CN110110799B - 细胞分类方法、装置、计算机设备和存储介质 - Google Patents
细胞分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110110799B CN110110799B CN201910394263.8A CN201910394263A CN110110799B CN 110110799 B CN110110799 B CN 110110799B CN 201910394263 A CN201910394263 A CN 201910394263A CN 110110799 B CN110110799 B CN 110110799B
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- target
- information
- target detection
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种细胞分类方法、装置、计算机设备和存储介质。所述方法包括:获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,标注信息包括细胞位置信息以及细胞类别信息,根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,将概率数据最大的预设类别标记为目标细胞的二次分类信息,当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。采用本方法能够实现对细胞类别的准确确定,提高了细胞识别的准确率。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种细胞分类方法、装置、计算机设备和存储介质。
背景技术
随着医疗科学技术的发展,出现了细胞识别技术,细胞识别包括对细胞类别进行甄别,通过对细胞类别进行甄别能够及时发现病变细胞,从而对病症进行有效应对。传统的细胞识别采用的是人工识别的方式,由病理医生通过对病理切片进行移动,进而通过肉眼扫描整个切片,对切片中的各个细胞的类别进行识别。
然而,由于病变细胞在早期与正常细胞的相似度极高,传统的细胞识别方式存在识别准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高细胞识别准确率的细胞分类方法、装置、计算机设备和存储介质。
一种细胞分类方法,所述方法包括:
获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
在其中一个实施例中,根据预设的特征提取网络提取目标细胞图像的细胞特征向量包括:
根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量;
根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量;
分别将纹理特征向量以及形状特征向量进行归一化处理;
将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
在其中一个实施例中,将细胞特征向量输入已训练的SVM模型之前,包括:
获取携带标注信息的样本图像细胞集合;
将样本图像细胞集合中多个细胞图像分为训练集和测试集;
根据训练集进行模型训练,得到SVM模型;
将测试集输入SVM模型,得到与各细胞图像对应的类别测试结果;
比对类别测试结果和细胞图像携带的标注信息中的细胞类别信息;
根据比对结果,调整SVM模型。
在其中一个实施例中,获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息包括:
根据已训练的目标检测模型中的DenseNet网络,获得待分析图像的多个不同尺度的特征图;
将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框;
将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到待分析图像中各目标细胞的位置信息和初始分类信息。
在其中一个实施例中,获取待分析图像输入已训练的目标检测模型之前,包括:
获取样本图像数据和N个初始目标检测网络;
将样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据;
建立N个初始目标检测网络和N组样本图像数据之间的关联关系;
根据关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数;
将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型;
获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
在其中一个实施例中,根据待训练目标检测模型以携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型包括:
根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图;
将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框;
将各样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息;
将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型,得到目标检测模型。
在其中一个实施例中,获取待分析图像输入已训练的目标检测模型之前,包括:
获取病理切片图像,对病理切片图像进行预处理,得到待分析图像,其中,预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
一种细胞分类装置,所述装置包括:
目标检测模块,用于获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
分割模块,用于根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
特征提取模块,用于根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
处理模块,用于将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
标记模块,用于确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
分类模块,用于当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
上述细胞分类方法、装置、计算机设备和存储介质,根据目标检测模型确定待分析图像中各目标细胞的细胞位置信息以及初始分类信息,根据细胞位置信息获取多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,并通过将细胞特征向量输入SVM模型中,得到目标细胞的二次分类信息,综合初次分类信息以及二次分类信息,得到目标细胞的分类结果。整个过程,通过目标检测模型和SVM模型分别对目标细胞进行识别,综合目标检测模型和SVM模型的分类信息,对目标细胞的细胞类别进行确定,实现了对细胞类别的准确确定,提高了细胞识别的准确率。
附图说明
图1为一个实施例中细胞分类方法的流程示意图;
图2为一个实施例中图1中步骤S106的子流程示意图;
图3为另一个实施例中细胞分类方法的流程示意图;
图4为一个实施例中图1中步骤S102的子流程示意图;
图5为又一个实施例中细胞分类方法的流程示意图;
图6为一个实施例中图1中步骤S512的子流程示意图;
图7为再一个实施例中细胞分类方法的流程示意图;
图8为一个实施例中细胞分类装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
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,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种细胞分类方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S102:获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息。
待分析图像指的是经过预处理之后的病理切片图像,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息,通过训练,可以优化目标检测模型中的模型参数。细胞位置信息指的是细胞在样本细胞图像中的坐标信息,各目标细胞的位置信息指的是各目标细胞在待分析图像中的坐标信息。初始分类信息指的是初始细胞类别信息。在本申请中,细胞类别包括正常细胞和病变细胞。
S104:根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像。
服务器在确定待分析图像中各目标细胞的位置信息之后,会根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像。
S106:根据预设的特征提取网络提取目标细胞图像的细胞特征向量。
预设的特征提取网络可用于提取目标细胞图像的多个特征向量,包括纹理特征向量以及形状特征向量等,服务器在提取到目标细胞图像的多个特征向量之后,会将多个特征向量进行融合,得到目标细胞图像的细胞特征向量。其中,特征提取网络中针对不同的特征向量有不同的特征提取网络,不同的特征提取网络的输入数据也可能不相同。例如,当需要提取目标细胞图像的纹理特征向量时,会采用特征提取网络中的纹理特征提取网络进行特征提取,输入数据可以为预处理过后的彩色目标细胞图像。当需要提取目标细胞图像的形状特征向量时,会采用特征提取网络中的形状特征提取网络进行特征提取,输入数据可以为预处理过后的灰度目标细胞图像。
S108:将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到。
SVM即支持向量机,是一类按监督学***面。因为SVM模型是对数据进行二元分类,所以在本实施例中,预设类别的总数为2,具体地,预设类别包括正常细胞和病变细胞。将细胞特征向量输入已训练的SVM模型,可以得到目标细胞图像中目标细胞归属于预设的两个类别的概率数据,进而根据概率数据确定目标细胞的细胞类别。
S110:确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息。
服务器在得到多个概率数据之后,会对概率数据进行排序,在本实施例中,多个概率数据之和为1,概率数据越大可代表目标细胞归属于该预设类别的几率越大,服务器会确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息。
S112:当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
服务器会综合初始分类信息与二次分类信息,确定目标细胞的分类结果,当初始分类信息与二次分类信息相同时,服务器会将二次分类信息标记为目标细胞的分类结果。当初始分类信息与二次分类信息不同时,服务器会将二次分类信息标记为目标细胞的分类结果,并将目标细胞标注为异常细胞。
上述细胞分类方法,根据目标检测模型确定待分析图像中各目标细胞的细胞位置信息以及初始分类信息,根据细胞位置信息获取多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,并通过将细胞特征向量输入SVM模型中,得到目标细胞的二次分类信息,综合初次分类信息以及二次分类信息,得到目标细胞的分类结果。整个过程,通过目标检测模型和SVM模型分别对目标细胞进行识别,综合目标检测模型和SVM模型的分类信息,对目标细胞的细胞类别进行确定,实现了对细胞类别的准确确定,提高了细胞识别的准确率。
在其中一个实施例中,如图2所示,S106包括:
S202:根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量;
S204:根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量;
S206:分别将纹理特征向量以及形状特征向量进行归一化处理;
S208:将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
纹理特征提取网络由多层卷积层和全连接层构成,输入数据为彩色目标细胞图像,形状特征提取网络采用全卷积神经网络,与纹理特征提取网络的区别是将全连接层改为了卷积层,减少了参数量。形状特征提取网络中的输入数据为经过灰度化处理后的灰度目标细胞图像,通过灰度化处理,能去除目标细胞图像中颜色的影响,使得形状特征提取网络只关注目标细胞图像的形状特征信息。在进行向量拼接之前,需要先对纹理特征向量和形状特征向量分别进行归一化操作,再根据预设的权重系数,将归一化后的纹理特征向量以及形状特征向量进行拼接,将拼接后得到的向量再次进行归一化后,即可得到目标细胞图像的细胞特征向量。其中,向量拼接指的是扩展向量维度。举例说明,将一个A维的纹理特征向量与一个A维的形状特征向量进行向量拼接,可得到一个2*A维的细胞特征向量。例如,归一化公式可以为其中,ffuse为细胞特征向量,frrgb为纹理特征向量,fs为形状特征向量,‖·‖为范数操作,在这里我们选用2-范数,⊕符号表示将两个向量进行拼接操作,实数λ∈(0,1]为权重系数,是一个经验值,可由多次实验结果分析确定,并按照需要自行设置。
在其中一个实施例中,如图3所示,S108之前,包括:
S302:获取携带标注信息的样本图像细胞集合;
S304:将样本图像细胞集合中多个细胞图像分为训练集和测试集;
S306:根据训练集进行模型训练,得到SVM模型;
S308:将测试集输入SVM模型,得到与各细胞图像对应的类别测试结果;
S310:比对类别测试结果和细胞图像携带的标注信息中的细胞类别信息;
S312:根据比对结果,调整SVM模型。
携带标注信息的样本图像细胞集合指的是已人工标注的样本图像细胞集合,具体的,病理医生可借助数字病理扫描仪对需要服务器处理的样本切片图像进行人工标注,以便服务器使用。标注内容包括样本切片图像中各样本细胞图像的细胞类别信息以及细胞位置信息,在进行SVM模型训练之前,服务器会根据标注内容中的细胞位置信息将样本切片图像分割为多个样本图像细胞,进而通过样本图像细胞集合进行模型训练,样本切片图像中包括病变细胞图像,训练样本图像细胞集合是以早期病变细胞图像中病变细胞生长过程中的纹理结构和形状结构为基础的。例如,样本图像细胞集合中包括单个浸润的腺癌细胞图像以及具有组织结构形态的腺癌细胞图像。在本实施例中,可重点突出对单个浸润腺癌细胞图像样本的训练。
在其中一个实施例中,如图4所示,S102包括:
S402:根据已训练的目标检测模型中的DenseNet网络,获得待分析图像的多个不同尺度的特征图;
S404:将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框;
S406:将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到待分析图像中各目标细胞的位置信息和初始分类信息。
在DenseNet网络中,每个层都会接受其前面所有层作为其额外的输入,每个层都会与前面所有层在channel(通道)维度上连接在一起,并作为下一层的输入。DenseNet是直接连接来自不同层的特征图,这可以实现特征重用,提升效率。在本实施例中,DenseNet网络中可以使用DenseBlock+Conv+pool的结构,其中DenseBlock是包含很多层的模块,每个层的特征图大小相同,层与层之间采用密集连接方式。Conv模块和pool模块用于连接两个相邻的DenseBlock,使特征图大小降低,从而得到多个不同尺度的特征图。
在获得待分析图像的多个不同尺度的特征图之后,服务器会将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框。其中,在候选框处理模块中存在多个与不同尺度的特征图对应的先验框,先验框可以用于预测特征图中的目标细胞。将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,可通过卷积得到待分析图像中各目标细胞的位置信息和归属于各预设类别的置信度,服务器根据各目标细胞归属于各预设类别的置信度,确定置信度最大的预设类别,将置信度最大的预设类别标记为各目标细胞的初始分类信息。
在其中一个实施例中,如图5所示,S102之前,包括:
S502:获取样本图像数据和N个初始目标检测网络;
S504:将样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据;
S506:建立N个初始目标检测网络和N组样本图像数据之间的关联关系;
S508:根据关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数;
S510:将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型;
S512:获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
N个初始目标检测网络中的超参数是不相同的,通过样本图像数据对N个初始目标检测网络进行训练和测试,就是为了调整目标检测网络中的超参数并对各目标检测网络的能力进行评估。对各目标检测网络的能力进行评估的方式可以为:计算各初始目标检测网络的评估参数,将N个初始目标检测网络的评估参数的平均值作为目标评估参数,从而从N个初始目标检测网络中挑选出与目标评估参数误差最小的评估参数对应的初始目标检测网络,作为待训练目标检测模型。例如,对一个初始目标检测网络进行训练的方式可以为:获取5000例精细标注的病变细胞病理切片,按照8:1:1的比例划分为训练集、验证集和测试集,在训练阶段拟迭代100万次,每迭代1000次会测试验证集中的数据,从而调整目标检测网络的超参数以及对目标检测网络的能力进行初步评估。当训练阶段完成后,使用测试集进行模型预测,对目标检测网络进行评估,并有针对性的对目标检测网络中的超参数进行改进。
在其中一个实施例中,如图6所示,S512包括:
S602:根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图;
S604:将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框;
S606:将各样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息;
S608:将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型,得到目标检测模型。
在获得各样本细胞图像的多个不同尺度的特征图之后,服务器会将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框。在得到与各尺度的特征图对应的先验框之后,再将个样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,通过卷积得到各样本细胞中各样本细胞的位置信息和初始分类信息。通过将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型中的模型参数,得到目标检测模型。
其中,回归操作与yolo算法类似。对于深度神经网络,浅层的特征图包含了较多的细节信息,更适合进行小物体的检测,而较深的特征图,随着感受野的扩大,包含了更多的全局信息,更适合大物体的检测。为了使不同尺寸的细胞有更好的检测效果,会采用在不同特征图上对不同尺寸的候选框进行回归的方式。
在其中一个实施例中,如图7所示,S102之前,包括:
S702:获取病理切片图像,对病理切片图像进行预处理,得到待分析图像,其中,预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
对病理切片图像进行预处理,是为了去除病理切片图像中包括的噪声,并解决亮度不均匀等问题,得到清晰的病理数据,用于下一步处理。其中,在进行图像去噪时,可通过高斯滤波对病理切片图像进行处理,通过将预设的高斯滤波算法与病理切片图像进行卷积操作的方式,即可得到去噪声后的病理切片图像。为了突出图像的局部细节特性,扩大图像中病变区域和正常区域特征之间的差别,抑制不感兴趣的特征,可通过图像增强的方式,改善图像质量、丰富信息量,加强图像判读和识别效果,具体地,可采用对数Log变换的图像增强算法对病理切片图像进行处理。对数变换可以将图像的低灰度值部分扩展,显示出低灰度部分更多的细节,将其高灰度值部分压缩,减少高灰度值部分的细节,从而达到强调图像低灰度部分的目的。将图像的像素值进行归一化操作指的是将亮度范围从(0,255)调整到(0,1),具体地,可通过公式y=(x-MinValue)/(MaxValue-MinValue)进行调整,其中,x表示归一化前的像素值,y表示调整后的像素值,MinValue表示原图像素的最小值;MaxValue表示原图像素的最大值。为了消除因为染色不同带来的图像颜色的差异,需要对RGB彩色图像进行颜色空间归一化操作,对所有的数据建立标准的色彩空间,增加模型的泛化性能。假设r、g、b分别代表三个颜色通道中某点的像素值,则归一化操作如下:
r'=r/(r+g+b)
g'=g/(r+g+b)
b'=b/(r+g+b)
应该理解的是,虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种细胞分类装置,包括:目标检测模块802、分割模块804、特征提取模块806、处理模块808、标记模块810和分类模块812,其中:
目标检测模块802,用于获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
分割模块804,用于根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
特征提取模块806,用于根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
处理模块808,用于将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
标记模块810,用于确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
分类模块812,用于当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
上述细胞分类装置,根据目标检测模型确定待分析图像中各目标细胞的细胞位置信息以及初始分类信息,根据细胞位置信息获取多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,并通过将细胞特征向量输入SVM模型中,得到目标细胞的二次分类信息,综合初次分类信息以及二次分类信息,得到目标细胞的分类结果。整个过程,通过目标检测模型和SVM模型分别对目标细胞进行识别,综合目标检测模型和SVM模型的分类信息,对目标细胞的细胞类别进行确定,实现了对细胞类别的准确确定,提高了细胞识别的准确率。
在其中一个实施例中,特征提取模块还用于根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量,根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量,分别将纹理特征向量以及形状特征向量进行归一化处理,将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
在其中一个实施例中,处理模块还用于获取携带标注信息的样本图像细胞集合,将样本图像细胞集合中多个细胞图像分为训练集和测试集,根据训练集进行模型训练,得到SVM模型,将测试集输入SVM模型,得到与各细胞图像对应的类别测试结果,比对类别测试结果和细胞图像携带的标注信息中的细胞类别信息,根据比对结果,调整SVM模型。
在其中一个实施例中,目标检测模块还用于根据已训练的目标检测模型中的DenseNet网络,获得待分析图像的多个不同尺度的特征图,将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框,将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到待分析图像中各目标细胞的位置信息和初始分类信息。
在其中一个实施例中,目标检测模块还用于获取样本图像数据和N个初始目标检测网络,将样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据,建立N个初始目标检测网络和N组样本图像数据之间的关联关系,根据关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数,将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型,获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
在其中一个实施例中,目标检测模块还用于根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图,将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框,将各样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息,将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型,得到目标检测模型。
在其中一个实施例中,细胞分类装置包括预处理模块,预处理模块用于获取病理切片图像,对病理切片图像进行预处理,得到待分析图像,其中,预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
关于细胞分类装置的具体限定可以参见上文中对于细胞分类方法的限定,在此不再赘述。上述细胞分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种细胞分类方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
上述细胞分类计算机设备,根据目标检测模型确定待分析图像中各目标细胞的细胞位置信息以及初始分类信息,根据细胞位置信息获取多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,并通过将细胞特征向量输入SVM模型中,得到目标细胞的二次分类信息,综合初次分类信息以及二次分类信息,得到目标细胞的分类结果。整个过程,通过目标检测模型和SVM模型分别对目标细胞进行识别,综合目标检测模型和SVM模型的分类信息,对目标细胞的细胞类别进行确定,实现了对细胞类别的准确确定,提高了细胞识别的准确率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量;
根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量;
分别将纹理特征向量以及形状特征向量进行归一化处理;
将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取携带标注信息的样本图像细胞集合;
将样本图像细胞集合中多个细胞图像分为训练集和测试集;
根据训练集进行模型训练,得到SVM模型;
将测试集输入SVM模型,得到与各细胞图像对应的类别测试结果;
比对类别测试结果和细胞图像携带的标注信息中的细胞类别信息;
根据比对结果,调整SVM模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据已训练的目标检测模型中的DenseNet网络,获得待分析图像的多个不同尺度的特征图;
将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框;
将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到待分析图像中各目标细胞的位置信息和初始分类信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本图像数据和N个初始目标检测网络;
将样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据;
建立N个初始目标检测网络和N组样本图像数据之间的关联关系;
根据关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数;
将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型;
获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图;
将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框;
将各样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息;
将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型,得到目标检测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取病理切片图像,对病理切片图像进行预处理,得到待分析图像,其中,预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待分析图像输入已训练的目标检测模型,得到待分析图像中各目标细胞的位置信息和初始分类信息,目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,标注信息包括细胞位置信息以及细胞类别信息;
根据目标细胞的位置信息分割待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取目标细胞图像的细胞特征向量;
将细胞特征向量输入已训练的SVM模型,得到目标细胞图像中目标细胞归属于各预设类别的概率数据,SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将概率数据最大的预设类别标记为目标细胞的二次分类信息;
当初始分类信息与二次分类信息相同时,将二次分类信息标记为目标细胞的分类结果。
上述细胞分类存储介质,根据目标检测模型确定待分析图像中各目标细胞的细胞位置信息以及初始分类信息,根据细胞位置信息获取多个目标细胞图像,根据预设的特征提取网络提取目标细胞图像的细胞特征向量,并通过将细胞特征向量输入SVM模型中,得到目标细胞的二次分类信息,综合初次分类信息以及二次分类信息,得到目标细胞的分类结果。整个过程,通过目标检测模型和SVM模型分别对目标细胞进行识别,综合目标检测模型和SVM模型的分类信息,对目标细胞的细胞类别进行确定,实现了对细胞类别的准确确定,提高了细胞识别的准确率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量;
根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量;
分别将纹理特征向量以及形状特征向量进行归一化处理;
将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取携带标注信息的样本图像细胞集合;
将样本图像细胞集合中多个细胞图像分为训练集和测试集;
根据训练集进行模型训练,得到SVM模型;
将测试集输入SVM模型,得到与各细胞图像对应的类别测试结果;
比对类别测试结果和细胞图像携带的标注信息中的细胞类别信息;
根据比对结果,调整SVM模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据已训练的目标检测模型中的DenseNet网络,获得待分析图像的多个不同尺度的特征图;
将多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框;
将多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到待分析图像中各目标细胞的位置信息和初始分类信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本图像数据和N个初始目标检测网络;
将样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据;
建立N个初始目标检测网络和N组样本图像数据之间的关联关系;
根据关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数;
将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型;
获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图;
将各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将候选框处理模块中的多个候选框在各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框;
将各样本细胞图像的多个不同尺度的特征图以及与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息;
将各样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整待训练目标检测模型,得到目标检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取病理切片图像,对病理切片图像进行预处理,得到待分析图像,其中,预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种细胞分类方法,所述方法包括:
获取待分析图像输入已训练的目标检测模型,得到所述待分析图像中各目标细胞的位置信息和初始分类信息,所述目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,所述标注信息包括细胞位置信息以及细胞类别信息;
根据所述目标细胞的位置信息分割所述待分析图像,获得多个目标细胞图像;
根据预设的特征提取网络提取所述目标细胞图像的细胞特征向量;
将所述细胞特征向量输入已训练的SVM模型,得到所述目标细胞图像中目标细胞归属于各预设类别的概率数据,所述SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
确定概率数据最大的预设类别,将所述概率数据最大的预设类别标记为所述目标细胞的二次分类信息;
当所述初始分类信息与所述二次分类信息相同时,将所述二次分类信息标记为所述目标细胞的分类结果;
当所述初始分类信息与所述二次分类信息不同时,将所述二次分类信息标记为所述目标细胞的分类结果,并将所述目标细胞标注为异常细胞;
所述获取待分析图像输入已训练的目标检测模型之前,包括:
获取样本图像数据和N个初始目标检测网络;
将所述样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据;
建立N个初始目标检测网络和N组样本图像数据之间的关联关系;
根据所述关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数;
将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与所述目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型;
获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的特征提取网络提取所述目标细胞图像的细胞特征向量包括:
根据预设的特征提取网络中的纹理特征提取网络,提取所述目标细胞图像的纹理特征向量;
根据预设的特征提取网络中的形状特征提取网络,提取所述目标细胞图像的形状特征向量;
分别将所述纹理特征向量以及所述形状特征向量进行归一化处理;
将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到所述目标细胞图像的细胞特征向量。
3.根据权利要求1所述的方法,其特征在于,所述将所述细胞特征向量输入已训练的SVM模型之前,包括:
获取携带标注信息的样本图像细胞集合;
将所述样本图像细胞集合中多个细胞图像分为训练集和测试集;
根据所述训练集进行模型训练,得到SVM模型;
将所述测试集输入所述SVM模型,得到与各所述细胞图像对应的类别测试结果;
比对所述类别测试结果和所述细胞图像携带的标注信息中的细胞类别信息;
根据比对结果,调整所述SVM模型。
4.根据权利要求1所述的方法,其特征在于,所述获取待分析图像输入已训练的目标检测模型,得到所述待分析图像中各目标细胞的位置信息和初始分类信息包括:
根据已训练的目标检测模型中的DenseNet网络,获得所述待分析图像的多个不同尺度的特征图;
将所述多个不同尺度的特征图输入已训练的目标检测模型中的候选框处理模块,得到与各特征图对应的先验框;
将所述多个不同尺度的特征图以及与各特征图对应的先验框输入已训练的目标检测模型中的卷积网络,得到所述待分析图像中各目标细胞的位置信息和初始分类信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型包括:
根据待训练目标检测模型中的DenseNet网络,获得样本细胞图像集合中各样本细胞图像的多个不同尺度的特征图;
将所述各样本细胞图像的多个不同尺度的特征图输入待训练目标检测模型中的候选框处理模块,将所述候选框处理模块中的多个候选框在所述各样本细胞图像的多个不同尺度的特征图上进行回归,确定与各尺度的特征图对应的先验框;
将所述各样本细胞图像的多个不同尺度的特征图以及所述与各尺度的特征图对应的先验框输入待训练目标检测模型中的卷积网络,得到各样本细胞图像中各样本细胞的位置信息和初始分类信息;
将各所述样本细胞的位置信息和初始分类信息与各样本细胞图像携带的标注信息进行比对,根据比对结果,调整所述待训练目标检测模型,得到目标检测模型。
6.根据权利要求1所述的方法,其特征在于,所述获取待分析图像输入已训练的目标检测模型之前,包括:
获取病理切片图像,对所述病理切片图像进行预处理,得到待分析图像,其中,所述预处理包括图像去噪、图像增强、图像缩放、颜色归一化以及像素值归一化。
7.一种细胞分类装置,其特征在于,所述装置包括:
目标检测模块,用于获取待分析图像输入已训练的目标检测模型,得到所述待分析图像中各目标细胞的位置信息和初始分类信息,所述目标检测模型是以携带标注信息的样本细胞图像集合作为训练集进行训练得到,所述标注信息包括细胞位置信息以及细胞类别信息;
分割模块,用于根据所述目标细胞的位置信息分割所述待分析图像,获得多个目标细胞图像;
特征提取模块,用于根据预设的特征提取网络提取所述目标细胞图像的细胞特征向量;
处理模块,用于将所述细胞特征向量输入已训练的SVM模型,得到所述目标细胞图像中目标细胞归属于各预设类别的概率数据,所述SVM模型是以携带细胞类别信息的样本图像细胞集合作为训练集进行训练得到;
标记模块,用于确定概率数据最大的预设类别,将所述概率数据最大的预设类别标记为所述目标细胞的二次分类信息;
分类模块,用于当所述初始分类信息与所述二次分类信息相同时,将所述二次分类信息标记为所述目标细胞的分类结果,当所述初始分类信息与所述二次分类信息不同时,将所述二次分类信息标记为所述目标细胞的分类结果,并将所述目标细胞标注为异常细胞;
所述目标检测模块还用于获取样本图像数据和N个初始目标检测网络,将所述样本图像数据划分为N份数据,依次选取N份数据中的其中1份数据作为测试集,N-1份数据作为训练集,得到不同组合的N组样本图像数据,建立N个初始目标检测网络和N组样本图像数据之间的关联关系,根据所述关联关系以及各组样本图像数据中的训练集,训练对应的初始目标检测网络,根据各组样本图像数据中的测试集,计算各初始目标检测网络的评估参数,将N个初始目标检测网络的评估参数的平均值作为目标评估参数,将与所述目标评估参数误差最小的评估参数对应的初始目标检测网络标记为待训练目标检测模型,获取携带标注信息的样本细胞图像集合,根据所述待训练目标检测模型以所述携带标注信息的样本细胞图像集合作为训练集进行模型训练,得到目标检测模型,所述标注信息包括细胞位置信息以及细胞类别信息。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块还用于根据预设的特征提取网络中的纹理特征提取网络,提取目标细胞图像的纹理特征向量,根据预设的特征提取网络中的形状特征提取网络,提取目标细胞图像的形状特征向量,分别将纹理特征向量以及形状特征向量进行归一化处理,将归一化后的纹理特征向量以及形状特征向量进行向量拼接,得到目标细胞图像的细胞特征向量。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394263.8A CN110110799B (zh) | 2019-05-13 | 2019-05-13 | 细胞分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394263.8A CN110110799B (zh) | 2019-05-13 | 2019-05-13 | 细胞分类方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110799A CN110110799A (zh) | 2019-08-09 |
CN110110799B true CN110110799B (zh) | 2021-11-16 |
Family
ID=67489695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394263.8A Active CN110110799B (zh) | 2019-05-13 | 2019-05-13 | 细胞分类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110799B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465904A (zh) * | 2019-09-06 | 2021-03-09 | 上海晶赞融宣科技有限公司 | 图像目标定位方法、装置、计算机设备和存储介质 |
CN110705403A (zh) * | 2019-09-19 | 2020-01-17 | 平安科技(深圳)有限公司 | 细胞分类方法、装置、介质及电子设备 |
CN110706772B (zh) * | 2019-10-11 | 2023-05-09 | 北京百度网讯科技有限公司 | 一种排序方法及装置、电子设备、存储介质 |
CN110737801B (zh) * | 2019-10-14 | 2024-01-02 | 腾讯科技(深圳)有限公司 | 内容分类方法、装置、计算机设备和存储介质 |
CN110781823B (zh) * | 2019-10-25 | 2022-07-26 | 北京字节跳动网络技术有限公司 | 录屏检测方法、装置、可读介质及电子设备 |
CN110807426B (zh) * | 2019-11-05 | 2023-11-21 | 苏州华文海智能科技有限公司 | 一种基于深度学习的寄生虫检测***及方法 |
CN110889436B (zh) * | 2019-11-06 | 2022-07-22 | 西北工业大学 | 一种基于可信度估计的水下多类目标分类方法 |
CN110942089B (zh) * | 2019-11-08 | 2023-10-10 | 东北大学 | 一种基于多级决策的击键识别方法 |
CN112926608A (zh) * | 2019-12-05 | 2021-06-08 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN113035360A (zh) * | 2019-12-09 | 2021-06-25 | 浙江普罗亭健康科技有限公司 | 一种细胞分类模型学习方法 |
CN111178196B (zh) * | 2019-12-19 | 2024-01-23 | 东软集团股份有限公司 | 一种细胞分类的方法、装置及设备 |
CN111310611B (zh) * | 2020-01-22 | 2023-06-06 | 上海交通大学 | 细胞视野图的检测方法及存储介质 |
CN111368636B (zh) * | 2020-02-07 | 2024-02-09 | 深圳奇迹智慧网络有限公司 | 目标分类方法、装置、计算机设备和存储介质 |
CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
CN111353987A (zh) * | 2020-03-02 | 2020-06-30 | 中国科学技术大学 | 一种细胞核分割方法及装置 |
CN111340126B (zh) * | 2020-03-03 | 2023-06-09 | 腾讯云计算(北京)有限责任公司 | 物品识别方法、装置、计算机设备和存储介质 |
CN111414921B (zh) * | 2020-03-25 | 2024-03-15 | 抖音视界有限公司 | 样本图像处理方法、装置、电子设备及计算机存储介质 |
CN111461220B (zh) * | 2020-04-01 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 图像分析方法、图像分析装置及图像分析*** |
CN111643079B (zh) * | 2020-04-26 | 2022-06-10 | 南京航空航天大学 | 基于生物阻抗谱与电阻抗成像互为补偿的肿瘤细胞精准电阻抗检测方法 |
CN111797894A (zh) * | 2020-05-27 | 2020-10-20 | 北京齐尔布莱特科技有限公司 | 一种图像分类方法及计算设备 |
CN113762292B (zh) * | 2020-06-03 | 2024-02-02 | 杭州海康威视数字技术股份有限公司 | 一种训练数据获取方法、装置及模型训练方法、装置 |
CN111738350A (zh) * | 2020-06-30 | 2020-10-02 | 山东超越数控电子股份有限公司 | 图像识别的方法及装置、电子设备、计算机可读介质 |
CN112016586A (zh) * | 2020-07-08 | 2020-12-01 | 武汉智筑完美家居科技有限公司 | 图片分类方法及装置 |
CN112069874B (zh) * | 2020-07-17 | 2022-07-05 | 中山大学 | 胚胎光镜图像中细胞的识别方法及***、设备及存储介质 |
CN112132827A (zh) * | 2020-10-13 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
CN112597852B (zh) * | 2020-12-15 | 2024-05-24 | 深圳大学 | 细胞分类方法、装置、电子设备及存储介质 |
CN113962975B (zh) * | 2021-01-20 | 2022-09-13 | 赛维森(广州)医疗科技服务有限公司 | 基于梯度信息对病理玻片数字图像进行质量评估的*** |
CN113033389B (zh) * | 2021-03-23 | 2022-12-16 | 天津凌视科技有限公司 | 一种利用高速成像装置进行图像识别的方法及*** |
CN113095194A (zh) * | 2021-04-02 | 2021-07-09 | 北京车和家信息技术有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN113344868B (zh) * | 2021-05-28 | 2023-08-25 | 山东大学 | 一种基于混合转移学习的无标记细胞分类筛查*** |
CN113837158B (zh) * | 2021-11-26 | 2023-04-07 | 东南大学苏州医疗器械研究院 | 一种基于迁移学习的病毒中和抗体检测方法及装置 |
CN114359899B (zh) * | 2021-12-09 | 2022-09-20 | 首都医科大学附属北京天坛医院 | 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质 |
CN114298212B (zh) * | 2021-12-23 | 2024-04-02 | 深圳大学 | 一种用于细胞微损诱导的监测装置及明场监测方法 |
CN114897823B (zh) * | 2022-05-10 | 2024-03-19 | 广州锟元方青医疗科技有限公司 | 一种细胞学样本图像质量控制方法、***及存储介质 |
CN114972849A (zh) * | 2022-05-10 | 2022-08-30 | 清华大学 | 胶质瘤的类型识别方法、模型训练方法、装置、设备 |
CN114639102B (zh) * | 2022-05-11 | 2022-07-22 | 珠海横琴圣澳云智科技有限公司 | 基于关键点与尺寸回归的细胞分割方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
CN105095865A (zh) * | 2015-07-17 | 2015-11-25 | 广西师范大学 | 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置 |
CN106204642A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度神经网络的细胞追踪方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108629359A (zh) * | 2017-03-24 | 2018-10-09 | 中山大学 | 一种人类上皮细胞样本图像自动分类方法 |
CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
CN109493346A (zh) * | 2018-10-31 | 2019-03-19 | 浙江大学 | 一种基于多损失的胃癌病理切片图像分割方法和装置 |
CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技(深圳)有限公司 | 一种病理图像处理方法及***、设备、存储介质 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447169B (zh) * | 2018-11-02 | 2020-10-27 | 北京旷视科技有限公司 | 图像处理方法及其模型的训练方法、装置和电子*** |
CN109583369B (zh) * | 2018-11-29 | 2020-11-13 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
-
2019
- 2019-05-13 CN CN201910394263.8A patent/CN110110799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
CN105095865A (zh) * | 2015-07-17 | 2015-11-25 | 广西师范大学 | 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置 |
CN106204642A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度神经网络的细胞追踪方法 |
CN108629359A (zh) * | 2017-03-24 | 2018-10-09 | 中山大学 | 一种人类上皮细胞样本图像自动分类方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技(深圳)有限公司 | 一种病理图像处理方法及***、设备、存储介质 |
CN109493346A (zh) * | 2018-10-31 | 2019-03-19 | 浙江大学 | 一种基于多损失的胃癌病理切片图像分割方法和装置 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110110799A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN110111344B (zh) | 病理切片图像分级方法、装置、计算机设备和存储介质 | |
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
CN110120040B (zh) | 切片图像处理方法、装置、计算机设备和存储介质 | |
CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
US11977984B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN111860670A (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN111402267B (zh) | ***癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN112633297B (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN108830197A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
Molina-Giraldo et al. | Image segmentation based on multi-kernel learning and feature relevance analysis | |
CN115375674B (zh) | 胃白光瘤变图像识别方法、装置及存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |