[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

说明书

本申请实施例提供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，将自监督学习技术中的对比学习网络模型作为识别细胞图像的神经网络模型，且采用对比学习技术对所述神经网络模型进行预训练，得到预训练后的所述神经网络模型；将预训练后的所述神经网络模型采用迁移学习技术进行调整，得到训练完成的所述神经网络模型，应用于细胞图像的识别使用。这样，本发明实施例采用了对比学习技术与迁移学习技术相结合的方式，训练得到用于识别细胞图像的神经网络模型，提高了训练质量，从而使得采用这种方式训练得到的所述神经网络模型对细胞图像的识别正确率提高。

技术领域

本申请涉及图像处理技术，特别涉及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。

背景技术

近年来，基于监督学习的神经网络模型技术在人工智能领域中做出了巨大贡献，监督学习是从标记的数据，通过训练得到的神经网络模型来推断一个功能的机器学习任务。但是，在训练基于监督学习的神经网络模型时，需要大量的人工标注信息的训练数据进行训练，由于人工标注数据的有限性及处理训练数据的能力不足，所以基于监督学习的神经网络模型技术直到前几年才逐渐开始成为商业落地的实用技术之一。基于监督学习的神经网络模型技术仅适用于有足够高质量的训练数据且可以捕获所有可能场景的情况，然而在医学领域中对细胞图像进行识别时，高质量精确的标注的训练图像数据的获取困难、获取成本高及可获取的数量少等原因，所以无法训练得到精度很高的神经网络模型来识别细胞图像，获取得到细胞图像的精确识别结果。

人们越来越关心如何使用海量的未标注训练图像数据，对神经网络模型进行训练，得到能精确识别细胞图像的神经网络模型，进行后续应用。在这里，医学图像包括诸如细胞图像等的医学组织病理学图像。因此，自监督学习(self-supervised learning)技术被提出，神经网络模型直接从无标签图像数据中自行学习，无需标注训练数据。

但是，由于医学领域中的细胞图像是一种特殊的图像，直接将自监督学习技术应用于细胞图像的识别时，会存在质量不高的问题。因此，如何将自监督学习技术有效地应用于细胞图像的识别，提高识别正确率，成为了一个亟待解决的问题。

发明内容

有鉴于此，本申请实施例提供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，能够训练得到用于识别细胞图像的神经网络模型，且提高细胞图像的识别正确率。

本申请实施例是这样实现的：

本申请的一个实施例中提供一种用于识别细胞图像的神经网络模型的训练方法，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。

在上述方法中，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。