【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及數(shù)據(jù)處理，尤其涉及一種基于模型微調(diào)的細(xì)胞圖像識別方法及系統(tǒng)。
技術(shù)介紹
1、隨著圖像處理技術(shù)的發(fā)展和醫(yī)學(xué)輔助影像技術(shù)的普及，越來越多的生物細(xì)胞圖像被用于疾病研究或治療用途，如何有效地對生物組織圖像中的細(xì)胞區(qū)域進(jìn)行識別和分割，成為了核心的技術(shù)問題。但現(xiàn)有的細(xì)胞圖像識別技術(shù)在實(shí)現(xiàn)細(xì)胞識別時(shí)一般僅借助基于細(xì)胞標(biāo)注圖像對常見的圖像識別算法模型進(jìn)行訓(xùn)練以用于識別，沒有進(jìn)一步根據(jù)細(xì)胞識別流程中的不同環(huán)節(jié)和清晰度影響因素來構(gòu)建獨(dú)特的算法模型以用于識別，因此其細(xì)胞識別的效率和精確度均有所欠缺。可見，現(xiàn)有技術(shù)存在缺陷，亟待解決。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題在于，提供一種基于模型微調(diào)的細(xì)胞圖像識別方法及系統(tǒng)，能夠充分利用清晰度因素和先驗(yàn)區(qū)域識別來精確識別圖像中的細(xì)胞區(qū)域和類型，提高細(xì)胞識別的精度和效率，為疾病治療或研究提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。
2、為了解決上述技術(shù)問題，本專利技術(shù)第一方面公開了一種基于模型微調(diào)的細(xì)胞圖像識別方法，所述方法包括：
3、獲取包括有細(xì)胞圖像的待識別圖像；
4、將所述待識別圖像輸入至訓(xùn)練好的細(xì)胞清晰度識別模型，以得到對應(yīng)的細(xì)胞清晰度；
5、將所述待識別圖像輸入至訓(xùn)練好的細(xì)胞存在區(qū)域識別模型，以得到對應(yīng)的存在細(xì)胞區(qū)域圖像；
6、將所述存在細(xì)胞區(qū)域圖像以及所述細(xì)胞清晰度，輸入至訓(xùn)練好的細(xì)胞分類模型中，得到對應(yīng)的多個(gè)細(xì)胞區(qū)域和對應(yīng)的細(xì)胞類型；所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述
7、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型基于同一訓(xùn)練數(shù)據(jù)集進(jìn)行聯(lián)合訓(xùn)練得到；所述訓(xùn)練數(shù)據(jù)集中包括有多個(gè)訓(xùn)練圖像和對應(yīng)的細(xì)胞區(qū)域標(biāo)注、細(xì)胞類型標(biāo)注和細(xì)胞清晰度標(biāo)注。
8、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型通過以下步驟訓(xùn)練得到：
9、將所述訓(xùn)練數(shù)據(jù)集輸入至所述細(xì)胞清晰度識別模型和所述細(xì)胞存在區(qū)域識別模型進(jìn)行訓(xùn)練直至兩者的第一預(yù)測準(zhǔn)確率達(dá)到預(yù)設(shè)的第一準(zhǔn)確率閾值；
10、對所述細(xì)胞清晰度識別模型和所述細(xì)胞存在區(qū)域識別模型的模型權(quán)重進(jìn)行凍結(jié)，將所述訓(xùn)練數(shù)據(jù)集輸入至所述細(xì)胞分類模型進(jìn)行訓(xùn)練直至其第二預(yù)測準(zhǔn)確率達(dá)到預(yù)設(shè)的第二準(zhǔn)確率閾值；所述第二準(zhǔn)確率閾值大于所述第一準(zhǔn)確率閾值；
11、對所述細(xì)胞清晰度識別模型和所述細(xì)胞存在區(qū)域識別模型的模型權(quán)重進(jìn)行解凍，并將所述訓(xùn)練數(shù)據(jù)集同時(shí)輸入至所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型中進(jìn)行聯(lián)合訓(xùn)練直至三者的第三預(yù)測準(zhǔn)確率達(dá)到預(yù)設(shè)的第三準(zhǔn)確率閾值，得到訓(xùn)練好的所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型；所述第三準(zhǔn)確率閾值大于所述第二準(zhǔn)確率閾值。
12、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述細(xì)胞清晰度識別模型為卷積神經(jīng)網(wǎng)絡(luò)，其在訓(xùn)練中采用l1損失作為損失函數(shù)；所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型均為全卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練中采用交叉熵?fù)p失函數(shù)作為損失函數(shù)進(jìn)行訓(xùn)練。
13、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，在將所述訓(xùn)練數(shù)據(jù)集同時(shí)輸入至所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型中進(jìn)行聯(lián)合訓(xùn)練時(shí)，所述聯(lián)合訓(xùn)練中采用的損失函數(shù)為第一損失函數(shù)值、第二損失函數(shù)值和第三損失函數(shù)值的加權(quán)求和；其中：
14、所述第一損失函數(shù)值為所述細(xì)胞清晰度識別模型輸出的預(yù)測清晰度和對應(yīng)的所述細(xì)胞清晰度標(biāo)注之間的差異度，其對應(yīng)的權(quán)重與當(dāng)次輸入數(shù)據(jù)中所有訓(xùn)練圖像對應(yīng)的細(xì)胞清晰度標(biāo)注的方差成正比；
15、所述第二損失函數(shù)值為所述細(xì)胞存在區(qū)域識別模型輸出的預(yù)測細(xì)胞存在區(qū)域和對應(yīng)的所有所述細(xì)胞區(qū)域標(biāo)注之間的交叉熵，其對應(yīng)的權(quán)重與當(dāng)次輸入數(shù)據(jù)中所有訓(xùn)練圖像對應(yīng)的所有細(xì)胞區(qū)域標(biāo)注的區(qū)域并集的總區(qū)域面積成正比；
16、所述第三損失函數(shù)值為所述細(xì)胞分類模型輸出的預(yù)測細(xì)胞區(qū)域和預(yù)測類型和對應(yīng)的所述細(xì)胞區(qū)域標(biāo)注和細(xì)胞類型標(biāo)注之間的交叉熵，其對應(yīng)的權(quán)重與當(dāng)次輸入數(shù)據(jù)中所有訓(xùn)練圖像對應(yīng)的所有細(xì)胞類型標(biāo)注對應(yīng)的總類型數(shù)量成正比。
17、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述細(xì)胞類型為panck+細(xì)胞、cd3+細(xì)胞、cd8-細(xì)胞或cd8+細(xì)胞。
18、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述訓(xùn)練數(shù)據(jù)集通過以下步驟得到：
19、獲取多個(gè)訓(xùn)練圖像；
20、基于操作人員的標(biāo)注，確定每一所述訓(xùn)練圖像對應(yīng)的細(xì)胞核位置標(biāo)注和細(xì)胞類型標(biāo)注；
21、對于每一所述細(xì)胞核位置標(biāo)注，獲取該細(xì)胞核位置標(biāo)注對應(yīng)的所述細(xì)胞類型標(biāo)注對應(yīng)的細(xì)胞類型輪廓；
22、基于所述細(xì)胞類型輪廓，以所述細(xì)胞核位置標(biāo)注的位置為中心進(jìn)行輪廓生成，以得到對應(yīng)的所述細(xì)胞區(qū)域標(biāo)注；
23、根據(jù)所述操作人員對每一所述訓(xùn)練圖像的標(biāo)注用時(shí)，確定每一所述訓(xùn)練圖像對應(yīng)的細(xì)胞清晰度標(biāo)注。
24、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第一方面中，所述訓(xùn)練數(shù)據(jù)集的獲取步驟中的，根據(jù)所述操作人員對每一所述訓(xùn)練圖像的標(biāo)注用時(shí)，確定每一所述訓(xùn)練圖像對應(yīng)的細(xì)胞清晰度標(biāo)注，包括：
25、對于每一所述訓(xùn)練圖像，獲取所述操作人員在該訓(xùn)練圖像上的標(biāo)注光標(biāo)移動軌跡和對應(yīng)的移動速度；
26、從該訓(xùn)練圖像的多個(gè)圖像區(qū)域中篩選出對應(yīng)的所述細(xì)胞區(qū)域標(biāo)注的標(biāo)注數(shù)量大于預(yù)設(shè)的數(shù)量閾值的多個(gè)細(xì)胞密集區(qū)域；
27、計(jì)算每一所述細(xì)胞密集區(qū)域中的所述標(biāo)注光標(biāo)移動軌跡的軌跡部分的長度和對應(yīng)的所述移動速度的乘積，得到每一所述細(xì)胞密集區(qū)域?qū)?yīng)的區(qū)域標(biāo)注移動用時(shí)；
28、計(jì)算所有所述細(xì)胞密集區(qū)域?qū)?yīng)的區(qū)域標(biāo)注移動用時(shí)的加權(quán)求和平均值，得到該訓(xùn)練圖像對應(yīng)的細(xì)胞清晰度標(biāo)注；其中，每一所述細(xì)胞密集區(qū)域?qū)?yīng)的區(qū)域標(biāo)注移動用時(shí)對應(yīng)的權(quán)重與該細(xì)胞密集區(qū)域?qū)?yīng)的所述標(biāo)注數(shù)量成反比。
29、本專利技術(shù)實(shí)施例第二方面公開了一種基于模型微調(diào)的細(xì)胞圖像識別系統(tǒng)，所述系統(tǒng)包括：
30、獲取模塊，用于獲取包括有細(xì)胞圖像的待識別圖像；
31、第一識別模塊，用于將所述待識別圖像輸入至訓(xùn)練好的細(xì)胞清晰度識別模型，以得到對應(yīng)的細(xì)胞清晰度；
32、第二識別模塊，用于將所述待識別圖像輸入至訓(xùn)練好的細(xì)胞存在區(qū)域識別模型，以得到對應(yīng)的存在細(xì)胞區(qū)域圖像；
33、第三識別模塊，用于將所述存在細(xì)胞區(qū)域圖像以及所述細(xì)胞清晰度，輸入至訓(xùn)練好的細(xì)胞分類模型中，得到對應(yīng)的多個(gè)細(xì)胞區(qū)域和對應(yīng)的細(xì)胞類型；所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型基于聯(lián)合訓(xùn)練和微調(diào)得到。
34、作為一個(gè)可選的實(shí)施方式，在本專利技術(shù)第二方面中，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型基于同一訓(xùn)練數(shù)據(jù)集進(jìn)行聯(lián)合訓(xùn)練得到本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型基于同一訓(xùn)練數(shù)據(jù)集進(jìn)行聯(lián)合訓(xùn)練得到；所述訓(xùn)練數(shù)據(jù)集中包括有多個(gè)訓(xùn)練圖像和對應(yīng)的細(xì)胞區(qū)域標(biāo)注、細(xì)胞類型標(biāo)注和細(xì)胞清晰度標(biāo)注。
3.根據(jù)權(quán)利要求2所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型通過以下步驟訓(xùn)練得到：
4.根據(jù)權(quán)利要求3所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型為卷積神經(jīng)網(wǎng)絡(luò)，其在訓(xùn)練中采用L1損失作為損失函數(shù)；所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型均為全卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練中采用交叉熵?fù)p失函數(shù)作為損失函數(shù)進(jìn)行訓(xùn)練。
5.根據(jù)權(quán)利要求3所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，在將所述訓(xùn)練數(shù)據(jù)集同時(shí)輸入至所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型中進(jìn)行聯(lián)合訓(xùn)練時(shí)，所述聯(lián)合訓(xùn)練中采用的損失函數(shù)
6.根據(jù)權(quán)利要求1所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞類型為PanCK+細(xì)胞、CD3+細(xì)胞、CD8-細(xì)胞或CD8+細(xì)胞。
7.根據(jù)權(quán)利要求2所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述訓(xùn)練數(shù)據(jù)集通過以下步驟得到：
8.根據(jù)權(quán)利要求7所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述訓(xùn)練數(shù)據(jù)集的獲取步驟中的，根據(jù)所述操作人員對每一所述訓(xùn)練圖像的標(biāo)注用時(shí)，確定每一所述訓(xùn)練圖像對應(yīng)的細(xì)胞清晰度標(biāo)注，包括：
9.一種基于模型微調(diào)的細(xì)胞圖像識別系統(tǒng)，其特征在于，所述系統(tǒng)包括：
10.一種基于模型微調(diào)的細(xì)胞圖像識別系統(tǒng)，其特征在于，所述系統(tǒng)包括：
...【技術(shù)特征摘要】
1.一種基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型基于同一訓(xùn)練數(shù)據(jù)集進(jìn)行聯(lián)合訓(xùn)練得到；所述訓(xùn)練數(shù)據(jù)集中包括有多個(gè)訓(xùn)練圖像和對應(yīng)的細(xì)胞區(qū)域標(biāo)注、細(xì)胞類型標(biāo)注和細(xì)胞清晰度標(biāo)注。
3.根據(jù)權(quán)利要求2所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型、所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型通過以下步驟訓(xùn)練得到：
4.根據(jù)權(quán)利要求3所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在于，所述細(xì)胞清晰度識別模型為卷積神經(jīng)網(wǎng)絡(luò)，其在訓(xùn)練中采用l1損失作為損失函數(shù)；所述細(xì)胞存在區(qū)域識別模型和所述細(xì)胞分類模型均為全卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練中采用交叉熵?fù)p失函數(shù)作為損失函數(shù)進(jìn)行訓(xùn)練。
5.根據(jù)權(quán)利要求3所述的基于模型微調(diào)的細(xì)胞圖像識別方法，其特征在...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：彭作富，加赟，張文盼，
申請(專利權(quán))人：艾克發(fā)北京生物技術(shù)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。