CN115393846B - 一种血细胞识别方法、装置、设备及可读存储介质 - Google Patents
一种血细胞识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115393846B CN115393846B CN202211331829.0A CN202211331829A CN115393846B CN 115393846 B CN115393846 B CN 115393846B CN 202211331829 A CN202211331829 A CN 202211331829A CN 115393846 B CN115393846 B CN 115393846B
- Authority
- CN
- China
- Prior art keywords
- characteristic diagram
- information
- blood cell
- reference information
- sample
- 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
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种血细胞识别方法、装置、设备及可读存储介质,涉及细胞识别技术领域,所述方法包括获取第一信息、参考信息和训练后的神经网络模型;将第一信息和参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息;将预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将预处理后的参考信息发送至训练后的神经网络模型得到第二特征图;根据第一特征图和第二特征图识别学生标注的血细胞玻片样本图像是否正确,本发明通过神经网络模型生成第一信息和参考信息对应的特征图,再对特征图进行聚类分析实现血细胞的智能化识别,大大的减少了人工成本。
Description
技术领域
本发明涉及细胞识别技术领域,具体而言,涉及一种血细胞识别方法、装置、设备及可读存储介质。
背景技术
在使用显微镜观察血细胞的初中生物实验考试中,需要在考试中将观察到血细胞进行区分并在红细胞和白细胞的对应位置进行标注,在现有技术中,通常采用人工的方式对学生的标注是否正确进行判断,耗费大量的人力物力,因此亟需一种血细胞的识别方法,能够实现对学生标注的血细胞进行智能化识别,以快速判断学生对实验的掌握情况。
发明内容
本发明的目的在于提供一种血细胞识别方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种血细胞识别方法,所述方法包括:
获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
将所述第一信息和所述参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确。
第二方面,本申请实施例提供了一种血细胞识别装置,所述装置包括:
获取模块,用于获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
处理模块,用于将所述第一信息和所述参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
发送模块,用于将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
识别模块,用于根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确。
第三方面,本申请实施例提供了一种血细胞识别设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述血细胞识别方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质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上述血细胞识别方法的步骤。
本发明的有益效果为:
1、本发明通过双重生成对抗网络对第一信息和参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,避免了玻片样本出现模糊导致后续步骤无法进行,再加入神经网络模型提取第一信息与参考信息多尺度的特征生成相应的特征图,通过对特征图进行聚类分析以判断学生标注的血细胞玻片样本是否与预先标注的血细胞玻片样本一致,实现了血细胞的智能化识别,大大的减少了人工成本。
2、本发明通过第二样本集和噪声样本得到扩充后的样本,有效的将样本集进行了扩充,提高了样本的多样性,同时通过噪声样本可以生成不同亮度和不同对比度的学生的血细胞玻片样本对样本集进行扩充,有效的避免了教室灯光造成的学生的血细胞玻片样本对识别结果产生的影响,提高了血细胞识别的准确率。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的血细胞识别方法流程示意图。
图2为本发明实施例中所述的血细胞识别装置结构示意图。
图3为本发明实施例中所述的血细胞识别设备结构示意图。
图中标记:901、获取模块;902、处理模块;903、发送模块;904、识别模块;9011、第二获取单元;9012、发送单元;9013、扩充单元;9014、第二训练单元;9021、第一获取单元;9022、构建单元;9023、第一训练单元;9024、第一处理单元;9031、第二处理单元;9032、第三处理单元;9033、第四处理单元;9041、第五处理单元;9042、第六处理单元;9043、判断单元;90431、聚类单元;90432、第七处理单元;90433、子判断单元;800、血细胞识别设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种血细胞识别方法,可以理解的是,在本实施例中可以铺设一个场景,例如:在初中生物观察血细胞的实验中,学生需要使用显微镜将观察到的血细胞进行截图后再分别在红细胞和白细胞的对应位置进行标注。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3和步骤S4,其中:
步骤S1、获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
需要说明的是,第一信息为在显微镜下对血细胞进行观察并截图,再对截图中的红细胞和白细胞进行标注所得到的血细胞玻片样本图像。
可以理解的是,所述步骤S1包括步骤S11、步骤S12、步骤S13和步骤S14,其中:
步骤S11、获取第二样本集和噪声样本,所述第二样本集包括至少一个学生观察的血细胞玻片样本图像、所述噪声样本包括亮度噪声和对比度噪声;
步骤S12、将所述第二样本集和所述噪声样本均发送至生成器中得到对抗样本;
可以理解的是,可以通过亮度函数和对比度函数可以评估生成图像与第二样本集中图像的相似性,以评估生成的对抗样本的质量,其中具体为:
上式中,为亮度函数,为对比度函数,x为第二样本集中的图像,y为
生成器生成图像,第二样本集中的图像的平均像素值,为生成图像的平均像素值,
为第二样本集中的图像像素值的标准差,为生成图像像素值的标准差,、均为常数,
其中,结果越接近0表示对抗样本的质量越好,即扩充后的样本集质量更好。
步骤S13、根据所述对抗样本对所述第二样本集进行扩充得到扩充后的样本集;
可以理解的是,通过第二样本集和噪声样本得到扩充后的样本,有效的将样本集进行了扩充,提高了样本的多样性。
步骤S14、利用所述扩充后的样本集对神经网络模型进行训练,得到训练后的神经网络模型。
可以理解的是,在教室中学生进行截图时,可能由于教室灯光的原因造成学生的血细胞玻片样本亮度和对比度不同,从而对识别结果产生影响,噪声样本可以通过生成器生成不同亮度和不同对比度的学生的血细胞玻片样本,通过扩充后的样本集对神经网络进行训练,有效的避免了教室灯光造成的学生的血细胞玻片样本对识别结果产生的影响,提高了血细胞识别的准确率。
步骤S2、将所述第一信息进行预处理和所述参考信息,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
可以理解的是,所述步骤S2还包括步骤S21、步骤S22、步骤S23和步骤S24,其中:
步骤S21、获取第一数据集和第二数据集,所述第一数据集包括至少一张清晰的学生观察的血细胞玻片样本图像,所述第二数据集包括至少一张模糊的学生观察的血细胞玻片样本图像;
可以理解的是,第一数据集和第二数据集中包括的图像均为真实截图的图像,使本算法具有良好的泛化能力。
步骤S22、基于所述第一数据集和所述第二数据集构成第一样本集;
步骤S23、利用所述第一样本集对预设的双重生成对抗网络进行训练,得到完成训练后的双重生成对抗网络;
步骤S24、将所述第一信息输入至所述完成训练后的双重生成对抗网络进行预处理,得到所述预处理后的第一信息。
在本实施例中,为了避免学生在截图时可能得到模糊的图像,造成后续步骤无法进行,本申请通过用真实拍摄的模糊图像进行学习使得该算法具有良好的泛化能力,采用两个相同的生成对抗网络形成一个双重对抗网络实现图像的去模糊处理以确保后续对血细胞进行智能化识别步骤能够继续进行。
步骤S3、将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
可以理解的是,所述步骤S3还包括步骤S31、步骤S32和步骤S33,其中:
步骤S31、利用不同尺度的卷积核提取第一信息的多尺度特征信息,所述多尺度特征信息包括三个尺度的特征图;
可以理解的是,对第一信息分别使用1×1、3×3、5×5共3种不同尺度的卷积核提取特征生成三个尺度的特征图,通过不同尺度卷积可以得到不同尺度的特征。
步骤S32、对所述第一信息的多尺度特征信息中包括的三个尺度的特征图采用级联的方式进行拼接,得到拼接后的特征图;
可以理解的是,融合不同尺度的特征,提高红细胞的纹理特征和局部特征的细节以提高细胞分类检测的精度。
步骤S33、将所述拼接后的特征图输入预设尺寸的卷积核进行特征映射,得到第一特征图。
可以理解的是,输入预设尺寸为1×1的卷积核进行特征映射,生成第一特征图。
步骤S4、根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确。
可以理解的是,所述步骤S4还包括步骤S41、步骤S42和步骤S43,其中:
步骤S41、利用转置卷积层对所述第二特征图进行上采样,得到与所述参考信息尺寸相同的第三特征图;
可以理解的是,利用转置卷积层对所述第二特征图进行上采样,使它恢复到与预先标注的血细胞玻片样本图像相同的尺寸,实现对图像的每个像素值都产生一个预测,同时保留原始输入图像中的空间信息,
步骤S42、将第三特征图中红细胞对应的像素点的像素、白细胞对应的像素点的像素和背景对应的像素点的像素进行修改,得到第四特征图;
可以理解的是,将背景对应的像素点的像素修改为0,将特征图中红细胞对应的像素点的像素修改为1,将白细胞对应的像素点的像素修改为2。
步骤S43、根据所述第四特征图对所述第一特征图进行聚类分析判断学生标注的血细胞玻片样本图像是否正确。
可以理解的是,所述步骤S43还包括步骤S431、步骤S432和步骤S433,其中:
步骤S431、利用聚类算法对所述第一特征图进行聚类分析,得到第二信息,所述第二信息包括第一特征图中包括的红细胞的中心坐标和白细胞的中心坐标;
可以理解的是,将第四特征图中的红细胞作为第一聚类中心,将第四特征图中的白细胞作为第二聚类中心,通过K均值聚类算法对第一特征图进行聚类分析,得到第一特征图中包括的红细胞的中心坐标和白细胞的中心坐标,其中K均值聚类算法为本领域技术人员所熟知的技术,故不再赘述。
步骤S432、根据所述第二信息在所述第四特征图中找到对应的像素点,并判断两像素点的像素值是否一致,得到判断结果;
可以理解的是,通过判断像素点的像素值是否一致,有效的提高了血细胞识别的准确率,实现了血细胞的智能化识别。
步骤S433、根据所述判断结果判断学生标注的血细胞玻片样本图像是否正确。
可以理解的是,将第一特征图中包括的红细胞的中心坐标在第四特征图中找到对应的中心坐标,判断两个中心坐标对应的像素点的像素值是否一致即可判断红细胞标注是否正确,得到判断结果,其中,若两个中心坐标对应的像素点的像素值一致,则判断学生标注的血细胞玻片样本图像正确,若两个中心坐标对应的像素点的像素值不一致,则判断学生标注的血细胞玻片样本图像不正确,白细胞的判断原理相同,故不再赘述。
实施例2:
如图2所示,本实施例提供了一种血细胞识别装置,所述装置包括获取模块901、处理模块902、发送模块903和识别模块904,其中:
获取模块901,用于获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
处理模块902,用于将所述第一信息和所述参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
发送模块903,用于将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
识别模块904,用于根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确。
在本公开的一种具体实施方式中,所述处理模块902包括第一获取单元9021、构建单元9022、第一训练单元9023和第一处理单元9024,其中:
第一获取单元9021,用于获取第一数据集和第二数据集,所述第一数据集包括至少一张清晰的学生观察的血细胞玻片样本图像,所述第二数据集包括至少一张模糊的学生观察的血细胞玻片样本图像;
构建单元9022,用于基于所述第一数据集和所述第二数据集构成第一样本集;
第一训练单元9023,用于利用所述第一样本集对预设的双重生成对抗网络进行训练,得到完成训练后的双重生成对抗网络;
第一处理单元9024,用于将所述第一信息输入至所述完成训练后的双重生成对抗网络进行预处理,得到所述预处理后的第一信息。
在本公开的一种具体实施方式中,所述获取模块901包括第二获取单元9011、发送单元9012、扩充单元9013和第二训练单元9014,其中:
第二获取单元9011,用于获取第二样本集和噪声样本,所述第二样本集包括至少一个学生观察的血细胞玻片样本图像、所述噪声样本包括亮度噪声和对比度噪声;
发送单元9012,用于将所述第二样本集和所述噪声样本均发送至生成器中得到对抗样本;
扩充单元9013,用于根据所述对抗样本对所述第二样本集进行扩充得到扩充后的样本集;
第二训练单元9014,用于利用所述扩充后的样本集对神经网络模型进行训练,得到训练后的神经网络模型。
在本公开的一种具体实施方式中,所述发送模块903包括第二处理单元9031、第三处理单元9032和第四处理单元9033,其中:
第二处理单元9031,用于利用不同尺度的卷积核提取第一信息的多尺度特征信息,所述多尺度特征信息包括三个尺度的特征图;
第三处理单元9032,用于对所述第一信息的多尺度特征信息中包括的三个尺度的特征图采用级联的方式进行拼接,得到拼接后的特征图;
第四处理单元9033,用于将所述拼接后的特征图输入预设尺寸的卷积核进行特征映射,得到第一特征图。
在本公开的一种具体实施方式中,所述识别模块904包括第五处理单元9041、第六处理单元9042和判断单元9043,其中:
第五处理单元9041,用于利用转置卷积层对所述第二特征图进行上采样,得到与所述参考信息尺寸相同的第三特征图;
第六处理单元9042,用于将第三特征图中红细胞对应的像素点的像素、白细胞对应的像素点的像素和背景对应的像素点的像素进行修改,得到第四特征图;
判断单元9043,用于根据所述第四特征图对所述第一特征图进行聚类分析判断学生标注的血细胞玻片样本图像是否正确。
在本公开的一种具体实施方式中,所述判断单元9043包括聚类单元90431、第七处理单元90432和子判断单元90433,其中:
聚类单元90431,用于利用聚类算法对所述第一特征图进行聚类分析,得到第二信息,所述第二信息包括第一特征图中包括的红细胞的中心坐标和白细胞的中心坐标;
第七处理单元90432,用于根据所述第二信息在所述第四特征图中找到对应的像素点,并判断两像素点的像素值是否一致,得到判断结果;
子判断单元90433,用于根据所述判断结果判断学生标注的血细胞玻片样本图像是否正确。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种血细胞识别设备,下文描述的一种血细胞识别设备与上文描述的一种血细胞识别方法可相互对应参照。
图3是根据示例性实施例示出的一种血细胞识别设备800的框图。如图3所示,该血细胞识别设备800可以包括:处理器801,存储器802。该血细胞识别设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该血细胞识别设备800的整体操作,以完成上述的血细胞识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该血细胞识别设备800的操作,这些数据例如可以包括用于在该血细胞识别设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该血细胞识别设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,血细胞识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的血细胞识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的血细胞识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由血细胞识别设备800的处理器801执行以完成上述的血细胞识别方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种血细胞识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的血细胞识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种血细胞识别方法,其特征在于,包括:
获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
将所述第一信息和所述参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确;
其中,根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确,包括:
利用转置卷积层对所述第二特征图进行上采样,得到与所述参考信息尺寸相同的第三特征图;
将第三特征图中红细胞对应的像素点的像素、白细胞对应的像素点的像素和背景对应的像素点的像素进行修改,得到第四特征图;
根据所述第四特征图对所述第一特征图进行聚类分析判断学生标注的血细胞玻片样本图像是否正确;
其中,根据所述第四特征图对所述第一特征图进行聚类分析判断学生标注的血细胞玻片样本图像是否正确,包括:
利用聚类算法对所述第一特征图进行聚类分析,得到第二信息,所述第二信息包括第一特征图中包括的红细胞的中心坐标和白细胞的中心坐标;
根据所述第二信息在所述第四特征图中找到对应的像素点,并判断两像素点的像素值是否一致,得到判断结果;
根据所述判断结果判断学生标注的血细胞玻片样本图像是否正确。
2.根据权利要求1所述的血细胞识别方法,其特征在于,获取所述训练后的神经网络模型,包括:
获取第二样本集和噪声样本,所述第二样本集包括至少一个学生观察的血细胞玻片样本图像、所述噪声样本包括亮度噪声和对比度噪声;
将所述第二样本集和所述噪声样本均发送至生成器中得到对抗样本;
根据所述对抗样本对所述第二样本集进行扩充得到扩充后的样本集;
利用所述扩充后的样本集对神经网络模型进行训练,得到训练后的神经网络模型。
3.一种血细胞识别装置,其特征在于,包括:
获取模块,用于获取第一信息、参考信息和训练后的神经网络模型,所述第一信息包括学生标注的血细胞玻片样本图像,所述参考信息为预先标注的血细胞玻片样本图像;
处理模块,用于将所述第一信息和所述参考信息进行预处理,得到预处理后的第一信息和预处理后的参考信息,所述预处理后的参考信息包括去模糊后的参考信息;
发送模块,用于将所述预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图,将所述预处理后的参考信息发送至所述训练后的神经网络模型得到第二特征图;
识别模块,用于根据所述第一特征图和所述第二特征图识别学生标注的血细胞玻片样本图像是否正确;
所述识别模块,包括:
第五处理单元,用于利用转置卷积层对所述第二特征图进行上采样,得到与所述参考信息尺寸相同的第三特征图;
第六处理单元,用于将第三特征图中红细胞对应的像素点的像素、白细胞对应的像素点的像素和背景对应的像素点的像素进行修改,得到第四特征图;
判断单元,用于根据所述第四特征图对所述第一特征图进行聚类分析判断学生标注的血细胞玻片样本图像是否正确;
所述判断单元,包括:
聚类单元,用于利用聚类算法对所述第一特征图进行聚类分析,得到第二信息,所述第二信息包括第一特征图中包括的红细胞的中心坐标和白细胞的中心坐标;
第七处理单元,用于根据所述第二信息在所述第四特征图中找到对应的像素点,并判断两像素点的像素值是否一致,得到判断结果;
子判断单元,用于根据所述判断结果判断学生标注的血细胞玻片样本图像是否正确。
4.根据权利要求3所述的血细胞识别装置,其特征在于,所述获取模块,包括:
第二获取单元,用于获取第二样本集和噪声样本,所述第二样本集包括至少一个学生观察的血细胞玻片样本图像、所述噪声样本包括亮度噪声和对比度噪声;
发送单元,用于将所述第二样本集和所述噪声样本均发送至生成器中得到对抗样本;
扩充单元,用于根据所述对抗样本对所述第二样本集进行扩充得到扩充后的样本集;
第二训练单元,用于利用所述扩充后的样本集对神经网络模型进行训练,得到训练后的神经网络模型。
5.一种血细胞识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述血细胞识别方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质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如权利要求1至2任一项所述血细胞识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331829.0A CN115393846B (zh) | 2022-10-28 | 2022-10-28 | 一种血细胞识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331829.0A CN115393846B (zh) | 2022-10-28 | 2022-10-28 | 一种血细胞识别方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393846A CN115393846A (zh) | 2022-11-25 |
CN115393846B true CN115393846B (zh) | 2023-03-03 |
Family
ID=84115240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331829.0A Active CN115393846B (zh) | 2022-10-28 | 2022-10-28 | 一种血细胞识别方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393846B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN111739017A (zh) * | 2020-07-22 | 2020-10-02 | 湖南国科智瞳科技有限公司 | 一种在样本不平衡条件下显微图像的细胞识别方法及*** |
CN112579808A (zh) * | 2020-12-29 | 2021-03-30 | 上海赛图默飞医疗科技有限公司 | 数据标注处理方法及装置、*** |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别*** |
CN113706562A (zh) * | 2020-07-08 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、***及细胞分割方法 |
CN113793336A (zh) * | 2021-11-17 | 2021-12-14 | 成都西交智汇大数据科技有限公司 | 一种检测血细胞的方法、装置、设备及可读存储介质 |
AU2021103837A4 (en) * | 2021-07-03 | 2022-05-12 | Asha Gowda Karegowda | CNN based leukocytes classification in blood images and WBC count detection |
CN115019305A (zh) * | 2022-08-08 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 一种根尖细胞的识别方法、装置、设备及可读存储介质 |
CN115223662A (zh) * | 2022-07-22 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11589924B2 (en) * | 2017-08-01 | 2023-02-28 | Siemens Healthcare Gmbh | Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions |
CN111104538A (zh) * | 2019-12-06 | 2020-05-05 | 深圳久凌软件技术有限公司 | 一种基于多尺度约束的细粒度车辆图像检索的方法及装置 |
CN114663383A (zh) * | 2022-03-18 | 2022-06-24 | 清华大学 | 一种血细胞分割与识别方法、装置、电子设备和存储介质 |
-
2022
- 2022-10-28 CN CN202211331829.0A patent/CN115393846B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN113706562A (zh) * | 2020-07-08 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、***及细胞分割方法 |
CN111739017A (zh) * | 2020-07-22 | 2020-10-02 | 湖南国科智瞳科技有限公司 | 一种在样本不平衡条件下显微图像的细胞识别方法及*** |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别*** |
CN112579808A (zh) * | 2020-12-29 | 2021-03-30 | 上海赛图默飞医疗科技有限公司 | 数据标注处理方法及装置、*** |
AU2021103837A4 (en) * | 2021-07-03 | 2022-05-12 | Asha Gowda Karegowda | CNN based leukocytes classification in blood images and WBC count detection |
CN113793336A (zh) * | 2021-11-17 | 2021-12-14 | 成都西交智汇大数据科技有限公司 | 一种检测血细胞的方法、装置、设备及可读存储介质 |
CN115223662A (zh) * | 2022-07-22 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN115019305A (zh) * | 2022-08-08 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 一种根尖细胞的识别方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于半监督学习的外周血白细胞自动分类识别;陈奕君;《中国优秀硕士学位论文全文数据库》;20220615(第06期);第E060-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115393846A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9349076B1 (en) | Template-based target object detection in an image | |
CN112801146B (zh) | 一种目标检测方法及*** | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN110175609B (zh) | 界面元素检测方法、装置及设备 | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
CN113822951B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US11710552B2 (en) | Method and system for refining label information | |
CN111753746B (zh) | 属性识别模型训练方法、识别方法、电子设备、存储介质 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN117132763A (zh) | 电力图像异常检测方法、装置、计算机设备和存储介质 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN112835807B (zh) | 界面识别方法、装置、电子设备和存储介质 | |
CN117011616B (zh) | 一种图像内容审核方法、装置、存储介质和电子设备 | |
CN114091551A (zh) | 色情图像识别方法、装置、电子设备及存储介质 | |
CN113420295A (zh) | 恶意软件的检测方法及装置 | |
CN117349402A (zh) | 一种基于机器阅读理解的情绪原因对识别方法及*** | |
CN115393846B (zh) | 一种血细胞识别方法、装置、设备及可读存储介质 | |
CN111914850B (zh) | 图片特征提取方法、装置、服务器和介质 | |
CN116883909A (zh) | 直播敏感图像识别方法、装置、计算机设备和存储介质 | |
CN116894974A (zh) | 图像分类方法、装置、计算机设备及其存储介质 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN115131291A (zh) | 对象计数模型的训练方法、装置、设备以及存储介质 | |
CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
CN113706636A (zh) | 一种用于篡改图像识别的方法与装置 |
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 |