【技術(shù)實現(xiàn)步驟摘要】
本公開的實施例涉及圖像處理，具體涉及細胞圖像質(zhì)量評估及其模型訓練方法、裝置、電子設備和存儲介質(zhì)。
技術(shù)介紹
1、細胞顯微影像在腫瘤精確診療領域發(fā)揮著至關(guān)重要的角色。它作為一種重要的臨床診斷工具，不僅可以為醫(yī)生提供有關(guān)患者細胞狀態(tài)的詳細信息，還可以為臨床決策提供有力依據(jù)。
2、在實際應用過程中，細胞顯微影像的數(shù)據(jù)來源多樣，包括不同的醫(yī)療機構(gòu)和實驗人員。細胞顯微影像數(shù)據(jù)的質(zhì)量評估主要依賴于判讀人員的主觀感受，這種方式不僅效率較低，而且由于個體差異，一致性也較差。同時，多來源的特點使得影像數(shù)據(jù)的質(zhì)量評估體系不穩(wěn)定，進而導致人工智能模型的性能不穩(wěn)定，使得細胞顯微影像在臨床診斷中的應用受到了一定程度的限制。
3、因此，如何客觀、準確地對細胞圖像進行質(zhì)量評估，是本領域技術(shù)人員亟須解決的技術(shù)問題。
技術(shù)實現(xiàn)思路
1、本公開的實施例提出了細胞圖像質(zhì)量評估及其模型訓練方法、裝置、電子設備和存儲介質(zhì)。
2、第一方面，本公開的實施例提供了一種細胞圖像質(zhì)量評估模型訓練方法，該方法包括：
3、利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果，上述樣本集包括合格細胞圖像和不合格細胞圖像；
4、基于上述樣本集中質(zhì)量評估結(jié)果為合格的合格細胞圖像生成真陰樣本集；
5、基于上述樣本集中質(zhì)量評估結(jié)果為不合格的合格細胞圖像生成難樣本集；
6、利用難樣本集和真陰樣本集，對上述預先訓練的質(zhì)量評估模型進
7、作為一種可能的實施方式，在上述利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果之前，上述方法還包括：
8、利用上述樣本集，對原始質(zhì)量評估模型進行預訓練，得到預先訓練的質(zhì)量評估模型。
9、作為一種可能的實施方式，利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果，包括：
10、對于上述樣本集中的每個細胞圖像，執(zhí)行以下質(zhì)量評估操作：對該細胞圖像進行切分得到與該細胞圖像對應的多個圖像塊；以該細胞圖像作為包，以該細胞圖像對應的多個圖像塊作為實例，利用上述預先訓練的質(zhì)量評估模型進行質(zhì)量評估，得到該細胞圖像的質(zhì)量評估結(jié)果。
11、作為一種可能的實施方式，上述質(zhì)量評估模型為多實例學習模型，包括特征提取器、多實例學習網(wǎng)絡和分類模型；以及
12、上述以該細胞圖像作為包，以該細胞圖像對應的多個圖像塊作為實例，利用上述預先訓練的質(zhì)量評估模型進行質(zhì)量評估，得到該細胞圖像的質(zhì)量評估結(jié)果，包括：
13、將該細胞圖像的每個圖像塊輸入上述特征提取器，得到相應圖像塊的嵌入特征向量，拼接該細胞圖像的各圖像塊的嵌入特征向量得到該細胞圖像的嵌入特征向量；
14、將該細胞圖像的嵌入特征向量輸入上述多實例學習網(wǎng)絡，得到該細胞圖像的概率向量；
15、將該細胞圖像的概率向量輸入上述分類模型，得到該細胞圖像的質(zhì)量評估結(jié)果。
16、作為一種可能的實施方式，上述將該細胞圖像的嵌入特征向量輸入上述多實例學習網(wǎng)絡，得到該細胞圖像的概率向量，包括：
17、對該細胞圖像的每個圖像塊的嵌入特征向量進行降維，得到相應圖像塊的降維特征向量；
18、基于多頭注意力機制，確定用于表征該細胞圖像的多個圖像塊的降維特征向量之間相關(guān)性的第一相關(guān)性向量；
19、利用位置編碼特征提取器，對該細胞圖像的每個圖像塊的降維向量的位置信息進行編碼，得到相應圖像塊的位置信息編碼向量；
20、基于多頭注意力機制，確定用于表征該細胞圖像的多個圖像塊的位置信息編碼向量之間相關(guān)性的第二相關(guān)性向量；
21、將該細胞圖像的降維特征向量上述第一相關(guān)性向量和上述第二相關(guān)性向量輸入全連接層，得到該細胞圖像的概率向量。
22、作為一種可能的實施方式，上述樣本集通過以下樣本抽取操作獲得：
23、獲取完整樣本集，上述完整樣本集中合格細胞圖像的數(shù)量遠大于不合格細胞圖像的數(shù)量；
24、將上述完整樣本集中的不合格細胞圖像加入上述樣本集；
25、從上述完整樣本集中，抽取與上述完整樣本集中不合格細胞圖像數(shù)量相同的合格細胞圖像加入上述樣本集。
26、作為一種可能的實施方式，上述利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果之后，上述方法還包括：
27、基于該細胞圖像的質(zhì)量評估結(jié)果與用于表征該細胞圖像為合格細胞圖像或者不合格細胞圖像的標簽之間的差異，計算該細胞圖像對應的損失值；以及
28、上述基于上述樣本集中質(zhì)量評估結(jié)果為不合格的合格細胞圖像生成難樣本集，包括：
29、對于上述樣本集中的假陽樣本，以該假陽樣本對應的損失值作為該假陽樣本的抽取概率，從上述樣本集中抽取與上述真陰樣本集相同樣本數(shù)量的假陽樣本，形成難樣本集，其中，假陽樣本為質(zhì)量評估結(jié)果為不合格的合格細胞圖像。
30、第二方面，本公開的實施例提供了一種細胞圖像質(zhì)量評估方法，該方法包括：
31、獲取待評估細胞圖像；
32、將上述待評估細胞圖像輸入訓練后的最終訓練質(zhì)量評估模型，得到上述待評估細胞圖像的質(zhì)量評估結(jié)果，其中，上述訓練后的最終訓練質(zhì)量評估模型是采用如第一方面上述的細胞圖像質(zhì)量評估模型訓練方法訓練得到的。
33、第三方面，本公開的實施例提供了一種細胞圖像質(zhì)量評估模型訓練裝置，該裝置包括：
34、評估模塊，用于利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果，上述樣本集包括合格細胞圖像和不合格細胞圖像；
35、真陰樣本生成模塊，用于基于上述樣本集中質(zhì)量評估結(jié)果為合格的合格細胞圖像生成真陰樣本集；
36、難樣本生成模塊，用于基于上述樣本集中質(zhì)量評估結(jié)果為不合格的合格細胞圖像生成難樣本集；
37、訓練模塊，用于利用難樣本集和真陰樣本集，對上述預先訓練的質(zhì)量評估模型進行訓練，得到訓練后的最終質(zhì)量評估模型。
38、第四方面，本公開的實施例提供了一種細胞圖像質(zhì)量評估裝置，該裝置包括：
39、圖像獲取模塊，用于獲取待評估細胞圖像；
40、圖像評估模塊，用于將上述待評估細胞圖像輸入訓練后的最終訓練質(zhì)量評估模型，得到上述待評估細胞圖像的質(zhì)量評估結(jié)果，其中，上述訓練后的最終訓練質(zhì)量評估模型是采用如第一方面上述的細胞圖像質(zhì)量評估模型訓練方法訓練得到的。
41、第五方面，本公開的實施例提供了一種電子設備，包括：一個或多個處理器；存儲裝置，其上存儲有一個或多個程序，當上述一個或多個程序被上述一個或多個處理器執(zhí)行時，使得上述一個或多個處理器實現(xiàn)如第一方面和/或第二方面中任一實現(xiàn)方式描述的方法。
本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種細胞圖像質(zhì)量評估模型訓練方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果之前，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述質(zhì)量評估模型為多實例學習模型，包括特征提取器、多實例學習網(wǎng)絡和分類模型；以及
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述多實例學習網(wǎng)絡為基于轉(zhuǎn)換器的多實例網(wǎng)絡；以及
6.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述樣本集通過以下樣本抽取操作獲得：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果之后，所述方法還包括：
8.一種細胞圖像質(zhì)量評估方法，其特征在于，包括：
9.一種細胞圖像質(zhì)量評估模
10.一種細胞圖像質(zhì)量評估裝置，其特征在于，包括：
11.一種電子設備，其特征在于，包括：
12.一種計算機可讀存儲介質(zhì)，其特征在于，其上存儲有計算機程序，其中，所述計算機程序被一個或多個處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7和/或權(quán)利要求8中任一所述的方法。
...【技術(shù)特征摘要】
1.一種細胞圖像質(zhì)量評估模型訓練方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果之前，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用預先訓練的質(zhì)量評估模型，分別對樣本集中每個細胞圖像進行質(zhì)量評估，得到相應的質(zhì)量評估結(jié)果，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述質(zhì)量評估模型為多實例學習模型，包括特征提取器、多實例學習網(wǎng)絡和分類模型；以及
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述多實例學習網(wǎng)絡為基于轉(zhuǎn)換器的多實例網(wǎng)絡；以及
6.根據(jù)權(quán)利要求1或...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄺英蘭，呂行，孔娟靜，周燕玲，葉莘，
申請(專利權(quán))人：珠海橫琴圣澳云智科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。