评估虚拟处理映射的一致性的方法、训练具有处理模型的机器学习系统的方法、机器学习系统、计算机程序产品和图像处理系统技术方案

本发明专利技术涉及评估虚拟处理映射的一致性的方法、训练具有处理模型的机器学习系统的方法、机器学习系统、计算机程序产品和图像处理系统，尤其涉及一种确定机器学习系统的处理模型的虚拟处理映射的一致性的方法，包括：将第一输入张量输入处理模型；将第二输入张量输入处理模型，其中第一输入张量和第二输入张量由初始的输入张量确定，或者第一输入张量和第二输入张量检测对象的属性，并且第一输入张量和第二输入张量检测同一对象；确定一致性函数，其中一致性函数包括处理模型的特定层的至少一个层一致性函数，其中，层一致性函数检测由第一输入张量和第二输入张量所生成的处理模型的层的输出张量之间的差别，其特征在于，特定层的输出张量是处理模型的另一层的输入张量。量。量。

【技术实现步骤摘要】
评估虚拟处理映射的一致性的方法、训练具有处理模型的机器学习系统的方法、机器学习系统、计算机程序产品和图像处理系统


[0001]本专利技术涉及一种评估虚拟处理映射的一致性的方法，一种根据非注释数据集训练具有多层处理模型的机器学习系统的方法，一种具有处理模型的机器学习系统，一种计算机程序，以及一种计算机可读存储介质。

技术介绍

[0002]在现有技术中，由显微镜系统拍摄的显微镜图像是利用用于进行图像处理的处理模型来处理的，其中越来越多的处理模型(例如神经网络)被投入使用，其是根据训练数据进行学习的。在处理过程中会出现各种问题。在“Deep learning achieves super
‑
resolution in fluorescence microscopy(深度学习实现荧光显微镜的超级分辨率)”(bioRxiv期刊309641；网络数字对象标识符：https://doiorg/10.1101/309641)中，Hongda Wang等人描述了一种生成式对抗网络(GAN，英文：generative adversarial ne本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定机器学习系统(1)的处理模型的虚拟处理映射的一致性的方法，所述方法包括：
‑
将第一输入张量(28a)输入所述处理模型(5)；
‑
将第二输入张量(28b)输入所述处理模型(5)，其中，所述第一输入张量(28a)和所述第二输入张量(28b)由初始的输入张量确定，或者所述第一输入张量(28a)和所述第二输入张量(28b)检测对象的属性，并且所述第一输入张量(28a)和所述第二输入张量(28b)检测同一对象；以及
‑
确定一致性函数，其中，所述一致性函数包括所述处理模型(5)的特定层(29)的至少一个层一致性函数，其中，层一致性函数检测所述处理模型(5)的层(29)的由所述第一输入张量(28a)和所述第二输入张量(28b)生成的输出张量(32)之间的差别，其特征在于，所述特定层(29)的所述输出张量(32)是所述处理模型(5)的另一层(29)的输入张量。2.根据权利要求1所述的方法，其中，所述第一输入张量(28a)和所述第二输入张量(28b)在随机噪声方面有所不同。3.根据前述权利要求中任一项所述的方法，其中，所述处理模型(5)是完成训练的处理模型。4.根据前述权利要求中任一项所述的方法，其中，借助于所述一致性函数生成一致性卡(40)，其中，在所述一致性卡(40)中，针对所述输出张量(32)的不同部分区域检测所述输出张量(32)之间的差别。5.根据前述权利要求中任一项所述的方法，其中，根据所述一致性卡(40)实现关于所述虚拟处理映射是否适合用于所检测的对象的输入张量的处理的评估。6.一种训练具有处理模型(5)的机器学习系统(1)的方法，所述处理模型(5)尤其是多层神经网络，以便执行虚拟处理映射，所述方法包括：
‑
依据根据权利要求1或2所述的方法确定所述虚拟处理映射的一致性；以及
‑
通过适配所述处理模型(5)的模型参数来优化一致性函数。7.根据权利要求6所述的方法，其中，所述第一输入张量(28a)借助于变换由所述初始的输入张量(21)计算得到，并且所述第二输入张量(28b)是所述初始的输入张量(21)或者借助另一变换由所述初始的输入张量(21)计算得到。8.根据前述权利要求中任一项所述的方法，其特征在于，所述一致性函数包括至少一个其他层(29)的层一致性函数，其中，所述其他层(29)尤其是所述处理模型(5)的输出层(31)。9.根据权利要求6至8中任一项所述的方法，其中，所述一致性函数是层一致性函数之和，尤其为所述一致性函数中的每个层一致性函数分配层权重，并且所述层权重在所述训练中是固定的，或者在所述训练中是动态地选择或确定的。10.根据前述权利要求中任一项所述的方法，其中，所述方法在确定所述一致性函数之前还包括：计算至少一个经变换的输出张量(36)，其中，所述经变换的输出张量(36)能够通过由所述第一输入张量(28a)生成的输出张量(32)的逆变换来确定，或者通过由所述第二输入张量(28b)生成的输出张量(32)的变换来确定，或者通过由所述第一输入张量(28a)生成的
输出张量(32)的部分逆变换和由所述第二输入张量(28b)生成的输出张量(32)的部分变换来确定，其中，所述层一致性函数检测在经变换的输出张量(36)和未经变换的输出张量(32)之间的差别，或者检测在经变换的输出张量(36)之间的差别。11.根据前述权利要求中任一项所述的方法，所述方法还包括：将其他的输入张量输入所述处理模型(5)，其中，所述其他的输入张量借助于其他的变换由所述初始的输入张量(21)计算得到，其中，所述层一致性函数分别成对地检测所有由所述初始的输入张量(21)得出的层的输出张量之间的差别。12.根据权利要求6至11中任一项所述的方法，其中，所述机器学习系统根据注释数据集(19)和非注释数据集(20)进行训练，并且所述方法还包括：
‑
借助于所述注释数据集(19)通过适配所述模型参数来优化目标函数。13.根据权利要求12所述的方法，其中，所述处理模型(5)是生成式对抗网络GAN，其中，所述GAN包括发生器和鉴别器，并且所述第一输入张量(28a)和所述第二输入张量(28b)包括第一发生器输入张量和第二发生器输入张量以及第一鉴别器输入张量和第二鉴别器输入张量，其中，所述方法还包括：
‑
由所述注释数据集(19)和所述非注释数据集(20)的输入张量确定所述第一发生器输入张量和第二发生器输入张量，和/或
‑
由从所述发生器生成的结果张量和由所述注释数据集(19)的目标张量确定所述第一鉴别器输入张量和第二鉴别器输入张量，其中，所述特定层包括所述发生器的至少一个层，或者所述鉴别器的层，或者所述发生器和所述鉴别器的至少一个层。14.根据权利要求13所述的方法，其中，所述目标函数包括发生器目标函数和鉴别器目标函数，所述模型参数包括发生器模型参数和鉴别器模型参数，并且所述目标函数是所述发生器目标函数和所述鉴别器目标函数的加权和，其中...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：卡尔蔡司显微镜有限责任公司，
类型：发明
国别省市：