CN115588192A - 细胞图像分类方法和图像分类系统、电子设备及存储介质 - Google Patents

细胞图像分类方法和图像分类系统、电子设备及存储介质 Download PDF

Info

Publication number
CN115588192A
CN115588192A CN202211232420.3A CN202211232420A CN115588192A CN 115588192 A CN115588192 A CN 115588192A CN 202211232420 A CN202211232420 A CN 202211232420A CN 115588192 A CN115588192 A CN 115588192A
Authority
CN
China
Prior art keywords
cell
segmentation
image
map
uncertainty
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
CN202211232420.3A
Other languages
English (en)
Inventor
刘江
东田理沙
张颖麟
林慧燕
汪炜
席睿翎
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202211232420.3A priority Critical patent/CN115588192A/zh
Publication of CN115588192A publication Critical patent/CN115588192A/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
    • G06V20/695—Preprocessing, e.g. image segmentation
    • 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
    • G06N3/08—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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种细胞图像分类方法和图像分类系统、电子设备及存储介质，属于图像处理技术领域。该方法包括：获取原始细胞图像，将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；根据细胞分割图和所述细胞分割概率得到细胞不确定性信息图；将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号；通过响应决策信号，更新细胞不确定性信息图；根据更新后的细胞不确定性信息图对细胞分割图进行处理，得到细胞分类图。本申请实施例能够提高对细胞图像中细胞分类的准确率。

Description

细胞图像分类方法和图像分类系统、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种细胞图像分类方法和图像分类系统、电子设备及存储介质。
背景技术
目前，由于成像过程中光照不均、失焦、以及伪影等因素的干扰，导致细胞图像中的细胞边界模糊，从而影响细胞分类结果。
发明内容
本申请实施例的主要目的在于提出一种细胞图像分类方法和图像分类系统、电子设备及存储介质，能够提高对细胞图像中细胞分类的准确率。
为实现上述目的，本申请实施例的第一方面提出了一种细胞图像分类方法，应用于服务端，所述方法包括：
获取原始细胞图像；
将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
根据所述细胞分割图和所述细胞分割概率得到细胞不确定性信息图；
将所述细胞不确定性信息图发送给客户端，并接收所述客户端根据所述细胞不确定性信息图返回的决策信号；
通过响应所述决策信号，更新所述细胞不确定性信息图；
根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图。
在一些实施例，所述通过响应所述决策信号，更新所述细胞不确定性信息图，包括：
获取所述决策信号携带的目标不确定性阈值；
根据所述目标不确定性阈值更新所述细胞不确定性信息图。
在一些实施例，在所述将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图之前，所述方法还包括：训练图像分割模型，具体包括：
构建训练样本集，所述训练样本集包括多个训练细胞样本，每个所述训练细胞样本包括样本细胞图像和所述样本细胞图像的样本分割图；
构建初始分割模型，所述初始分割模型包括多个编码层和每个所述编码层对应的解码层，其中，每个所述编码层后设置一个dropout层；
将每个所述样本细胞图像输入所述初始分割模型，通过所述编码层和所述dropout层对所述样本细胞图像进行编码，得到样本图像特征；
通过所述解码层对所述样本图像特征进行解码，得到目标分割图；
根据所述样本分割图和所述目标分割图进行概率计算，得到预测概率值；
根据预设的损失函数和所述预测概率值得到损失值；
根据所述样本细胞图像的所述样本分割图和所述目标分割图对所述初始分割模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的所述初始分割模型，直至所述损失值满足预设训练结束条件，以得到所述图像分割模型。
在一些实施例，所述根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图，包括：
对所述细胞分割图进行图像修复处理，得到修复分割图；
对所述修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据所述待识别区域构建细胞轮廓信息集合；
根据更新后的所述细胞不确定性信息图对所述修复分割图进行区域选取，得到候选分割图；其中，所述候选分割图包括多个第一目标区域；
根据所述细胞轮廓信息集合对所述候选分割图中的每一个所述第一目标区域进行形状判断，得到判断结果；
根据所述判断结果和所述候选分割图得到细胞分类图。
在一些实施例，在所述对所述修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据所述待识别区域构建细胞轮廓信息集合之后，所述方法还包括：
根据预设的细胞面积阈值对每个所述待识别区域进行面积筛选，得到区域集；其中，所述区域集包括多个第二目标区域；
根据全部所述第二目标区域的面积值进行均值计算，得到平均面积值；
根据所述区域集的区域数量和所述区域集的面积值和，得到细胞数量参数；
根据所述区域集的区域数量、每个所述第二目标区域的面积值和所述平均面积值，得到变异系数参数；其中，所述变异系数参数用于表征所述细胞分割图中细胞大小的变化情况。
在一些实施例中，所述根据所述判断结果和所述候选分割图得到细胞分类图，包括：
若所述判断结果表示所述第一目标区域为预设多边形，根据与所述预设多边形匹配的预设颜色值对所述目标区域进行颜色填充，得到细胞分类图。
为实现上述目的，本申请实施例的第二方面提出了一种细胞图像分类方法，应用于客户端，所述方法包括：
向服务端发送原始细胞图像；
接收所述服务端根据所述原始细胞图像返回的细胞分割图、细胞不确定性信息图和细胞分类图，其中，所述细胞分割图、所述细胞不确定性信息图和所述细胞分类图是根据上述第一方面所述的一种细胞图像分类方法得到；
根据所述细胞不确定性信息图向所述服务端发送决策信号。
为实现上述目的，本申请实施例的第三方面提出了一种细胞图像分类系统，所述系统包括：
图像获取模块，用于获取原始细胞图像；
图像分割模块，用于将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
不确定性信息图获取模块，用于根据所述细胞分割图和所述细胞分割概率得到细胞不确定性信息图；
信号接收模块，用于将所述细胞不确定性信息图发送给客户端，并接收所述客户端根据所述细胞不确定性信息图返回的决策信号；
信号响应模块，用于通过响应所述决策信号，更新所述细胞不确定性信息图；
细胞分类模块，用于根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图。
为实现上述目的，本申请实施例的第四方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面或第二方面所述的方法。
为实现上述目的，本申请实施例的第五方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面或第二方面所述的方法。
本申请实施例提出的一种细胞图像分类方法和图像分类系统、电子设备及存储介质，通过获取原始细胞图像，将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率，从而根据该细胞分割图和细胞分割概率得到细胞不确定性信息图。将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号。通过响应该决策信号，更新细胞不确定性信息图。根据更新后的细胞不确定性信息图对细胞分割图进行处理，得到细胞分类图。本申请实施例能够提高对细胞图像中细胞分类的准确率。
附图说明
图1是本申请实施例提供的细胞图像分类方法的第一流程示意图；
图2是本申请实施例提供的细胞图像分类方法的第二流程示意图；
图3是图1中的步骤S150的流程图；
图4是图1中的步骤S160的流程图；
图5是本申请实施例提供的修复分割图的生成示意图；
图6是本申请实施例提供的细胞图像分类方法的第三流程示意图；
图7是本申请实施例提供的细胞图像分类方法的第四流程示意图；
图8是本申请实施例提供的细胞图像分类方法的具体交互结构示意图；
图9是本申请实施例提供的细胞图像分类系统的系统结构示意图；
图10是本申请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，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
多边形近似算法：源自Douglas-Peucker算法，使用点-边距离作为误差衡量标准，该算法从连接原始Polyline的第一个和最后一个顶点的边开始，计算所有中间顶点到边的距离，距离该边最远的顶点，如果其距离大于指定的公差，将被标记为Key并添加到简化结果中。这个过程将对当前简化中的每条边进行递归，直到原始Polyline的所有顶点与当前考察的边的距离都在允许误差范围内。
角膜内皮细胞是位于角膜后表面紧密排列的不可再生表皮细胞，形状多为六边形，对维持角膜透明起着重要作用。对角膜内皮细胞健康状况的评估主要依赖于相关临床参数的量化，如内皮细胞密度(Endothelial Cell Density，ECD)、多晶性(Coefficient ofVariance，CV，或细胞大小的变化系数)和多构形(HEX，或六角形细胞的百分比)等。
目前市场上的角膜内皮细胞分析计以一体机为主，算法封装在设备内，不利于不同设备测量结果的横向比较。因此，角膜内皮细胞健康状况的评估没有统一评价标准，影响了使用不同设备的用户对于角膜内皮细胞健康状况的准确评估。
此外，由于成像过程中光照不均、失焦，以及伪影等因素的干扰，且现有的细胞分析计未考虑量化结果的不确定性，导致细胞边界模糊，难以精确分割，影响了细胞分类结果。
基于此，本申请实施例提供了一种细胞图像分类方法和图像分类系统、电子设备，旨在提高对细胞图像中细胞分类的准确率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的细胞图像分类方法，涉及人工智能技术领域。本申请实施例提供的细胞图像分类方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现细胞图像分类方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
请参阅图1，图1是本申请实施例提供的细胞图像分类方法的一个可选的流程示意图，应用于服务端，图1中的方法可以包括但不限于步骤S110至步骤S160。
步骤S110，获取原始细胞图像；
步骤S120，将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
步骤S130，根据细胞分割图和细胞分割概率得到细胞不确定性信息图；
步骤S140，将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号；
步骤S150，通过响应决策信号，更新细胞不确定性信息图；
步骤S160，根据更新后的细胞不确定性信息图对细胞分割图进行处理，得到细胞分类图。
本申请实施例所示意的步骤S110至步骤S160，通过获取原始细胞图像，将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率，从而根据该细胞分割图和细胞分割概率得到细胞不确定性信息图。将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号。通过响应该决策信号，更新细胞不确定性信息图。根据更新后的细胞不确定性信息图对细胞分割图进行处理，得到细胞分类图。本申请实施例能够通过结合不确定性信息，提高了对细胞图像中细胞分类的准确率。
在一些实施例的步骤S110中，原始细胞图像可以为待分类的细胞图像，该细胞图像不需要进行预处理，也可以是对获取的待分类的细胞图像经过区域划分后的区域细胞图像。原始细胞图像可以为各种类型的细胞的图像，在此不作具体限定。
需要说明的是，由于得到的待分类的细胞图像的单张图像较大，但是因为相机拍摄问题，图像的边缘会比较模糊，成像质量不高，所以会选择对小区域进行分割，即为了提高对细胞图像分割的准确率，得到区域细胞图像的具体过程包括，根据预设的图像规格对待分类的细胞图像进行区域划分，得到多个区域细胞图像。例如，当待分类的细胞图像为角膜内皮细胞图像，可以对该角膜内皮细胞图像按照预设置的图像规格进行区域划分，得到多个图像大小为192*192的区域细胞图像。
需要说明的是，本申请实施例可灵活部署的前后端框架，采用服务器-客户端架构，在具有大算力的服务器端提供性能更强大的模型，以得到更准确的临床参数量化与分析，该模式极大降低了客户端的算力门槛，且该方法可以应用于不同性能的用户端设备。具体地，服务端获取客户端传输的原始细胞图像后启动控制程序，从而调用相应的算法模型和程序执行本申请实施例的细胞图像分类方法。
请参阅图2，图2是本申请实施例提供的细胞图像分类方法的另一个可选的流程示意图，在步骤S120之前，本申请实施例提供的方法还可以包括：训练图像分割模型，具体包括但不限于步骤S210至步骤S270。
步骤S210，构建训练样本集，训练样本集包括多个训练细胞样本，每个训练细胞样本包括样本细胞图像和样本细胞图像的样本分割图；
步骤S220，构建初始分割模型，初始分割模型包括多个编码层和每个编码层对应的解码层，其中，每个编码层后设置一个dropout层；
步骤S230，将每个样本细胞图像输入初始分割模型，通过编码层和dropout层对样本细胞图像进行编码，得到样本图像特征；
步骤S240，通过解码层对样本图像特征进行解码，得到目标分割图；
步骤S250，根据样本分割图和目标分割图进行概率计算，得到预测概率值；
步骤S260，根据预设的损失函数和预测概率值得到损失值；
步骤S270，根据样本细胞图像的样本分割图和目标分割图对初始分割模型的模型参数进行调整，并基于训练样本集继续训练调整后的初始分割模型，直至损失值满足预设训练结束条件，以得到图像分割模型。
在一些实施例的步骤S210中，为了提高模型对细胞图像的图像分割的准确率，首先，构建训练样本集，训练样本集包括多个训练细胞样本，每个训练细胞样本包括样本细胞图像和样本细胞图像的样本分割图。
需要说明的是，样本细胞图像可以来源于已构建的细胞图像库，根据多个样本细胞图像和其已分割得到的样本分割图，构建训练样本集，其中，样本分割图相当于样本细胞图像的样本标签。
在一些实施例的步骤S220中，构建初始分割模型，该初始分割模型可以为基于UNet卷积网络模型所构建，初始分割模型包括多个编码层和每个编码层对应的解码层，即在编码层通过堆叠卷积提取图像特征，通过池化来压缩编码后的特征图。在解码层通过上采样和卷积将编码压缩后的图像特征进行还原。为了使模型能够结合细胞图像的不确定性信息，在每个编码层后设置一个dropout层，使模型有了不确定性。
需要说明的是，dropout层能够使初始分割模型中的神经元随机失效，即通过dropout在每一个batch的训练当中随机减掉一些神经元，则只需要对该层中没有被Mask掉的节点进行训练，因此对于同一张图片在每一次分割时所采用的模型参数不同，即预测多次得到的结果也是不同的，从而使模型就有了不确定性。而现有的没有添加dropout的网络则需要对网络的每一个节点进行学习的，使得模型并没有设计对不确定性的分析，降低了分割的准确率。
在一些实施例的步骤S230和步骤S250中，将每个样本细胞图像输入初始分割模型，通过堆叠卷积设置的编码层和dropout层对样本细胞图像进行编码，得到多个不同大小的样本图像特征。然后，通过根据上采样和卷积设置的解码层将编码压缩后的图像特征进行解码，得到目标分割图。并根据样本分割图和目标分割图进行概率计算，得到预测概率值。
需要说明的是，初始分割模型相当于深度高斯模型的近似，根据预测分布公式可以确定目标分割图，其中，预测分布公式如公式(1)所示。
q(y*|x*)＝∫p(y*|x*,ω)q(ω)dω (1)
其中，x*表示初始分割模型的输入变量，y*表示初始分割模型预测的输出变量，即模型的预测概率值，ω表示初始分割模型的模型参数，q(y*|x*)表示给定一个模型参数时y*的预测分布，q(ω)表示模型参数对应的概率密度函数。
需要说明的是，如公式(2)所示，将初始分割模型的多次预测概率值的均值作为最终模型的分割结果，从而得到目标分割图。如公式(3)所示，将初始分割模型的多次预测概率值的方差作为模型的不确定性值。
Figure BDA0003881938580000081
Figure BDA0003881938580000082
其中，E(y*)表示多次预测概率值的均值，N1表示模型预测训练的迭代次数，Var(y*)表示得到的模型的不确定性值。
在一些实施例的步骤S260至步骤S270中，为了更好地优化模型，训练得到能够实现精确分割的图像分割模型，根据预设的损失函数和预测概率值得到损失值，并根据样本细胞图像的样本分割图和目标分割图对初始分割模型的模型参数进行调整，并基于训练样本集继续训练调整后的初始分割模型，直至损失值满足预设训练结束条件，以得到图像分割模型。
需要说明的是，根据预设的损失函数和预测概率值得到的目标损失函数L如公式(4)所示。
Figure BDA0003881938580000091
其中，N2表示目标分割图中图像像素点的数量，yi表示其中第i个像素点的预测值，
Figure BDA0003881938580000092
表示该像素点的预测概率，即该预测概率用于表示该相似点为细胞边界的概率。当某一像素点的预测概率
Figure BDA0003881938580000093
小于50％时，该预测值yi为0，即像素点不是细胞边界；当某一像素点的预测概率
Figure BDA0003881938580000094
大于或等于50％时，该预测值yi为1，即像素点是细胞边界。
需要说明的是，预设训练结束条件可以为当损失值小于预设的损失值阈值。
在一些实施例的步骤S120中，服务端调用预先训练的图像分割模型，将获取的原始细胞图像输入该图像分割模型进行图像分割，得到细胞分割图和细胞分割概率。其中，细胞分割图和原始细胞图像的图像大小相同。
在一些实施例的步骤S130中，为了更好地体现图像分割在每个像素位置的置信程度，为用户提供额外的可视化辅助诊断信息，根据细胞分割图和细胞分割概率得到细胞不确定性信息图。细胞分割概率用于表示细胞分割图中每个单元细胞图像的分割准确性，当细胞分割概率越大，则表示该单元细胞图像的分割准确性越大；而当细胞分割概率越小，则表示该单元细胞图像的分割准确性越小。该细胞分割图和细胞不确定性信息图是对应的，根据细胞分割图和细胞分割概率图得到细胞不确定性信息图，该细胞不确定性信息图用于向用户告知原始细胞图像中分割较为不准确的地方，即在细胞不确定性信息图中对分割准确性较小的地方进行重点标记，从而可以根据细胞不确定性信息图辅助细胞分割图进行参数估计。其中，细胞分割图、细胞不确定性信息图和原始细胞图像的图像大小相同。
需要说明的是，该细胞不确定性信息图还可以为根据细胞分割图在图像分割模型中进行多次预测结果得到。具体地，对输入图像分割模型的原始细胞图像进行多次随机前向预测，在模型预测时采用dropout层随机关闭一些神经元的作用，使得每次预测使用不同的模型参数，从而得到不同的预测结果。模型所得到的细胞分割图相当于一个分割概率图，则根据得到的多次预测结果和该细胞分割图对应的分割概率图得到细胞不确定性信息图。该细胞不确定性信息图用于告知用户端图像中分割较为不准确的地方，以表示细胞分割图对应的不确定性的可视化结果，能够为用户端提供可视化的辅助判断信息。
在一些实施例的步骤S140中，为了提高参数量化的准确性，并对图像分割后的结果实现可视化，以为客户端更好地展示分割结果的置信程度，增强服务端与客户端的交互性。在得到细胞不确定性信息图之后，将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号。具体地，在实际应用中，为了更有效地排除细胞不确定性信息图中无效的像素点对应的不确定性信息，则接收客户端根据细胞不确定性信息图返回的决策信号。
请参阅图3，在一些实施例中，步骤S150具体可以包括但不限于步骤S310至步骤S320。
步骤S310，获取决策信号携带的目标不确定性阈值；
步骤S320，根据目标不确定性阈值更新细胞不确定性信息图。
在一些实施例的步骤S310和步骤S320中，客户端根据细胞不确定性信息图返回的决策信号中携带的目标不确定性阈值，通过响应决策信号，即根据该目标不确定性阈值可以更新细胞不确定性信息图。
具体地，首先，根据细胞不确定性信息图中的不确定性值可以将该细胞不确定性信息图划分为多个连续的子域u，u∈U，不确定性值分布在0至2.5之间，则区域不确定性度量值V的计算如公式(5)所示。
Figure BDA0003881938580000101
其中，Nu表示落在每个子域的像素数量，N表示细胞不确定性信息图的总像素数量，
Figure BDA0003881938580000102
表示像素点i的不确定性值落在子域u，I表示不确定值大于目标不确定性阈值的像素点的集合，则该区域不确定性度量值用于表示从细胞不确定性信息图中得到的置信度，将该置信度发送到客户端辅助进行参数估计，提高对图像分类的准确度。
需要说明的是，本申请实施例通过设置阈值，可以隐去不确定性低的部分，从而使得模型输出的不确定性信息图只展示不确定性高的区域，能够更好得辅助细胞分割图进行参数估计。
需要说明的是，例如，在角膜内皮细胞健康评估中，会拍摄一张大的角膜内皮细胞图片，但是因为相机拍摄问题，图像的边缘会比较模糊，成像质量不高，所以会选择分割不确定性高的区域作为整张图像的代表，即选择不确定性值大于目标不确定性阈值的像素点的集合。
需要说明的是，当再次收到携带目标不确定性阈值的决策信号，则再次重新评估，即更新细胞不确定性信息图，并将更新后的细胞不确定性信息图返回到客户端继续进行分析。
请参阅图4，在一些实施例中，步骤S160具体可以包括但不限于步骤S410至步骤S450。
步骤S410，对细胞分割图进行图像修复处理，得到修复分割图；
步骤S420，对修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据待识别区域构建细胞轮廓信息集合；
步骤S430，根据更新后的细胞不确定性信息图对修复分割图进行区域选取，得到候选分割图；其中，候选分割图包括多个第一目标区域；
步骤S440，根据细胞轮廓信息集合对候选分割图中的每一个第一目标区域进行形状判断，得到判断结果；
步骤S450，根据判断结果和候选分割图得到细胞分类图。
在一些实施例的步骤S410中，由于细胞分割图上存在例如孔洞、噪点之类的问题，从而影响后续对细胞分割图的处理，则需要先对细胞分割图进行图像修复处理，即对细胞分割图进行形态学操作的处理，以得到修复分割图。
需要说明的是，形态学操作包括腐蚀操作、膨胀操作、开操作和闭操作。具体地，腐蚀操作能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除，即用于收缩图像边界。膨胀操作用于扩张边界。开操作是先执行腐蚀操作后执行膨胀操作，能够消除噪点且保持原有形状。闭操作是先执行膨胀操作后执行腐蚀操作，能够填补孔洞。经实验，如图5所示，本申请实施例通过对细胞分割图先采取闭操作后执行细线化操作能够最大程度上修复得到的细胞分割图，从而得到所需的修复分割图。
在一些实施例的步骤S420中，由于细胞面积太小，有可能是图像中的噪点，为了进行后续参数的求解，则对得到的修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据待识别区域构建细胞轮廓信息集合，其中，每个待识别区域的轮廓都是一组点的集合。
请参阅图6，在一些实施例中，在步骤S420之后，本申请实施例的方法还可以包括但不限于步骤S610至步骤S640。
步骤S610，根据预设的细胞面积阈值对每个待识别区域进行面积筛选，得到区域集；其中，区域集包括多个第二目标区域；
步骤S620，根据全部第二目标区域的面积值进行均值计算，得到平均面积值；
步骤S630，根据区域集的区域数量和区域集的面积值和，得到细胞数量参数；
步骤S640，根据区域集的区域数量、每个第二目标区域的面积值和平均面积值，得到变异系数参数；其中，变异系数参数用于表征细胞分割图中细胞大小的变化情况。
在一些实施例的步骤S610中，为了计算客户端所需的临床参数，首先，根据构建的细胞轮廓信息集合可以计算每个待识别区域的面积值，并根据预设的细胞面积阈值对每个待识别区域进行面积筛选，从而能够将面积大的细胞轮廓和面积小的噪点轮廓区分开，得到区域集，该区域集包括多个第二目标区域，该第二目标区域表示面积值大于预设的细胞面积阈值的待识别区域，该区域集中第二目标区域的数量即为细胞分割图中估计的细胞数量，该第二目标区域的轮廓构成的面积就是对应的细胞的面积。
在一些实施例的步骤S620和步骤S640中，将得到的全部第二目标区域的面积值进行均值计算，得到平均面积值
Figure BDA0003881938580000121
如公式(6)所示，根据区域集的区域数量n和区域集的面积值和
Figure BDA0003881938580000122
得到细胞数量参数，该细胞数量参数用于表示临床参数中的内皮细胞密度ECD。如公式(7)所示，根据区域集的区域数量n、每个第二目标区域的面积值Si和平均面积值
Figure BDA0003881938580000123
得到变异系数参数，变异系数参数用于表征得到的细胞分割图中细胞大小的变化情况，即可以表示临床参数中的多晶性CV。
Figure BDA0003881938580000124
Figure BDA0003881938580000125
在一些实施例的步骤S430至步骤S440中，根据更新后的细胞不确定性信息图对修复分割图进行区域选取，得到候选分割图，该候选分割图包括多个第一目标区域。具体地，根据更新后的细胞不确定性信息图和得到的区域不确定性度量构建不确定性mask图，该不确定性mask图为一个二值化的图，将大于目标不确定性阈值的像素点设置为1，将小于或等于目标不确定性阈值的像素点设置为0。根据不确定性mask图对修复分割图进行区域选取，得到包括多个第一目标区域的候选分割图，该第一区域用于表示对参数估计有作用的细胞区域。根据细胞轮廓信息集合获取候选分割图中的每一个第一目标区域的轮廓信息，并根据多边形近似算法对每一个第一个目标区域进行形状判断，得到判断结果，该判断结果包括每个第一目标区域的形状判断结果。
需要说明的是，根据该判断结果还可以得到临床参数中的六角形细胞的百分比HEX。
需要说明的是，可以采用连通域算法，也可以根据细胞轮廓信息集合计算每个细胞的质心，并将其在细胞分割图上标记出来，从而得到原始细胞图像对应的细胞计数图。
在一些实施例中，步骤S450具体可以包括：若判断结果表示第一目标区域为预设多边形，根据与预设多边形匹配的预设颜色值对目标区域进行颜色填充，得到细胞分类图。
具体地，为了更好地体现细胞分类的可视化，在细胞分类图中，将不同的细胞形状标记成不同的颜色，即若判断结果表示第一目标区域为预设多边形，根据与预设多边形匹配的预设颜色值对目标区域进行颜色填充，得到细胞分类图。例如，将六边形细胞标记为绿色，将八边形细胞标记为蓝色等等，在此不作具体限定。
需要说明的是，服务端将得到的可视化的相关分析图像如细胞分割图、细胞不确定性信息图、细胞分类图、细胞计数图，和相关临床参数如细胞数量参数、变异系数参数、六角形细胞的百分比都发送到客户端，提供可视化的辅助判断信息。
请参阅图7，图7是本申请实施例提供的一种细胞图像分类方法的另一个可选的流程示意图，应用于客户端，图7中的方法可以包括但不限于步骤S710至步骤S730。
步骤S710，向服务端发送原始细胞图像；
步骤S720，接收服务端根据原始细胞图像返回的细胞分割图、细胞不确定性信息图和细胞分类图；
步骤S730，根据细胞不确定性信息图向服务端发送决策信号。
在一些实施例的步骤S710中，客户端向服务端发送原始细胞图像，服务端进行细胞图像分类之后，客户端接收服务端根据原始细胞图像返回的细胞分割图、细胞不确定性信息图和细胞分类图。并根据细胞不确定性信息图向服务端发送决策信号。其中，该决策信号包括目标不确定性阈值。
需要说明的是，客户端接收的细胞分割图、细胞不确定性信息图和细胞分类图是根据上述任一实施例的一种细胞图像分类方法得到。
需要说明的是，客户端还可以得到的可视化的相关分析图像如细胞计数图，和相关临床参数如细胞数量参数、变异系数参数、六角形细胞的百分比等，以提供可视化的辅助判断信息。
在一具体的实施例中，如图8所示，通过用户端设备810前端的交互界面820引导用户上传需要进行细胞图像分类的原始细胞图像，建立用户端设备810与服务端设备830的通信连接，并将接收的原始细胞图像发送到服务端设备830。服务端设备830获取到原始细胞图像后，启动控制程序，该控制程序用于调用不确定性分割算法和临床参数估计程序以执行本申请所提供的细胞图像分类方法。通过对原始细胞图像执行细胞图像分类方法，得到算法评估结果，并将算法评估结果返回到用户端设备810，并将算法评估结果在交互界面820中进行可视化的展示。其中，该算法评估结果包括可视化的相关分析图像和相关临床参数，可视化的相关分析图像包括细胞分割图、细胞不确定性信息图、细胞分类图和细胞计数图，相关临床参数包括细胞数量参数、变异系数参数、六角形细胞的百分比等，以提供可视化的辅助判断信息。
请参阅图9，本申请实施例还提供了一种细胞图像分类系统，可以实现上述细胞图像分类方法，该系统包括：
图像获取模块910，用于获取原始细胞图像；
图像分割模块920，用于将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
不确定性信息图获取模块930，用于根据细胞分割图和细胞分割概率得到细胞不确定性信息图；
信号接收模块940，用于将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号；
信号响应模块950，用于通过响应决策信号，更新细胞不确定性信息图；
细胞分类模块960，用于根据更新后的细胞不确定性信息图对细胞分割图进行处理，得到细胞分类图。
该细胞图像分类系统的具体实施方式与上述细胞图像分类方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述细胞图像分类方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图10，图10示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1010，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1020，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行本申请实施例的细胞图像分类方法；
输入/输出接口1030，用于实现信息输入及输出；
通信接口1040，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1050，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息；
其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述细胞图像分类方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的一种细胞图像分类方法和图像分类系统、电子设备及存储介质，其通过在前端交互界面即客户端引导用户上传原始细胞图像，服务端接收原始细胞图像后启动控制程序，从而调用相应的算法模型和程序，将原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率，从而根据该细胞分割图和细胞分割概率得到细胞不确定性信息图。将细胞不确定性信息图发送给客户端，并接收客户端根据细胞不确定性信息图返回的决策信号。该决策信号携带了目标不确定性阈值，根据目标不确定性阈值更新细胞不确定性信息图，能够更好得辅助细胞分割图进行参数估计。然后，服务端对细胞分割图进行图像修复处理，得到修复分割图。对修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据待识别区域构建细胞轮廓信息集合。根据更新后的细胞不确定性信息图对修复分割图进行区域选取，得到包括多个第一目标区域的候选分割图。根据细胞轮廓信息集合对候选分割图中的每一个第一目标区域进行形状判断，得到判断结果，从而根据判断结果和候选分割图得到细胞分类图。为了更好地体现细胞分类的可视化，若判断结果表示第一目标区域为预设多边形，根据与预设多边形匹配的预设颜色值对目标区域进行颜色填充，得到细胞分类图。本申请实施例使用深度学习模型完成对细胞图像的分割，相比较传统基于手工特征的方法更具鲁棒性，并基于得到的细胞分割图，实现了对ECD、CV、HEX等临床参数的自动估计。本申请实施例在图像分割模型中加入dropout层，通过引入模型不确定性，对其实现了可视化，为客户端展示了分割结果的置信程度，增强了人机交互性，并提高了参数量化准确性。本申请实施例对应的细胞图像分类系统具有独立于设备的算法，排除了不同设备上算法不一致的影响，提供统一的评价标准，相较于传统的一体机，一方面有利于缩短算法开发周期、降低软件开发成本，另一方面可以更便捷地针对客户需求提供丰富的可视化分析与交互接口。本申请实施例采用服务器-客户端架构，在具有大算力的服务器端提供性能更强大的模型，以得到更准确的临床参数量化与分析，该模式极大降低了客户端的算力门槛，能够更灵活地进行部署，且能够兼顾不同性能的客户端设备。本申请实施例能够通过结合不确定性信息，提高了对细胞图像中细胞分类的准确率。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种细胞图像分类方法，应用于服务端，其特征在于，所述方法包括：
获取原始细胞图像；
将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
根据所述细胞分割图和所述细胞分割概率得到细胞不确定性信息图；
将所述细胞不确定性信息图发送给客户端，并接收所述客户端根据所述细胞不确定性信息图返回的决策信号；
通过响应所述决策信号，更新所述细胞不确定性信息图；
根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图。
2.根据权利要求1所述的方法，其特征在于，所述通过响应所述决策信号，更新所述细胞不确定性信息图，包括：
获取所述决策信号携带的目标不确定性阈值；
根据所述目标不确定性阈值更新所述细胞不确定性信息图。
3.根据权利要求1所述的方法，其特征在于，在所述将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图之前，所述方法还包括：训练图像分割模型，具体包括：
构建训练样本集，所述训练样本集包括多个训练细胞样本，每个所述训练细胞样本包括样本细胞图像和所述样本细胞图像的样本分割图；
构建初始分割模型，所述初始分割模型包括多个编码层和每个所述编码层对应的解码层，其中，每个所述编码层后设置一个dropout层；
将每个所述样本细胞图像输入所述初始分割模型，通过所述编码层和所述dropout层对所述样本细胞图像进行编码，得到样本图像特征；
通过所述解码层对所述样本图像特征进行解码，得到目标分割图；
根据所述样本分割图和所述目标分割图进行概率计算，得到预测概率值；
根据预设的损失函数和所述预测概率值得到损失值；
根据所述样本细胞图像的所述样本分割图和所述目标分割图对所述初始分割模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的所述初始分割模型，直至所述损失值满足预设训练结束条件，以得到所述图像分割模型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图，包括：
对所述细胞分割图进行图像修复处理，得到修复分割图；
对所述修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据所述待识别区域构建细胞轮廓信息集合；
根据更新后的所述细胞不确定性信息图对所述修复分割图进行区域选取，得到候选分割图；其中，所述候选分割图包括多个第一目标区域；
根据所述细胞轮廓信息集合对所述候选分割图中的每一个所述第一目标区域进行形状判断，得到判断结果；
根据所述判断结果和所述候选分割图得到细胞分类图。
5.根据权利要求4所述的方法，其特征在于，在所述对所述修复分割图进行细胞轮廓信息识别，得到待识别区域，并根据所述待识别区域构建细胞轮廓信息集合之后，所述方法还包括：
根据预设的细胞面积阈值对每个所述待识别区域进行面积筛选，得到区域集；其中，所述区域集包括多个第二目标区域；
根据全部所述第二目标区域的面积值进行均值计算，得到平均面积值；
根据所述区域集的区域数量和所述区域集的面积值和，得到细胞数量参数；
根据所述区域集的区域数量、每个所述第二目标区域的面积值和所述平均面积值，得到变异系数参数；其中，所述变异系数参数用于表征所述细胞分割图中细胞大小的变化情况。
6.根据权利要求4所述的方法，其特征在于，所述根据所述判断结果和所述候选分割图得到细胞分类图，包括：
若所述判断结果表示所述第一目标区域为预设多边形，根据与所述预设多边形匹配的预设颜色值对所述目标区域进行颜色填充，得到细胞分类图。
7.一种细胞图像分类方法，应用于客户端，其特征在于，所述方法包括：
向服务端发送原始细胞图像；
接收所述服务端根据所述原始细胞图像返回的细胞分割图、细胞不确定性信息图和细胞分类图，其中，所述细胞分割图、所述细胞不确定性信息图和所述细胞分类图是根据权利要求1至6任一项所述的一种细胞图像分类方法得到；
根据所述细胞不确定性信息图向所述服务端发送决策信号。
8.一种细胞图像分类系统，其特征在于，所述系统包括：
图像获取模块，用于获取原始细胞图像；
图像分割模块，用于将所述原始细胞图像输入预先训练的图像分割模型进行图像分割，得到细胞分割图和细胞分割概率；
不确定性信息图获取模块，用于根据所述细胞分割图和所述细胞分割概率得到细胞不确定性信息图；
信号接收模块，用于将所述细胞不确定性信息图发送给客户端，并接收所述客户端根据所述细胞不确定性信息图返回的决策信号；
信号响应模块，用于通过响应所述决策信号，更新所述细胞不确定性信息图；
细胞分类模块，用于根据更新后的所述细胞不确定性信息图对所述细胞分割图进行处理，得到细胞分类图。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现：
如权利要求1至6任一项所述的方法；或
如权利要求7所述的方法。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现：
如权利要求1至6任一项所述的方法；或
如权利要求7所述的方法。
CN202211232420.3A 2022-10-10 2022-10-10 细胞图像分类方法和图像分类系统、电子设备及存储介质 Pending CN115588192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211232420.3A CN115588192A (zh) 2022-10-10 2022-10-10 细胞图像分类方法和图像分类系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211232420.3A CN115588192A (zh) 2022-10-10 2022-10-10 细胞图像分类方法和图像分类系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115588192A true CN115588192A (zh) 2023-01-10

Family

ID=84780419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211232420.3A Pending CN115588192A (zh) 2022-10-10 2022-10-10 细胞图像分类方法和图像分类系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115588192A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797613A (zh) * 2023-08-24 2023-09-22 摩尔线程智能科技(北京)有限责任公司 多模态细胞分割、模型训练方法、装置、设备、存储介质
CN117218139A (zh) * 2023-09-12 2023-12-12 珠海横琴圣澳云智科技有限公司 样本细胞密度的确定方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797613A (zh) * 2023-08-24 2023-09-22 摩尔线程智能科技(北京)有限责任公司 多模态细胞分割、模型训练方法、装置、设备、存储介质
CN116797613B (zh) * 2023-08-24 2023-12-19 摩尔线程智能科技(北京)有限责任公司 多模态细胞分割、模型训练方法、装置、设备、存储介质
CN117218139A (zh) * 2023-09-12 2023-12-12 珠海横琴圣澳云智科技有限公司 样本细胞密度的确定方法和装置
CN117218139B (zh) * 2023-09-12 2024-05-24 珠海横琴圣澳云智科技有限公司 样本细胞密度的确定方法和装置

Similar Documents

Publication Publication Date Title
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN115588192A (zh) 细胞图像分类方法和图像分类系统、电子设备及存储介质
CN107123122B (zh) 无参考图像质量评价方法及装置
CN112381837B (zh) 一种图像处理方法及电子设备
CN107622274B (zh) 用于图像处理的神经网络训练方法、装置以及计算机设备
CN110807757B (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN110930296B (zh) 图像处理方法、装置、设备及存储介质
CN108229300B (zh) 视频分类方法、装置、计算机可读存储介质和电子设备
CN110992366B (zh) 一种图像语义分割方法、装置及存储介质
CN112183372A (zh) 文本识别方法、装置、设备及可读存储介质
CN111821693B (zh) 游戏的透视外挂检测方法、装置、设备及存储介质
CN114266894A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN112802076A (zh) 反射图像生成模型及反射去除模型的训练方法
CN113034514A (zh) 天空区域分割方法、装置、计算机设备和存储介质
CN110290318B (zh) 星载图像处理与自主决策方法和系统
CN117336525A (zh) 视频处理方法、装置、计算机设备及存储介质
CN115424056A (zh) 模型训练方法和装置、图像分类方法、设备和介质
CN115909033A (zh) 一种摄像机镜头凝冻状态评估方法及装置
CN118154583A (zh) 电池丝印质量检测方法及模型获取方法、装置和终端设备
CN117237912A (zh) 目标检测模型的训练方法、装置、计算机设备及存储介质
CN108665455B (zh) 图像显著性预测结果的评价方法和装置
CN116740485A (zh) 病变检测模型的训练方法和装置、电子设备及存储介质
CN113962332B (zh) 基于自优化融合反馈的显著目标识别方法
CN115346115A (zh) 图像目标检测方法、装置、设备和存储介质
CN111488476B (zh) 图像推送方法、模型训练方法及对应装置

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