【技术实现步骤摘要】
自监督学习模型在细胞图像分类过程中的应用方法及系统
[0001]本专利技术涉及计算机图像处理
，特别涉及一种自监督学习模型在细胞图像分类过程中的应用方法及系统。
技术介绍
[0002]近年来，基于监督学习的机器学习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，通过训练得到的机器学习网络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机器学习网络时，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以及处理训练数据的能力不足，所以基于监督学习的机器学习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。基于监督学习的机器学习技术仅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，然而在医疗图像领域，高质量精确的标注的训练数据的获取困难、获取成本高及可获取的数量少，所以无法得到精度很高的机器学习网络来对医疗图像进行分类。
[0003]人们越来越关心如何使用海量的未标注训练数据，对机器学习网络进行训练，得到能精确对细胞图像进行分类的机器学习网络，进行后续应用。因此，自监...
【技术保护点】
【技术特征摘要】
1.一种自监督学习模型在细胞图像分类过程中的应用方法，其特征在于，包括：基于多个未标注的细胞图像数据，采用自监督学习方式进行初始化的细胞分类模型的学习，将得到的初始化的细胞分类模型作为细胞图像分类的预训练模型；在应用时，将未标注的细胞图像数据输入到所述预训练模型进行处理后，将输出结果输入到细胞图像分类网络模型中，输出得到细胞图像的分类结果。2.如权利要求1所述的方法，其特征在于，所述初始化的细胞分类模型包括图像变换层、卷积神经网络层CNN、及多层感知器MLP层，其中，图像变换层，对所述未标注的细胞图像数据进行图像变换；CNN，对经过了图像变换后的所述未标注的细胞图像数据进行卷积计算；MLP，对经过了卷积计算的图像变换后的所述未标注的细胞图像数据进行感知计算，得到对应各个图像变换后的所述未标注的细胞图像数据对应的特征向量。3.如权利要求2所述的方法，其特征在于，所述基于多个未标注的细胞图像数据进行初始化的细胞分类模型的学习包括：未标注的细胞图像数据进行变换后，得到多个细胞图像增强数据，分别进行CNN及MLP的计算后，分别得到特征向量；在学习过程中，在所述模型设置的迭代次数的每一迭代过程中，调整CNN及MLP中的内部参数，使得来自于同一细胞图像数据的多个细胞图像增强数据经过CNN及MLP处理后，分别得到的特征向量在特征空间中的差异值，在迭代过程中不断减小，使得来自于不同细胞图像数据的多个细胞图像增强数据经过CNN及MLP处理后，分别得到的特征向量在特征空间中的差异值，在迭代过程中不断增加。4....
【专利技术属性】
技术研发人员：杨志明，
申请(专利权)人：深思考人工智能科技上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。