本發(fā)明涉及圖像識(shí)別，尤其涉及一種多域不平衡血細(xì)胞分類方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、血細(xì)胞又稱“血球”，是存在于血液中的細(xì)胞，能隨血液的流動(dòng)遍及全身。傳統(tǒng)血細(xì)胞分類通過(guò)使用顯微鏡手動(dòng)檢查來(lái)識(shí)別血細(xì)胞，這是一個(gè)重復(fù)、勞動(dòng)密集且耗時(shí)的過(guò)程。而在基于深度學(xué)習(xí)的傳統(tǒng)分類模型中，由于從不同實(shí)驗(yàn)室收集的血細(xì)胞圖像通常會(huì)展現(xiàn)出顯著的域轉(zhuǎn)移和數(shù)據(jù)不平衡，域的偏移會(huì)導(dǎo)致傳統(tǒng)分類模型的泛化性能下降，在未見數(shù)據(jù)集上表現(xiàn)不佳，而數(shù)據(jù)不平衡也導(dǎo)致傳統(tǒng)分類模型在少數(shù)類上表現(xiàn)不佳，分類準(zhǔn)確度低。

2、綜上，相關(guān)技術(shù)中存在的技術(shù)問題有待得到改善。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供了一種多域不平衡血細(xì)胞分類方法、裝置及存儲(chǔ)介質(zhì)，有效地提高了分類準(zhǔn)確度和模型精度。

2、一方面，本發(fā)明實(shí)施例提供了一種多域不平衡血細(xì)胞分類方法，包括以下步驟：

3、獲取待分類細(xì)胞圖像；

4、將待分類細(xì)胞圖像輸入血細(xì)胞分類模型，得到血細(xì)胞分類結(jié)果；

5、其中，所述血細(xì)胞分類模型通過(guò)以下步驟得到：

6、獲取多域不平衡血細(xì)胞圖像集，所述多域不平衡血細(xì)胞圖像集包括若干個(gè)血細(xì)胞圖像；

7、對(duì)所述多域不平衡血細(xì)胞圖像集進(jìn)行染色增強(qiáng)處理，得到每個(gè)所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，所述域變換樣本集包括若干個(gè)域變換樣本；

8、根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行局部對(duì)齊處理，計(jì)算局部對(duì)齊損失；

9、根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行域不變對(duì)比學(xué)習(xí)處理，計(jì)算域不變監(jiān)督對(duì)比損失；

10、根據(jù)所述局部對(duì)齊損失和所述域不變監(jiān)督對(duì)比損失，對(duì)預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行多階段訓(xùn)練處理，得到所述血細(xì)胞分類模型。

11、在一些實(shí)施例中，所述對(duì)所述多域不平衡血細(xì)胞圖像集進(jìn)行染色增強(qiáng)處理，得到每個(gè)所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，包括：

12、對(duì)所述多域不平衡血細(xì)胞圖像集中的每個(gè)所述血細(xì)胞圖像進(jìn)行圖像分解，得到對(duì)應(yīng)的密度圖和染色矩陣；

13、根據(jù)簇?cái)?shù)量，利用預(yù)設(shè)聚類法對(duì)多個(gè)所述染色矩陣進(jìn)行聚類，得到若干個(gè)簇；

14、對(duì)每個(gè)所述簇中所述染色矩陣對(duì)應(yīng)的血細(xì)胞圖像設(shè)置域標(biāo)簽；

15、從所述多域不平衡血細(xì)胞圖像集中選取變換圖像集，所述變換圖像集包括預(yù)設(shè)變換數(shù)量個(gè)的變換圖像，所述變換圖像集中每個(gè)所述變換圖像的所述域標(biāo)簽均不相同；

16、從所述變換圖像集中選取一個(gè)變換圖像作為待歸一化圖像；

17、對(duì)所述血細(xì)胞圖像對(duì)應(yīng)的密度圖和所述待歸一化圖像對(duì)應(yīng)的密度圖進(jìn)行歸一化處理，得到歸一化圖；

18、根據(jù)所述歸一化圖、照明光強(qiáng)度和所述待歸一化圖像對(duì)應(yīng)的染色矩陣，計(jì)算域變換樣本；

19、將多個(gè)所述域變換樣本進(jìn)行組合，得到所述域變換樣本集。

20、在一些實(shí)施例中，所述根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行局部對(duì)齊處理，計(jì)算局部對(duì)齊損失，包括：

21、對(duì)所述血細(xì)胞圖像進(jìn)行特征提取，得到血細(xì)胞特征圖；

22、分別對(duì)所述域變換樣本集中的每個(gè)域變換樣本進(jìn)行特征提取，得到對(duì)應(yīng)的域變換特征圖；

23、利用非線性多層感知器對(duì)所述血細(xì)胞特征圖進(jìn)行特征映射，得到血細(xì)胞特征嵌入；

24、利用非線性多層感知器對(duì)所述域變換特征圖進(jìn)行特征映射，得到域變換特征嵌入；

25、根據(jù)所述血細(xì)胞特征嵌入和所述域變換特征嵌入，計(jì)算像素級(jí)對(duì)齊損失；

26、根據(jù)圖像樣本數(shù)量、特征圖空間位置索引和所述像素級(jí)對(duì)齊損失，計(jì)算所述局部對(duì)齊損失。

27、在一些實(shí)施例中，所述根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行域不變對(duì)比學(xué)習(xí)處理，計(jì)算域不變監(jiān)督對(duì)比損失，包括：

28、獲取所述血細(xì)胞圖像的血細(xì)胞特征投影和所述域變換樣本集中每個(gè)域變換樣本對(duì)應(yīng)的域變換特征投影；

29、對(duì)所述血細(xì)胞特征投影進(jìn)行l(wèi)2歸一化；

30、對(duì)所述域變換特征投影進(jìn)行l(wèi)2歸一化；

31、根據(jù)l2歸一化后的所述血細(xì)胞特征投影和l2歸一化后的所述域變換特征投影，計(jì)算平均特征；

32、根據(jù)類標(biāo)簽，計(jì)算正樣本；

33、根據(jù)溫度系數(shù)、所述平均特征和所述正樣本，計(jì)算所述域不變監(jiān)督對(duì)比損失。

34、在一些實(shí)施例中，所述根據(jù)所述局部對(duì)齊損失和所述域不變監(jiān)督對(duì)比損失，對(duì)預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行多階段訓(xùn)練處理，得到所述血細(xì)胞分類模型，包括：

35、根據(jù)損失比例超參數(shù)、所述局部對(duì)齊損失和所述域不變監(jiān)督對(duì)比損失，計(jì)算表征學(xué)習(xí)階段損失；

36、利用所述表征學(xué)習(xí)階段損失對(duì)所述預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行第一階段訓(xùn)練；

37、根據(jù)類別數(shù)量、熱編碼標(biāo)簽和模型預(yù)測(cè)概率分布，計(jì)算分類訓(xùn)練階段損失；

38、利用所述分類訓(xùn)練階段損失對(duì)第一階段訓(xùn)練后的所述預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行第二階段訓(xùn)練，得到所述血細(xì)胞分類模型。

39、在一些實(shí)施例中，所述方法還包括：

40、對(duì)所述血細(xì)胞分類模型進(jìn)行性能評(píng)估實(shí)驗(yàn)；

41、所述對(duì)所述血細(xì)胞分類模型進(jìn)行性能評(píng)估實(shí)驗(yàn)，包括以下步驟：

42、設(shè)置簇?cái)?shù)量、損失比例超參數(shù)、學(xué)習(xí)率和圖像樣本數(shù)量；

43、根據(jù)迭代次數(shù)、所述簇?cái)?shù)量、所述損失比例超參數(shù)、所述學(xué)習(xí)率和所述圖像樣本數(shù)量，對(duì)預(yù)設(shè)試驗(yàn)?zāi)Ｐ瓦M(jìn)行模型訓(xùn)練，得到目標(biāo)試驗(yàn)?zāi)Ｐ停?/p>

44、利用所述目標(biāo)試驗(yàn)?zāi)Ｐ蛯?duì)試驗(yàn)數(shù)據(jù)集進(jìn)行分類，得到性能評(píng)估實(shí)驗(yàn)結(jié)果。

45、在一些實(shí)施例中，所述根據(jù)所述血細(xì)胞特征嵌入和所述域變換特征嵌入，計(jì)算像素級(jí)對(duì)齊損失，包括：

46、根據(jù)所述血細(xì)胞特征嵌入和所述域變換特征嵌入，通過(guò)像素級(jí)對(duì)齊損失計(jì)算公式計(jì)算像素級(jí)對(duì)齊損失，所述像素級(jí)對(duì)齊損失計(jì)算公式為：

47、

48、式中，為所述像素級(jí)對(duì)齊損失，ei,p為所述血細(xì)胞特征嵌入，為所述域變換特征嵌入，k為簇?cái)?shù)量，‖·‖2為l2范數(shù)。

49、另一方面，本發(fā)明實(shí)施例提供了一種多域不平衡血細(xì)胞分類裝置，包括：

50、第一模塊，用于獲取待分類細(xì)胞圖像；

51、第二模塊，用于將待分類細(xì)胞圖像輸入血細(xì)胞分類模型，得到血細(xì)胞分類結(jié)果；

52、其中，所述血細(xì)胞分類模型通過(guò)以下步驟得到：

53、獲取多域不平衡血細(xì)胞圖像集，所述多域不平衡血細(xì)胞圖像集包括若干個(gè)血細(xì)胞圖像；

54、對(duì)所述多域不平衡血細(xì)胞圖像集進(jìn)行染色增強(qiáng)處理，得到每個(gè)所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，所述域變換樣本集包括若干個(gè)域變換樣本；

55、根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行局部對(duì)齊處理，計(jì)算局部對(duì)齊損失；

56、根據(jù)所述血細(xì)胞圖像和所述血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行域不變對(duì)比學(xué)習(xí)處理，計(jì)算域不變監(jiān)督對(duì)比損失；

57、根據(jù)所述局部對(duì)齊損失和所述域不變監(jiān)督對(duì)比損失，對(duì)預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行多階段訓(xùn)練處理，得到所述血細(xì)胞分類模型。

58、另一方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)裝置，包括：

59、至少一個(gè)處理器；

60、至少一個(gè)存儲(chǔ)器，用于存儲(chǔ)至少一個(gè)程序；

61、當(dāng)所述至少一個(gè)程序被所述至少一個(gè)處理器執(zhí)行，使得所述至少一個(gè)處理器實(shí)現(xiàn)所述的方法。

62、另一方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的方法。

63、本發(fā)明所具有的有益效果如下：

64、本發(fā)明實(shí)施例首先獲取待分類細(xì)胞圖像，然后將待分類細(xì)胞圖像輸入血細(xì)胞分類模型，得到血細(xì)胞分類結(jié)果，從而實(shí)現(xiàn)了血細(xì)胞分類，提高了分類準(zhǔn)確度。其中，血細(xì)胞分類模型通過(guò)以下步驟得到：首先獲取多域不平衡血細(xì)胞圖像集，然后對(duì)多域不平衡血細(xì)胞圖像集進(jìn)行染色增強(qiáng)處理，得到每個(gè)血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，再根據(jù)血細(xì)胞圖像和血細(xì)胞圖像對(duì)應(yīng)的域變換樣本集，進(jìn)行局部對(duì)齊處理，計(jì)算局部對(duì)齊損失，并進(jìn)行域不變對(duì)比學(xué)習(xí)處理，計(jì)算域不變監(jiān)督對(duì)比損失，最后根據(jù)局部對(duì)齊損失和域不變監(jiān)督對(duì)比損失，對(duì)預(yù)設(shè)深度學(xué)習(xí)模型進(jìn)行多階段訓(xùn)練處理，得到血細(xì)胞分類模型，從而提高了模型精度。

65、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在說(shuō)明書以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。