CN117079274A - 一种识别模型的训练方法、装置、存储介质及电子设备 - Google Patents
一种识别模型的训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117079274A CN117079274A CN202311077216.3A CN202311077216A CN117079274A CN 117079274 A CN117079274 A CN 117079274A CN 202311077216 A CN202311077216 A CN 202311077216A CN 117079274 A CN117079274 A CN 117079274A
- Authority
- CN
- China
- Prior art keywords
- training sample
- cell
- sample
- training
- determining
- 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 431
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 36
- 210000004027 cell Anatomy 0.000 claims description 413
- 230000008569 process Effects 0.000 claims description 37
- 230000001086 cytosolic effect Effects 0.000 claims description 23
- 210000003855 cell nucleus Anatomy 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 210000000805 cytoplasm Anatomy 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 210000004940 nucleus Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000003771 C cell Anatomy 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种识别模型的训练方法、装置、存储介质及电子设备,通过确定带标注的细胞图像作为第一训练样本,以及确定无标注的细胞图像作为第二训练样本,通过基于第一训练样本预训练得到的识别模型,确定第二训练样本的标注,再根据第一训练样本的标注中各样本细胞的特征和第二训练样本的识别结果中各样本细胞的特征,对该第二训练样本进行调整,最后根据第一训练样本及其标注和调整后的第二训练样本及其标注对该识别模型进行训练。基于本说明书中的该识别模型的训练方法,在不需要对大量的细胞图像进行标注的情况下,也可对识别模型进行训练。
Description
技术领域
本说明书涉及图像处理技术领域,尤其涉及一种识别模型的训练方法、装置、存储介质及电子设备。
背景技术
目前,随着计算机技术的发展和业务融合的需要,使用模型来实现对细胞图像中的各细胞进行识别,已经成为机器学习技术在图像处理领域较为常见的应用场景之一。
现有技术中,通常可获取细胞图像,并将细胞图像输入预先训练完成的识别模型中,得到识别模型识别出的该细胞图像中包含的各细胞,作为识别结果,并根据该识别结果进行数据处理。
但是,该识别模型需要大量带标注的样本细胞图像才可训练得到,而针对每个样本细胞图像,该样本细胞图像的标注为该样本细胞图像中的各细胞,且该标注通常需由人工确定。人工标注耗时长、成本高的特点以及样本细胞图像中需进行标注的细胞过多的特点,使得现有技术中的训练效率较低。
基于此,本说明书提供一种识别模型的训练方法。
发明内容
本说明书提供一种识别模型的训练方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种识别模型的训练方法,所述方法包括:
确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型;
通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注;
根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整;
根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练。
可选地,根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整,包括:
根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,作为所述第一训练样本的标注中各样本细胞的特征;
根据所述第二训练样本的识别结果,确定待调细胞尺寸,作为所述第二训练样本的识别结果中各样本细胞的特征;
根据所述参考细胞尺寸和所述待调细胞尺寸,对所述第二训练样本的尺寸进行调整。
可选地,所述识别模型通过多次迭代训练得到;
根据所述识别结果,确定所述第二训练样本的标注,包括:
在当前迭代过程对应的迭代次数到达预设的次数阈值时,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整。
可选地,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整,包括:
将当前迭代过程中确定出的所述第二训练样本的识别结果,作为第一识别结果;
将所述第二训练样本的标注,作为第二识别结果;
根据所述第一识别结果及其权重,以及所述第二识别结果及其权重,确定目标识别结果,并将所述目标识别结果作为所述第二识别结果重新确定出的标注。
可选地,根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练,包括:
对调整后的所述第二训练样本进行数据增强,确定增强样本,并根据数据增强的方式和调整后的所述第二训练样本的标注,确定所述增强样本的标注;
根据所述第一训练样本及其标注,以及所述增强样本及其标注,对所述识别模型进行训练。
可选地,根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,包括:
针对所述第一训练样本中包含的每个样本细胞,根据所述第一训练样本的标注,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;
确定所述第一训练样本中各样本细胞的细胞尺寸的均值,作为参考细胞尺寸;
根据所述第二训练样本的识别结果,确定待调细胞尺寸,包括:
针对所述第二训练样本中的每个样本细胞,根据所述第二训练样本的识别结果,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;
确定所述第二训练样本中各样本细胞的细胞尺寸的均值,作为待调细胞尺寸。
可选地,所述第一训练样本和所述第二训练样本为双通道的细胞图像,所述双通道包含用于传输细胞质图像的通道和用于传输细胞核图像的通道;
通过所述识别模型,得到所述第二训练样本的识别结果,包括:
对所述第二训练样本进行特征提取,确定所述第二训练样本对应的细胞质特征和细胞核特征;
将所述细胞质特征和所述细胞核特征输入所述识别模型中,得到所述识别模型输出的所述第二训练样本的识别结果。
可选地,确定所述第二训练样本对应的细胞核特征,包括:
当所述第一训练样本中用于传输细胞核图像的通道为空时,确定所述第二训练样本对应的细胞核特征为全零特征;
当所述第一训练样本中用于传输细胞核图像的通道不为空时,根据所述细胞核图像,确定所述第二训练样本的细胞核特征。
可选地,所述方法还包括:
确定预先训练完成的所述识别模型对应的特定细胞特征,所述特定细胞特征根据第一训练样本的标注以及所述第二训练样本的标注确定;
响应于识别请求,确定所述识别请求中携带的目标细胞图像;
通过训练完成的所述识别模型,确定所述目标细胞图像的初始识别结果;
根据所述初始识别结果,确定所述目标细胞图像的特征,并根据所述目标细胞图像的特征以及所述特定细胞特征,调整所述目标细胞图像;
将调整后的所述目标细胞图像输入训练完成的所述识别模型中,得到所述识别模型输出的目标识别结果,并返回。
可选地,所述目标细胞图像为双通道的细胞图像,所述双通道包含用于传输细胞质图像的通道和传输细胞核图像的通道;
通过训练完成的所述识别模型,确定所述目标细胞图像的初始识别结果,包括:
对所述目标细胞图像进行特征提取,确定所述目标细胞图像的细胞质特征和细胞核特征;
将所述目标细胞图像的细胞质特征和细胞核特征输入所述识别模型中,得到所述识别模型输出的所述目标细胞图像的初始识别结果。
本说明书提供一种识别模型的训练装置,所述装置包括:
样本确定模块,用于确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型;
第一确定模块,用于通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注;
第二确定模块,用于根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整;
训练模块,用于根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述识别模型的训练方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述识别模型的训练方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
通过确定带标注的细胞图像作为第一训练样本,以及确定无标注的细胞图像作为第二训练样本,通过基于第一训练样本预训练得到的识别模型,确定第二训练样本的标注,再根据第一训练样本的标注中各样本细胞的特征和第二训练样本的识别结果中各样本细胞的特征,对该第二训练样本进行调整,最后根据第一训练样本和调整后的第二训练样本对该识别模型进行训练。
基于本说明书中的该识别模型的训练方法,在不需要对大量的细胞图像进行标注的情况下,也可对识别模型进行训练。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的识别模型的训练方法的流程示意图;
图2为本说明书提供的识别模型的训练方法的流程示意图;
图3为本说明书提供的识别模型的训练装置的结构示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的识别模型的训练方法的流程示意图,具体包括以下步骤:
S100:确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型。
本说明书提供一种识别模型的训练方法,该识别模型的训练方法的执行过程可由用于进行细胞图像识别的服务器、用于进行模型训练的服务器等电子设备执行。为了方便描述,本说明书中以用于进行模型训练的服务器执行该识别模型的训练过程为例进行说明。
区别于目前基于有标注的细胞图像对模型进行训练,需要人工对训练样本进行标注,耗时长、成本高,训练效率低。本说明书提供一种识别模型的训练方法,确定带标注的细胞图像作为第一训练样本,以及确定无标注的细胞图像作为第二训练样本,通过第一训练样本对识别模型进行预训练,再通过预训练后的识别模型确定第二训练样本的伪标注,再根据第一训练样本对应的参考细胞尺寸和第二训练样本对应的待调细胞尺寸,调整第二训练样本的尺寸,再根据第一训练样本和调整后的第二训练样本对该识别模型进行训练。
基于本说明书中的该识别模型的训练方法,在不需要对大量的细胞图像进行标注的情况下,也可对识别模型进行训练。且基于第一训练样本预训练得到的识别模型,可对参考细胞尺寸对应的细胞进行准确识别,于是,该识别模型也可对基于参考细胞尺寸调整后的第二训练样本进行准确识别,进一步保证了该识别模型的准确率。
基于上述对本说明书中的识别模型的训练方法的简要说明,可见,本说明书中的识别模型的训练方法,可首先确定训练样本以及预训练后的识别模型。
具体的,该识别模型用于对细胞图像进行识别。其中,该细胞图像可为包含多个细胞的图像,也可为包含单个细胞的图像,还可为对细胞进行染色后拍摄到的电子图像。该细胞图像的具体类型以及如何确定该细胞图像可根据需要进行设置,本说明书对此不做限制。
于是,该服务器可从预先存储的数据中,确定带标注的细胞图像,作为第一训练样本。并确定未标注的细胞图像,作为第二训练样本。以及确定根据第一训练样本及其标注预训练得到的识别模型。
当然,该服务器可预先确定用于对识别模型进行预训练的带标注的细胞图像和无标注的细胞图像。于是,该服务器可从预先确定出的用于对识别模型进行预训练的带标注的细胞图像中,确定第一训练样本,以及从无标注的细胞图像中,确定第二训练样本。
于是,在确定出第一训练样本后,该服务器可基于第一训练样本预训练得到的识别模型。即,将第一训练样本作为输入,输入到待训练的识别模型中,得到识别模型输出的该第一训练样本的预识别结果,再根据预识别结果和第一训练样本的标注之间的差距,对该识别模型进行预训练。其中,该预训练的过程可由执行该模型训练方法的服务器执行,也可为由用于对模型进行预训练的服务器执行,该预训练过程具体由何种电子设备执行,以及何时执行,均可根据需要进行设置,本说明书对此不作限制。
需要说明的是,上述预训练得到的识别模型,可为多个带标注的细胞图像预训练得到,而非仅根据一张带标注的细胞图像训练得到。
S102:通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注。
在本说明书提供的一个或多个实施例中,如前所述的,该服务器可通过预训练后的识别模型,确定该第二训练样本的伪标注。
具体的,该服务器可将第二训练样本作为输入,输入预训练后的识别模型中,得到该识别模型输出的该第二训练样本的识别结果。
于是,该服务器可根据确定出的第二训练样本的识别结果,确定该第二训练样本的标注。其中,该识别结果可为该第二训练样本中包含的各细胞分别对应的类型、各细胞分别对应的位置以及各细胞分别对应的区域中的至少一种。
S104:根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,调整所述第二训练样本的尺寸。
在本说明书提供的一个或多个实施例中,如前所述的,根据第一训练样本预训练得到的识别模型,可对类似于第一训练样本的细胞图像进行准确识别,也就是对与第一训练样本中各样本细胞的特征匹配的细胞图像进行准确识别。因此,若要通过识别模型对第二训练样本进行准确识别,则需根据第一训练样本中各样本细胞的特征,对第二训练样本进行调整。
具体的,该服务器可针对该第一训练样本中包含的每个样本细胞,根据该第一训练样本的标注,确定该细胞的细胞直径、细胞面积、细胞颜色、细胞核在该细胞中的占比等细胞属性。
于是,该服务器可根据该第一训练样本中各细胞分别对应的细胞属性,确定用于表征该第一训练样本中各样本细胞的细胞特点的特征,作为该第一训练样本的标注中各样本细胞的特征。其中,与细胞属性类似,该特征也可为细胞直径、细胞面积、细胞颜色、细胞核在该细胞中的占比等。
同时,该服务器可针对该第二训练样本中包含的每个样本细胞,根据该第二训练样本的识别结果,确定该细胞的细胞直径、细胞面积、细胞颜色、细胞核在该细胞中的占比等细胞属性。
于是,该服务器可根据该第二训练样本的识别结果中各细胞分别对应的细胞属性,确定用于表征该第二训练样本中各样本细胞的细胞特点的特征,作为该第二训练样本中各样本细胞的特征。其中,与第一训练样本的标注中各样本细胞的特征类似,该第二训练样本的识别结果中各样本细胞的特征也可为细胞直径、细胞面积、细胞颜色、细胞核在该细胞中的占比等。
则在确定出第一训练样本的标注中各样本细胞的特征,以及第二训练样本的识别结果中各样本细胞的特征后,该服务器可对该第二训练样本进行调整,使得调整后的第二训练样本可与第一训练样本的标注中各样本细胞的特征匹配。
以将细胞尺寸作为细胞属性为例,则该服务器可针对该第一训练样本中的每个细胞,确定该细胞的细胞尺寸,作为该细胞的细胞属性。
于是,该服务器可根据该第一训练样本中各细胞分别对应的细胞尺寸,确定各细胞尺寸的均值,作为参考细胞尺寸。则确定出的参考细胞尺寸可用于表征第一训练样本中各样本细胞的细胞尺寸。当然,该参考细胞尺寸还可为第一训练样本中各细胞尺寸的中位数、众数、中程数等等,具体如何确定该参考细胞尺寸可根据需要进行设置,本说明书对此不做限制。
同样的,该服务器可针对该第二训练样本中的每个细胞,确定该细胞的细胞尺寸,作为该细胞的细胞属性。
于是,该服务器可根据该第二训练样本中各细胞分别对应的细胞尺寸,确定各细胞尺寸的均值,作为待调细胞尺寸。则确定出的待调细胞尺寸可用于表征第二训练样本中各样本细胞的细胞尺寸。当然,该待调细胞尺寸还可为第二训练样本中各细胞尺寸的中位数、众数、中程数等等,具体如何确定该待调细胞尺寸可根据需要进行设置,本说明书对此不做限制。
在确定出参考细胞尺寸和待调细胞尺寸后,该服务器可根据该参考细胞尺寸和待调细胞尺寸,对第二训练样本的尺寸进行调整。
需要说明的是,上述确定出的细胞尺寸可为细胞半径、细胞直径、细胞横截面积等参数进行表征。
S106:根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练。
在本说明书提供的一个或多个实施例中,该识别模型包含三个阶段:样本确定阶段、样本处理阶段和训练阶段。于是,在对获取到的训练样本进行处理后,该服务器可对该识别模型进行训练。
具体的,该服务器可将该第一训练样本和调整尺寸后的该第二训练样本分别作为输入,输入到该预训练后的识别模型中,得到该识别模型分别输出的第一训练样本的最终识别结果和调整后的该第二训练样本最终识别结果。
于是,该服务器可确定该第一训练样本的最终识别结果和该第一训练样本的标注之间的差距,以及确定调整后的该第二训练样本的最终识别结果和该第二训练样本的标注之间的差距,并以上述两个差距之和确定损失,以损失最小化为优化目标,调整该识别模型的模型参数,以完成该识别模型的训练过程。
当然,该第一差距和该第二差距还可有其对应的权重,则该服务器可根据第一差距及其权重,以及第二差距及其权重来确定损失。
以第一差距为L1、第二差距为L2为例,则确定出的损失可为LZ=cL1+dL2。其中,c为第一差距的权重,d为第二差距的权重。上述两个权重之和可为1,也可为0等指定数值。上述两个权重之间的数值变化量可成正比(如,c的变化量越大,d的变化量也越大,c的变化量越小,d的变化量也可越小等),也可不成比例。上述两个权重的数值可成反比(如,c越大,d越小,c越小,d越大等),也可不成比例。这两个差距的权重的具体数值可根据需要进行设置,本说明书对此不做限制。
基于图1所示的识别模型的训练方法,通过确定带标注的细胞图像作为第一训练样本,以及确定无标注的细胞图像作为第二训练样本,通过基于第一训练样本预训练得到的识别模型,确定第二训练样本的标注,再根据第一训练样本的标注中各样本细胞的特征和第二训练样本的识别结果中各样本细胞的特征,对该第二训练样本进行调整,最后根据第一训练样本及其标注和调整后的第二训练样本及其标注对该识别模型进行训练。
基于本说明书中的该识别模型的训练方法,在不需要对大量的细胞图像进行标注的情况下,也可对识别模型进行训练。且基于第一训练样本预训练得到的识别模型,可对参考细胞尺寸对应的细胞进行准确识别,于是,该识别模型也可对基于参考细胞尺寸调整后的第二训练样本进行准确识别,进一步保证了该识别模型的准确率。
基于同样思路,本说明书提供一种识别模型的训练方法的流程示意图,如图2所示。
图2为本说明书提供的识别模型的训练方法的流程示意图。该服务器可将该第一训练样本和该第二训练样本输入该识别模型中,得到该识别模型输出的第一训练样本的识别结果和该第二训练样本的识别结果。然后,该服务器可根据该第一训练样本的标注,确定参考细胞尺寸,并根据该第二训练样本的识别结果,确定待调细胞尺寸。接着再根据该参考细胞尺寸、待调细胞尺寸和该第二训练样本,得到调整尺寸后的第二训练样本。
于是,该服务器可将该调整尺寸后的第二训练样本重新作为该识别模型的输入,得到该识别模型输出的调整后的第二训练样本的识别结果。则该服务器可根据第一训练样本的识别结果及其标注确定第一差距,并根据调整后的第二训练样本的识别结果以及该第二训练样本的伪标注,确定第二差距。
最后,该服务器可根据该第一差距和该第二差距确定损失,并以损失最小化为优化目标来训练该识别模型。
进一步的,本说明书中的识别模型是基于多次迭代过程性训练得到的,而随着识别模型迭代次数的增加,该识别模型的模型参数的改变也随之增大。在此情况下,为例保证训练得到的识别模型的准确性,该服务器可随迭代次数的增加而更新该第二训练样本的标注。
具体的,该服务器可采用预设次数阈值,若当前迭代过程的迭代次数到达预设的次数阈值,则将第二训练样本的标注进行更新的手段,也可采用每每指定次数即将第二训练样本的标注进行更新的手段,来更新该第二训练样本的标注。
则该服务器可确定最近一次确定该第二训练样本的标注的迭代过程,作为特定过程。
于是,该服务器可确定当前迭代过程和该特定过程之间的迭代过程的数量,并判断该数量是否达到预设的次数阈值。
若是,则表征当前迭代过程需重新确定该第二训练样本的标注。于是,该服务器可根据当前迭代过程中确定出的第二训练样本的识别结果,重新确定该第二训练样本的标注。
若否,则表征当前迭代过程不需重新确定该第二训练样本的标注。于是,该服务器可继续基于该第二训练样本的标注和调整后的第二训练样本的识别结果,训练该识别模型。
或者,该服务器可确定当前迭代过程对应的迭代次数,并判断该迭代次数是否到达预设的次数阈值。
若是,则表征当前迭代过程需重新确定该第二训练样本的标注。于是,该服务器可根据当前迭代过程中确定出的第二训练样本的识别结果,重新确定该第二训练样本的标注。
若否,则表征当前迭代过程不需重新确定该第二训练样本的标注。于是,该服务器可继续基于该第二训练样本的标注和调整后的第二训练样本的识别结果,训练该识别模型。
更进一步的,若当前迭代过程需要重新确定该第二训练样本的标注,则该服务器可直接将当前迭代过程中确定出的第二训练样本的识别结果,作为该第二训练样本重新确定出的标注。
当然,为了避免出现该识别模型将历史迭代过程中学习到的信息遗忘掉的情况,该服务器也可根据当前迭代过程中确定出的第二训练样本的识别结果和该第二训练样本的当前标注,重新确定该第二训练样本的标注。
具体的,该服务器可将当前迭代过程中确定出的调整后的该第二训练样本的识别结果,作为第一识别结果,并将该第二训练样本的标注,作为第二识别结果。
然后,该服务器可确定该第一识别结果的权重,以及该第二识别结果的权重。
最后,该服务器可根据该第一识别结果及其权重,以及该第二识别结果及其权重,进行加权求和,得到该第二训练样本的目标识别结果。于是,确定出的目标识别结果兼顾了历史迭代过程中学习到的信息与迭代过程中的参数变化。则该服务器可将该目标识别结果作为该第二训练样本重新确定出的标注。
以第一识别结果为D1、第二识别结果为D2为例,则确定出的该第二训练样本可为DZ=aD1+bD2。其中,a为第一识别结果的权重,b为第二识别结果的权重。上述两个权重之和可为1,也可为0等指定数值。上述两个权重之间的数值变化量可成正比(如,a的变化量越大,b的变化量也越大,a的变化量越小,b的变化量也可越小等),也可不成比例。上述两个权重的数值可成反比(如,a越大,b越小,a越小,b越大等),也可不成比例。这两个识别结果的权重的具体数值可根据需要进行设置,本说明书对此不做限制。
另外,本说明书中的细胞图像中包含的各细胞的形状各异,如,A细胞为方形、B细胞为圆形、C细胞为椭圆形等。而即使面积相同,不同形状的细胞的细胞直径也不一致。因此,若直接基于各细胞分别对应的细胞直径来确定参考细胞直径和待调细胞直径,可能出现确定出的参考细胞直径不能表征第一训练样本中各细胞的细胞直径,以及待调细胞直径不能表征第二训练样本中各细胞的细胞直径的情况。为了避免上述情况的发生,该服务器还可基于训练样本中各细胞分别对应的区域,确定与各细胞的匹配度较高的规则区域来表征各细胞的方式,来确定参考细胞直径和待调细胞直径。
具体的,以第一训练样本为例,假设上述规则形状为圆形,该服务器可根据该第一训练样本的标注中各细胞分别对应的区域,确定与各细胞分别对应的区域的交并比大于预设阈值的圆形区域,作为表征该第一训练样本中的各细胞的细胞尺寸的参考细胞尺寸对应的感兴趣区域。于是,该服务为可根据该感兴趣区域,确定该参考细胞尺寸。
同样的,该待调细胞尺寸也可根据上述方式确定。
进一步的,在模型训练过程中,可能出现某训练样本包含的各细胞的细胞尺寸差别过大的情况,在该情况下,若采用上述确定各样本细胞的细胞尺寸的均值作为表征该训练样本中各细胞的细胞尺寸的方式,则确定出的参考细胞尺寸或待调细胞尺寸无法表征该训练样本中各细胞的尺寸。于是,该服务器还可采用确定各样本细胞的细胞尺寸的中位数的方式,来确定参考细胞尺寸或待调细胞尺寸。
具体的,该服务器可根据该第一训练样本中各细胞分别对应的细胞尺寸,确定各细胞尺寸的中位数,作为参考细胞尺寸。同时,该服务器可根据该第二训练样本中各细胞分别对应的细胞尺寸,确定各细胞尺寸的中位数,作为待调细胞尺寸。
当然,该服务器还可采用确定各细胞尺寸中出现频次最高的细胞尺寸,作为确定出的参考细胞尺寸或待调细胞尺寸。具体该参考细胞尺寸或待调细胞尺寸如何确定可根据需要进行设置,本说明书对此不做限制。
更进一步的,在本说明书中,该第一训练样本和该第二训练样本可为单通道的细胞图像,也可为双通道的细胞图像。其中,该单通道的细胞图像通常为获取到的对细胞质进行染色后确定的包含各细胞的细胞质的图像,该双通道的细胞图像通常为获取到的对细胞质和细胞核分别进行染色后确定的包含各细胞的细胞质和细胞核的图像。该双通道的细胞图像中一个通道的细胞图像为包含细胞质的图像,另一个通道的细胞图像为包含细胞核的图像。
显然,双通道的细胞图像包含的信息更多,于是,该服务器可采用双通道的细胞图像对该模型进行训练。
具体的,以通过该识别模型得到第二训练样本的识别结果的过程为例。该服务器可对该第二训练样本进行特征提取,得到该第二训练样本对应的细胞质特征和细胞核特征。
然后,该服务器可将该确定出的细胞质特征和细胞核特征作为输入,输入该识别模型中,得到该识别模型输出的该第二训练样本的识别结果。
当然,该服务器也可直接将该双通道的细胞图像作为输入,输入到识别模型中,由识别模型基于包含细胞质的细胞图像和包含细胞核的细胞图像,确定出更准确的识别结果。
基于上述双通道的细胞图像训练得到的识别模型,由于可基于细胞图像中细胞核信息和细胞质信息来确定识别结果,其得到的识别结果相较于单通道的细胞图像训练得到的识别模型输出的识别结果的准确性更高。
当然,在本说明书中也存在第一训练样本或第二训练样本中仅包含细胞质图像的情况出现,在此情况下,该服务器可针对每个第一训练样本或第二训练样本,判断该第二训练样本中用于传输细胞核图像的通道是否为空。
若是,则该服务器可确定该训练样本的细胞核特征为全零特征。
若否,则该服务器可根据该双通道的图像中的细胞核图像,确定该第二训练样本的细胞核特征。
另外,在模型训练完成后,该服务器可使用训练完成的识别模型,对细胞图像进行识别。
具体的,该服务器可在模型训练完成后,根据第一训练样本的标注和第二训练样本的标注,确定该训练完成的识别模型对应的特定细胞特征。该特定细胞特征可为细胞直径、细胞颜色等。以该特征为细胞尺寸为例,则该识别模型可对该特定细胞尺寸对应的细胞进行准确识别。
于是,该服务器可接收识别请求,并确定该识别请求中携带的目标细胞图像。
其次,该服务器可将该目标细胞图像输入该识别模型中,得到该识别模型输出的该目标细胞图像的初始识别结果。
然后,该服务器可根据该初始识别结果,确定该目标细胞图像中各细胞的特征,作为待调细胞特征。并根据该待调细胞特征和该特定细胞特征面对该目标细胞图像进行调整。以该细胞特征为细胞尺寸为例,则该服务器可确定该目标细胞图像中各细胞的尺寸,作为待调细胞尺寸,并根据该待调细胞尺寸和特定细胞尺寸,对该目标细胞图像的尺寸进行调整。以该细胞特征为细胞的颜色为例,则该服务器可确定该识别模型对应的特定细胞颜色,以及确定该目标细胞图像的待调细胞颜色,并根据该待调细胞颜色和特定细胞颜色,对该目标细胞图像的颜色进行他调整。
最后,该服务器可将调整后的目标细胞图像重新输入该识别模型中,得到该识别模型输出的该目标细胞图像的最终识别结果。
进一步的,该目标细胞图像也可为双通道的细胞图像。于是,该服务器可对该目标细胞图像进行特征提取,确定该目标细胞图像的细胞质特征和细胞核特征。并将该目标细胞图像的细胞质特征和细胞核特征输入该识别模型中,得到该识别模型输出的目标细胞图像的初始识别结果。
当然,该服务器也可直接将该双通道的细胞图像作为输入,输入到识别模型中,由识别模型基于包含细胞质的细胞图像和包含细胞核的细胞图像,确定出更准确的识别结果。
基于上述双通道的细胞图像确定的识别结果,其得到的识别结果相较于单通道的细胞图像确定的识别结果的准确性更高。
需要说明的是,若该识别模型为基于双通道的细胞图像训练得到,而目标细胞图像为单通道的细胞图像,则该服务器还可根据该目标细胞图像的尺寸,生成与该目标细胞图像的尺寸相同的0矩阵,作为包含细胞核的细胞图像对应的通道的输入。
更进一步的,为了保证该识别模型的鲁棒性,在对第二训练样本的尺寸进行调整后,该服务器还可对调整尺寸后的第二训练样本进行数据增强。则该服务器可根据调整尺寸且进行数据增强后的第二训练样本,对该识别模型进行训练。
具体的,该服务器可对调整后的第二训练样本进行数据增强,确定增强样本,并根据数据增强的方式和提高后的所述第二训练样本的标注,确定该增强样本的标注。则该服务器可根据该第一训练样本及其标注,以及增强样本及其标注,对该识别模型进行训练。
基于同样思路,本说明书还提供一种识别模型的训练装置,如图3所示。
图3为本说明书提供的识别模型的训练装置的结构示意图,其中:
样本确定模块200,用于确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型。
第一确定模块202,用于通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注。
第二确定模块204,用于根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整。
训练模块206,用于根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练。
可选地,第二确定模块204,用于根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,并根据所述第二训练样本的识别结果,确定待调细胞尺寸,以及根据所述参考细胞尺寸和所述待调细胞尺寸,对所述第二训练样本的尺寸进行调整。
可选地,第一确定模块202,用于在当前迭代过程对应的迭代次数到达预设的次数阈值时,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整,其中,所述识别模型通过多次迭代训练得到。
可选地,第一确定模块202,用于将当前迭代过程中确定出的所述第二训练样本的识别结果,作为第一识别结果,将所述第二训练样本的标注,作为第二识别结果,根据所述第一识别结果及其权重,以及所述第二识别结果及其权重,确定目标识别结果,并将所述目标识别结果作为所述第二识别结果重新确定出的标注。
可选地,训练模块206,用于对调整后的所述第二训练样本进行数据增强,确定增强样本,并根据数据增强的方式和调整后的所述第二训练样本的标注,确定所述增强样本的标注,根据所述第一训练样本及其标注,以及所述增强样本及其标注,对所述识别模型进行训练。
可选地,第二确定模块204,用于针对所述第一训练样本中包含的每个样本细胞,根据所述第一训练样本的标注,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸,确定所述第一训练样本中各样本细胞的细胞尺寸的均值,作为参考细胞尺寸;以及针对所述第二训练样本中的每个样本细胞,根据所述第二训练样本的识别结果,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸,确定所述第二训练样本中各样本细胞的细胞尺寸的均值,作为待调细胞尺寸。
可选地,第一确定模块202,用于对所述第二训练样本进行特征提取,确定所述第二训练样本对应的细胞质特征和细胞核特征,将所述细胞质特征和所述细胞核特征输入所述识别模型中,得到所述识别模型输出的所述第二训练样本的识别结果,其中,所述第一训练样本和所述第二训练样本为双通道的细胞图像,所述双通道包含用于表征细胞质图像的通道和表征细胞核图像的通道。
可选地,第一确定模块202,用于当所述第一训练样本中用于传输细胞核图像的通道为空时,确定所述第二训练样本对应的细胞核特征为全零特征,当所述第一训练样本中用于传输细胞核图像的通道不为空时,根据所述细胞核图像,确定所述第二训练样本的细胞核特征。
可选地,第一确定模块202,用于确定预先训练完成的所述识别模型对应的特定细胞特征,所述特定细胞特征根据第一训练样本的标注以及所述第二训练样本的标注确定,响应于识别请求,确定所述识别请求中携带的目标细胞图像,通过训练完成的所述识别模型,确定所述目标细胞图像的初始识别结果,根据所述初始识别结果,确定所述目标细胞图像的特征,并根据所述目标细胞图像的特征以及所述特定细胞特征,调整所述目标细胞图像,将调整后的所述目标细胞图像输入训练完成的所述识别模型中,得到所述识别模型输出的目标识别结果,并返回。
可选地,第一确定模块202,用于对所述目标细胞图像进行特征提取,确定所述目标细胞图像的细胞质特征和细胞核特征,将所述目标细胞图像的细胞质特征和细胞核特征输入所述识别模型中,得到所述识别模型输出的所述目标细胞图像的初始识别结果,其中,所述目标细胞图像为双通道的细胞图像,所述双通道包含用于传输细胞质图像的通道和传输细胞核图像的通道。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的识别模型的训练方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的识别模型的训练方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程病灶检测设备的处理器以产生一个机器,使得通过计算机或其他可编程病灶检测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程病灶检测设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程病灶检测设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书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说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (13)
1.一种识别模型的训练方法,其特征在于,所述方法包括:
确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型;
通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注;
根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整;
根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练。
2.如权利要求1所述的方法,其特征在于,根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整,包括:
根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,作为所述第一训练样本的标注中各样本细胞的特征;
根据所述第二训练样本的识别结果,确定待调细胞尺寸,作为所述第二训练样本的识别结果中各样本细胞的特征;
根据所述参考细胞尺寸和所述待调细胞尺寸,对所述第二训练样本的尺寸进行调整。
3.如权利要求1所述的方法,其特征在于,所述识别模型通过多次迭代训练得到;
根据所述识别结果,确定所述第二训练样本的标注,包括:
在当前迭代过程对应的迭代次数到达预设的次数阈值时,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整。
4.如权利要求3所述的方法,其特征在于,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整,包括:
将当前迭代过程中确定出的所述第二训练样本的识别结果,作为第一识别结果;
将所述第二训练样本的标注,作为第二识别结果;
根据所述第一识别结果及其权重,以及所述第二识别结果及其权重,确定目标识别结果,并将所述目标识别结果作为所述第二识别结果重新确定出的标注。
5.如权利要求1所述的方法,其特征在于,根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练,包括:
对调整后的所述第二训练样本进行数据增强,确定增强样本,并根据数据增强的方式和调整后的所述第二训练样本的标注,确定所述增强样本的标注;
根据所述第一训练样本及其标注,以及所述增强样本及其标注,对所述识别模型进行训练。
6.如权利要求2所述的方法,其特征在于,根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,包括:
针对所述第一训练样本中包含的每个样本细胞,根据所述第一训练样本的标注,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;
确定所述第一训练样本中各样本细胞的细胞尺寸的均值,作为参考细胞尺寸;
根据所述第二训练样本的识别结果,确定待调细胞尺寸,包括:
针对所述第二训练样本中的每个样本细胞,根据所述第二训练样本的识别结果,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;
确定所述第二训练样本中各样本细胞的细胞尺寸的均值,作为待调细胞尺寸。
7.如权利要求1所述的方法,其特征在于,所述第一训练样本和所述第二训练样本为双通道的细胞图像,所述双通道包含用于传输细胞质图像的通道和用于传输细胞核图像的通道;
通过所述识别模型,得到所述第二训练样本的识别结果,包括:
对所述第二训练样本进行特征提取,确定所述第二训练样本对应的细胞质特征和细胞核特征;
将所述细胞质特征和所述细胞核特征输入所述识别模型中,得到所述识别模型输出的所述第二训练样本的识别结果。
8.如权利要求7所述的方法,其特征在于,确定所述第二训练样本对应的细胞核特征,包括:
当所述第一训练样本中用于传输细胞核图像的通道为空时,确定所述第二训练样本对应的细胞核特征为全零特征;
当所述第一训练样本中用于传输细胞核图像的通道不为空时,根据所述细胞核图像,确定所述第二训练样本的细胞核特征。
9.如权利要求1所述的方法,其特征在于,所述方法还包括:
确定预先训练完成的所述识别模型对应的特定细胞特征,所述特定细胞特征根据第一训练样本的标注以及所述第二训练样本的标注确定;
响应于识别请求,确定所述识别请求中携带的目标细胞图像;
通过训练完成的所述识别模型,确定所述目标细胞图像的初始识别结果;
根据所述初始识别结果,确定所述目标细胞图像的特征,并根据所述目标细胞图像的特征以及所述特定细胞特征,调整所述目标细胞图像;
将调整后的所述目标细胞图像输入训练完成的所述识别模型中,得到所述识别模型输出的目标识别结果,并返回。
10.如权利要求9所述的方法,其特征在于,所述目标细胞图像为双通道的细胞图像,所述双通道包含用于传输细胞质图像的通道和传输细胞核图像的通道;
通过训练完成的所述识别模型,确定所述目标细胞图像的初始识别结果,包括:
对所述目标细胞图像进行特征提取,确定所述目标细胞图像的细胞质特征和细胞核特征;
将所述目标细胞图像的细胞质特征和细胞核特征输入所述识别模型中,得到所述识别模型输出的所述目标细胞图像的初始识别结果。
11.一种识别模型的训练装置,其特征在于,所述装置包括:
样本确定模块,用于确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型;
第一确定模块,用于通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注;
第二确定模块,用于根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整;
训练模块,用于根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练。
12.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1~10任一项所述的方法。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077216.3A CN117079274A (zh) | 2023-08-24 | 2023-08-24 | 一种识别模型的训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077216.3A CN117079274A (zh) | 2023-08-24 | 2023-08-24 | 一种识别模型的训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117079274A true CN117079274A (zh) | 2023-11-17 |
Family
ID=88709439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077216.3A Pending CN117079274A (zh) | 2023-08-24 | 2023-08-24 | 一种识别模型的训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079274A (zh) |
-
2023
- 2023-08-24 CN CN202311077216.3A patent/CN117079274A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
CN117079274A (zh) | 一种识别模型的训练方法、装置、存储介质及电子设备 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
CN117392688A (zh) | 一种图像分类的方法、装置、存储介质以及电子设备 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117520850A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN117312847A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117592998A (zh) | 一种风控的方法、装置、存储介质及电子设备 | |
CN118015441A (zh) | 一种篡改检测方法、装置、存储介质及电子设备 | |
CN116453615A (zh) | 一种预测方法、装置、可读存储介质及电子设备 | |
CN116563387A (zh) | 一种标定模型的训练方法、装置、存储介质以及电子设备 |
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 |