CN111178196A - 一种细胞分类的方法、装置及设备 - Google Patents
一种细胞分类的方法、装置及设备 Download PDFInfo
- Publication number
- CN111178196A CN111178196A CN201911316367.3A CN201911316367A CN111178196A CN 111178196 A CN111178196 A CN 111178196A CN 201911316367 A CN201911316367 A CN 201911316367A CN 111178196 A CN111178196 A CN 111178196A
- Authority
- CN
- China
- Prior art keywords
- cell
- classified
- cells
- class
- classification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 77
- 210000004027 cell Anatomy 0.000 claims description 345
- 230000001575 pathological effect Effects 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 25
- 210000003855 cell nucleus Anatomy 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V20/698—Matching; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种细胞分类方法、装置及设备,所述方法包括:将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得本申请基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种细胞分类的方法、装置及设备。
背景技术
在医学领域中,细胞分类是计算机辅助病理学的关键步骤,由于病理图像中的细胞核,在微镜下外观的复杂性和多变性、各种类型细胞核之间的形态相似性以及数量特别巨大等因素,造成了细胞核的识别困难,导致细胞分类一直是一个难题。
而对于细胞分类而言,如何提取待分类细胞的特征是影响细胞分类结果准确性的关键因素。具体的,细胞特征提取是指将细胞中的原始数据转换为在机器学习中能够被高效利用以及便于处理的表达形式。目前的细胞特征提取方式分为人工特征提取和智能特征提取两种方式,而人工特征提取的方式显然耗时耗力,且依赖专业知识。
目前,细胞特征提取方式主要为智能特征提取,具体利用算法自动化的从海量的大数据中学习特征,这种方式更加智能化。但是,在智能特征提取的前提下,目前具体的细胞特征提取方式中,仅关注细胞中与各个细胞类别均相关的特征,即仅提取细胞中与各个细胞类别均相关的共有特征,用于作为该细胞的特征表达,显然不能对细胞的特征进行相对全面的描述,进而导致基于该特征表达实现的细胞分类存在结果不准确的问题。
发明内容
有鉴于此,本申请提供了一种细胞分类方法、装置及设备,能够基于待分类细胞中每个细胞类别的独有特征和共性特征,对细胞进行分类,提高了分类结果的准确性。
第一方面,为实现上述发明目的,本申请提供了一种细胞分类的方法,所述方法包括:
将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;
基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
一种可选的实施方式中,所述基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果,包括:
将所述待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度;
将所述置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
一种可选的实施方式中,所述将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征之前,还包括:
确定任一病理图像上的细胞的细胞核质心;
基于所述细胞核质心,从所述病理图像上分割出包含待分类细胞的图像。
一种可选的实施方式中,所述细胞特征提取模型由自编码器实现;所述将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征之前,还包括:
利用具有类别标签的细胞图像样本,对所述自编码器进行训练,并在所述自编码器中隐藏层的各个节点的联合概率偏差达到预设标准时,得到经过训练的细胞特征提取模型。
一种可选的实施方式中,所述细胞特征提取模型由预设个数的自编码器堆叠实现。
第二方面,本申请还提供了一种细胞分类的装置,所述装置包括:
特征提取模块,用于将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;
分类模块,用于基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
一种可选的实施方式中,所述分类模块,包括:
分类子模块,用于将所述待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度;
确定子模块,用于将所述置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
一种可选的实施方式中,所述装置还包括:
确定模块,用于确定任一病理图像上的细胞的细胞核质心;
分割模块,用于基于所述细胞核质心,从所述病理图像上分割出包含待分类细胞的图像。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项所述的方法。
第四方面,本申请还提供了一种设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项所述的方法。
本申请提供的细胞分类方法中,利用细胞特征提取模型提取待分类细胞的类别特征和共性特征,然后基于类别特征和共性特征,对待分类细胞进行分类,得到分类结果。由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种细胞分类方法流程图;
图2为本申请实施例提供的一种细胞特征提取模型的结构示意图;
图3为本申请实施例提供的一种细胞分类装置的结构示意图;
图4为本申请实施例提供的一种细胞分类设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,对细胞分类仅基于细胞中与各个细胞类别均相关的共有特征,由于共有特征不能对细胞的特征进行全面表达,因此,仅基于与各个细胞类别均相关的共有特征对细胞进行分类,得到的分类结果不准确。
为此,本申请提供了一种细胞分类方法,利用细胞特征提取模型提取待分类细胞的类别特征和共性特征,然后基于类别特征和共性特征,对待分类细胞进行分类,得到分类结果。由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
以下为本申请实施例提供的一种细胞分类方法,参考图1,为本申请实施例提供的一种细胞分类方法的流程图,该方法包括:
S101:将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征。
本申请实施例中,根据细胞分类需求,预先设定细胞类别,例如细胞类别可以包括分浆细胞与淋巴细胞两种细胞类别。
实际应用中,在利用细胞特征提取模型对待分类细胞进行特征提取之前,首先利用具有类别标签的细胞图像样本对细胞特征提取模型进行训练,具体的训练过程在后续进行介绍。
为了实现对待分类细胞的特征进行更全面的表达,本申请实施例利用细胞特征提取模型提取待分类细胞的类别特征和共性特征。具体的,类别特征包括每个细胞类别的独有特征,即类别特征能够体现出待分类细胞中每个细胞类别的独有特征;共性特征包括每个细胞类别的共有特征,即共性特征能够体现出待分类细胞中每个细胞类别的共有特征。
S102:基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
本申请实施例中,在提取到待分类细胞的类别特征和共性特征后,基于待分类细胞的类别特征和共性特征,对待分类细胞进行分类,得到待分类细胞的分类结果。
实际应用中,基于待分类细胞的类别特征和共性特征对待分类细胞进行分类,可以利用各种类型的细胞分类模型,如softmax逻辑回归模型、FCN全卷积神经网络模型、SVM支持向量机模型等。
一种可选的实施方式中,可以将提取到的待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度。然后,将置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
例如,将待分类细胞的类别特征和共性特征分别输入至FCN全卷积神经网络模型和SVM支持向量机模型中,经过FCN全卷积神经网络模型和SVM支持向量机模型的分类处理后,得到FCN全卷积神经网络模型输出的第一分类结果和第一置信度,以及SVM支持向量机模型输出的第二分类结果和第二置信度。本申请实施例通过比较第一置信度和第二置信度的大小,将较大的置信度对应的分类结果确定为待分类细胞的分类结果,同时将第一置信度和第二置信度的平均值作为待分类细胞的分类结果的置信度。
本申请实施例提供的细胞分类方法中,利用细胞特征提取模型提取待分类细胞的类别特征和共性特征,然后基于类别特征和共性特征,对待分类细胞进行分类,得到分类结果。由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
由于每张病理图像上通常包括大量的细胞,本申请实施例在对病理图像上的每个细胞进行分类之前,首先需要对病历图像进行分割,得到包含待分类细胞的图像。
具体的,本申请实施例提供了一种从病理图像上分割包含待分类细胞的图像的方法,包括:
首先,确定任一病理图像上的细胞的细胞核质心。
其次,基于所述细胞核质心,从所述病理图像上分割出待分类细胞的图像。
实际应用中,一张病理图像上通常包括大量的细胞,在确定细胞核质心之前,首先将病理图像进行处理,得到若干包含单一细胞的病理图像。具体的,可以基于病理图像的颜色值等信息对其进行分割,以得到包含单一细胞的病理图像。
在获取到任一包含单一细胞的病理图像后,首先确定该病理图像包含的轮廓信息,然后计算该轮廓信息的图像矩(Moment),最终基于图像矩确定病理图像上细胞的细胞核质心。
其中,计算病理图像的轮廓信息的图像矩的公式(1)和确定细胞核质心的公式(2),如下:
其中,Mpq用于表示轮廓信息,x,y用于表示轮廓信息的坐标信息。
实际应用中,在确定病理图像上的细胞核质心后,基于细胞核质心的位置,从病理图像上分割出待分类细胞的图像。其中,分割出的待分类细胞的图像可以为预设标准的图像,如边长为预设值a像素的正方形,且为RGB三通道图像。
为了使得分割出的待分类细胞的图像上的数据分布更均匀,本申请实施例可以对待分类细胞的图像进行标准化处理以及归一化处理。由于对图像的标准化处理和归一化处理为图像处理的常用技术,因此本申请实施例不再赘述。
通过上述方式能够得到待分类细胞的图像,然后利用本申请实施例提供的细胞分类方法,对待分类细胞进行分类,得到分类结果,具体的细胞分类过程可参照上下文进行理解,在此不再赘述。
另外,对于细胞特征提取模型而言,在利用细胞特征提取模型对待分类细胞进行分类之前,首先利用具有标签的细胞图像样本对细胞特征提取模型进行训练,得到经过训练的细胞特征提取模型,用于对待分类细胞进行分类。
一种可选的实施方式中,可以利用自编码器实现细胞特征提取模型,利用具有标签的细胞图像样本对自编码器进行训练后,得到细胞特征提取模型。具体的,本申请实施例在自编码器中隐藏层的各个节点的联合概率偏差达到预设标准时完成训练,得到经过训练的细胞特征提取模型。
实际应用中,对于具有类别标签的细胞图像样本可以基于历史数据中已完成分类的病理图像获取的。
对自编码器的训练过程中,在自编码器中隐藏层的各个节点的联合概率偏差达到预设标准时完成训练,使得自编码器的隐藏层中的节点被激活成与各个细胞类别分别对应类别节点集合。其中,联合概率偏差,是指某个节点被激活为某个细胞类别的概率与标准的差值。
举例说明,对于自编码器中的节点A而言,节点A被激活成第一细胞类别的概率为90%,节点A被激活成第二细胞类别的概率为10%,联合概率为节点A被同时激活为第一细胞类别的概率90%和第二细胞类别的概率10%,如果节点激活的预设标准为100%,即当节点被激活成某个细胞类别的概率为100%时,可以将该节点加入该细胞类别的类别节点集合中,而节点A被激活成第一细胞类别的概率90%与标准100%的差值即为偏差。可以理解的是,偏差越小,说明节点的激活状态与标准越接近,因此可以通过最小化偏差对自编码器中的各个节点进行激活,得到与各个细胞类别分别对应的类别节点集合,用于提取待分类细胞与各个细胞类别分别对应的类别特征。
具体的,可以利用联合概率计算公式(3)确定各个细胞类别分别对应的被激活节点,其中,公式(3)为:
由于公式(3)为目前比较常用的联合概率计算公式,因此本申请实施例对其不再具体介绍。
另外,由于细胞特征提取模型不仅用于提取各个细胞类别的独有特征,还用于提取各个细胞类别的共有特征,其中,共有特征也可以理解为各个细胞类别之间的相互特征。例如,细胞的某一个特征既与第一细胞类别有关,同时也与第二细胞类别有关,则该特征即为第一细胞类别和第二细胞类别的共有特征,也叫作该细胞的共性特征。
一种可选的实施方式中,可以基于包含各个细胞类别之间的相对熵的loss公式,对自编码器进行训练,使得得到的细胞特征提取模型能够从待分类细胞中提取各个细胞类别的共性特征。
具体的,可以利用loss公式(4)和相对熵(又称KL距离)计算公式(5),对自编码器进行训练。具体的,公式(4)和公式(5)如下:
其中,Jspare(W,b)用于表示自编码器的隐含层的节点输出的平均值,为了使得细胞特征提取模型能够从待分类细胞中提取共性特征,需要保证Jspare(W,b)的值尽量为0,这样的话,自编码器的隐含层的大部分节点都处于非激活activite状态。由于公式(4)和(5)为现有计算公式,因此本申请实施例对其不再具体介绍。
为了进一步提高待分类细胞的特征表达的准确性,从而提高基于特征表达得到的分类结果的准确性,本申请实施例可以利用预设个数的自编码器堆叠实现细胞特征提取模型。
如图2所示,为本申请实施例提供的一种细胞特征提取模型的结构示意图。其中,该细胞特征提取模型由n个自编码器堆叠而成,具体的,细胞特征提取模型中前一个自编码器的输出为相邻后一个自编码器的输入。例如,AE1作为细胞特征提取模型的第一个自编码器,AE1的输入为待分类细胞的图像的原始数据,经过AE1的处理后,AE1的隐含层的输出h1作为AE2的输入,以此类推,后续的各个自编码器不再赘述。
一种可选的实现方式中,图2中的细胞特征提取模型可以是逐层训练实现的,具体的,通过对AE1进行训练先得到第一层结构,之后依次进行,得到下一层结构,最终实现整个堆叠结构的训练,得到经过训练的细胞特征提取模型。
另外,实际应用中可以根据待分类细胞的图像的复杂度,确定细胞特征提取模型的堆叠数量和结构。然后,将得到细胞特征提取模型用于对待分类细胞进行特征提取,最终实现对待分类细胞的分类。
本申请实施例提供的细胞分类中,由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
另外,本申请实施例还可以通过自编码器的堆叠构建细胞特征提取模型,由于结构层次更复杂的细胞特征提取模型,对于复杂度较高的待分类细胞的图像的处理效果更好,因此,本申请实施例基于通过自编码器的堆叠构建细胞特征提取模型提取待分类细胞的特征,能够对待分类细胞进行更准确的特征表达,从而能够进一步的提高待分类细胞的分类结果的准确性。
与上述方法实施例相对应的,本申请还提供了一种细胞分类装置,参考图3,为本申请实施例提供的一种细胞分类装置的结构示意图,该装置包括:
特征提取模块301,用于将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;
分类模块302,用于基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
具体的,所述分类模块,包括:
分类子模块,用于将所述待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度;
确定子模块,用于将所述置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
一种可选的实施方式中,所述装置还包括:
确定模块,用于确定任一病理图像上的细胞的细胞核质心;
分割模块,用于基于所述细胞核质心,从所述病理图像上分割出包含待分类细胞的图像。
本申请提供的细胞分类装置,利用细胞特征提取模型提取待分类细胞的类别特征和共性特征,然后基于类别特征和共性特征,对待分类细胞进行分类,得到分类结果。由于类别特征能够体现待分类细胞中每个细胞类别的独有特征,而共性特征能够体现每个细胞类别的共有特征,因此结合独有特征和共性特征能够更准确的对待分类细胞进行特征表达,使得基于类别特征和共性特征对待分类细胞进行分类后得到的分类结果更准确。
另外,本申请实施例还提供了一种细胞分类设备,参见图4所示,可以包括:
处理器401、存储器402、输入装置403和输出装置404。细胞分类设备中的处理器401的数量可以一个或多个,图4中以一个处理器为例。在本发明的一些实施例中,处理器401、存储器402、输入装置403和输出装置404可通过总线或其它方式连接,其中,图4中以通过总线连接为例。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行细胞分类设备的各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置403可用于接收输入的数字或字符信息,以及产生与细胞分类设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中,处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现上述细胞分类方法中的各种功能。
另外,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述的细胞分类方法。
可以理解的是,对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种细胞分类方法、装置及设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种细胞分类的方法,其特征在于,所述方法包括:
将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;
基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果,包括:
将所述待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度;
将所述置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
3.根据权利要求1所述的方法,其特征在于,所述将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征之前,还包括:
确定任一病理图像上的细胞的细胞核质心;
基于所述细胞核质心,从所述病理图像上分割出包含待分类细胞的图像。
4.根据权利要求1所述的方法,其特征在于,所述细胞特征提取模型由自编码器实现;所述将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征之前,还包括:
利用具有类别标签的细胞图像样本,对所述自编码器进行训练,并在所述自编码器中隐藏层的各个节点的联合概率偏差达到预设标准时,得到经过训练的细胞特征提取模型。
5.根据权利要求1所述的方法,其特征在于,所述细胞特征提取模型由预设个数的自编码器堆叠实现。
6.一种细胞分类的装置,其特征在于,所述装置包括:
特征提取模块,用于将待分类细胞的图像输入至细胞特征提取模型中,经过所述细胞特征提取模型的处理后,得到所述待分类细胞的类别特征和共性特征;其中,所述细胞特征提取模型为利用具有类别标签的细胞图像样本训练得到,所述类别特征包括每个细胞类别的独有特征,所述共性特征包括每个细胞类别的共有特征;
分类模块,用于基于所述待分类细胞的类别特征和共性特征,对所述待分类细胞进行分类,得到所述待分类细胞的分类结果。
7.根据权利要求6所述的装置,其特征在于,所述分类模块,包括:
分类子模块,用于将所述待分类细胞的类别特征和共性特征输入到至少两种类型的细胞分类模型,经过所述至少两种类型的细胞分类模型的处理后,得到所述至少两种类型的细胞分类模型分别输出的分类结果和置信度;
确定子模块,用于将所述置信度最高的分类结果作为所述待分类细胞的分类结果,以及将所述至少两种类型的细胞分类模型分别输出的置信度的平均值作为所述待分类细胞的分类结果的置信度。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
确定模块,用于确定任一病理图像上的细胞的细胞核质心;
分割模块,用于基于所述细胞核质心,从所述病理图像上分割出包含待分类细胞的图像。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-5任一项所述的方法。
10.一种设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316367.3A CN111178196B (zh) | 2019-12-19 | 2019-12-19 | 一种细胞分类的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316367.3A CN111178196B (zh) | 2019-12-19 | 2019-12-19 | 一种细胞分类的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178196A true CN111178196A (zh) | 2020-05-19 |
CN111178196B CN111178196B (zh) | 2024-01-23 |
Family
ID=70657547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911316367.3A Active CN111178196B (zh) | 2019-12-19 | 2019-12-19 | 一种细胞分类的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178196B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598029A (zh) * | 2020-05-21 | 2020-08-28 | 东莞太力生物工程有限公司 | 目标细胞株的筛选方法、***、服务器及存储介质 |
CN113011415A (zh) * | 2020-11-25 | 2021-06-22 | 齐鲁工业大学 | 基于Grid R-CNN模型改进的目标检测方法及*** |
CN113436191A (zh) * | 2021-08-26 | 2021-09-24 | 深圳科亚医疗科技有限公司 | 一种病理图像的分类方法、分类***及可读介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392456A (zh) * | 2014-12-09 | 2015-03-04 | 西安电子科技大学 | 基于深度自编码器和区域图的sar图像分割方法 |
CN105930796A (zh) * | 2016-04-21 | 2016-09-07 | 中国人民解放军信息工程大学 | 一种基于深度自编码器的单样本人脸图像识别方法 |
CN106407992A (zh) * | 2016-09-20 | 2017-02-15 | 福建省妇幼保健院 | 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及*** |
CN106971378A (zh) * | 2016-08-23 | 2017-07-21 | 上海海洋大学 | 一种基于深度去噪自编码器的单幅图像去雨方法 |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测*** |
CN108537133A (zh) * | 2018-03-16 | 2018-09-14 | 江苏经贸职业技术学院 | 一种基于监督学习深度自编码器的人脸重构方法 |
CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
CN109558816A (zh) * | 2018-11-16 | 2019-04-02 | 中山大学 | 一种基于多特征表示的模式识别方法 |
CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
-
2019
- 2019-12-19 CN CN201911316367.3A patent/CN111178196B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392456A (zh) * | 2014-12-09 | 2015-03-04 | 西安电子科技大学 | 基于深度自编码器和区域图的sar图像分割方法 |
CN105930796A (zh) * | 2016-04-21 | 2016-09-07 | 中国人民解放军信息工程大学 | 一种基于深度自编码器的单样本人脸图像识别方法 |
CN106971378A (zh) * | 2016-08-23 | 2017-07-21 | 上海海洋大学 | 一种基于深度去噪自编码器的单幅图像去雨方法 |
CN106407992A (zh) * | 2016-09-20 | 2017-02-15 | 福建省妇幼保健院 | 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及*** |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测*** |
CN108537133A (zh) * | 2018-03-16 | 2018-09-14 | 江苏经贸职业技术学院 | 一种基于监督学习深度自编码器的人脸重构方法 |
CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
CN109558816A (zh) * | 2018-11-16 | 2019-04-02 | 中山大学 | 一种基于多特征表示的模式识别方法 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598029A (zh) * | 2020-05-21 | 2020-08-28 | 东莞太力生物工程有限公司 | 目标细胞株的筛选方法、***、服务器及存储介质 |
CN113011415A (zh) * | 2020-11-25 | 2021-06-22 | 齐鲁工业大学 | 基于Grid R-CNN模型改进的目标检测方法及*** |
CN113436191A (zh) * | 2021-08-26 | 2021-09-24 | 深圳科亚医疗科技有限公司 | 一种病理图像的分类方法、分类***及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178196B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
EP3227836B1 (en) | Active machine learning | |
US11804069B2 (en) | Image clustering method and apparatus, and storage medium | |
US20190102655A1 (en) | Training data acquisition method and device, server and storage medium | |
CN108804641A (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
WO2016066042A1 (zh) | 商品图片的分割方法及其装置 | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
EP3620982B1 (en) | Sample processing method and device | |
CN113378938B (zh) | 一种基于边Transformer图神经网络的小样本图像分类方法及*** | |
CN110874618A (zh) | 基于小样本的ocr模板学习方法、装置、电子设备及介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112883979A (zh) | 三维实例分割方法、装置、设备和计算机可读存储介质 | |
CN114387608B (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
CN115546525A (zh) | 多视图聚类方法、装置、电子设备及存储介质 | |
CN111694954A (zh) | 图像分类方法、装置和电子设备 | |
CN115098679A (zh) | 文本分类标注样本的异常检测方法、装置、设备及介质 | |
Torres | A framework for the unsupervised and semi-supervised analysis of visual frames | |
CN111553361B (zh) | 一种病理切片标签识别方法 | |
CN113553326A (zh) | 电子表格数据处理方法、装置、计算机设备和存储介质 | |
Gao et al. | An improved XGBoost based on weighted column subsampling for object classification | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN110765917A (zh) | 适用于人脸识别模型训练的主动学习方法、装置、终端、介质 | |
CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 |
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 |