TWI795787B - 自編碼器的訓練方法、細胞數量檢測方法及相關設備 - Google Patents
自編碼器的訓練方法、細胞數量檢測方法及相關設備 Download PDFInfo
- Publication number
- TWI795787B TWI795787B TW110118726A TW110118726A TWI795787B TW I795787 B TWI795787 B TW I795787B TW 110118726 A TW110118726 A TW 110118726A TW 110118726 A TW110118726 A TW 110118726A TW I795787 B TWI795787 B TW I795787B
- Authority
- TW
- Taiwan
- Prior art keywords
- medical image
- feature
- loss function
- autoencoder
- latent
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申請提供一種自編碼器的訓練方法、細胞數量檢測方法及相關設備,所述自編碼器的訓練方法包括:提取樣本醫學圖像中的第一特徵向量,並將其輸入至所述自編碼器得到第一潛特徵;基於第一潛特徵得到細胞數量的第一預測值;輸入第一潛特徵至所述自編碼器,得到重建圖像;基於重建圖像優化所述自編碼器。所述細胞數量檢測方法包括:提取待檢測醫學圖像的第二特徵向量;輸入所述第二特徵向量至所述自編碼器得到第二潛特徵;基於所述第二潛特徵得到細胞數量。透過本申請可以快速地得到圖像檢測結果。
Description
本申請涉及圖像檢測技術領域,尤其涉及一種自編碼器的訓練方法、細胞數量檢測方法及相關設備。
目前對醫學圖像中的細胞數量的檢測,大都採用監督式學習的方法。例如,利用單鏡頭多盒檢測器(Single Shot MultiBox Detector,SSD)目標檢測模型進行檢測。在透過所述目標檢測模型檢測所述醫學圖像時,需要提取複雜多樣的特徵資訊。因此,在訓練所述目標檢測模型過程中,需要使用大量的樣本圖像,造成效率低下。
鑒於以上內容,有必要提供一種自編碼器的訓練方法、細胞數量檢測方法及相關設備,透過利用訓練好的自編碼器對醫學圖像中的細胞數量進行檢測,可以提高檢測效率。
本申請提供一種自編碼器的訓練方法,所述方法包括:獲取多張樣本醫學圖像;提取每張樣本醫學圖像中的第一特徵向量;輸入所述第一特徵向量至所述自編碼器並根據所述第一特徵向量提取所述每張樣本醫學圖像的第一潛特徵;基於所述第一潛特徵得到所述每張樣本醫學圖像中的細胞數量的第一預測值;輸入所述第一潛特徵至所述自編碼器,並根據所述第一潛特徵重新構建每張樣本醫學圖像,得到多張重建圖像;基於所述多張重建圖像優化所述
自編碼器。
在一種可能的實現方式中,所述每張樣本醫學圖像包括細胞數量標記值。
在一種可能的實現方式中,所述基於所述第一潛特徵得到所述樣本醫學圖像中的細胞數量的第一預測值包括:提取所述第一潛特徵中的多個第一細胞特徵編碼;根據所述多個第一細胞特徵編碼確定所述樣本醫學圖像中的細胞數量的第一預測值。
在一種可能的實現方式中,所述基於所述多張重建圖像優化所述自編碼器包括:根據所述多張樣本醫學圖像與所述多張重建圖像建立第一損失函數;根據所述標記值與第一預測值建立第二損失函數;基於所述第一損失函數與所述第二損失函數優化所述自編碼器。
在一種可能的實現方式中,所述根據所述樣本醫學圖像與所述重建圖像建立第一損失函數包括:計算每張樣本醫學圖像與每張重建圖像之間的誤差,得到多個第一誤差;基於所述多個第一誤差得到第一平均誤差,並設定所述第一平均誤差為所述第一損失函數。
在一種可能的實現方式中,所述根據所述標記值與第一預測值建立第二損失函數包括:計算所述每張樣本醫學圖像的標記值與第一預測值之間的誤差,得到多個第二誤差;基於所述多個第二誤差得到第二平均誤差,並設定所述第二平均誤差為所述第二損失函數。
在一種可能的實現方式中,所述基於所述第一損失函數與所述第二損失函數優化所述自編碼器包括:基於所述第一損失函數與所述第二損失函數得到第三損失函數,其中,所述第三損失函數透過以下公式得到:L3(a,X)=m1L1(X)+m2L2(a),L1(X)為所述第一損失函數,L2(a)為所述第二損失
函數,L3(a,X)為所述第三損失函數,m1為所述第一損失函數的權重,m2為所述第二損失函數的權重;調整所述自編碼器的參數,並根據調整後的自編碼器計算所述第三損失函數的函數值;若所述函數值達到最小,得到優化後的所述自編碼器。
本申請還提供一種利用所述自編碼器的訓練方法訓練出的自編碼器進行細胞數量檢測的方法,所述方法包括:獲取待檢測醫學圖像;提取所述待檢測醫學圖像的第二特徵向量;輸入所述第二特徵向量至所述自編碼器並根據所述第二特徵向量提取所述待檢測醫學圖像的第二潛特徵;基於所述第二潛特徵得到所述待檢測醫學圖像中的細胞數量的第二預測值;以所述第二預測值作為所述待檢測醫學圖像的細胞數量。
本申請還提供一種電子設備,所述電子設備包括處理器和記憶體,所述處理器用於執行記憶體中儲存的電腦程式以實現所述的自編碼器的訓練方法或所述的細胞數量檢測方法。
本申請還提供一種電腦可讀儲存介質,所述電腦可讀儲存介質儲存有至少一個指令,所述至少一個指令被處理器執行時實現所述的自編碼器的訓練方法或所述的細胞數量檢測方法。
本申請公開的自編碼器的訓練及細胞數量檢測方法、電子設備及儲存介質,透過少量樣本圖像就能得到優化後的自編碼器,並透過所述優化後的自編碼器快速地統計待檢測醫學圖像中的細胞數量,能提高細胞的檢測效率。
S101~S106:步驟
S201~S205:步驟
1:電子設備
11:記憶體
12:處理器
13:通訊匯流排
10:自編碼器的訓練系統
101:獲取模組
102:提取模組
103:處理模組
圖1是本申請較佳實施方式提供的電子設備的結構示意圖。
圖2是本申請公開的一種自編碼器的訓練方法的較佳實施例的流程圖。
圖3是本申請公開的一種細胞數量檢測方法的較佳實施例的流程圖。
圖4是本申請公開的一種自編碼器的訓練系統的較佳實施例的功能模組圖。
為了使本申請的目的、技術方案和優點更加清楚,下面結合附圖和具體實施例對本申請進行詳細描述。
請參閱圖1,圖1為本申請一實施例的電子設備的示意圖。參閱圖1所示,自編碼器的訓練系統10運行於電子設備1中。所述電子設備1包括,但不僅限於,記憶體11、至少一個處理器12、儲存在所述記憶體11中並可在所述至少一個處理器12上運行的自編碼器的訓練系統10及至少一條通訊匯流排13。
所述至少一個處理器12執行所述自編碼器的訓練系統10時實現下文所述的自編碼器的訓練方法和細胞數量檢測方法實施例中的步驟。
示例性的,所述自編碼器的訓練系統10可以被分割成一個或多個模組/單元,所述一個或者多個模組/單元被儲存在所述記憶體11中,並由所述至少一個處理器12執行,以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能的一系列電腦可讀指令段,所述指令段用於描述所述自編碼器的訓練系統10在所述電子設備1中的執行過程。
所述電子設備1可以是電腦、手機、平板電腦、個人數位助理(Personal Digital Assistant,PDA)等安裝有應用程式的設備。本領域技術人員可以理解,所述示意圖1僅僅是電子設備1的示例,並不構成對電子設備1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
述電子設備1還可以包括輸入輸出設備、網路接入設備、匯流排等。
如圖2所示,是本申請自編碼器的訓練方法的較佳實施例的流程圖。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。在本實施方式中,所述自編碼器的訓練方法包括:
S101、獲取多張樣本醫學圖像。
在本實施方式中,需要先透過多張樣本醫學圖像訓練自編碼器,再使用訓練好的自編碼器識別待檢測醫學圖像中的細胞數量。所述樣本醫學圖像可以是透過全自動顯微鏡或光學放大系統掃描採集得到的高解析度數位圖像。其中,所述樣本醫學圖像中包括細胞以及一些雜質。
在本實施方式中,所述樣本醫學圖像帶有細胞數量標記值。所述標記值表示了所述樣本醫學圖像中攜帶的細胞數量的準確值。本申請透過樣本醫學圖像訓練並優化所述自編碼器,使得優化後的所述自編碼器輸出的細胞數量的預測值越來越趨近於所述標記值。在利用優化後的所述自編碼器識別待檢測圖像時,可以得到所述待檢測圖像中的細胞數量的準確值。
在本實施方式中,假設獲取到的所述樣本醫學圖像的數量為N。
S102、提取每張樣本醫學圖像中的第一特徵向量。
在本實施方式中,將所述每張樣本醫學圖像進行向量化處理,得到所述每張樣本醫學圖像的第一特徵向量。其中,所述第一特徵向量分別為X1,X2,...,Xi,...,XN。透過提取所述樣本醫學圖像的第一特徵向量,可以直接使用自編碼器對所述第一特徵向量進行處理。
S103、輸入所述第一特徵向量至所述自編碼器並根據所述第一特徵向量提取所述每張樣本醫學圖像的第一潛特徵。
自編碼器是一種盡可能複現輸入信號的無監督神經網路。為了實現
這種複現,自編碼器就必須提取出可以代表輸入資料的最重要的特徵,有點類似主成分分析,找到可以代表原資訊的主要成分。
在本實施方式中,為了獲取所述每張樣本醫學圖像中細胞數量的預測值,需要透過所述自編碼器提取所述每張樣本醫學圖像的主要特徵,其中所述主要特徵為所述樣本醫學圖像中的細胞特徵。
在本實施方式中,所述自編碼器包括編碼層與解碼層。所述編碼層用於對輸入所述自編碼器的所述第一特徵向量進行特徵提取,將高維特徵向量轉化為低維特徵向量,並生成多個特徵編碼。其中每個特徵編碼對應所述樣本醫學圖像中的一個細胞。將所述多個特徵編碼確定為所述第一潛特徵。所述解碼層用於將所述編碼層輸出的所述第一潛特徵進行解碼重建,並輸出重建圖像。
在本實施方式中,將所述第一特徵向量Xi(i=1,2,...,N)輸入至所述自編碼器的編碼層,所述編碼層對所述第一特徵向量Xi進行特徵提取,得到所述第一潛特徵hi(i=1,2,...,N)。其中所述第一潛特徵包括多個特徵編碼。
透過所述自編碼器的編碼層提取所述樣本醫學圖像的代表性特徵資訊,不僅能提取到所述樣本醫學圖像中的細胞特徵,還能排除其他多餘資訊,減少樣本圖像的使用量。
S104、基於所述第一潛特徵得到所述每張樣本醫學圖像中的細胞數量的第一預測值。
在本實施方式中,所述基於所述第一潛特徵得到所述每張樣本醫學圖像中的細胞數量的第一預測值包括:提取所述第一潛特徵中的多個第一細胞特徵編碼,其中每個第一細胞編碼代表所述樣本醫學圖像中的一個細胞;
根據所述多個第一細胞特徵編碼確定所述樣本醫學圖像中的細胞數量的第一預測值。具體地,將所述多個第一細胞特徵編碼的數量確定為所述第一預測值。
在本實施方式中,由於未經訓練的自編碼器的編碼層在對原始資料進行特徵提取的過程中會存在一定的誤差,因此所述第一預測值與所述標記值之間會存在一定的誤差。後續可以透過調節所述誤差,來優化所述自編碼器。
S105、輸入所述第一潛特徵至所述自編碼器,並根據所述第一潛特徵重新構建每張樣本醫學圖像,得到多張重建圖像。
在本實施方式中,將所述步驟S103中編碼層得到的所述第一潛特徵hi(i=1,2,...,N)輸入至所述解碼層,所述解碼層利用所述第一潛特徵hi(i=1,2,...,N)重建所述第一特徵向量,得到重建後的第一特徵向量Xi*(i=1,2,...,N)。還原所述重建後的第一特徵向量,得到所述重建圖像。對應於所述編碼層的輸入Xi,由於未經訓練的自編碼器的編碼層在對原始資料進行特徵提取的過程中會存在誤差,導致解碼層在對原始圖像進行重建的過程中也會存在一定的偏差,因此所述解碼層的輸出Xi*與所述Xi之間存在一定的重建誤差。後續還可以透過調節所述重建誤差,來優化所述自編碼器。
S106、基於所述多張重建圖像優化所述自編碼器。
為了使所述編碼層提取的特徵更加準確,也就是使所述解碼層盡可能的還原出原始圖像的主要特徵,需要在訓練過程中不斷減小重建誤差。如果所述重建誤差接近於0,也就是所述解碼層輸出的重建圖像幾乎等於原始圖像,那麼就可以說所述編碼層提取到的特徵為原始圖像的特徵。
在本實施方式中,基於所述步驟S104與所述步驟S105,所述減小重建誤差包括兩個方面,一方面是使所述編碼層輸出的所述第一細胞預測值盡
可能的接近於所述標記值;另一方面是使所述解碼層輸出的重建圖像盡可能的接近於所述樣本醫學圖像。
在本實施方式中,所述基於所述多張重建圖像優化所述自編碼器包括:根據所述多張樣本醫學圖像與所述多張重建圖像建立第一損失函數;根據所述標記值與第一預測值建立第二損失函數;基於所述第一損失函數與所述第二損失函數優化所述自編碼器。
具體地,(1)計算每張樣本醫學圖像與每張重建圖像之間的誤差,得到多個第一誤差,基於所述多個第一誤差得到第一平均誤差,設定所述第一平均誤差為所述第一損失函數。其中,計算誤差的方法包括交叉熵演算法與均方差演算法,可以根據使用者的實際需求進行選取設定。在本實施方式中,採用均方差演算法得到所述第一損失函數為。
(2)計算所述每張樣本醫學圖像的標記值與第一預測值之間的誤差,得到多個第二誤差,基於所述多個第二誤差得到第二平均誤差,設定所述第二平均誤差為所述第二損失函數。在本實施方式中,所述第二損失函數為。其中,a i 表示第i張樣本醫學圖像的細胞數量標記值,表示第i張樣本醫學圖像的所述第一預測值。在其他實施方式中,也可以選取其他方法計算所述第二誤差,例如計算所述每張樣本醫學圖像的標記值與第一預測值的均方差。
(3)基於所述第一損失函數與所述第二損失函數得到第三損失函數,其中,L3(a,X)=m1L1(X)+m2L2(a),m1為所述第一損失函數的權重,m2為所述第二損失函數的權重。示例性的,可以選取m1為0.5,m2為0.5。在訓練自編碼器的過程中,由於所述第一損失函數與所述第二損失函數會隨所述自編碼器參數的改變而改變,因此所述第三損失函數可看作一個關於所述自編碼器參
數的函數。利用梯度下降法不斷調整所述自編碼器參數,使所述第三損失函數得到最小值。梯度下降法的目的是得到所述第三損失函數各個極值點,並根據所述極值點計算所述第三損失函數值最小時所述自編碼器參數的取值,從而獲得一個精度最高的自編碼器結構,得到優化後的所述自編碼器。
在本實施方式中,透過最小化所述第三損失函數值,也就是使所述預測值與所述標記值之間的誤差,以及所述樣本醫學圖像與所述重建圖像之間的誤差達到最小,從而使所述編碼層輸出的細胞數量結果更準確。
如圖3所示,是本申請細胞數量檢測方法的較佳實施例的流程圖。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。
S201、獲取待檢測醫學圖像。
在本實施方式中,所述待檢測醫學圖像可以是透過全自動顯微鏡或光學放大系統掃描採集得到的高解析度數位圖像。其中,所述待檢測醫學圖像中包括細胞以及一些雜質。
S202、提取所述待檢測醫學圖像的第二特徵向量。
為了利用訓練好的所述自編碼器進行細胞數量檢測,需要將所述待檢測醫學圖像轉化為特徵向量。
在本實施方式中,將所述待檢測醫學圖像進行向量化處理,得到所述待檢測醫學圖像的第二特徵向量。
S203、輸入所述第二特徵向量至所述自編碼器並根據所述第二特徵向量提取所述待檢測醫學圖像的第二潛特徵。
在本實施方式中,利用所述自編碼器的編碼層對所述第二特徵向量進行運算,得到所述每張樣本醫學圖像的第二潛特徵。其中所述第二潛特徵為多個特徵編碼,每個特徵編碼對應一個細胞。
S204、基於所述第二潛特徵得到所述待檢測醫學圖像中的細胞數量的第二預測值。
在本實施方式中,所述基於所述第二潛特徵得到所述待檢測醫學圖像中的細胞數量的第二預測值包括:提取所述第二潛特徵中的多個第二細胞特徵編碼,其中每個第二細胞編碼代表所述待檢測醫學圖像中的一個細胞;根據所述多個第二細胞特徵編碼確定所述待檢測醫學圖像中的細胞數量的第二預測值,具體地,將所述第二細胞特徵編碼的數量確定為所述第二預測值。
S205、以所述第二預測值作為所述待檢測醫學圖像的細胞數量。
在本實施方式中,利用所述自編碼器的訓練方法訓練好的自編碼器進行細胞數量檢測時,細胞數量檢測的誤差非常小,幾乎可以忽略,因此所述步驟S204得到的細胞數量的第二預測值即為所述待檢測醫學圖像的細胞數量。
請參閱圖4,在本實施方式中,所述自編碼器的訓練系統10可以被分割成一個或多個模組,所述一個或多個模組可儲存在所述處理器12中,並由所述處理器12執行本申請實施例的自編碼器的訓練方法。所述一個或多個模組可以是能夠完成特定功能的一系列電腦程式指令段,所述指令段用於描述所述自編碼器的訓練系統10在所述電子設備1中的執行過程。例如,所述自編碼器的訓練系統10可以被分割成圖4中的獲取模組101,提取模組102和處理模組103。
所述第一獲取模組101用於獲取多張樣本醫學圖像;所述提取模組102用於提取每張樣本醫學圖像中的第一特徵向量;所述提取模組102還用於
輸入所述第一特徵向量至所述自編碼器並根據所述第一特徵向量提取所述每張樣本醫學圖像的第一潛特徵;所述處理模組103用於基於所述第一潛特徵得到所述每張樣本醫學圖像中的細胞數量的第一預測值;所述提取模組102還用於輸入所述第一潛特徵至所述自編碼器,並根據所述第一潛特徵重新構建每張樣本醫學圖像,得到多張重建圖像;所述處理模組103還用於基於所述多張重建圖像優化所述自編碼器。
所述獲取模組101還用於獲取待檢測醫學圖像;所述提取模組102還用於提取所述待檢測醫學圖像的第二特徵向量;所述提取模組102還用於輸入所述第二特徵向量至優化後的所述自編碼器並根據所述第二特徵向量提取所述待檢測醫學圖像的第二潛特徵;所述處理模組103還用於基於所述第二潛特徵得到所述待檢測醫學圖像中的細胞數量的第二預測值;所述處理模組103還用於以所述第二預測值作為所述待檢測醫學圖像的細胞數量。
所述至少一個處理器12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或者電晶體邏輯器件、分立硬體元件等。所述處理器12可以是微處理器或者所述處理器12也可以是任何常規的處理器等,所述處理器12是所述電子設備1的控制中心,利用各種介面和線路連接整個電子設備1的各個部分。
所述記憶體11可用於儲存所述自編碼器的訓練系統10和/或模組/單元,所述處理器12透過運行或執行儲存在所述記憶體11內的電腦程式和/或模組/單元,以及調用儲存在記憶體11內的資料,實現所述電子設備1的各
種功能。所述記憶體11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等;儲存資料區可儲存根據電子設備1的使用所創建的資料等。此外,記憶體11可以包括非易失性/易失性記憶體,例如硬碟、記憶體、插接式硬碟,智慧儲存卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他記憶體件。
所述記憶體11中儲存有程式碼,且所述至少一個處理器12可調用所述記憶體11中儲存的程式碼以執行相關的功能。例如,圖4中所述的各個模組(獲取模組101,提取模組102和處理模組103)是儲存在所述記憶體11中的程式碼,並由所述至少一個處理器12所執行,從而實現所述各個模組的功能以達到提高檢測效率的目的。
需要說明的是,所述電子設備1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介質中。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介質中,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、電腦記憶體、唯讀記憶體(Read-Only Memory,ROM)。
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。
S101~S106:步驟
Claims (8)
- 一種自編碼器的訓練方法,其中,所述方法包括:獲取多張樣本醫學圖像,所述每張樣本醫學圖像包括細胞數量標記值;將每張樣本醫學圖像進行向量化處理,提取每張樣本醫學圖像中的第一特徵向量;輸入所述第一特徵向量至自編碼器並根據所述第一特徵向量提取所述每張樣本醫學圖像的第一潛特徵,包括:所述自編碼器對所述第一特徵向量進行特徵提取,生成多個特徵編碼;將所述多個特徵編碼確定為所述第一潛特徵,其中,每個特徵編碼對應所述樣本醫學圖像中的一個細胞;基於所述第一潛特徵得到所述每張樣本醫學圖像中的細胞數量的第一預測值,包括:提取所述第一潛特徵中的多個第一細胞特徵編碼;根據所述多個第一細胞特徵編碼確定所述樣本醫學圖像中的細胞數量的第一預測值;輸入所述第一潛特徵至所述自編碼器,並根據所述第一潛特徵重新構建每張樣本醫學圖像,得到多張重建圖像;基於所述多張重建圖像優化所述自編碼器。
- 如請求項1所述的自編碼器的訓練方法,其中,所述基於所述多張重建圖像優化所述自編碼器包括:根據所述多張樣本醫學圖像與所述多張重建圖像建立第一損失函數;根據所述標記值與第一預測值建立第二損失函數;基於所述第一損失函數與所述第二損失函數優化所述自編碼器。
- 如請求項2所述的自編碼器的訓練方法,其中,所述根據所述樣本醫學圖像與所述重建圖像建立第一損失函數包括:計算每張樣本醫學圖像與每張重建圖像之間的誤差,得到多個第一誤差; 基於所述多個第一誤差得到第一平均誤差,並設定所述第一平均誤差為所述第一損失函數。
- 如請求項2所述的自編碼器的訓練方法,其中,所述根據所述標記值與第一預測值建立第二損失函數包括:計算所述每張樣本醫學圖像的標記值與第一預測值之間的誤差,得到多個第二誤差;基於所述多個第二誤差得到第二平均誤差,並設定所述第二平均誤差為所述第二損失函數。
- 如請求項2所述的自編碼器的訓練方法,其中,所述基於所述第一損失函數與所述第二損失函數優化所述自編碼器包括:基於所述第一損失函數與所述第二損失函數得到第三損失函數,其中,所述第三損失函數透過以下公式得到:L3(a,X)=m1L1(X)+m2L2(a),L1(X)為所述第一損失函數,L2(a)為所述第二損失函數,L3(a,X)為所述第三損失函數,m1為所述第一損失函數的權重,m2為所述第二損失函數的權重;調整所述自編碼器的參數,並根據調整後的自編碼器計算所述第三損失函數的函數值;若所述函數值達到最小,得到優化後的所述自編碼器。
- 一種利用如請求項1至請求項5中任意一項的自編碼器的訓練方法得到的自編碼器進行細胞數量檢測的方法,其中,所述細胞數量檢測方法包括:獲取待檢測醫學圖像;將所述待檢測醫學圖像進行向量化處理,提取所述待檢測醫學圖像的第二特徵向量; 輸入所述第二特徵向量至優化後的所述自編碼器並根據所述第二特徵向量提取所述待檢測醫學圖像的第二潛特徵,包括:所述自編碼器對所述第二特徵向量進行特徵提取,生成多個特徵編碼;將所述多個特徵編碼確定為所述第二潛特徵,其中,每個特徵編碼對應所述待檢測醫學圖像中的一個細胞;基於所述第二潛特徵得到所述待檢測醫學圖像中的細胞數量的第二預測值,包括:提取所述第二潛特徵中的多個第二細胞特徵編碼,其中每個第二細胞編碼代表所述待檢測醫學圖像中的一個細胞;根據所述多個第二細胞特徵編碼確定所述待檢測醫學圖像中的細胞數量的第二預測值;以所述第二預測值作為所述待檢測醫學圖像的細胞數量。
- 一種電子設備,其中,所述電子設備包括處理器和記憶體,所述處理器用於執行記憶體中儲存的電腦程式以實現如請求項1至請求項5中任意一項所述的自編碼器的訓練方法或請求項6所述的細胞數量檢測方法。
- 一種電腦可讀儲存介質,其中,所述電腦可讀儲存介質儲存有至少一個指令,所述至少一個指令被處理器執行時實現如請求項1至請求項5中任意一項所述的自編碼器的訓練方法或請求項6所述的細胞數量檢測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110118726A TWI795787B (zh) | 2021-05-24 | 2021-05-24 | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110118726A TWI795787B (zh) | 2021-05-24 | 2021-05-24 | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202247053A TW202247053A (zh) | 2022-12-01 |
TWI795787B true TWI795787B (zh) | 2023-03-11 |
Family
ID=85793805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110118726A TWI795787B (zh) | 2021-05-24 | 2021-05-24 | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI795787B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
US20190180147A1 (en) * | 2016-06-30 | 2019-06-13 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell annotation with adaptive incremental learning |
TW201942868A (zh) * | 2018-03-28 | 2019-11-01 | 國立雲林科技大學 | 用於辨識組織病徵影像的系統及方法 |
TW202018586A (zh) * | 2018-06-13 | 2020-05-16 | 愛爾蘭商卡司莫人工智能有限公司 | 訓練生成對抗網路之系統及方法以及經訓練之生成對抗網路之使用 |
CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
CN112464005A (zh) * | 2020-11-26 | 2021-03-09 | 大连理工大学 | 一种深度强化图像聚类方法 |
CN112561869A (zh) * | 2020-12-09 | 2021-03-26 | 深圳大学 | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 |
CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
-
2021
- 2021-05-24 TW TW110118726A patent/TWI795787B/zh active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
US20190180147A1 (en) * | 2016-06-30 | 2019-06-13 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell annotation with adaptive incremental learning |
CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
TW201942868A (zh) * | 2018-03-28 | 2019-11-01 | 國立雲林科技大學 | 用於辨識組織病徵影像的系統及方法 |
TW202018586A (zh) * | 2018-06-13 | 2020-05-16 | 愛爾蘭商卡司莫人工智能有限公司 | 訓練生成對抗網路之系統及方法以及經訓練之生成對抗網路之使用 |
CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
CN112464005A (zh) * | 2020-11-26 | 2021-03-09 | 大连理工大学 | 一种深度强化图像聚类方法 |
CN112561869A (zh) * | 2020-12-09 | 2021-03-26 | 深圳大学 | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 |
CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202247053A (zh) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023035586A1 (zh) | 图像检测方法、模型训练方法、装置、设备、介质及程序 | |
CN112862830B (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111105017B (zh) | 神经网络量化方法、装置及电子设备 | |
CN112560980A (zh) | 目标检测模型的训练方法、装置及终端设备 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN114530258A (zh) | 一种深度学习药物相互作用预测方法、装置、介质和设备 | |
WO2023155296A1 (zh) | 时间序列数据检测方法、装置、设备及计算机存储介质 | |
CN112183517B (zh) | 证卡边缘检测方法、设备及存储介质 | |
CN111192320B (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN114742750A (zh) | 异常细胞检测方法、装置、终端设备及可读存储介质 | |
CN112967251B (zh) | 图片检测方法、图片检测模型的训练方法及装置 | |
CN112651467B (zh) | 卷积神经网络的训练方法和系统以及预测方法和系统 | |
TWI795787B (zh) | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 | |
CN112884721A (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
CN115035988B (zh) | 基于云计算的医学影像处理方法、系统、设备及介质 | |
CN114467144A (zh) | 减少测序平台特异性错误的体细胞突变检测装置及方法 | |
CN115471438A (zh) | 自编码器的训练方法、细胞数量检测方法及相关设备 | |
CN115796145B (zh) | 一种网页文本的采集方法、系统、服务器及可读存储介质 | |
CN116091867B (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN115481562B (zh) | 多并行度优化方法、装置、识别方法和电子设备 | |
TWI774312B (zh) | 模型訓練裝置、模型訓練方法及電腦可讀取媒體 | |
CN116596742A (zh) | 图像配准模型的训练方法、装置、设备及存储介质 |