[发明专利]一种用于识别细胞图像的神经网络模型的训练方法及系统

权利要求书

1.一种用于识别细胞图像的神经网络模型的训练方法，其特征在于，包括：

采用对比学习网络模型作为识别细胞图像的神经网络模型；

提供预训练用的多个细胞图像样本，对所述神经网络模型采用对比学习方式进行预训练，得到预训练后的所述神经网络模型；

对所述预训练后的所述神经网络模型采用迁移学习方式进行训练，得到训练完成的所述神经网络模型，以识别细胞图像。

2.如权利要求1所述的训练方法，其特征在于，包括：所述提供预训练用的多个细胞图像样本，对所述神经网络模型采用对比学习方式进行预训练包括：

a、对于每个所述细胞图像样本，输入到所述神经网络模型中的图像增强层分别进行两种不同的图像增强处理后，得到第一增强图像特征和第二增强图像特征；

b、对所述第一增强图像特征和所述第二增强图像特征采用所述神经网络模型中的卷积层进行卷积处理后，得到第一卷积图像特征和第二卷积图像特征；

c、对所述第一卷积图像特征和所述第二卷积图像特征采用所述神经网络模型中的多层感知器MLP处理；

d、采用预设的对比损失函数计算得到经过MLP处理的所述第一卷积图像特征和所述第二卷积图像特征之间的差异值，判断差异值大于预设阈值时，对所述神经网络模型中的参数进行调整，返回执行步骤a～d继续执行，直到所述差异值不大于所述预设阈值为止。

3.如权利要求1或2所述的训练方法，其特征在于，所述神经网络模型基于PyTorch框架实现；

所述神经网络模型的增强层采用预设的随机图像增强算法实现，对同一所述细胞图像样本，采用预设的随机图像增强算法进行计算，在预设的两种不同增强方向上增强所述细胞图像样本，得到不相同的所述第一增强图像特征和所述第二增强图像特征；

所述神经网络模型中的卷积层采用轻量化卷积MobileNet v3子网络实现。

4.如权利要求3所述的训练方法，其特征在于，所述神经网络模型中的MLP采用两层全连接结构，计算所述差异值采用对比损失函数实现，判断差异值大于预设阈值时，对所述神经网络模型中的参数进行调整的过程为：

采用反向传播方式在每个迭代周期对所述神经网络模型中的参数进行调整。

5.如权利要求4所述的训练方法，其特征在于，所述对比损失函数的计算方式为：

其中，

z_i和z_j表示所述细胞图像样本分别进行不同的图像增强处理、卷积处理及MLP处理后输出的，经过MLP处理后的所述第一卷积图像特征和所述第二卷积图像特征；

z_k表示其他不同张的所述细胞图像样本，分别进行两种不同的图像增强处理、卷积处理及MLP处理后输出的，经过MLP处理后的所述第一卷积图像特征和所述第二卷积图像特征；

sim(z_i,z_j)为z_i和z_j之间的相似度；

|z_i|表示为z_i经过特征正则化之后的向量表示；

t设置为0.07。

6.如权利要求1所述的方法，其特征在于，所述对所述预训练后的所述神经网络模型采用迁移学习方式进行训练，得到训练完成的所述神经网络模型包括：

提供训练用的具有类别标签的细胞图像样本，将训练用的具有类别标签的细胞图像样本输入到所述神经网络模型中，进行训练。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：对训练完成的所述神经网络模型进行验证。