[发明专利]细胞分类模型的训练方法、装置、设备及介质

权利要求书

1.一种细胞分类模型的训练方法，其特征在于，所述方法包括：

获取样本图像和所述样本图像的细胞标注，所述样本图像包括至少两种细胞，所述细胞标注用于表示所述样本图像中细胞的类型；

通过所述细胞分类模型对所述样本图像进行数据处理，输出样本预测热点图，所述样本预测热点图用于预测所述样本图像中细胞的类型；

通过所述样本图像中各个细胞核的轮廓，还原所述样本图像中各个细胞的轮廓，得到细胞分割图；

根据所述细胞标注和所述细胞分割图生成样本分类热点图，所述样本分类热点图用于表示所述细胞分割图中细胞的类型；

根据所述样本预测热点图与所述样本分类热点图之间的损失，对所述细胞分类模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述通过所述样本图像中各个细胞核的轮廓，还原所述样本图像中各个细胞的轮廓，得到细胞分割图，包括：

使用膨胀算子遍历第i个细胞核的轮廓，所述膨胀算子用于膨胀所述第i个细胞核的占据区域，i为正整数；

根据所述膨胀算子的覆盖区域确定所述第i个细胞核对应的图像领域，所述第i个细胞核的图像领域用于预测所述第i个细胞在所述样本图像中占据的区域；

根据所述第i个细胞核的图像领域确定所述第i个细胞的轮廓；

重复上述三个步骤，直至确定所述各个细胞的轮廓，得到所述细胞分割图。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第i个细胞的图像领域确定所述第i个细胞的轮廓，包括：

扩展所述第i个细胞的图像领域，得到目标区域；

确定所述目标区域内属于灰度值区间的像素点；

连接所述属于灰度值区间的像素点，形成封闭区域；

将所述封闭区域确定为所述第i个细胞的图像领域。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述细胞标注和所述细胞分割图生成样本分类热点图，包括：

根据所述细胞标注，从所述细胞分割图中分离出n种细胞类型的细胞，生成n个细胞类型图，所述n个细胞类型图与所述n种细胞类型一一对应，n为正整数；

对于所述n个细胞类型图中的第j个细胞类型图，为所述第j个细胞类型图中位于细胞外的像素点赋予第一灰度值，j为小于n+1的正整数；

为所述第j个细胞类型图中位于细胞内的像素点赋予动态灰度值，所述动态灰度值与所述位于细胞内的像素点到细胞边缘的距离呈正相关；

根据所述第j个细胞类型图中各个像素点的灰度值，生成第j个样本分类热点图；

重复上述三个步骤，直至得到所述样本分类热点图。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述调用所述细胞分类模型对所述样本图像进行数据处理，输出样本预测热点图，包括：

分离所述样本图像的目标颜色，得到样本通道图像，所述样本通道图像是所述样本图像通过所述目标颜色的表达通道得到的图像；

调用所述细胞分类模型对所述样本图像和所述样本通道图像进行数据处理，输出所述样本预测热点图。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述样本预测热点图与所述样本分类热点图之间的损失，对所述细胞分类模型进行训练，包括：

计算所述样本预测热点图与所述样本分类热点图之间的第一损失；

计算所述细胞标注、所述样本预测热点图与所述样本分类热点图之间的第二损失；

根据所述第一损失和所述第二损失对所述细胞分类模型进行训练。

7.根据权利要求6所述的方法，其特征在于，所述计算所述样本预测热点图与所述样本分类热点图之间的第一损失，包括：

计算所述样本预测热点图与所述样本分类热点图之间的均方误差，得到所述第一损失。