。所述训练模块202用于将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型。所述信息获取模块203用于获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个训练生物细胞图像。所述编码模块204用于将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征。所述中心点确定模块205用于根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点。所述密度范围确定模块206用于根据所述各中心点所代表的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
以下将结合一种细胞密度分类方法的流程图来详细描述模块101～104及模块201～206的具体功能。
图3是本发明实施例三提供的细胞密度分类方法的流程图。所述细胞密度分类方法可包括以下步骤：
S31：获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像。
所述卷积神经网络模型包括编码器。在本实施例中，所述卷积神经网络模型为自编码器。所述第一编码特征为所述卷积神经网络模型的编码器对所述生物细胞图像编码时所产生的特征，即隐含层特征。所述第一编码特征为一组数字，例如多维空间数字a(x11,x12,…,x1n)。每个第一编码特征可代表一位置信息。不同密度的生物细胞图像所产生的第一编码特征不同。所述中心点为每组第一编码特征的位置中心点。所述位置信息可为多维空间数字。所述多个生物细胞图像为同一类型的生物细胞图像。所述生物细胞图像可为，例如，生物干细胞图像。所述生物干细胞图像包括干细胞及其他物质。所述其他物质可为杂质或其他细胞。所述密度范围可为，例如0～40％、40％～60％、60％～80％、及80％～100％。
S32：将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征。
所述训练卷积神经网络模型包括编码器。所述第二编码特征为所述训练卷积神经网络模型的编码器对所述待测试生物细胞图像编码时所产生的特征，即隐含层特征。所述第二编码特征为一组数字，例如多维空间数字。每个第二编码特征可代表一位置信息。
S33：根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点。
所述根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点包括：根据所述所有组第一编码特征的所有中心点的位置信息确定所述第二编码特征与所述所有组第一编码特征的所有中心点的位置信息之间的距离；及根据所述距离确定距离所述第二编码特征最近的中心点。在本实施例中，所述距离为欧氏距离。
S34：根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
所述根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围包括：确定所述待测试生物细胞图像的密度范围为所述最近的中心点所代表的生物细胞图像的密度范围。
实施例三获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像，将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征，根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点，及根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。从而，本案利用一个训练卷积神经网络模型、训练卷积神经网络模型时的各组第一编码特征的中心点的位置信息、及各中心点所代表的生物细胞图像的密度范围确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
图4是本发明实施例四提供的细胞密度分类方法的流程图。所述细胞密度分类方法可包括以下步骤：
S41：获取不同密度的多个训练生物细胞图像。
所述获取不同密度的多个训练生物细胞图像包括获取多个训练生物细胞图像及不同训练生物细胞图像的不同密度。多个所述训练生物细胞图像所形成的密度范围为0～100％。
S42：将所述不同密度的多个训练生物细胞图像逐一输入至卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型。
请参阅图5，所述将所述不同密度的多个训练生物细胞图像逐一输入至卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型包括：
S51：将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型。
S52：确定各组第一编码特征的中心点。
在本实施例中，在将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型之前，所述方法还包括：将所述不同密度的多个训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。例如，将密度为11％、21％、30％、50％、70％、90％的训练生物细胞图像分为密度范围为0～40％、40％～60％、60％～80％、及80％～100％的训练生物细胞图像。
请参阅图6，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型包括：
S61：将一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练。
S62：获取训练时对所述密度的训练生物细胞图像进行编码所产生的所述第一编码特征。
S63：判断是否所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练。
S65：若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，将所有第一编码特征按照所述训练生物细胞图像的密度范围分为多个不同组第一编码特征。
例如，密度为11％、21％、30％、50％、70％、90％的训练生物细胞图像被分为密度范围0～40％、40％～60％、60％～80％、及80％～100％的训练生物细胞图像，将密度为11％、21％、30％、50％、70％、90％的所有训练生物细胞图像逐一输入至所述卷积神经网络模型得到对应的第一编码特征1、第一编码特征2、第一编码特征3、第一编码特征4、第一编码特征5、及第一编码特征6，将所有第一编码特征按照密度范围0～40％、40％～60％、60％～80％、及80％～100％分为包括第一编码特征1、第一编码特征2、及第一编码特征3的第一组第一编码特征，包括第一编码特征4的第二组第一编码特征，包括第一编码特征5的第三组第一编码特征，及包括第一编码特征6的第四组第一编码特征。
在本实施例中，在判断是否所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练之后，所述方法还包括：
若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，得到所述训练卷积神经网络模型。
在本实施例中，在所述若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，将所有第一编码特征按照所述训练生物细胞图像的密度范围分为多个不同组第一编码特征之前，所述方法还包括：
S64：若不是所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，继续将另一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练及获取所述第一编码特征直至所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练。
在本实施例中，所述确定各组第一编码特征的中心点包括：将各组第一编码特征求取平均值来确定各组第一编码特征的中心点。
S43：获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像。
所述步骤S43与实施例三中的步骤S31相似，具体请参阅实施例三中对步骤S31的描述，在此不进行赘述。
S44：将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征。
所述步骤S44与实施例三中的步骤S32相似，具体请参阅实施例三中对步骤S32的描述，在此不进行赘述。
S45：根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点。
所述步骤S45与实施例三中的步骤S33相似，具体请参阅实施例三中对步骤S33的描述，在此不进行赘述。
S46：根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
所述步骤S46与实施例三中的步骤S34相似，具体请参阅实施例三中对步骤S34的描述，在此不进行赘述。
实施例四获取不同密度的多个训练生物细胞图像，将所述不同密度的多个训练生物细胞图像逐一输入至卷积神经网络模型中得到所述训练卷积神经网络模型，获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像，将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征，根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点，及根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。从而，本案通过不同密度的多个训练生物细胞图像逐一训练一个卷积神经网络模型，利用一个训练卷积神经网络模型、训练卷积神经网络模型时的各组第一编码特征的中心点的位置信息、及各中心点所代表的生物细胞图像的密度范围确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
图7是本发明实施例五提供的电子装置的方框图。所述电子装置7包括：存储器71、至少一个处理器72、及存储在所述存储器71中并可在所述至少一个处理器72上运行的计算机程序73。所述至少一个处理器72执行所述计算机程序73时实现上述方法实施例中的步骤。或者，所述至少一个处理器72执行所述计算机程序73时实现上述装置实施例中的各模块的功能。
示例性的，所述计算机程序73可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述至少一个处理器72执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述电子装置7中的执行过程。例如，所述计算机程序73可以被分割成图1和图2所示的模块，各模块具体功能参见实施例一和实施例二。
所述电子装置7可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)等。本领域技术人员可以理解，所述示意图7仅是电子装置7的示例，并不构成对电子装置7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置7还可以包括总线等。
所述至少一个处理器72可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。该处理器72可以是微处理器或者该处理器72也可以是任何常规的处理器等，所述处理器72是所述电子装置7的控制中心，利用各种接口和线路连接整个电子装置7的各个部分。
所述存储器71可用于存储所述计算机程序73和/或模块/单元，所述处理器72通过运行或执行存储在所述存储器71内的计算机可读指令和/或模块/单元，以及调用存储在存储器71内的数据，实现所述电子装置7的各种功能。所述存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置7的使用所创建的数据(比如音频数据等)等。此外，存储器71可以包括非易失性计算机可读存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述电子装置7集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)等。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。

Claims (10)

1.一种细胞密度分类方法，其特征在于，所述方法包括：
获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；
将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；
根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；
根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
2.如权利要求1所述的细胞密度分类方法，其特征在于，所述方法还包括：
获取不同密度的多个训练生物细胞图像；
将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型。
3.如权利要求2所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型包括：
将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型；
确定各组第一编码特征的中心点。
4.如权利要求3所述的细胞密度分类方法，其特征在于，在将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型之前，所述方法还包括：
将所述不同密度的多个训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
5.如权利要求4所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型包括：
将一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练；
获取训练时对所述密度的训练生物细胞图像进行编码所产生的所述第一编码特征；
判断是否所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练；
若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，将所有第一编码特征按照所述训练生物细胞图像的密度范围分为多个不同组第一编码特征。
6.如权利要求5所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型还包括：
若不是所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，继续将另一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练及获取所述第一编码特征直至所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练。
7.如权利要求3所述的细胞密度分类方法，其特征在于，所述确定各组第一编码特征的中心点包括：
将各组第一编码特征求取平均值来确定各组第一编码特征的中心点。
8.一种细胞密度分类装置，其特征在于，所述装置包括：
信息获取模块，用于获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；
编码模块，用于将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；
中心点确定模块，用于根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；
密度范围确定模块，用于根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。
9.一种电子装置，其特征在于，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个指令时实现如权利要求1至7中任意一项所述的细胞密度分类方法。
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至少一个指令，所述至少一个指令被处理器执行以实现如权利要求1至7中任意一项所述的细胞密度分类方法。
CN202011613589.4A 2020-12-30 2020-12-30 细胞密度分类方法及装置、电子装置及存储介质 Pending CN114764762A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011613589.4A CN114764762A (zh) 2020-12-30 2020-12-30 细胞密度分类方法及装置、电子装置及存储介质
US17/564,496 US12002272B2 (en) 2020-12-30 2021-12-29 Method and device for classifing densities of cells, electronic device using method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011613589.4A CN114764762A (zh) 2020-12-30 2020-12-30 细胞密度分类方法及装置、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN114764762A true CN114764762A (zh) 2022-07-19

Family

ID=82119470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011613589.4A Pending CN114764762A (zh) 2020-12-30 2020-12-30 细胞密度分类方法及装置、电子装置及存储介质

Country Status (2)

Country Link
US (1) US12002272B2 (zh)
CN (1) CN114764762A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723652A (zh) * 2021-01-04 2022-07-08 富泰华工业（深圳）有限公司 细胞密度确定方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7228031B2 (ja) * 2018-10-15 2023-02-22 ベンタナ メディカル システムズ， インコーポレイテッド 細胞の分類のためのシステムおよび方法
CN110033440A (zh) 2019-03-21 2019-07-19 中南大学 基于卷积神经网络与特征融合的生物细胞计数方法
CN115039125A (zh) * 2020-01-11 2022-09-09 南特细胞公司 用于肿瘤评估的深度学习模型
CN111898578B (zh) 2020-08-10 2023-09-19 腾讯科技（深圳）有限公司 人群密度的获取方法、装置、电子设备

Also Published As

Publication number Publication date
US12002272B2 (en) 2024-06-04
US20220207892A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
CN109522942B (zh) 一种图像分类方法、装置、终端设备和存储介质
CN109446430B (zh) 产品推荐的方法、装置、计算机设备及可读存储介质
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN111667066A (zh) 网络模型的训练、文字识别方法、装置和电子设备
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
WO2017132545A1 (en) Systems and methods for generative learning
CN115859128B (zh) 一种基于档案数据交互相似度的分析方法和系统
CN115083435A (zh) 音频数据处理方法、装置、计算机设备和存储介质
CN110348025A (zh) 一种基于字形的翻译方法、装置、存储介质及电子设备
CN114943672A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN114896067A (zh) 任务请求信息的自动生成方法、装置、计算机设备及介质
CN114281950B (zh) 基于多图加权融合的数据检索方法与系统
US20220284720A1 (en) Method for grouping cells according to density and electronic device employing method
CN111625629B (zh) 任务型对话机器人应答方法、装置及机器人、存储介质
CN114764762A (zh) 细胞密度分类方法及装置、电子装置及存储介质
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质
CN113962192A (zh) 汉字字体生成模型的生成方法、汉字字体生成方法及装置
CN117292750A (zh) 细胞类型占比的预测方法、装置、设备及存储介质
CN116776924A (zh) 模型量化方法、装置、设备、存储介质及产品
TWI795729B (zh) 圖像瑕疵檢測方法、電子設備及存儲介質
CN114496068A (zh) 蛋白质二级结构预测方法、装置、设备及存储介质
CN114707518A (zh) 面向语义片段的目标情感分析方法、装置、设备及介质
TW202226065A (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質

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