CN114549889A - 细胞密度分类方法及装置、电子装置及存储介质 - Google Patents

细胞密度分类方法及装置、电子装置及存储介质 Download PDF

Info

Publication number
CN114549889A
CN114549889A CN202011357231.XA CN202011357231A CN114549889A CN 114549889 A CN114549889 A CN 114549889A CN 202011357231 A CN202011357231 A CN 202011357231A CN 114549889 A CN114549889 A CN 114549889A
Authority
CN
China
Prior art keywords
biological cell
cell image
tested
density
neural network
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
Application number
CN202011357231.XA
Other languages
English (en)
Inventor
李宛真
郭锦斌
卢志德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202011357231.XA priority Critical patent/CN114549889A/zh
Priority to US17/533,394 priority patent/US20220165075A1/en
Publication of CN114549889A publication Critical patent/CN114549889A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种细胞密度分类方法，所述方法包括：将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应；确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。本申请还提供一种细胞密度分类装置、一种电子装置及一种存储介质，可提高细胞计数的速度。

Description

细胞密度分类方法及装置、电子装置及存储介质
技术领域
本发明涉及计算机学习技术领域，具体涉及一种细胞密度分类方法及装置、电子装置及计算机可读存储介质。
背景技术
目前，在对生物细胞，例如生物干细胞，进行研究时，往往不需要知道图像中的干细胞的准确数量，而只需要知道图像中的干细胞的密度范围。但是，现有的生物细胞计数方法为计算图像中的细胞的数量，并根据所述细胞的数量计算图像中的干细胞的密度范围，如此，将会导致细胞的计数费时。
发明内容
鉴于此，有必要提供一种细胞密度分类方法及装置、电子装置及计算机可读存储介质，可提高细胞计数的速度。
本申请的第一方面提供一种细胞密度分类方法，所述方法包括：
将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应；
确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
较佳地，在所述将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配之前，所述方法还包括：
获取被分为多个不同密度范围的多个训练生物细胞图像；
将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型。
较佳地，多个不同的所述密度范围形成的密度范围为0～100％。
较佳地，所述获取被分为多个不同密度范围的多个训练生物细胞图像包括：
获取多个训练生物细胞图像；
将多个所述训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
较佳地，所述将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配包括：
将所述将待测试生物细胞图像输入所述训练卷积神经网络模型中得到重构生物细胞图像；
判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似；
若所述重构生物细胞图像与所述待测试生物细胞图像相似，确定所述重构生物细胞图像与所述待测试生物细胞图像匹配。
较佳地，所述方法还包括：
若所述重构生物细胞图像与所述待测试生物细胞图像不相似，将所述将待测试生物细胞图像输入下一个所述训练卷积神经网络模型中得到重构生物细胞图像；
判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似；
若所述重构生物细胞图像与所述待测试生物细胞图像不相似，继续得到重构生物细胞图像及判断直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配。
较佳地，所述重构生物细胞图像的细胞密度范围与所述训练卷积神经网络模型对应的生物细胞图像的细胞密度所处的密度范围相同。
本申请的第二方面提供一种细胞密度分类装置，所述装置包括：
输入模块，用于将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应；
确定模块，用于确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
本申请的第三方面提供一种电子装置，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个指令时实现如上任意一项所述的细胞密度分类方法。
本申请的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行以实现如上任意一项所述的细胞密度分类方法。
本案利用训练卷积神经网络模型确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
附图说明
为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的细胞密度分类装置的方框图。
图2是本发明实施例二提供的细胞密度分类装置的方框图。
图3是本发明实施例三提供的细胞密度分类方法的流程图。
图4是图3中将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配的一实施例的流程图。
图5是图3中将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配的另一实施例的示意图。
图6是本发明实施例四提供的细胞密度分类方法的流程图。
图7是将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型的示意图。
图8是本发明实施例五提供的电子装置的方框图。
如下具体实施方式将结合上述附图进一步说明本发明。
主要元件符号说明
细胞密度分类装置 10，20
输入模块 101，203
确定模块 102，204
获取模块 201
训练模块 202
电子装置 8
存储器 81
处理器 82
计算机程序 83
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1是本发明实施例一提供的细胞密度分类装置的方框图。所述细胞密度分类装置10应用于电子装置上。所述电子装置可为智能手机、桌上电脑、平板电脑等。所述细胞密度分类装置10包括输入模块101及确定模块102。所述输入模块101用于将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应。所述确定模块102用于确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
图2是本发明实施例二提供的细胞密度分类装置的方框图。所述细胞密度分类装置20应用于电子装置上。所述电子装置可为智能手机、桌上电脑、平板电脑等。所述细胞密度分类装置20包括获取模块201、训练模块202、输入模块203及确定模块204。所述获取模块201用于获取被分为多个不同密度范围的多个训练生物细胞图像。所述训练模块202用于将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型。所述输入模块203用于将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应。所述确定模块204用于确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
以下将结合一种细胞密度分类方法的流程图来详细描述模块101～102及模块201～204的具体功能。
图3是本发明实施例三提供的细胞密度分类方法的流程图。所述细胞密度分类方法可包括以下步骤：
S31：将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应。
所述生物细胞图像可为，例如，生物干细胞图像。所述生物干细胞图像包括干细胞及其他物质。所述其他物质可为杂质或其他细胞。所述重构生物细胞图像的细胞密度范围与所述训练卷积神经网络模型对应的生物细胞图像的细胞密度所处的密度范围相同。
请参考图4，为所述将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配的一实施例的流程图。所述流程图可包括如下步骤：
S41：将所述将待测试生物细胞图像输入所述训练卷积神经网络模型中得到重构生物细胞图像。
S42：判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似。
S43：若所述重构生物细胞图像与所述待测试生物细胞图像相似，确定所述重构生物细胞图像与所述待测试生物细胞图像匹配。
S44：若所述重构生物细胞图像与所述待测试生物细胞图像不相似，将所述将待测试生物细胞图像输入下一个所述训练卷积神经网络模型中得到重构生物细胞图像。
S45：判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似。
S46：若所述重构生物细胞图像与所述待测试生物细胞图像不相似，继续得到重构生物细胞图像及判断直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配。
例如，将所述将待测试生物细胞图像1输入训练卷积神经网络模型1中得到重构生物细胞图像1，判断所述重构生物细胞图像1与所述待测试生物细胞图像1是否相似，确定所述重构生物细胞图像1与所述待测试生物细胞图像1不相似。此时，将待测试生物细胞图像1输入训练卷积神经网络模型2中得到重构生物细胞图像2，判断所述重构生物细胞图像2与所述待测试生物细胞图像1是否相似，确定所述重构生物细胞图像2与所述待测试生物细胞图像1相似，此时，确定所述重构生物细胞图像2与所述待测试生物细胞图像1匹配。
请参考图5，为将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配的另一实施例的示意图。在所述另一实施例中，所述待测试生物细胞图像输入所有的训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配。在图5中，待测试生物细胞图像3输入训练卷积神经网络模型1、训练卷积神经网络模型2、训练卷积神经网络模型3及训练卷积神经网络模型4中分别得到重构生物细胞图像1、重构生物细胞图像2、重构生物细胞图像3及重构生物细胞图像4，其中得到的重构生物细胞图像3与所述待测试生物细胞图像3匹配。
S32：确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
所述确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围可为，例如，在图5中，由训练卷积神经网络模型3所得到的重构生物细胞图像3与所述待测试生物细胞图像3匹配，确定所述待测试生物细胞图像3的细胞密度为训练卷积神经网络模型3对应的密度范围40％～60％。
实施例三将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围，从而，本案利用训练卷积神经网络模型确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
图6是本发明实施例四提供的细胞密度分类方法的流程图。所述细胞密度分类方法可包括以下步骤：
S61：获取被分为多个不同密度范围的多个训练生物细胞图像。
多个不同的所述密度范围形成的密度范围为0～100％。所述密度范围的大小可完全相同或不完全相同。
所述获取被分为多个不同密度范围的多个训练生物细胞图像包括：
获取多个训练生物细胞图像，及将多个所述训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
所述将多个所述训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像可为按照预设规则或随机将多个所述训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
S62：将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型。
所述将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型可为，例如，如图7所示，将密度范围0～40％的多个训练生物细胞图像输入至卷积神经网络模型1中，将密度范围40％～60％的多个训练生物细胞图像输入至卷积神经网络模型2中，将密度范围60％～80％的多个训练生物细胞图像输入至卷积神经网络模型3中，将密度范围80％～100％的多个训练生物细胞图像输入至卷积神经网络模型4中，得到训练卷积神经网络模型1、训练卷积神经网络模型2、训练卷积神经网络模型3及训练卷积神经网络模型4。
S63：将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应。
所述实施例四中的所述步骤S63与所述实施例三中的所述步骤S31相似，所述实施例四中的所述步骤S63的具体描述可参考所述实施例三中的所述步骤S31，在此不进行赘述。
S64：确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
所述实施例四中的所述步骤S64与所述实施例三中的所述步骤S32相似，所述实施例四中的所述步骤S63的具体描述可参考所述实施例三中的所述步骤S32，在此不进行赘述。
实施例四获取被分为多个不同密度范围的多个训练生物细胞图像，将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型，将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。从而，本案通过先训练卷积神经网络模型，再根据训练卷积神经网络模型确定待测试生物细胞图像的细胞密度，无需计算所述细胞的数量就可确定所述细胞密度范围，提高所述细胞计数的速度。
图8是本发明实施例三提供的电子装置的方框图。所述电子装置8包括：存储器81、至少一个处理器82、及存储在所述存储器81中并可在所述至少一个处理器82上运行的计算机程序83。所述至少一个处理器82执行所述计算机程序83时实现上述方法实施例中的步骤。或者，所述至少一个处理器82执行所述计算机程序83时实现上述装置实施例中的各模块的功能。
示例性的，所述计算机程序83可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述至少一个处理器82执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序83在所述电子装置8中的执行过程。例如，所述计算机程序83可以被分割成图1所示的模块，各模块具体功能参见实施例一。
所述电子装置8可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)等。本领域技术人员可以理解，所述示意图8仅是电子装置8的示例，并不构成对电子装置8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置8还可以包括总线等。
所述至少一个处理器82可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器82可以是微处理器或者该处理器82也可以是任何常规的处理器等，所述处理器82是所述电子装置8的控制中心，利用各种接口和线路连接整个电子装置8的各个部分。
所述存储器81可用于存储所述计算机程序83和/或模块/单元，所述处理器82通过运行或执行存储在所述存储器81内的计算机可读指令和/或模块/单元，以及调用存储在存储器81内的数据，实现所述电子装置8的各种功能。所述存储器81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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置8的使用所创建的数据(比如音频数据等)等。此外，存储器81可以包括非易失性计算机可读存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述电子装置8集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)等。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。

Claims (10)

1.一种细胞密度分类方法，其特征在于，所述方法包括：
将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应；
确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
2.如权利要求1所述的细胞密度分类方法，其特征在于，在所述将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配之前，所述方法还包括：
获取被分为多个不同密度范围的多个训练生物细胞图像；
将各密度范围的多个训练生物细胞图像输入至不同的卷积神经网络模型中得到多个训练卷积神经网络模型。
3.如权利要求2所述的细胞密度分类方法，其特征在于：多个不同的所述密度范围形成的密度范围为0～100％。
4.如权利要求2所述的细胞密度分类方法，其特征在于，所述获取被分为多个不同密度范围的多个训练生物细胞图像包括：
获取多个训练生物细胞图像；
将多个所述训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。
5.如权利要求1所述的细胞密度分类方法，其特征在于，所述将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配包括：
将所述将待测试生物细胞图像输入所述训练卷积神经网络模型中得到重构生物细胞图像；
判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似；
若所述重构生物细胞图像与所述待测试生物细胞图像相似，确定所述重构生物细胞图像与所述待测试生物细胞图像匹配。
6.如权利要求5所述的细胞密度分类方法，其特征在于，所述方法还包括：
若所述重构生物细胞图像与所述待测试生物细胞图像不相似，将所述将待测试生物细胞图像输入下一个所述训练卷积神经网络模型中得到重构生物细胞图像；
判断所述重构生物细胞图像是否与所述待测试生物细胞图像相似；
若所述重构生物细胞图像与所述待测试生物细胞图像不相似，继续得到重构生物细胞图像及判断直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配。
7.如权利要求1所述的细胞密度分类方法，其特征在于：所述重构生物细胞图像的细胞密度范围与所述训练卷积神经网络模型对应的生物细胞图像的细胞密度所处的密度范围相同。
8.一种细胞密度分类装置，其特征在于，所述装置包括：
输入模块，用于将待测试生物细胞图像输入训练卷积神经网络模型中直至得到的重构生物细胞图像与所述待测试生物细胞图像匹配，所述训练卷积神经网络模型与生物细胞图像的细胞密度所处的密度范围对应；
确定模块，用于确定所述待测试生物细胞图像的细胞密度为与所述重构生物细胞图像匹配时的训练卷积神经网络模型对应的密度范围。
9.一种电子装置，其特征在于，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个指令时实现如权利要求1至7中任意一项所述的细胞密度分类方法。
10.一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存储有至少一个指令，所述至少一个指令被处理器执行以实现如权利要求1至7中任意一项所述的细胞密度分类方法。
CN202011357231.XA 2020-11-26 2020-11-26 细胞密度分类方法及装置、电子装置及存储介质 Pending CN114549889A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011357231.XA CN114549889A (zh) 2020-11-26 2020-11-26 细胞密度分类方法及装置、电子装置及存储介质
US17/533,394 US20220165075A1 (en) 2020-11-26 2021-11-23 Method and device for classifing densities of cells, electronic device using method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357231.XA CN114549889A (zh) 2020-11-26 2020-11-26 细胞密度分类方法及装置、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN114549889A true CN114549889A (zh) 2022-05-27

Family

ID=81657159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357231.XA Pending CN114549889A (zh) 2020-11-26 2020-11-26 细胞密度分类方法及装置、电子装置及存储介质

Country Status (2)

Country Link
US (1) US20220165075A1 (zh)
CN (1) CN114549889A (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11164312B2 (en) * 2017-11-30 2021-11-02 The Research Foundation tor the State University of New York System and method to quantify tumor-infiltrating lymphocytes (TILs) for clinical pathology analysis based on prediction, spatial analysis, molecular correlation, and reconstruction of TIL information identified in digitized tissue images

Also Published As

Publication number Publication date
US20220165075A1 (en) 2022-05-26

Similar Documents

Publication Publication Date Title
CN109446430B (zh) 产品推荐的方法、装置、计算机设备及可读存储介质
CN111461168B (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN109242002A (zh) 高维数据分类方法、装置及终端设备
CN112015603A (zh) 用户终端硬件检测方法、装置、计算机装置及存储介质
CN112257578B (zh) 人脸关键点检测方法、装置、电子设备及存储介质
CN110399487B (zh) 一种文本分类方法、装置、电子设备及存储介质
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN114943673A (zh) 瑕疵图像生成方法、装置、电子设备及存储介质
CN112990318A (zh) 持续学习方法、装置、终端及存储介质
CN112861934A (zh) 一种嵌入式终端的图像分类方法、装置及嵌入式终端
CN113673706A (zh) 机器学习模型训练方法、装置及电子设备
CN115910325A (zh) 用于认知任务测评的建模方法、认知任务测评方法及***
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
US12002272B2 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
CN109766089B (zh) 基于动图的代码生成方法、装置、电子设备及存储介质
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN114549889A (zh) 细胞密度分类方法及装置、电子装置及存储介质
CN113807407B (zh) 目标检测模型训练方法、模型性能检测方法及装置
TWI755176B (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質
CN112508062B (zh) 一种开集数据的分类方法、装置、设备及存储介质
CN111767710B (zh) 印尼语的情感分类方法、装置、设备及介质
CN111242449A (zh) 一种企业情报流失预测方法
TW202226065A (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質
CN113782055B (zh) 基于学生特性的语音评定方法及***

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