技术特征：
1.一种基于细胞图像进行细胞分类的方法，其特征在于，所述方法包括：提供一细胞图像，从所述细胞图像中提取细胞特征，输入训练得到的深度学习模型中；所述深度学习模型将所述细胞特征与细胞数据库中的多种不同类别细胞特征分别进行相似度计算，得到所述细胞特征与不同类别细胞特征之间的相似度值，其中，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行细胞类别匹配，及聚类得到的；根据所述相似度值的高低顺序，将设定数量的对应类别细胞特征的类别，作为所述细胞图像中的细胞分类结果。2.如权利要求1所述的方法，其特征在于，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行细胞类别匹配包括：在细胞数据库中为细胞特征标注细胞类别；从细胞图像中提取细胞样本特征；将所述细胞样本特征与标注了细胞类别的细胞特征进行相似度度量，得到与标注了细胞类别的细胞特征之间的差异值。3.如权利要求2所述的方法，其特征在于，所述在训练所述深度学习模型时，基于细胞图像样本进行细胞类别匹配是由所述深度学习模型中的度量学习模块训练完成的。4.如权利要求2所述的方法，其特征在于，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行聚类包括：基于与标注了细胞类别的细胞特征之间的差异值，在对应的细胞类别下对细胞特征进行均匀采样后，基于所选取的聚类中心，进行聚类处理，得到每一细胞类别的细胞特征。5.如权利要求4所述的方法，其特征在于，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行聚类是由所述深度学习模型中的特征聚类模块完成的。6.如权利要求2所述的方法，其特征在于，所述在细胞数据库中为细胞特征标注细胞类别包括：将扫描细胞涂片样本得到的细胞图像样本，切分为多个图像样本分片；采用细胞检测方法从多个图像样本分片中，检测得到单个细胞样本特征；对检测得到的单个细胞样本特征进行细胞类别标注。7.如权利要求1所述的方法，其特征在于，所述深度学习模型将所述细胞特征与细胞数据库中的多种不同类别细胞特征分别进行相似度计算，得到所述细胞特征与不同类别细胞特征之间的相似度值，是由所述深度学习模型中的训练后的特征匹配网络实现的。8.一种基于细胞图像进行细胞分类的系统，其特征在于，所述系统包括：提取模块、特征匹配网络模块及分类结果模块，其中，提取模块，用于从提供的一细胞图像中提取细胞特征，输入训练得到的深度学习模型中；特征匹配网络模块，用于所述深度学习模型将所述细胞特征与细胞数据库中的多种不同类别细胞特征分别进行相似度计算，得到所述细胞特征与不同类别细胞特征之间的相似度值，其中，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行细胞类别匹配，及聚类得到的；
分类结果模块，用于根据所述相似度值的高低顺序，将设定数量的对应类别细胞特征的类别，作为所述细胞图像中的细胞分类结果。9.如权利要求8所述的系统，其特征在于，所述系统还包括：度量学习模块，还用于在细胞数据库中为细胞特征标注细胞类别；从细胞图像中提取细胞样本特征；将所述细胞样本特征与标注了细胞类别的细胞特征进行相似度度量，得到与标注了细胞类别的细胞特征之间的差异值。10.如权利要求9所述的系统，其特征在于，所述系统还包括：特征聚类模块，用于基于与标注了细胞类别的细胞特征之间的差异值，在对应的细胞类别下对细胞特征进行均匀采样后，基于所选取的聚类中心，进行聚类处理，得到每一细胞类别的细胞特征。
技术总结
本申请公开了一种基于细胞图像进行细胞分类的方法及系统，本发明实施例采用训练得到的深度学习模型进行细胞图像中的细胞分类，包括：提供一细胞图像，从所述细胞图像中提取细胞特征，输入训练得到的深度学习模型中；所述深度学习模型将所述细胞特征与细胞数据库中的多种不同类别细胞特征分别进行相似度计算，得到所述细胞特征与不同类别细胞特征之间的相似度值，其中，所述细胞数据库中的不同类别细胞特征是在训练所述深度学习模型时，基于细胞图像样本进行细胞类别匹配，及聚类得到的；根据所述相似度值的高低顺序，将设定数量的对应类别细胞特征的类别，作为所述细胞图像中的细胞分类结果。这样，本发明实施例在采用训练得到的深度学习模型进行细胞图像中的细胞进行分类时，提高了细胞分类的准确性。提高了细胞分类的准确性。提高了细胞分类的准确性。
技术研发人员：杨志明
受保护的技术使用者：深思考人工智能科技（上海）有限公司
技术研发日：2022.04.01
技术公布日：2022/8/5