病理图的细胞核检测方法、装置、存储介质和计算机设备

1.本技术涉及细胞核检测的技术领域，具体涉及一种病理图的细胞核检测方法、装置、存储介质和计算机设备。


背景技术：

2.在现有的相关技术中，已经开始通过深度学习算法对病理图进行细胞检测和分类。但是，在构建细胞检测模型的过程中，需要的样本集是通过专业的医护人员对病理图中的细胞进行标记，十分耗费医护人员的人力资源和时间。


技术实现要素：

3.本技术的目的在于克服现有技术中的缺点与不足，提供一种病理图的细胞核检测方法、装置、存储介质和计算机设备，可以节省医护人员对训练样本集的病理图的细胞核进行标记耗费的时间，节省了医护人员的人力资源，也提高了训练样本集的获取效率。
4.本技术实施例的第一方面提供了一种病理图的细胞核检测方法，包括：
5.获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞；
6.对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签；
7.对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签；
8.根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络；
9.将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞核的位置结果、种类结果和深聚类结果。
10.本技术实施例的第二方面提供了一种病理图的细胞核检测装置，包括：
11.病理图样本集获取模块，用于获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞；
12.点标签样本集获取模块，用于对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签；
13.深聚类分类模块，用于对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签；
14.神经网络训练模块，用于根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络；
15.检测模块，用于将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞核的位置结果、种类结果和深聚类结果。
16.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
17.本技术实施例的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
18.相对于相关技术，本技术根据预设的标记比例对病理图样本集的各个样本病理图的细胞核进行点标注，得到包括多个点标签的点标签样本集，然后对各个点标签的细胞核进行深聚类分类，得到点标签样本集中各个点标签的细胞核的深聚类标签，再根据点标签样本集的位置标签、种类标签和深聚类标签训练初始神经网络，得到细胞检测神经网络，通过细胞检测神经网络获取待检测病理图的细胞核的位置结果、种类结果和深聚类结果。由于点标签是根据预设的标记比例进行标记的，因此医护人员无需对病理图样本集的各个样本病理图的所有细胞都进行标记，因此节省了获取细胞检测神经网络的训练样本集耗费的时间，节省了医护人员的人力资源，也提高了训练样本集的获取效率。
19.为了能更清晰的理解本技术，以下将结合附图说明阐述本技术的具体实施方式。
附图说明
20.图1为本技术一个实施例的病理图的细胞核检测方法的流程图。
21.图2为本技术一个实施例的病理图的细胞核检测方法的点标签的示意图。
22.图3为本技术一个实施例的病理图的细胞核检测方法包括自适应扩充圆盘掩膜点标签的流程图。
23.图4为本技术一个实施例的病理图的细胞核检测装置的模块连接示意图。
24.100、病理图的细胞核检测装置；101、病理图样本集获取模块；102、点标签样本集获取模块；103、深聚类分类模块；104、神经网络训练模块；105、检测模块。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。
26.应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术实施例保护的范围。
27.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
28.此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
29.请参阅图1，其是本技术的第一实施例的病理图的细胞核检测方法的流程图，包括：
30.s1：获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞。
31.其中，多个样本病理图可以通过滑动窗口对初始图像进行切割得到，例如，截取窗口从初始图像的一个顶角起，取224x224大小的窗口，以164为步长依次滑动窗口截取子图像，每张子图像的重叠像素为60，从而将初始图像分割成多个样本病理图。
32.其中，多类别细胞包括不同种类和不同时期状态的细胞。
33.样本病理图的细胞可以包括正常细胞、肿瘤细胞、炎症细胞、上皮细胞和基质细胞等。
34.s2：对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签。
35.请参阅图2，图2中的(a)图为病理图像的示意图，图2中的(b)图为点标签的示意图，且图2中的(b)图包括两种类别的点标签，属于多类别点标签的示意图，所述点标签样本集包括不同标记比例的多个点标签样本图，每个所述点标签样本图包括至少一个所述点标签。
36.对于点标签样本集，标记比例可以是一个标准值，此时点标签样本集中的每个点标签样本图的点标签的比例都相同，例如都是10％，但点标签的位置不限制，即各个点标签样本图的点标签的位置可以相同，也可以是随机选择的。标记比例也可以是一个范围值，此时点标签样本集中的每个点标签样本图的点标签的比例都在范围值内，各个点标签样本图的点标签的比例和位置都可以不同。例如，所述多个点标签样本图的标记比例在5％到50％之间。可以在降低医护人员对点标签的工作的前提下，调整每个点标签样本图的标记比例，以增加点标签的随机性，从而提高神经网络的训练效果。
37.可选地，由于样本病理图包括重叠像素和独立像素，因此每个所述点标签样本图的重叠像素和独立像素都包括点标签，可以使样本病理图的点标签分布更加均匀，有利于提高训练效果。
38.s3：对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签。
39.深聚类分类是指深度聚类，是聚类模型与神经网络模型的结合，可以提高聚类分类的准确性。由于同一种类的细胞核在不同时期会存在特征差异，这些特征差异可以进一步突出细胞核的当前状态，例如细胞核的是否发生异常改变，因此通过深聚类分类，可以对细胞核进行更进一步的分类，例如根据细胞核的状态进行分类。
40.s4：根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络。
41.s5：将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞
核的位置结果、种类结果和深聚类结果。
42.相对于相关技术，本技术根据预设的标记比例对病理图样本集的各个样本病理图的细胞核进行点标注，得到包括多个点标签的点标签样本集，然后对各个点标签的细胞核进行深聚类分类，得到点标签样本集中各个点标签的细胞核的深聚类标签，再根据点标签样本集的位置标签、种类标签和深聚类标签训练初始神经网络，得到细胞检测神经网络，通过细胞检测神经网络获取待检测病理图的细胞核的位置结果、种类结果和深聚类结果。由于点标签是根据预设的标记比例进行标记的，因此医护人员无需对病理图样本集的各个样本病理图的所有细胞都进行标记，因此节省了获取细胞检测神经网络的训练样本集耗费的时间，节省了医护人员的人力资源，也提高了训练样本集的获取效率。例如在对于乳腺原位癌切片数据集中，细胞的数量非常大，每张40倍下2000
×
2000像素的图像平均包含1000多个多类别细胞核，因此通过根据预设的标记比例进行标记的方式，可以明显节省医护人员的人力资源，提高训练样本集的获取效率。
43.在一个可行的实施例中，所述s2：对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集的步骤，包括：
44.s21：根据预设的标记比例对对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到所述多个点标签。
45.s22：对各个点标签进行扩充，将扩充后的所述多个点标签确定为点标签样本集。
46.在本实施例中，通过扩充点标签，可以丰富神经网络训练过程中学习的信息，提高细胞核检测网络的输出结果的准确性。
47.请参阅图3，在一个可行的实施例中，所述s22：对各个点标签进行扩充，将扩充后的所述多个点标签确定为点标签样本集的步骤，包括：
48.s221：根据所述点标签与相邻的细胞核的距离，或预设的扩充半径值，获取每个所述点标签的自适应扩充圆盘掩膜。
49.其中，自适应扩充圆盘掩膜是以点标签的细胞核为圆心，以点标签与相邻的细胞核的距离或预设的扩充半径值为半径的圆形掩膜。
50.s222：根据各个所述自适应扩充圆盘掩膜扩充对应的所述点标签，得到扩充后的所述多个点标签。
51.在本实施例中，通过自适应扩充圆盘掩膜扩充对应的点标签，使训练神经网络时，只根据自适应扩充圆盘掩膜扩充后的多个点标签进行训练，可以防止其他未标记的不属于点标签的细胞核影响神经网络训练，同时也防止了点标签扩充后出现相互重叠的情况，有利于提高点标签中的细胞核的独立性，提高神经网络的训练效果。
52.在一个可行的实施例中，所述s3：对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签的步骤，包括：
53.s31：获取所述多个点标签对应的细胞核特征。
54.s32：对每个所述细胞核特征进行注意力机制处理，得到对应的细胞核的多个注意力信息。
55.s33：根据细胞核的种类，将所述多个注意力信息进行加权求和，得到每个所述细胞核的状态特征。
56.由于不同种类的细胞核的多个注意力信息表达的信息都不同，因此通过以细胞核
的种类对应的加权条件进行加权求和，可以更准确地获取细胞核的状态特征。
57.s34：通过k-means深聚类，获取每个所述细胞核的状态特征对应的深聚类标签。
58.k-means深聚类是指k均值深聚类算法，是一种迭代求解的深聚类分析算法，通过预将数据分为k组，则随机选取k个对象作为初始的深聚类中心，然后计算每个对象与各个种子深聚类中心之间的距离，把每个对象分配给距离它最近的深聚类中心。深聚类中心以及分配给它们的对象就代表一个深聚类。每分配一个样本，深聚类的深聚类中心会根据深聚类中现有的对象被重新计算。这个过程将不断重复直到满足终止条件。终止条件可以是没有对象或只有预设的最小数目对象被重新分配给不同的深聚类，没有深聚类中心或只有预设的最小数目深聚类中心再发生变化，误差平方和局部最小。
59.在本实施例中，通过对细胞核特征进行注意力机制处理，得到细胞核的多个注意力信息，然后根据细胞核的种类，将多个注意力信息进行加权求和，得到细胞核的状态特征，再通过k-means深聚类，获取每个细胞核的状态特征对应的深聚类标签，可以获得准确的细胞核的深聚类标签，以提高细胞检测神经网络的训练数据的准确性。
60.在一个可行的实施例中，所述初始神经网络包括特征提取器、位置检测分支、种类检测分支和深聚类检测分支。
61.其中，位置检测分支、种类检测分支和深聚类检测分支的结构相同，都至少包括了多个卷积层、激活函数，位置检测分支、种类检测分支和深聚类检测分支的结构都可以表示为依次连接的卷积层、激活函数、卷积层、激活函数、卷积层。可选地，位置检测分支、种类检测分支和深聚类检测分支的最后一个卷积层的不同输出通道代表不同的细胞核类别。
62.所述s4：根据所述点标签样本集的所述位置标签、所述种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络的步骤，包括：
63.s41：通过所述特征提取器，提取所述点标签样本集的细胞核特征。
64.s42：根据所述细胞核特征和所述位置标签训练所述位置检测分支。
65.s43：根据所述细胞核特征和所述种类标签训练所述种类检测分支。
66.s44：根据所述细胞核特征和所述深聚类标签训练所述深聚类检测分支。
67.s45：根据所述特征提取器、训练后的所述位置检测分支、训练后的所述种类检测分支，以及训练后的所述深聚类检测分支得到所述细胞检测神经网络。
68.在本实施例中，根据不同的训练数据分别训练初始神经网络的位置检测分支、种类检测分支和深聚类检测分支，可以防止训练数据的相互干扰，提高位置检测分支、种类检测分支和深聚类检测分支检测时的专注性，提高细胞检测神经网络的各个检测分支的输出结果的准确性。
69.请参阅图4，本技术的第二实施例提供了一种病理图的细胞核检测装置100，包括：
70.病理图样本集获取模块101，用于获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞；
71.点标签样本集获取模块102，用于对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签；
72.深聚类分类模块103，用于对各个点标签的细胞核进行深聚类分类，得到所述点标
签样本集中各个点标签的细胞核的深聚类标签；
73.神经网络训练模块104，用于根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络；
74.检测模块105，用于将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞核的位置结果、种类结果和深聚类结果。
75.需要说明的是，本技术第二实施例提供的病理图的细胞核检测装置在执行病理图的细胞核检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分为不同的功能模块，以完成以上描述的全部或者部分功能。另外，本技术第二实施例提供的病理图的细胞核检测装置与本技术第一实施例的病理图的细胞核检测方法属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
76.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的病理图的细胞核检测方法的步骤。
77.本技术实施例的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的病理图的细胞核检测方法的步骤。
78.以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
79.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
80.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
81.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
82.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
83.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
84.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
85.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
86.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种病理图的细胞核检测方法，其特征在于，包括：获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞；对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签；对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签；根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络；将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞核的位置结果、种类结果和深聚类结果。2.根据权利要求1所述的病理图的细胞核检测方法，其特征在于，所述初始神经网络包括特征提取器、位置检测分支、种类检测分支和深聚类检测分支；所述根据所述点标签样本集的所述位置标签、所述种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络的步骤，包括：通过所述特征提取器，提取所述点标签样本集的细胞核特征；根据所述细胞核特征和所述位置标签训练所述位置检测分支；根据所述细胞核特征和所述种类标签训练所述种类检测分支；根据所述细胞核特征和所述深聚类标签训练所述深聚类检测分支；根据所述特征提取器、训练后的所述位置检测分支、训练后的所述种类检测分支，以及训练后的所述深聚类检测分支得到所述细胞检测神经网络。3.根据权利要求1所述的病理图的细胞核检测方法，其特征在于，所述对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集的步骤，包括：根据预设的标记比例对对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到所述多个点标签；对各个点标签进行扩充，将扩充后的所述多个点标签确定为点标签样本集。4.根据权利要求1所述的病理图的细胞核检测方法，其特征在于：所述点标签样本集包括不同标记比例的多个点标签样本图，每个所述点标签样本图包括至少一个所述点标签。5.根据权利要求4所述的病理图的细胞核检测方法，其特征在于：所述多个点标签样本图的标记比例在5％到50％之间。6.根据权利要求3所述的病理图的细胞核检测方法，其特征在于，所述对各个点标签进行扩充，将扩充后的所述多个点标签确定为点标签样本集的步骤，包括：根据所述点标签与相邻的细胞核的距离，或预设的扩充半径值，获取每个所述点标签的自适应扩充圆盘掩膜；根据各个所述自适应扩充圆盘掩膜扩充对应的所述点标签，得到扩充后的所述多个点标签。7.根据权利要求1所述的病理图的细胞核检测方法，其特征在于，所述对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签的步
骤，包括：获取所述多个点标签对应的细胞核特征；对每个所述细胞核特征进行注意力机制处理，得到对应的细胞核的多个注意力信息；根据细胞核的种类，将所述多个注意力信息进行加权求和，得到每个所述细胞核的状态特征；通过k-means深聚类，获取每个所述细胞核的状态特征对应的深聚类标签。8.一种病理图的细胞核检测装置，其特征在于，包括：病理图样本集获取模块，用于获取病理图样本集，所述病理图样本集包括多个样本病理图，每个所述样本病理图包括多个多类别细胞；点标签样本集获取模块，用于对所述病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；其中，所述点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签，每个点标签包括细胞核对应的像素点，以及细胞核的位置标签和细胞核的种类标签；深聚类分类模块，用于对各个点标签的细胞核进行深聚类分类，得到所述点标签样本集中各个点标签的细胞核的深聚类标签；神经网络训练模块，用于根据所述点标签样本集的位置标签、种类标签和所述深聚类标签训练初始神经网络，得到细胞检测神经网络；检测模块，用于将待检测病理图输入所述细胞检测神经网络，得到所述待检测病理图的细胞核的位置结果、种类结果和深聚类结果。9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的病理图的细胞核检测方法的步骤。10.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的病理图的细胞核检测方法的步骤。

技术总结
本申请提供一种病理图的细胞核检测方法、装置、存储介质和计算机设备。方法包括：获取病理图样本集；对病理图样本集的各个样本病理图的细胞核进行点标注，得到点标签样本集；点标签样本集包括根据预设的标记比例对细胞核标注得到的多个点标签；对各个点标签的细胞核进行深聚类分类，得到点标签样本集中各个点标签的细胞核的深聚类标签；根据点标签样本集的位置标签、种类标签和深聚类标签训练初始神经网络，得到细胞检测神经网络；将待检测病理图输入细胞检测神经网络，得到待检测病理图的细胞核的位置结果、种类结果和深聚类结果。本申请可以节省标记训练样本集的细胞核耗费的时间。可以节省标记训练样本集的细胞核耗费的时间。可以节省标记训练样本集的细胞核耗费的时间。


技术研发人员：吉雁鸿 薛凯文
受保护的技术使用者：华南师范大学
技术研发日：2023.03.30
技术公布日：2023/8/1