[發明專利]深度學習訓練方法、目標物識別方法、系統和存儲介質

有效

• 申請號: 202011088193.2
• 申請日: 2020-10-13
• 公開（公告）號: CN111931751B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 許德鵬;劉曉康;王雪鋒;陳齊文
• 申請（專利權）人: 深圳市瑞圖生物技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 深圳鼎合誠知識產權代理有限公司 44281
• 代理人: 劉兆;彭家恩

本發明提供的深度學習訓練方法、目標物識別方法、系統和存儲介質，將訓練圖片輸入到深度學習神經網絡模型中；深度學習神經網絡模型從訓練圖片中提取第一特征區域圖像；從第一特征區域圖像中提取一個或多個第一特征指標；根據一個或多個第一特征指標和訓練圖片上標注的各種所述目標物的類型訓練得到特征指標與目標物的類型之間的對應關系的模型函數，則深度學習神經網絡模型被訓練好。深度學習神經網絡模型可用于識別圖片中的目標物，采用深度學習的方式識別圖片中的目標物，相較于人工檢測效率高，相較于傳統的圖像識別方式，準確性高。

技術領域

本發明涉及醫療器械領域，具體涉及深度學習訓練方法、目標物識別方法、系統和存儲介質。

背景技術

現有的醫學領域的細胞檢測技術，通常采用人工的方式進行檢測，稱之為鏡檢。例如，檢驗科的醫生將包含有生物樣本的玻片放置在顯微鏡下，人工觀察生物樣本中是否有目標物以及目標物（細胞）的類型等。當然，隨著技術的發展，例如推片染色機的出現，能自動將血液樣本制作成玻片，并通過顯微鏡自動拍攝各種倍率的樣本圖片，進而采用人工檢測或者圖像識別的方式得到樣本中目標物的類型。然而，人工檢測雖然準確，但需要耗費人力和大量的時間，效率非常低；而傳統的圖像識別方式準確性不高。

因此，從圖片中識別細胞類型的準確性還有待提高。

發明內容

本發明提供一種深度學習訓練方法、目標物識別方法、系統和存儲介質，以提高目標物識別的準確性。

一實施例提供一種深度學習神經網絡模型的訓練方法,包括：

獲取多個訓練圖片，所述訓練圖片上標注有各種目標物的位置、尺寸和類型；

將所述訓練圖片輸入到深度學習神經網絡模型中；

所述深度學習神經網絡模型從所述訓練圖片中提取第一特征區域圖像；

所述深度學習神經網絡模型從所述第一特征區域圖像中提取一個或多個第一特征指標；

根據所述一個或多個第一特征指標和所述訓練圖片上標注的各種所述目標物的類型訓練得到所述第一特征指標與目標物的類型之間的對應關系的模型函數，則所述深度學習神經網絡模型被訓練好。

一實施例提供的所述的方法中，所述深度學習神經網絡模型從所述第一特征區域圖像中提取一個或多個第一特征指標包括：

通過所述深度學習神經網絡模型對所述第一特征區域圖像進行卷積計算，得到多個不同卷積階段的計算結果，從而得到所述第一特征區域圖像的多個第一尺度信息矩陣；

所述深度學習神經網絡模型采用多個第二邊框在預設個數的所述第一尺度信息矩陣中提取不同的第一目標特征區域，所述第一目標特征區域即為所述第一特征指標。

一實施例提供的所述的方法中，所述深度學習神經網絡模型采用多個第二邊框在預設個數的所述第一尺度信息矩陣中提取不同的第一目標特征區域，包括：

對所有所述訓練圖片的所有目標物的尺寸進行聚類得到多個聚類中心，以所述聚類中心的尺寸作為所述第二邊框的尺寸；

采用多個第二邊框在預設個數的所述第一尺度信息矩陣中提取不同的第一目標特征區域。

一實施例提供的所述的方法中，對所有所述訓練圖片的所有目標物的尺寸進行聚類得到多個聚類中心之后，還包括：

從所述多個聚類中心中選出最小聚類中心，獲取所述最小聚類中心的寬度W_min和高度H_min；

遍歷所有所述訓練圖片，獲取所述訓練圖片的寬度W_raw和高度H_raw，獲取所述訓練圖片上每一個所述目標物的寬度W和高度H；