本技術(shù)涉及圖像分析，特別地，涉及一種基于增量學習的細胞形態(tài)學檢驗系統(tǒng)迭代方法及裝置。

背景技術(shù)：

1、在細胞學形態(tài)分析領(lǐng)域中，由于細胞的類別較多而出現(xiàn)多種不同的形態(tài)，現(xiàn)有的智能血細胞形態(tài)學檢驗系統(tǒng)在應用過程中面臨不斷新增的細胞類別以及細胞的屬性特征分析、學習等能力較弱的問題，因此血細胞形態(tài)學檢驗系統(tǒng)在訓練和學習時需要不斷地重復學習大量的原始細胞數(shù)據(jù)，由此導致對血細胞形態(tài)學檢驗系統(tǒng)進行訓練時所需的時間成本高且訓練效率低下的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供了一種基于增量學習的細胞形態(tài)學檢驗系統(tǒng)迭代方法及裝置，以解決現(xiàn)有技術(shù)中所存在的一個或多個技術(shù)問題，至少提供一種有益的選擇或創(chuàng)造條件。

2、本技術(shù)的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本技術(shù)的實踐而習得。

3、根據(jù)本技術(shù)實施例的一個方面，提供了一種基于增量學習的細胞形態(tài)學檢驗系統(tǒng)迭代方法，應用于細胞形態(tài)學檢驗系統(tǒng)，所述細胞形態(tài)學檢驗系統(tǒng)包括預設(shè)的分布外樣本檢測模塊和屬性學習記憶庫，所述屬性學習記憶庫存儲有多個已被學習和記憶的細胞數(shù)據(jù)，所述方法包括：

4、s1，獲取目標細胞的圖像數(shù)據(jù)，并根據(jù)所述圖像數(shù)據(jù)構(gòu)建第一數(shù)據(jù)集；

5、s2，將所述第一數(shù)據(jù)集輸入至所述分布外樣本檢測模塊，得到所述第一數(shù)據(jù)集內(nèi)的新類別細胞數(shù)據(jù)集，所述新類別細胞數(shù)據(jù)集包括多個新細胞數(shù)據(jù)，所述新細胞數(shù)據(jù)用于表征未被學習和記憶的細胞數(shù)據(jù)；

6、s3，根據(jù)各個所述新細胞數(shù)據(jù)對所述細胞形態(tài)學檢驗系統(tǒng)進行迭代輪次的增量學習以對所述屬性學習記憶庫和所述分布外樣本檢測模塊進行更新，直至各個所述新細胞數(shù)據(jù)均被標記為已被學習和記憶的細胞數(shù)據(jù)，輸出最終輪次的目標細胞學形態(tài)檢驗系統(tǒng)；

7、其中，對所述細胞形態(tài)學檢驗系統(tǒng)進行當前輪次的增量學習包括以下步驟：

8、獲取當前輪次的目標新細胞數(shù)據(jù)，并根據(jù)所述目標新細胞數(shù)據(jù)的各個細胞屬性對上一輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)進行增量學習，直至所述目標新細胞數(shù)據(jù)的各個細胞屬性均被增量學習完成，得到所述目標新細胞的特征融合向量；

9、根據(jù)所述特征融合向量更新所述屬性學習記憶庫和所述分布外樣本檢測模塊，以輸出當前輪次的細胞形態(tài)學檢驗系統(tǒng)。

10、在本技術(shù)的一個實施例中，基于前述方案，所述增量學習包括屬性增量學習和類別增量學習，所述屬性增量學習用于表征對所述目標新細胞數(shù)據(jù)的各個細胞屬性進行屬性特征的增量學習，所述類別增量學習用于表征對所述目標新細胞數(shù)據(jù)進行類別特征的增量學習。

11、在本技術(shù)的一個實施例中，基于前述方案，所述根據(jù)所述目標新細胞數(shù)據(jù)的各個細胞屬性對上一輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)進行增量學習，包括：

12、獲取上一輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)的上一屬性學習記憶庫；

13、根據(jù)所述目標新細胞數(shù)據(jù)的各個細胞屬性確定與所述上一屬性學習記憶庫中的各個已被學習和記憶的細胞數(shù)據(jù)之間的多個相似度權(quán)重數(shù)據(jù)，得到相似度權(quán)重數(shù)據(jù)集；

14、針對所述目標新細胞數(shù)據(jù)的每一個細胞屬性，在所述上一屬性學習記憶庫中獲取與所述細胞屬性對應的目標細胞屬性，并根據(jù)所述相似度權(quán)重數(shù)據(jù)集對各個所述細胞屬性以及所述細胞屬性進行屬性特征遷移融合，得到細胞屬性融合向量，所述目標細胞屬性為在歷史輪次中被學習和記憶的細胞屬性；

15、根據(jù)各個所述細胞屬性融合向量確定所述目標新細胞數(shù)據(jù)的屬性特征向量；

16、根據(jù)所述屬性特征向量與歷史輪次的各個細胞數(shù)據(jù)的屬性特征向量確定特征融合向量，并根據(jù)所述特征融合向量更新所述上一屬性學習記憶庫，以完成對所述細胞形態(tài)學檢驗系統(tǒng)的屬性增量學習。

17、在本技術(shù)的一個實施例中，基于前述方案，對所述細胞形態(tài)學檢驗系統(tǒng)的類別增量學習通過以下步驟進行：

18、將所述特征融合向量與所述目標新細胞數(shù)據(jù)進行綁定，以確定所述特征融合向量與所述目標新細胞數(shù)據(jù)之間的映射關(guān)系；

19、根據(jù)所述映射關(guān)系確定所述目標新細胞數(shù)據(jù)的類別特征，并根據(jù)所述類別特征更新所述分布外樣本檢測模塊，以完成對所述細胞形態(tài)學檢驗系統(tǒng)的類別增量學習。

20、在本技術(shù)的一個實施例中，基于前述方案，所述根據(jù)所述目標新細胞數(shù)據(jù)的各個細胞屬性確定與所述上一屬性學習記憶庫中的各個已被學習和記憶的細胞數(shù)據(jù)之間的多個相似度權(quán)重數(shù)據(jù)，得到相似度權(quán)重數(shù)據(jù)集，包括：

21、針對所述目標新細胞數(shù)據(jù)的每一細胞屬性，計算所述細胞屬性與所述屬性學習記憶庫中每個所述細胞數(shù)據(jù)的屬性特征之間的漢明距離；

22、根據(jù)各個所述漢明距離確定與所述目標新細胞數(shù)據(jù)的各個所述細胞屬性一一對應的各個所述相似度權(quán)重數(shù)據(jù)，并根據(jù)各個所述相似度權(quán)重數(shù)據(jù)確定所述相似度權(quán)重數(shù)據(jù)集。

23、在本技術(shù)的一個實施例中，基于前述方案，所述新類別細胞數(shù)據(jù)集通過以下步驟得到：

24、通過分布外樣本檢測模塊獲取所述第一數(shù)據(jù)集內(nèi)各個所述圖像數(shù)據(jù)的類別概率和距離評分；

25、針對每一圖像數(shù)據(jù)，若所述圖像數(shù)據(jù)的類別概率和距離評分的乘積值大于預設(shè)閾值，則確定所述圖像數(shù)據(jù)對應的細胞數(shù)據(jù)為所述新細胞數(shù)據(jù)；

26、其中，每一所述圖像數(shù)據(jù)對應單個細胞數(shù)據(jù)。

27、在本技術(shù)的一個實施例中，基于前述方案，所述細胞形態(tài)學檢驗系統(tǒng)根據(jù)預設(shè)的類平衡損失函數(shù)、預設(shè)的余弦蒸餾損失函數(shù)、預設(shè)的特征增強損失函數(shù)和預設(shè)的屬性空間分離損失函數(shù)訓練得到，所述類平衡損失函數(shù)、所述余弦蒸餾損失函數(shù)、所述特征增強損失函數(shù)和所述屬性空間分離損失函數(shù)用于進行屬性增量學習。

28、在本技術(shù)的一個實施例中，基于前述方案，所述細胞形態(tài)學檢驗系統(tǒng)還根據(jù)預設(shè)的交叉熵損失函數(shù)和預設(shè)的蒸餾損失函數(shù)訓練得到，所述交叉熵損失函數(shù)和所述蒸餾損失函數(shù)用于進行類別增量學習。

29、根據(jù)本技術(shù)實施例的一個方面，提供了一種基于增量學習的細胞形態(tài)學檢驗系統(tǒng)迭代裝置，應用于細胞形態(tài)學檢驗系統(tǒng)，所述細胞形態(tài)學檢驗系統(tǒng)包括預設(shè)的分布外樣本檢測模塊和屬性學習記憶庫，所述屬性學習記憶庫存儲有多個已被學習和記憶的細胞數(shù)據(jù)，所述裝置包括：

30、獲取單元，用于獲取目標細胞的圖像數(shù)據(jù)，并根據(jù)所述圖像數(shù)據(jù)構(gòu)建第一數(shù)據(jù)集；

31、輸入單元，用于將所述第一數(shù)據(jù)集輸入至所述分布外樣本檢測模塊，得到所述第一數(shù)據(jù)集內(nèi)的新類別細胞數(shù)據(jù)集，所述新類別細胞數(shù)據(jù)集包括多個新細胞數(shù)據(jù)，所述新細胞數(shù)據(jù)用于表征未被學習和記憶的細胞數(shù)據(jù)；

32、增量學習單元，用于根據(jù)各個所述新細胞數(shù)據(jù)對所述細胞形態(tài)學檢驗系統(tǒng)進行迭代輪次的增量學習以對所述屬性學習記憶庫和所述分布外樣本檢測模塊進行更新，直至各個所述新細胞數(shù)據(jù)均被標記為已被學習和記憶的細胞數(shù)據(jù)，輸出最終輪次的目標細胞學形態(tài)檢驗系統(tǒng)；

33、其中，對所述細胞形態(tài)學檢驗系統(tǒng)進行當前輪次的增量學習包括以下步驟：

34、獲取當前輪次的目標新細胞數(shù)據(jù)，并根據(jù)所述目標新細胞數(shù)據(jù)的各個細胞屬性對上一輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)進行增量學習，直至所述目標新細胞數(shù)據(jù)的各個細胞屬性均被增量學習完成，得到所述目標新細胞的特征融合向量；

35、根據(jù)所述特征融合向量更新所述屬性學習記憶庫和所述分布外樣本檢測模塊，以輸出當前輪次的細胞形態(tài)學檢驗系統(tǒng)。

36、根據(jù)本技術(shù)實施例的一個方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序包括可執(zhí)行指令，當該可執(zhí)行指令被處理器執(zhí)行時，實現(xiàn)如上述實施例中所述的方法。

37、根據(jù)本技術(shù)實施例的一個方面，提供了一種電子設(shè)備，包括：一個或多個處理器；存儲器，用于存儲所述處理器的可執(zhí)行指令，當所述可執(zhí)行指令被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)如上述實施例中所述的方法。

38、本技術(shù)的有益效果：本技術(shù)通過預設(shè)的分布外樣本檢測模塊，也即分布外類檢測方法獲取所述第一數(shù)據(jù)集內(nèi)的新類別細胞數(shù)據(jù)集，也就是篩選得出未被學習和記憶的新細胞數(shù)據(jù)，根據(jù)各個所述新細胞數(shù)據(jù)對所述細胞形態(tài)學檢驗系統(tǒng)進行迭代輪次的增量學習，其中，一個輪次的增量學習只需用到一個新細胞數(shù)據(jù)，此時可以確定當前輪次的增量學習所用到的新細胞數(shù)據(jù)為目標新細胞數(shù)據(jù)，那么可以根據(jù)目標新細胞數(shù)據(jù)的各個細胞屬性對上一輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)進行增量學習，直至各個細胞屬性都被增量學習完成，以此來得到目標新細胞數(shù)據(jù)的特征融合向量，使得整個細胞形態(tài)學檢驗系統(tǒng)能夠通過特征融合向量來完成增量學習，也就是可以更新屬性學習記憶庫和所述分布外樣本檢測模塊，使得下一輪次的增量學習能夠針對于當前輪次所輸出的細胞形態(tài)學檢驗系統(tǒng)來進行增量學習，在不遺忘舊的細胞數(shù)據(jù)的同時，不斷實現(xiàn)對新細胞數(shù)據(jù)的增量學習，減少災難性遺忘，進而降低時間和算力的消耗，從而提升對細胞形態(tài)學檢驗系統(tǒng)的訓練效率。

39、得到目標屬性判別器和目標類別分類器，得到各個新細胞的細胞屬性以及細胞類別，通過學習得到的細胞屬性和細胞類別可以對細胞學形態(tài)檢驗系統(tǒng)進行迭代進化，也就是將各個新細胞數(shù)據(jù)標記為已被細胞學形態(tài)檢驗系統(tǒng)學習和記憶的舊細胞數(shù)據(jù)，存儲于本地記憶數(shù)據(jù)庫當中，在不遺忘舊類別的舊細胞數(shù)據(jù)的情況下不斷學習新類別的新細胞數(shù)據(jù)，并且將不斷學習和記憶得到的新細胞數(shù)據(jù)存儲到屬性學習記憶庫中，將其變成舊細胞數(shù)據(jù)，以此來完成整個細胞形態(tài)學檢驗系統(tǒng)的迭代更新，解決了現(xiàn)有技術(shù)中存在的分析和學習等能力較弱的問題。

40、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本技術(shù)。