细胞检测模型的训练方法技术

本申请涉及一种细胞检测模型的训练方法

【技术实现步骤摘要】
细胞检测模型的训练方法、装置、系统和电子装置


[0001]本申请涉及脑肿瘤细胞检测
，特别是涉及细胞检测模型的训练方法
、
装置
、
系统和电子装置
。

技术介绍

[0002]脑肿瘤是目前最致命的疾病之一，其能够通过独特的细胞内在特征抵抗常规治疗策略
。
目前肿瘤的主要诊断方法包括组织活检和活体成像
。
组织活检，即组织切片检查，是从病人的功能损伤组织取部分或全部样品做成切片，由病理学医师对其进行分析以确定病情的一种肿瘤诊断技术
。
而活体成像技术相较组织活检技术侵入性更低，其通过肿瘤的影像表征特点，对肿瘤的存在进行诊断
。
然而，在相关技术中，活体成像技术仍需要进一步对脑肿瘤细胞进行多项实验，导致脑肿瘤细胞检测的时间成本和劳动成本较高，使得脑肿瘤细胞检测的效率较低
。
[0003]目前针对相关技术中脑肿瘤细胞检测的效率低的问题，尚未提出有效的解决方案
。

技术实现思路

[0004]本申请实施例提供了一种脑肿瘤细胞检测模型的训练方法
、
装置
、
系统和电子装置，以至少解决相关技术中脑肿瘤细胞检测的效率低的问题
。
[0005]第一方面，本申请实施例提供了一种脑肿瘤细胞检测模型的训练方法，所述方法包括：
[0006]获取针对目标组织细胞的训练钙流视频；
[0007]对所述训练钙流视频进行钙信号特征提取，得到钙振荡特征信息；
[0008]将所述钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型；其中，所述目标细胞检测模型用于获取针对所述目标组织细胞的特征预测结果
。
[0009]在其中一些实施例中，所述将所述钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型，包括：
[0010]根据所述钙振荡特征信息获取训练数据；其中，所述训练数据携带有细胞特征标签；
[0011]将所述训练数据输入至所述初始随机森林模型进行训练，得到针对所述目标组织细胞的特征预测结果；
[0012]根据所述特征预测结果和所述细胞特征标签计算得到损失函数结果，并基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到所述目标细胞检测模型
。
[0013]在其中一些实施例中，所述训练数据包括多个待训练数据集，所述将所述训练数据输入至初始随机森林模型进行训练，得到针对所述目标组织细胞的特征预测结果，包括：
[0014]获取每个所述待训练数据集中的钙信号样本特征，并从所述钙信号样本特征中确定随机划分特征；
[0015]基于所述随机划分特征，将所述待训练数据集分别输入至初始随机森林模型中的多个决策树进行训练，得到多个所述决策树的子预测结果，并根据所有所述子预测结果得到所述特征预测结果
。
[0016]在其中一些实施例中，所述基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到所述目标细胞检测模型，包括：
[0017]根据所述钙振荡特征信息获取验证数据集；
[0018]基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到待验证细胞检测模型；
[0019]将所述验证数据集输入至所述待验证细胞检测模型中，得到验证结果，并基于所述验证结果对所述待验证细胞检测模型进行优化处理，得到所述目标细胞检测模型
。
[0020]在其中一些实施例中，所述对所述训练钙流视频进行钙信号特征提取，得到钙振荡特征信息，包括：
[0021]对所述训练钙流视频中的脑肿瘤细胞进行感兴趣区域提取，得到目标细胞区域，并根据所述目标细胞区域进行钙信号特征提取，得到特征提取信息；
[0022]针对所述特征提取信息进行滤波预处理，得到所述钙振荡特征信息
。
[0023]在其中一些实施例中，所述生成目标细胞检测模型之后，所述方法还包括：
[0024]获取针对待检测对象的待测钙流信息；
[0025]将所述待测钙流信息输入至所述目标细胞检测模型，并输出针对所述待检测对象的细胞检测结果
。
[0026]在其中一些实施例中，所述细胞检测结果包括细胞增殖率；所述输出针对所述待检测对象的细胞检测结果之后，所述方法还包括：
[0027]获取预设细胞增殖范围与肿瘤恶性级别之间的映射关系；
[0028]基于所述细胞检测结果确定所述预设细胞增殖范围中与所述细胞增殖率相匹配的实际细胞增殖范围，并基于所述映射关系，确定所述肿瘤恶性级别中与所述实际细胞增殖范围相应的实际肿瘤级别；
[0029]根据所述实际肿瘤级别确定所述待检测对象的脑肿瘤预测结果
。
[0030]第二方面，本申请实施例提供了一种细胞检测模型的训练装置，所述装置包括获取模块
、
特征提取模块和训练模块；
[0031]所述获取模块，用于获取针对目标组织细胞的训练钙流视频；
[0032]所述特征提取模块，用于对所述训练钙流视频进行钙信号特征提取，得到钙振荡特征信息；
[0033]所述训练模块，用于将所述钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型；其中，所述目标细胞检测模型用于获取针对所述目标组织细胞的特征预测结果
。
[0034]第三方面，本申请实施例提供了一种细胞检测模型的训练系统，所述系统包括终端设备以及如上述第二方面所述的细胞检测模型的训练装置
。
[0035]第四方面，本申请实施例提供了一种电子装置，包括存储器
、
处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的细胞检测模型的训练方法
。
[0036]相比于相关技术，本申请实施例提供的细胞检测模型的训练方法
、
装置
、
系统和电子装置，通过获取针对目标组织细胞的训练钙流视频；对该训练钙流视频进行钙信号特征提取，得到钙振荡特征信息；将该钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型；其中，该目标细胞检测模型用于获取针对该目标组织细胞的特征预测结果，解决了脑肿瘤细胞检测的效率低的问题，实现了高效
、
准确的脑肿瘤细胞检测方法
。
[0037]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征
、
目的和优点更加简明易懂
。
附图说明
[0038]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0039]图1是根据本申请实施例的一种细胞检测模型的应用环境图；
[0040]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种细胞检测模型的训练方法，其特征在于，所述方法包括：获取针对目标组织细胞的训练钙流视频；对所述训练钙流视频进行钙信号特征提取，得到钙振荡特征信息；将所述钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型；其中，所述目标细胞检测模型用于获取针对所述目标组织细胞的特征预测结果
。2.
根据权利要求1所述的训练方法，其特征在于，所述将所述钙振荡特征信息输入至初始随机森林模型进行训练，生成目标细胞检测模型，包括：根据所述钙振荡特征信息获取训练数据；其中，所述训练数据携带有细胞特征标签；将所述训练数据输入至所述初始随机森林模型进行训练，得到针对所述目标组织细胞的特征预测结果；根据所述特征预测结果和所述细胞特征标签计算得到损失函数结果，并基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到所述目标细胞检测模型
。3.
根据权利要求2所述的训练方法，其特征在于，所述训练数据包括多个待训练数据集，所述将所述训练数据输入至初始随机森林模型进行训练，得到针对所述目标组织细胞的特征预测结果，包括：获取每个所述待训练数据集中的钙信号样本特征，并从所述钙信号样本特征中确定随机划分特征；基于所述随机划分特征，将所述待训练数据集分别输入至初始随机森林模型中的多个决策树进行训练，得到多个所述决策树的子预测结果，并根据所有所述子预测结果得到所述特征预测结果
。4.
根据权利要求2所述的训练方法，其特征在于，所述基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到所述目标细胞检测模型，包括：根据所述钙振荡特征信息获取验证数据集；基于所述损失函数结果对所述初始随机森林模型进行迭代训练，得到待验证细胞检测模型；将所述验证数据集输入至所述待验证细胞检测模型中，得到验证结果，并基于所述验证结果对所述待验证细胞检测模型进行优化处理，得到所述目标细胞检测模型
。5.
根据权利要求1所述的训练方法，其特征在于，所述对所述训练钙流视频...

【专利技术属性】
技术研发人员：徐炳哲，邱紫依，刘瑞伟，郝斯琪，宣和均，尤富生，金星，
申请(专利权)人：深圳深安医疗科技有限公司，
类型：发明
国别省市：