模型训练、细胞图像标注方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种模型训练、细胞图像标注方法、装置、设备及存储介质，其中，所述模型训练方法包括：采用预训练模型对未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一标签；基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到训练好的第一标签预测模型；其中，训练过程包括N个训练周期，第n个训练周期的第一细胞图像的标签是基于第n

【技术实现步骤摘要】
模型训练、细胞图像标注方法、装置、设备及存储介质


[0001]本申请涉及但不限于图像处理
，尤其涉及一种模型训练、细胞图像标注方法、装置、设备及存储介质。

技术介绍

[0002]近年来，神经网络在图像分类、目标检测、实力分割等方面取得了重大进展，但是训练神经网络模型需要大量有标注的训练数据，而在生物细胞图像领域，由于细胞图像中的细胞较小、且较为密集，对细胞图像进行标注时会耗费大量的人力，且标注结果不准确。

技术实现思路

[0003]有鉴于此，本申请实施例至少提供一种模型训练、细胞图像标注方法、装置、设备及存储介质，能够智能化地实现对细胞图像进行标注，提高标注效率和标注准确率。
[0004]本申请实施例的技术方案是这样实现的：根据本申请实施例的一个方面，提供一种模型训练方法，包括：采用预训练模型对未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一标签；基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到训练好的第一标签预测模型；其中，训练过程包括N个训练周期，第n个训练周期的第一细胞图像的标签是基于第n
‑
1个训练周期的第一细胞图像的标签、所述未标注的第一细胞图像以及第n
‑
1个训练周期后的预训练模型更新得到；N为正整数；n为大于1且小于等于N的正整数。
[0005]在一些实施例中，所述基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到训练好的第一标签预测模型，包括：基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到第一个训练周期后的预训练模型；采用所述第一个训练周期后的预训练模型对所述未标注的第一细胞图像进行识别，得到待更新标签；基于所述第一标签和所述待更新标签，确定第二个训练周期的第一细胞图像的第三标签；基于标注有第三标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述第一个训练周期后的预训练模型进行训练，直至得到所述第一标签预测模型。
[0006]在一些实施例中，所述基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到第一个训练周期后的预训练模型，包括：确定第一损失函数、所述第一损失函数对应的权重、第二损失函数以及所述第二损失函数对应的权重；
基于所述第一损失函数、所述第一损失函数对应的权重、所述第二损失函数以及所述第二损失函数对应的权重，确定目标损失函数；基于所述标注有第一标签的第一细胞图像、所述标注有第二标签的第二细胞图像和所述目标损失函数对所述预训练模型进行训练，得到所述第一个训练周期后的预训练模型。
[0007]在一些实施例中，所述方法还包括：将第N个训练周期的第一细胞图像的标签确定为所述第一细胞图像的第一目标标签；或者，采用所述第一标签预测模型对所述未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一目标标签。
[0008]在一些实施例中，所述方法还包括：在所述第一目标标签满足验证条件的情况下，采用图像处理软件对所述第一目标标签进行精调。
[0009]在一些实施例中，所述方法还包括：在所述第一目标标签不满足验证条件的情况下，对所述预训练模型中的模型参数进行调整，得到调整后的预训练模型；基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述调整后的预训练模型进行训练，得到训练好的第二标签预测模型和所述第一细胞图像的第二目标标签。
[0010]在一些实施例中，所述方法还包括：获取在多种显微镜下对属于不同细胞类别的细胞进行拍摄后得到的多个第三细胞图像；基于所述多个第三细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像。
[0011]在一些实施例中，所述基于所述多个第三细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像，包括：对所述多个第三细胞图像进行预处理，得到多个包括第一颜色通道和第二颜色通道的第四细胞图像；所述第一颜色通道用于表征染色后的细胞质的颜色，所述第二颜色通道用于表征染色后的细胞核的颜色；基于所述多个第四细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像。
[0012]在一些实施例中，所述对所述多个第三细胞图像进行预处理，得到多个包括第一颜色通道和第二颜色通道的第四细胞图像，包括：对每一所述第三细胞图像进行矩阵重组，去除所述每一第三细胞图像的红色通道，得到所述多个包括绿色通道和蓝色通道的第四细胞图像；所述第一颜色通道为绿色通道，所述第二颜色通道为蓝色通道。
[0013]根据本申请实施例的一个方面，提供一种细胞图像标注方法，包括：采用第一标签预测模型对待标注的第五细胞图像进行识别，得到所述第五细胞图像的第四标签；
基于所述第四标签对所述第五细胞图像进行标注，得到标注有第四标签的第五细胞图像；其中，所述第一标签预测模型的训练过程如下：采用预训练模型对未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一标签；基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到所述第一标签预测模型；训练过程包括N个训练周期，第n个训练周期的第一细胞图像的标签是基于第n
‑
1个训练周期的第一细胞图像的标签、所述未标注的第一细胞图像以及第n
‑
1个训练周期后的预训练模型更新得到，N为正整数；n为大于1且小于等于N的正整数。
[0014]在一些实施例中，所述采用第一标签预测模型对待标注的第五细胞图像进行识别，得到所述第五细胞图像的第四标签，包括：采用所述第一标签预测模型对所述第五细胞图像中的细胞进行识别，得到所述第五细胞图像中每一像素分别对应的预测概率；所述预测概率用于表征对应的像素属于细胞的概率；基于所述第五细胞图像中每一像素分别对应的预测概率，确定所述第五细胞图像中的至少一个细胞区域；将所述至少一个细胞区域作为所述第四标签。
[0015]在一些实施例中，所述采用所述第一标签预测模型对所述第五细胞图像中的细胞进行识别，得到所述第五细胞图像中每一像素分别对应的预测概率，包括：基于目标细胞直径对所述第五细胞图像的图像尺寸进行调整，得到调整后的所述第五细胞图像；所述目标细胞直径表征多种不同形态的细胞的细胞直径；对所述调整后的第五细胞图像进行分割，得到多个子图像；采用所述第一标签预测模型对每一所述子图像进行识别，得到所述每一子图像分别对应的预测概率子图；所述预测概率子图中包括对应的子图像中每一像素属于细胞的概率；对所述多个子图像的预测概率子图进行整合处理，得到所述第五细胞图像的预测概率图；所述预测概率图中包括所述第五细胞图像中每一像素属于细胞的概率。
[0016]在一些实施例中，所述采用所述第一标签预测模型对每一所述子图像进行识别，得到所述每一子图像分别对应的预测概率子图，包括：采用所述第一标签预测模型中的编码器对所述每一子图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：采用预训练模型对未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一标签；基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到训练好的第一标签预测模型；其中，训练过程包括N个训练周期，第n个训练周期的第一细胞图像的标签是基于第n
‑
1个训练周期的第一细胞图像的标签、所述未标注的第一细胞图像以及第n
‑
1个训练周期后的预训练模型更新得到；N为正整数；n为大于1且小于等于N的正整数。2.根据权利要求1所述的方法，其特征在于，所述基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到训练好的第一标签预测模型，包括：基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到第一个训练周期后的预训练模型；采用所述第一个训练周期后的预训练模型对所述未标注的第一细胞图像进行识别，得到待更新标签；基于所述第一标签和所述待更新标签，确定第二个训练周期的第一细胞图像的第三标签；基于标注有第三标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述第一个训练周期后的预训练模型进行训练，直至得到所述第一标签预测模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到第一个训练周期后的预训练模型，包括：确定第一损失函数、所述第一损失函数对应的权重、第二损失函数以及所述第二损失函数对应的权重；基于所述第一损失函数、所述第一损失函数对应的权重、所述第二损失函数以及所述第二损失函数对应的权重，确定目标损失函数；基于所述标注有第一标签的第一细胞图像、所述标注有第二标签的第二细胞图像和所述目标损失函数对所述预训练模型进行训练，得到所述第一个训练周期后的预训练模型。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：将第N个训练周期的第一细胞图像的标签确定为所述第一细胞图像的第一目标标签；或者，采用所述第一标签预测模型对所述未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一目标标签。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：在所述第一目标标签满足验证条件的情况下，采用图像处理软件对所述第一目标标签进行精调。6.根据权利要求4所述的方法，其特征在于，所述方法还包括：在所述第一目标标签不满足验证条件的情况下，对所述预训练模型中的模型参数进行调整，得到调整后的预训练模型；
基于所述标注有第一标签的第一细胞图像和所述标注有第二标签的第二细胞图像对所述调整后的预训练模型进行训练，得到训练好的第二标签预测模型和所述第一细胞图像的第二目标标签。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取在多种显微镜下对属于不同细胞类别的细胞进行拍摄后得到的多个第三细胞图像；基于所述多个第三细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像。8.根据权利要求7所述的方法，其特征在于，所述基于所述多个第三细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像，包括：对所述多个第三细胞图像进行预处理，得到多个包括第一颜色通道和第二颜色通道的第四细胞图像；所述第一颜色通道用于表征染色后的细胞质的颜色，所述第二颜色通道用于表征染色后的细胞核的颜色；基于所述多个第四细胞图像，构建所述未标注的第一细胞图像和所述标注有第二标签的第二细胞图像。9.根据权利要求8所述的方法，其特征在于，所述对所述多个第三细胞图像进行预处理，得到多个包括第一颜色通道和第二颜色通道的第四细胞图像，包括：对每一所述第三细胞图像进行矩阵重组，去除所述每一第三细胞图像的红色通道，得到所述多个包括绿色通道和蓝色通道的第四细胞图像；所述第一颜色通道为绿色通道，所述第二颜色通道为蓝色通道。10.一种细胞图像标注方法，其特征在于，所述方法包括：采用第一标签预测模型对待标注的第五细胞图像进行识别，得到所述第五细胞图像的第四标签；基于所述第四标签对所述第五细胞图像进行标注，得到标注有第四标签的第五细胞图像；其中，所述第一标签预测模型的训练过程如下：采用预训练模型对未标注的第一细胞图像进行识别，得到所述第一细胞图像的第一标签；基于标注有第一标签的第一细胞图像和标注有第二标签的第二细胞图像对所述预训练模型进行训练，得到所述第一标签预测模型；训练过程包括N个训练周期，第n个训练周期的第一细胞图像的标签是基于第n
‑
1个训练周期的第一细胞图像的标签、所述未标注的第一细胞图像以及第n
‑
1个训练周期后的预训练模型更新得到；N为正整数；n为大于1且小于等于N的正整数。11.根据权利要求10所述的方法，其特征在于，所述采用第一标签预测模型对待标注的第五细胞图像进行识别，得到所述第五细胞图像的第四标签，包括：采用所述第一标签预测模型对所述第五细胞图像中的细胞进行识别，得到所述第五细胞图像中每一像素分别对应的预测概率；所述预测概率用于表征对应的像素属于细胞的概率；基于所述第五细胞图像中每一像素分别对应的预测概率，确定所述第五细胞图像中的
...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：摩尔线程智能科技北京有限责任公司，
类型：发明
国别省市：