TWI769647B - 細胞密度確定方法、裝置、電腦裝置及儲存媒體 - Google Patents
細胞密度確定方法、裝置、電腦裝置及儲存媒體 Download PDFInfo
- Publication number
- TWI769647B TWI769647B TW110100174A TW110100174A TWI769647B TW I769647 B TWI769647 B TW I769647B TW 110100174 A TW110100174 A TW 110100174A TW 110100174 A TW110100174 A TW 110100174A TW I769647 B TWI769647 B TW I769647B
- Authority
- TW
- Taiwan
- Prior art keywords
- cell density
- training
- cell
- neural network
- feature
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申請涉及圖像識別技術,提供一種細胞密度確定方法、裝置、電腦裝置及儲存媒體,所述方法包括:獲取待檢測細胞圖像;使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型;獲取與所述目標特徵類型對應的細胞密度;輸出所述細胞密度。本申請能提高細胞密度的獲取效率。
Description
本申請涉及圖像識別技術領域,尤其涉及一種細胞密度確定方法、裝置、電腦裝置及儲存媒體。
目前,可以透過訓練神經網路模型,使用訓練好的神經網路模型來確定圖像的細胞密度,但在實踐中發現,一個神經網路模型往往有多層網路,運算耗時長。
因此如何提高細胞密度的計算效率是一個亟需解決的技術問題。
鑒於以上內容,有必要提供一種細胞密度確定方法、裝置、電腦裝置及儲存媒體,能夠提高細胞密度的計算效率。
本申請的第一方面提供一種細胞密度確定方法,所述方法包括:獲取待檢測細胞圖像;使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型;獲取與所述目標特徵類型對應的細胞密度;
輸出所述細胞密度。
在一種可能的實現方式中,在所述獲取待檢測細胞圖像之前,所述細胞密度確定方法還包括:獲取預設的第一訓練圖像集;使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器。
在一種可能的實現方式中,所述第一訓練圖像集包括多組訓練圖像,同一組的多個訓練圖像的細胞密度屬於同一個細胞密度範圍,不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍。
在一種可能的實現方式中,所述使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器之後,所述方法還包括:將所述多組訓練圖像輸入至所述自動編碼器中,獲得所述多組訓練圖像對應的細胞密度特徵;根據所述多組訓練圖像對應的細胞密度特徵以及所述多組訓練圖像對應的細胞密度範圍,確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈;獲取初始分類器;使用所述特徵分佈對所述初始分類器進行訓練,獲得訓練好的神經網路分類器。
在一種可能的實現方式中,所述神經網路分類器包括全連接層以及歸一化層。
本申請的第二方面提供一種細胞密度確定裝置,所述細胞密度確定裝置包括:獲取模組,用於獲取待檢測細胞圖像;提取模組,用於使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;
輸入模組,用於將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型;獲取模組,還用於獲取與所述目標特徵類型對應的細胞密度;輸出模組,用於輸出所述細胞密度。
本申請的第三方面提供一種電腦裝置,所述電腦裝置包括處理器和儲存器,所述處理器用於執行所述儲存器中儲存的電腦程式時實現所述的細胞密度確定方法。
本申請的第四方面提供一種電腦可讀儲存媒體,所述電腦可讀儲存媒體上儲存有電腦程式,所述電腦程式被處理器執行時實現所述的細胞密度確定方法。
由以上技術方案,本申請中,可以使用自動編碼器的特徵提取方法,可以保證其生成的細胞密度特徵在有限的分佈範圍內,同一類別不同密度的圖像具有稍有不同的特徵,並且會在同一範圍內,可以透過不同的分佈範圍來表示不同的密度大小,從而區分圖像的密度。然後利用神經網路分類器確定類別,進而確定與類別對應的細胞密度。避免了傳統分類器耗時長、魯棒性差的缺點,能夠更準確地對圖像進行分類,並確定圖像的細胞密度範圍,提高了細胞密度的獲取效率。
S11~S15:步驟
20:細胞密度確定裝置
201:獲取模組
202:提取模組
203:輸入模組
204:輸出模組
3:電腦裝置
31:儲存器
32:處理器
33:電腦程式
34:通訊匯流排
圖1是本申請公開的一種細胞密度確定方法的較佳實施例的流程圖。
圖2是本申請公開的一種細胞密度確定裝置的較佳實施例的功能模組圖。
圖3是本申請實現細胞密度確定方法的較佳實施例的電腦裝置的結構示意圖。
下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本申請保護的範圍。
除非另有定義,本文所使用的所有的技術和科學術語與屬於本申請的技術領域的技術人員通常理解的含義相同。本文中在本申請的說明書中所使用的術語只是為了描述具體的實施例的目的,不是旨在於限制本申請。
本申請實施例的細胞密度確定方法應用在電腦裝置中,也可以應用在電腦裝置和透過網路與所述電腦裝置進行連接的伺服器所構成的硬體環境中,由伺服器和電腦裝置共同執行。網路包括但不限於:廣域網路、都會區網路或局域網。
其中,伺服器可以是指能對網路中其它設備(如電腦裝置)提供服務的電腦系統。如果一個個人電腦能夠對外提供檔案傳輸通訊協定(File Transfer Protocol,簡稱FTP)服務,也可以叫伺服器。從狹義範圍上講,伺服器專指某些高性能電腦,能透過網路,對外提供服務,其相對於普通的個人電腦來說,穩定性、安全性、性能等方面都要求更高,因此在CPU、晶片組、儲存器、磁片系統、網路等硬體和普通的個人電腦有所不同。
所述電腦裝置是一種能夠按照事先設定或儲存的指令,自動進行數值計算和/或資訊處理的設備,其硬體包括但不限於微處理器、專用積體電路(ASIC)、現場可程式設計閘陣列(FPGA)、數位訊號處理器(DSP)、嵌入式設備等。所述電腦裝置還可包括網路設備和/或使用者設備。其中,所述網路設備包括但不限於單個網路設備、多個網路設備組成的伺服器組或基於雲計算(Cloud Computing)的由大量主機或網路設備構成的雲,其中,雲計算是分散式運算的一種,由一群鬆散耦合的電腦集組成的一個超級虛擬電腦。所述使用者設備包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等
方式進行人機交互的電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理PDA等。
請參見圖1,圖1是本申請公開的一種細胞密度確定的較佳實施例的流程圖。其中,根據不同的需求,該流程圖中步驟的順序可以改變,某些步驟可以省略。
步驟S11、獲取待檢測細胞圖像。
其中,所述待檢測細胞圖像包括需要檢測的細胞(比如幹細胞、紅細胞等)、其他細胞以及一些雜質。
作為一種可選的實施方式,在所述獲取待檢測細胞圖像之前,所述細胞密度確定方法還包括:獲取預設的第一訓練圖像集;使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器。
其中,所述第一訓練圖像集包括多組訓練圖像,同一組的多個訓練圖像的細胞密度屬於同一個細胞密度範圍,不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍。
在該可選的實施方式中,所述第一訓練圖像集的細胞圖像標注有對應的細胞密度,使用所述第一訓練圖像集進行訓練,使得自動編碼器可以學習到更好表示細胞密度的特徵,從而獲得訓練好的自動編碼器。
作為一種可選的實施方式,所述使用所述第一訓練圖像集對預設的神經網路進行訓練獲得訓練好的自動編碼器之後,所述方法還包括:將所述多組訓練圖像輸入至所述自動編碼器中,獲得所述多組訓練圖像對應的細胞密度特徵;根據所述多組訓練圖像對應的細胞密度特徵以及所述多組訓練圖像對應的細胞密度範圍,確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈;
獲取初始分類器;使用所述特徵分佈對所述初始分類器進行訓練,獲得訓練好的神經網路分類器。
在該可選的實施方式中,因為不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍,同一組的多個訓練圖像的細胞密度均屬於相同的細胞密度範圍。所述多組訓練圖像對應的細胞密度特徵與不同的細胞密度範圍對應,可以確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈。獲得所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈之後,可以使用所述特徵分佈對所述初始分類器進行訓練,使得分類器可以對不同的特徵進行分類。不同的類型對應不同的細胞密度範圍。
步驟S12、使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵。
其中,所述細胞密度特徵為描述細胞密度的特徵資訊。
其中,所述自動編碼器(AutoEncoder,AE)可以是一種無監督的神經網路模型,可以學習到輸入資料的隱含特徵,這稱為編碼(coding),同時用學習到的新特徵可以重構出原始輸入資料,稱之為解碼(decoding)。自動編碼器可以用於特徵降維,也可以提取更有效的新特徵。除了進行特徵降維,自動編碼器學習到的新特徵可以送入有監督學習模型中,所以自動編碼器可以起到特徵提取器的作用,且所述自動編碼器提取的特徵是經過學習的,能夠高效地表示所述待檢測細胞圖像的某一類特徵。
步驟S13、將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型。
其中,所述神經網路分類器包括全連接層以及歸一化層。
其中,所述全連接層(Fully Connected Layers,FC)用於將特徵資訊映射到樣本標記空間,即將特徵資訊整合為一個數值。所述歸一化層(Softmax),用於,比如,目前圖片的分類有一百種,那經過歸一化層的輸出就是一個一百
維的向量。向量中的第一個值就是目前圖片屬於第一類的概率值,向量中的第二個值就是當前圖片屬於第二類的概率值,以此類推,最後的結果是一個一百維的向量,且這一百維的向量之和為1。
其中,所述目標特徵類型可以是預設的字元,比如不同的字母、字串、數位組合等,可以用於唯一標識一種類型。
步驟S14、獲取與所述目標特徵類型對應的細胞密度。
其中,不同的類型對應不同細胞密度範圍。
步驟S15、輸出所述細胞密度。
其中,所述細胞密度可以是指一個密度範圍,比如:10%~20%、40%~50%、70%~80%。
在圖1所描述的方法流程中,可以使用自動編碼器的特徵提取方法,可以保證其生成的細胞密度特徵在有限的分佈範圍內,同一類別不同密度的圖像具有稍有不同的特徵,並且會在同一範圍內,可以透過不同的分佈範圍來表示不同的密度大小,從而區分圖像的密度。然後利用神經網路分類器確定類別,進而確定與類別對應的細胞密度。避免了了傳統分類器耗時長、魯棒性差的缺點,能夠更準確地對圖像進行分類,並確定圖像的細胞密度範圍,提高了細胞密度的獲取效率。
圖2是本申請公開的一種細胞密度確定裝置的較佳實施例的功能模組圖。
請參見圖2,所述細胞密度確定裝置20可運行於電腦裝置中。所述細胞密度確定裝置20可以包括多個由程式碼段所組成的功能模組。所述細胞密度確定裝置20中的各個程式段的程式碼可以儲存於儲存器中,並由至少一個處理器所執行,以執行圖1所描述的細胞密度確定方法中的部分或全部步驟。
本實施例中,所述細胞密度確定裝置20根據其所執行的功能,可以被劃分為多個功能模組。所述功能模組可以包括:獲取模組201、提取模組202、輸入模組203及輸出模組204。本申請所稱的模組是指一種能夠被至少一
個處理器所執行並且能夠完成固定功能的一系列電腦程式段,其儲存在儲存器中。
所述獲取模組201,用於獲取待檢測細胞圖像。
其中,所述待檢測細胞圖像包括需要檢測的細胞(比如幹細胞、紅細胞等)、其他細胞以及一些雜質。
所述提取模組202,用於使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵。
其中,所述細胞密度特徵為描述細胞密度的特徵資訊。
其中,所述自動編碼器(AutoEncoder,AE)可以是一種無監督的神經網路模型,可以學習到輸入資料的隱含特徵,這稱為編碼(coding),同時用學習到的新特徵可以重構出原始輸入資料,稱之為解碼(decoding)。自動編碼器可以用於特徵降維,也可以提取更有效的新特徵。除了進行特徵降維,自動編碼器學習到的新特徵可以送入有監督學習模型中,所以自動編碼器可以起到特徵提取器的作用,且所述自動編碼器提取的特徵是經過學習的,能夠高效地表示所述待檢測細胞圖像的某一類特徵。
所述輸入模組203,用於將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型。
其中,所述神經網路分類器包括全連接層以及歸一化層。
其中,所述全連接層(Fully Connected Layers,FC)用於將特徵資訊映射到樣本標記空間,即將特徵資訊整合為一個數值。所述歸一化層(Softmax),用於,比如,目前圖片的分類有一百種,那經過歸一化層的輸出就是一個一百維的向量。向量中的第一個值就是目前圖片屬於第一類的概率值,向量中的第二個值就是當前圖片屬於第二類的概率值,以此類推,最後的結果是一個一百維的向量,且這一百維的向量之和為1。
其中,所述目標特徵類型可以是預設的字元,比如不同的字母、字串、數位組合等,可以用於唯一標識一種類型。
所述獲取模組201,還用於獲取與所述目標特徵類型對應的細胞密度。
其中,不同的類型對應不同細胞密度範圍。
所述輸出模組204,用於輸出所述細胞密度。
其中,所述細胞密度可以是指一個密度範圍,比如:10%~20%、40%~50%、70%~80%。
作為一種可選的實施方式,所述獲取模組,還用於獲取待檢測細胞圖像之前,獲取預設的第一訓練圖像集;所述細胞密度確定裝置20還包括:訓練模組,用於使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器。
其中,所述第一訓練圖像集包括多組訓練圖像,同一組的多個訓練圖像的細胞密度屬於同一個細胞密度範圍,不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍。
在該可選的實施方式中,所述第一訓練圖像集的細胞圖像標注有對應的細胞密度,使用所述第一訓練圖像集進行訓練,使得自動編碼器可以學習到更好表示細胞密度的特徵,從而獲得訓練好的自動編碼器。
作為一種可選的實施方式,所述輸入模組203,還用於所述訓練模組使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器之後,將所述多組訓練圖像輸入至所述自動編碼器中,獲得所述多組訓練圖像對應的細胞密度特徵;所述細胞密度確定裝置20還包括:確定模組,用於根據所述多組訓練圖像對應的細胞密度特徵以及所述多組訓練圖像對應的細胞密度範圍,確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈;所述獲取模組201,還用於獲取初始分類器;
所述訓練模組,用於使用所述特徵分佈對所述初始分類器進行訓練,獲得訓練好的神經網路分類器。
在該可選的實施方式中,因為不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍,同一組的多個訓練圖像的細胞密度均屬於相同的細胞密度範圍。所述多組訓練圖像對應的細胞密度特徵與不同的細胞密度範圍對應,可以確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈。獲得所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈之後,可以使用所述特徵分佈對所述初始分類器進行訓練,使得分類器可以對不同的特徵進行分類。不同的類型對應不同的細胞密度範圍。
在圖2所描述的細胞密度確定裝置20中,可以使用自動編碼器的特徵提取方法,可以保證其生成的細胞密度特徵在有限的分佈範圍內,同一類別不同密度的圖像具有稍有不同的特徵,並且會在同一範圍內,可以透過不同的分佈範圍來表示不同的密度大小,從而區分圖像的密度。然後利用神經網路分類器確定類別,進而確定與類別對應的細胞密度。避免了了傳統分類器耗時長、魯棒性差的缺點,能夠更準確地對圖像進行分類,並確定圖像的細胞密度範圍,提高了細胞密度的獲取效率。
如圖3所示,圖3是本申請實現細胞密度確定方法的較佳實施例的電腦裝置的結構示意圖。所述電腦裝置3包括儲存器31、至少一個處理器32、儲存在所述儲存器31中並可在所述至少一個處理器32上運行的電腦程式33及至少一條通訊匯流排34。
本領域技術人員可以理解,圖3所示的示意圖僅僅是所述電腦裝置3的示例,並不構成對所述電腦裝置3的限定,可以包括比圖示更多或更少的部件,或者組合某些部件,或者不同的部件,例如所述電腦裝置3還可以包括輸入輸出設備、網路接入設備等。
所述電腦裝置3還包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互的電子產品,例如,個
人電腦、平板電腦、智慧手機、個人數位助理(Personal Digital Assistant,PDA)、遊戲機、互動式網路電視(Internet Protocol Television,IPTV)、智慧式穿戴式設備等。所述電腦裝置3所處的網路包括但不限於網際網路、廣域網路、都會區網路、局域網、虛擬私人網路(Virtual Private Network,VPN)等。
所述至少一個處理器32可以是中央處理單元(Central Processing Unit,CPU),還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現場可程式設計閘陣列(Field-Programmable Gate Array,FPGA)或者其他可程式設計邏輯器件、電晶體邏輯器件、分立硬體元件等。該處理器32可以是微處理器或者該處理器32也可以是任何常規的處理器等,所述處理器32是所述電腦裝置3的控制中心,利用各種介面和線路連接整個電腦裝置3的各個部分。
所述儲存器31可用於儲存所述電腦程式33和/或模組/單元,所述處理器32透過運行或執行儲存在所述儲存器31內的電腦程式和/或模組/單元,以及調用儲存在儲存器31內的資料,實現所述電腦裝置3的各種功能。所述儲存器31可主要包括儲存程式區和儲存資料區,其中,儲存程式區可儲存作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等;儲存資料區可儲存根據電腦裝置3的使用所創建的資料等。此外,儲存器31可以包括非易失性儲存器,例如硬碟、儲存器、插接式硬碟,智慧儲存卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃儲存器卡(Flash Card)、至少一個磁碟儲存器件、快閃儲存器器件等。
結合圖1,所述電腦裝置3中的所述儲存器31儲存多個指令以實現一種細胞密度確定方法,所述處理器32可執行所述多個指令從而實現:獲取待檢測細胞圖像;使用預先訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;
將所述細胞密度特徵輸入至預先訓練好的神經網路分類器中,獲得目標特徵類型;獲取與所述目標特徵類型對應的細胞密度;輸出所述細胞密度。
具體地,所述處理器32對上述指令的具體實現方法可參考圖1對應實施例中相關步驟的描述,在此不贅述。
在圖3所描述的電腦裝置3中,可以使用自動編碼器的特徵提取方法,可以保證其生成的細胞密度特徵在有限的分佈範圍內,同一類別不同密度的圖像具有稍有不同的特徵,並且會在同一範圍內,可以透過不同的分佈範圍來表示不同的密度大小,從而區分圖像的密度。然後利用神經網路分類器確定類別,進而確定與類別對應的細胞密度。避免了了傳統分類器耗時長、魯棒性差的缺點,能夠更準確地對圖像進行分類,並確定圖像的細胞密度範圍,提高了細胞密度的獲取效率。
所述電腦裝置3集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時,可以儲存在一個電腦可讀取儲存媒體中。基於這樣的理解,本申請實現上述實施例方法中的全部或部分流程,也可以透過電腦程式來指令相關的硬體來完成,所述的電腦程式可儲存於一電腦可讀儲存媒體中,該電腦程式在被處理器執行時,可實現上述各個方法實施例的步驟。其中,所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括:能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、隨身碟、移動硬碟、磁碟、光碟、電腦儲存器、唯讀儲存器(ROM,Read-Only Memory)。
在本申請所提供的幾個實施例中,應該理解到,所揭露的系統,裝置和方法,可以透過其它的方式實現。例如,以上所描述的裝置實施例僅僅是示意性的,例如,所述模組的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。
所述作為分離部件說明的模組可以是或者也可以不是物理上分開的,作為模組顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組來實現本實施例方案的目的。
另外,在本申請各個實施例中的各功能模組可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言,顯然本申請不限於上述示範性實施例的細節,而且在不背離本申請的精神或基本特徵的情況下,能夠以其他的具體形式實現本申請。因此,無論從哪一點來看,均應將實施例看作是示範性的,而且是非限制性的,本申請的範圍由所附請求項而不是上述說明限定,因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本申請內。不應將請求項中的任何附關聯圖標記視為限制所涉及的請求項。此外,顯然“包括”一詞不排除其他單元或步驟,單數不排除複數。本申請中陳述的多個單元或裝置也可以由一個單元或裝置透過軟體或者硬體來實現。第一、第二等詞語用來表示名稱,而並不表示任何特定的順序。
最後應說明的是,以上實施例僅用以說明本申請的技術方案而非限制,儘管參照較佳實施例對本申請進行了詳細說明,本領域的普通技術人員應當理解,可以對本申請的技術方案進行修改或等同替換,而不脫離本申請技術方案的精神和範圍。
S11~S15:步驟
Claims (5)
- 一種細胞密度確定方法,其中,所述細胞密度確定方法包括:獲取預設的第一訓練圖像集;使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器,其中,所述第一訓練圖像集包括多組訓練圖像,同一組的多個訓練圖像的細胞密度屬於同一個細胞密度範圍,不同組的訓練圖像的細胞密度屬於不同的細胞密度範圍;將所述多組訓練圖像輸入至所述訓練好的自動編碼器中,獲得所述多組訓練圖像對應的細胞密度特徵;根據所述多組訓練圖像對應的細胞密度特徵以及所述多組訓練圖像對應的細胞密度範圍,確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈;獲取初始分類器;使用所述特徵分佈對所述初始分類器進行訓練,獲得訓練好的神經網路分類器;獲取待檢測細胞圖像;使用所述訓練好的自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;將所述細胞密度特徵輸入至所述訓練好的所述神經網路分類器中,獲得目標特徵類型;獲取與所述目標特徵類型對應的細胞密度;輸出所述細胞密度。
- 如請求項1所述的細胞密度確定方法,其中,所述神經網路分類器包括全連接層以及歸一化層。
- 一種細胞密度確定裝置,其中,所述細胞密度確定裝置包括:獲取模組,用於獲取預設的第一訓練圖像集;訓練模組,用於使用所述第一訓練圖像集對預設的神經網路進行訓練,獲得訓練好的自動編碼器; 輸入模組,用於將多組訓練圖像輸入至所述訓練好的自動編碼器中,獲得所述多組訓練圖像對應的細胞密度特徵;確定模組,用於根據所述多組訓練圖像對應的細胞密度特徵以及所述多組訓練圖像對應的細胞密度範圍,確定所有所述細胞密度特徵在不同細胞密度範圍的特徵分佈;所述獲取模組,還用於獲取初始分類器;所述訓練模組,還用於使用所述特徵分佈對所述初始分類器進行訓練,獲得訓練好的神經網路分類器;所述獲取模組,還用於獲取待檢測細胞圖像;提取模組,用於使用所述訓練好的所述自動編碼器提取所述待檢測細胞圖像的細胞密度特徵;所述輸入模組,還用於將所述細胞密度特徵輸入至所述訓練好的所述神經網路分類器中,獲得目標特徵類型;所述獲取模組,還用於獲取與所述目標特徵類型對應的細胞密度;輸出模組,用於輸出所述細胞密度。
- 一種電腦裝置,其中,所述電腦裝置包括:儲存器,儲存至少一個指令;及處理器,執行所述儲存器中儲存的指令以實現如請求項1至2中任意一項所述的細胞密度確定方法。
- 一種電腦可讀儲存媒體,其中:所述電腦可讀儲存媒體中儲存有至少一個指令,所述至少一個指令被電腦裝置中的處理器執行以實現如請求項1至2中任意一項所述的細胞密度確定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110100174A TWI769647B (zh) | 2021-01-04 | 2021-01-04 | 細胞密度確定方法、裝置、電腦裝置及儲存媒體 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110100174A TWI769647B (zh) | 2021-01-04 | 2021-01-04 | 細胞密度確定方法、裝置、電腦裝置及儲存媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI769647B true TWI769647B (zh) | 2022-07-01 |
TW202228002A TW202228002A (zh) | 2022-07-16 |
Family
ID=83437138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110100174A TWI769647B (zh) | 2021-01-04 | 2021-01-04 | 細胞密度確定方法、裝置、電腦裝置及儲存媒體 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI769647B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501278A (zh) * | 2019-07-10 | 2019-11-26 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
TW202014984A (zh) * | 2018-09-15 | 2020-04-16 | 大陸商北京市商湯科技開發有限公司 | 一種圖像處理方法、電子設備及存儲介質 |
CN111105415A (zh) * | 2019-12-31 | 2020-05-05 | 北京理工大学重庆创新中心 | 一种基于深度学习的白细胞大视场图像检测系统及方法 |
US20200342359A1 (en) * | 2017-11-17 | 2020-10-29 | Mayo Foundation For Medical Education And Research | Methods for Using Machine Learning and Mechanistic Models for Biological Feature Mapping with Multiparametric MRI |
-
2021
- 2021-01-04 TW TW110100174A patent/TWI769647B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200342359A1 (en) * | 2017-11-17 | 2020-10-29 | Mayo Foundation For Medical Education And Research | Methods for Using Machine Learning and Mechanistic Models for Biological Feature Mapping with Multiparametric MRI |
TW202014984A (zh) * | 2018-09-15 | 2020-04-16 | 大陸商北京市商湯科技開發有限公司 | 一種圖像處理方法、電子設備及存儲介質 |
CN110501278A (zh) * | 2019-07-10 | 2019-11-26 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
CN111105415A (zh) * | 2019-12-31 | 2020-05-05 | 北京理工大学重庆创新中心 | 一种基于深度学习的白细胞大视场图像检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202228002A (zh) | 2022-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476284B (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
WO2021212682A1 (zh) | 知识抽取方法、装置、电子设备及存储介质 | |
CN111695355B (zh) | 地址文本识别方法、装置、介质、电子设备 | |
US10262272B2 (en) | Active machine learning | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
TW202119288A (zh) | 圖像分類模型訓練方法、影像處理方法、資料分類模型訓練方法、資料處理方法、電腦設備、儲存媒介 | |
WO2022016995A1 (zh) | 问答库构建方法、装置、电子设备及存储介质 | |
WO2022227218A1 (zh) | 药名识别方法、装置、计算机设备和存储介质 | |
WO2023024749A1 (zh) | 视频检索的方法、装置、设备及存储介质 | |
CN112101031A (zh) | 一种实体识别方法、终端设备及存储介质 | |
CN114723652A (zh) | 细胞密度确定方法、装置、电子设备及存储介质 | |
WO2022156280A1 (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
CN108537270A (zh) | 基于多标签学习的图像标注方法、终端设备及存储介质 | |
CN110619349A (zh) | 植物图像分类方法及装置 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
TWI769647B (zh) | 細胞密度確定方法、裝置、電腦裝置及儲存媒體 | |
CN112364198A (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
TWI777319B (zh) | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 | |
WO2024045319A1 (zh) | 人脸图像聚类方法、装置、电子设备及存储介质 | |
TWI810993B (zh) | 模型產生裝置及方法 | |
WO2023093116A1 (zh) | 企业的产业链节点确定方法、装置、终端及存储介质 | |
JP7236501B2 (ja) | 文書類似度学習に基づくディープラーニングモデルの転移学習方法およびコンピュータ装置 | |
WO2022271369A1 (en) | Training of an object linking model | |
TW202338730A (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
KR20210144049A (ko) | 머신러닝 모델의 학습 데이터 생성과 머신러닝 모델을 이용한 유사 이미지 생성을 위한 장치, 방법, 시스템 및 컴퓨터 판독가능 저장 매체 |