[go: up one dir, main page]

CN114663330A - 干细胞密度确定方法、装置、电子设备及存储介质 - Google Patents

干细胞密度确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114663330A
CN114663330A CN202011416157.4A CN202011416157A CN114663330A CN 114663330 A CN114663330 A CN 114663330A CN 202011416157 A CN202011416157 A CN 202011416157A CN 114663330 A CN114663330 A CN 114663330A
Authority
CN
China
Prior art keywords
density
image
stem cell
reduction ratio
cell density
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011416157.4A
Other languages
English (en)
Inventor
李宛真
郭锦斌
卢志德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202011416157.4A priority Critical patent/CN114663330A/zh
Priority to US17/523,989 priority patent/US12111244B2/en
Publication of CN114663330A publication Critical patent/CN114663330A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Dispersion Chemistry (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

一种干细胞密度确定方法，所述方法包括：获取待检测的医学图像；根据预设的第一缩小比例，缩小医学图像，获得第一缩小图像；将第一缩小图像输入至第一密度检测模型中，获得第一检测结果；若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果。本发明还提供一种干细胞密度确定装置、电子设备以及存储介质。本发明能提高获取干细胞密度的效率。

Description

干细胞密度确定方法、装置、电子设备及存储介质
技术领域
本发明涉及图像检测技术领域，尤其涉及一种干细胞密度确定方法、装置、电子设备及存储介质。
背景技术
目前，可以通过计算图像中干细胞的数量和体积，然后估算整个图像中干细胞的密度，但在实践中发现，计算图像中干细胞的数量和体积需要消耗的时长比较长，导致图像中干细胞密度的获取效率不高。
因此，如何提高干细胞密度的获取效率是一个亟需解决的技术问题。
发明内容
鉴于以上内容，有必要提供一种干细胞密度确定方法、装置、电子设备及存储介质，能够提高干细胞密度检测的效率。
本发明的第一方面提供一种干细胞密度确定方法，所述方法包括：
获取待检测的医学图像；
根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果；
若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
在一种可能的实现方式中，所述干细胞密度确定方法还包括：
若所述至少一个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，将所述医学图像输入至第三密度检测模型中，获得所述医学图像的干细胞密度。
在一种可能的实现方式中，所述根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果包括：
按照所述多个第二缩小比例从大到小的顺序，对所述多个第二缩小比例进行排序，获得排序结果；
根据所述排序结果中的最大的第二缩小比例，对所述医学图像进行缩小，获得第二缩小图像；
将所述第二缩小图像输入至所述最大的第二缩小比例对应的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果；
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度小于所述最大的第二缩小比例对应的第二密度，根据所述排序结果，确定与所述最大的第二缩小比例相邻的目标缩小比例；
根据所述目标缩小比例，缩小所述医学图像，获得第三缩小图像；
将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中，获得与述第三缩小图像对应的第二检测结果。
在一种可能的实现方式中，所述干细胞密度确定方法还包括：
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；
确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
在一种可能的实现方式中，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第一训练图像；
从所有所述第一训练图像中，将干细胞密度大于或等于所述第一密度的第一训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的第一训练图像确定为第一负图像；
根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本；
使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。
在一种可能的实现方式中，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第二训练图像；
针对每个所述第二缩小比例，从所有所述第二训练图像中，将干细胞密度大于或等于所述第二缩小比例对应的第二密度的第二训练图像确定为第二正图像，以及将干细胞密度小于所述第二缩小比例对应的第二密度的第二训练图像确定为第二负图像；
根据所述第二缩小比例，缩小所述第二正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本；
使用所述第二正样本以及所述第二负样本进行训练，获得训练好的与所述第二缩小比例对应的第二密度检测模型。
作为一种可选的实施方式，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第三训练图像；
从所有所述第三训练图像中，将干细胞密度大于或等于预设的第三密度的第三训练图像确定为第三正样本，以及将干细胞密度小于所述第三密度的第三训练图像确定为第三负样本；
使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。
本发明的第二方面提供一种干细胞密度确定装置，所述干细胞密度确定装置包括：
获取模块，用于获取待检测的医学图像；
缩小模块，用于根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
输入模块，用于将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果；
确定模块，用于若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
检测模块，用于若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的干细胞密度确定方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的干细胞密度确定方法。
由以上技术方案，本发明中，可以使用多个缩小比例以及多个密度检测模型对医学图像进行分层次的干细胞密度检测。从预设的最大的缩小比例(所述第一缩小比例)进行缩小的医学图像开始到不进行缩小的医学图像，使用从检测的干细胞密度最大的模型(所述第一密度检测模型)开始到检测密度最小的模型(所述第三密度检测模型)进行干细胞密度检测。对于缩小的医学图像，干细胞密度较大的容易被检测出来，干细胞密度较小的不容易被检测出来。使用不同缩小比例以及对应的不同干细胞密度的检测模型进行检测，不需要计算干细胞的数量来获得干细胞密度，提高了干细胞密度检测的效率。
附图说明
图1是本发明公开的一种干细胞密度确定方法的较佳实施例的流程图。
图2是本发明公开的一种干细胞密度确定装置的较佳实施例的功能模块图。
图3是本发明实现干细胞密度确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例的干细胞密度确定方法应用在电子设备中，也可以应用在电子设备和通过网络与所述电子设备进行连接的服务器所构成的硬件环境中，由服务器和电子设备共同执行。网络包括但不限于：广域网、城域网或局域网。
其中，服务器可以是指能对网络中其它设备(如电子设备)提供服务的计算机系统。从狭义范围上讲，服务器专指某些高性能计算机，能通过网络，对外提供服务，其相对于普通的个人电脑来说，稳定性、安全性、性能等方面都要求更高，因此在CPU、芯片组、内存、磁盘系统、网络等硬件和普通的个人电脑有所不同。不过，如果一个个人电脑能够对外提供例如但不限于文件传输协议(File Transfer Protocol，简称FTP)服务，也可以叫服务器。
所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络设备、多个网络设备组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络设备构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(PDA)等。
请参见图1，图1是本发明公开的一种干细胞密度确定方法的较佳实施例的流程图。其中，所述干细胞密度确定方法的执行主体可以是电子设备。
S11、获取待检测的医学图像。
其中，所述医学图像中可以包括但不限于干细胞、其他细胞以及杂质。
作为一种可选的实施方式，所述步骤S11之前，所述干细胞密度确定方法还包括：
获取预设的第一训练图像；
从所有所述第一训练图像中，将干细胞密度大于或等于所述第一密度的第一训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的第一训练图像确定为第一负图像；
根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本；
使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，将干细胞密度大于或等于所述第一密度的训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的训练图像确定为第一负图像，比如，所述第一密度可以是80％。然后，根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本，比如，假设所述第一缩小比例为60％，将所述医学图像缩小60％。使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。所述第一密度检测模型，可以对缩小了60％的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第一密度。
作为一种可选的实施方式，所述步骤S11之前，所述方法还包括：
获取预设的第二训练图像；
针对每个所述第二缩小比例，从所有所述第二训练图像中，将干细胞密度大于或等于所述第二缩小比例对应的第二密度的第二训练图像确定为第二正图像，以及将干细胞密度小于所述第二缩小比例对应的第二密度的第二训练图像确定为第二负图像；
根据所述第二缩小比例，缩小所述第二正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本；
使用所述第二正样本以及所述第二负样本进行训练，获得训练好的与所述第二缩小比例对应的第二密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，对于每个第二密度，将干细胞密度大于或等于所述第二密度的训练图像确定为第二图像，以及将干细胞密度小于所述第二密度的训练图像确定为第一负图像，比如，假设其中一个第二密度是60％，对应的第二缩小比例为40％，根据对应的所述第二缩小比例，缩小所述第一正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本。使用所述第二正样本以及所述第二负样本进行训练，获得训练好的所述第二密度检测模型。所述第二密度检测模型，可以对缩小了40％的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第二密度。
作为一种可选的实施方式，所述步骤S11之前，所述方法还包括：
获取预设的第三训练图像；
从所有所述第三训练图像中，将干细胞密度大于或等于预设的第三密度的第三训练图像确定为第三正样本，以及将干细胞密度小于所述第三密度的第三训练图像确定为第三负样本；
使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，将干细胞密度大于或等于所述第三密度的训练图像确定为第三正样本，以及将干细胞密度小于所述第一密度的训练图像确定为第三负样本，比如，所述第三密度可以是10％。使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。所述第三密度检测模型，可以对没有进行缩小的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第三密度。
S12、根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
本发明实施例中，可以根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像。假设所述第一缩小比例为60％，所述第一缩小图像是缩小了60％的所述医学图像。
S13、将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果。
本发明实施例中，所述第一密度检测模型用于判断所述第一缩小图像的干细胞密度是否大于或等于预设的第一密度，其中，所述第一密度可以是较大的干细胞密度，比如80％，第一检测结果可以为所述第一缩小图像的干细胞密度大于或等于80％，或者，所述第一缩小图像的干细胞密度小于80％。
S14、若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度。
作为一种可选的实施方式，所述干细胞密度确定方法还包括：
若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
输出所述医学图像的干细胞密度。
在该可选的实施方式中，若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，比如所述第一检测结果所述第一缩小图像的干细胞密度大于或等于80％，确定所述医学图像的干细胞密度大于或等于80％。可以输出“干细胞密度大于或等于80％”的文字信息。
S15、若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
其中，所述第一缩小比例大于所述多个第二缩小比例中的任一个。比如，所述第一缩小比例可以为60％，所述多个第二缩小比例可以为50％、40％、30％以及20％等。与所述多个第二缩小比例一一对应的多个第二密度检测模型的检测密度可以为60％、50％、40％、30％等。
具体的，所述根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果包括：
按照所述多个第二缩小比例从大到小的顺序，对所述多个第二缩小比例进行排序，获得排序结果；
根据所述排序结果中的最大的第二缩小比例，对所述医学图像进行缩小，获得第二缩小图像；
将所述第二缩小图像输入至所述最大的第二缩小比例对应的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果；
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度小于所述最大的第二缩小比例对应的第二密度，根据所述排序结果，确定与所述最大的第二缩小比例相邻的目标缩小比例；
根据所述目标缩小比例，缩小所述医学图像，获得第三缩小图像；
将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中，获得与述第三缩小图像对应的第二检测结果。
在该可选的实施方式中，假设所述多个第二缩小比例为50％、40％、30％以及20％、与所述多个第二缩小比例一一对应的多个第二密度检测模型的检测密度可以为50％、40％、30％、20％。首先可以将所述医学图像缩小50％，获得所述第二缩小图像，然后将所述第二缩小图像输入至对应的检测密度为50％的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果，所述第二缩小图像对应的第二检测结果可以为所述第二缩小图像的干细胞密度小于50％，或者，为所述第二缩小图像的干细胞密度大于或等于50％。如果所述目标检测结果可以为所述第二缩小图像的干细胞密度小于50％，将所述医学图像缩小40％(与所述最大的第二缩小比例相邻的目标缩小比例)，获得所述第三缩小图像。将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中(即将所述第三缩小图像输入至检测密度为40％的第二密度检测模型中)，与所述第三缩小图像对应的第二检测结果可以为所述第三缩小图像的干细胞密度大于或等于40％，或者为所述第三缩小图像的干细胞密度小于40％。
可选的，若与所述第三缩小图像对应的第二检测结果为所述第三缩小图像的干细胞密度小于40％，则按照所述排序结果，获取下一个缩小比例(比如30％)，缩小所述医学图像，以及使用对应的第二密度检测模型(比如检测密度为30％的第二密度检测模型)进行检测。
作为一种可选的实施方式，所述干细胞密度确定方法还包括：
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；
确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
在该可选的实施方式中，若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，不需要再对图像进行干细胞密度检测，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；即可以确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
作为一种可选的实施方式，所述干细胞密度确定方法还包括：
若所述至少一个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，将所述医学图像输入至第三密度检测模型中，获得所述医学图像的干细胞密度。
其中，所述第一密度大于所述多个第二密度中的任一个，所述多个第二密度都大于所述第三密度检测模型对应的第三密度。
其中，所述第三密度检测模型用于检测所述医学图像的干细胞密度是否大于或等于第三密度，所述第三密度是比较小的干细胞密度，比如10％。
本发明实施例中，若所述多个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，这时不需要缩小所述医学图像，直接将所述医学图像输入至第三密度检测模型中。所述第三密度检测模型输出的结果可以为所述医学图像的干细胞密度小于10％，或者为所述医学图像的干细胞密度大于或等于10％且小于20％。
在图1所描述的方法流程中，可以使用多个缩小比例以及多个密度检测模型对医学图像进行分层次的干细胞密度检测。从预设的最大的缩小比例(所述第一缩小比例)进行缩小的医学图像开始到不进行缩小的医学图像，使用从检测的干细胞密度最大的模型(所述第一密度检测模型)开始到检测密度最小的模型(所述第三密度检测模型)进行干细胞密度检测。对于缩小的医学图像，干细胞密度较大的容易被检测出来，干细胞密度较小的不容易被检测出来。使用不同缩小比例以及对应的不同干细胞密度的检测模型进行检测，不需要计算干细胞的数量来获得干细胞密度，提高了干细胞密度检测的效率。
请参见图2，图2是本发明公开的一种干细胞密度确定装置的较佳实施例的功能模块图。
在一些实施例中，所述干细胞密度确定装置运行于电子设备中。所述干细胞密度确定装置可以包括多个由程序代码段所组成的功能模块。所述干细胞密度确定装置中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行图1所描述的干细胞密度确定方法中的部分或全部步骤。
本实施例中，所述干细胞密度确定装置根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、缩小模块202、输入模块203、检测模块204、确定模块205、训练模块206及输出模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
获取模块201，用于获取待检测的医学图像。
其中，所述医学图像中可以包括但不限于干细胞、其他细胞以及杂质。
缩小模块202，用于根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像。
本发明实施例中，可以根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像。假设所述第一缩小比例为60％，所述第一缩小图像是缩小了60％的所述医学图像。
输入模块203，用于将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果。
本发明实施例中，所述第一密度检测模型用于判断所述第一缩小图像的干细胞密度是否大于或等于预设的第一密度，其中，所述第一密度可以是较大的干细胞密度，比如80％，第一检测结果可以为所述第一缩小图像的干细胞密度大于或等于80％，或者，所述第一缩小图像的干细胞密度小于80％。
确定模块205，用于若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度。
作为一种可选的实施方式，所述干细胞密度确定装置还可以包括：
所述确定模块205，还用于若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
输出模块207，用于输出所述医学图像的干细胞密度。
在该可选的实施方式中，若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，比如所述第一检测结果所述第一缩小图像的干细胞密度大于或等于80％，确定所述医学图像的干细胞密度大于或等于80％。可以输出“干细胞密度大于或等于80％”的文字信息。
检测模块204，用于若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
其中，所述第一缩小比例大于所述多个第二缩小比例中的人一个。比如，所述第一缩小比例可以为60％，所述多个第二缩小比例可以为50％、40％、30％以及20％等。与所述多个第二缩小比例一一对应的多个第二密度检测模型的检测密度可以为60％、50％、40％、30％等。
所述输入模块203，还用于若所述至少一个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，将所述医学图像输入至第三密度检测模型中，获得所述医学图像的干细胞密度。
其中，所述第一密度大于所述多个第二密度中的任一个，所述多个第二密度都大于所述第三密度检测模型对应的第三密度。
其中，所述第三密度检测模型用于检测所述医学图像的干细胞密度是否大于或等于第三密度，所述第三密度是比较小的干细胞密度，比如10％。
本发明实施例中，若所述第二检测结果为所述医学图像的干细胞密度都小于预设的多个第二密度，这时不需要缩小所述医学图像，直接将所述医学图像输入至第三密度检测模型中。所述第三密度检测模型输出的结果可以为所述医学图像的干细胞密度小于10％，或者为所述医学图像的干细胞密度大于或等于10％且小于20％。
作为一种可选的实施方式，所述检测模块204根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果的方式具体为：
按照所述多个第二缩小比例从大到小的顺序，对所述多个第二缩小比例进行排序，获得排序结果；
根据所述排序结果中的最大的第二缩小比例，对所述医学图像进行缩小，获得第二缩小图像；
将所述第二缩小图像输入至所述最大的第二缩小比例对应的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果；
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度小于所述最大的第二缩小比例对应的第二密度，根据所述排序结果，确定与所述最大的第二缩小比例相邻的目标缩小比例；
根据所述目标缩小比例，缩小所述医学图像，获得第三缩小图像；
将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中，获得与述第三缩小图像对应的第二检测结果。
在该可选的实施方式中，假设所述多个第二缩小比例为50％、40％、30％以及20％、与所述多个第二缩小比例一一对应的多个第二密度检测模型的检测密度可以为50％、40％、30％、20％。首先可以将所述医学图像缩小50％，获得所述第二缩小图像，然后将所述第二缩小图像输入至对应的检测密度为50％的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果，所述第二缩小图像对应的第二检测结果可以为所述第二缩小图像的干细胞密度小于50％，或者，为所述第二缩小图像的干细胞密度大于或等于50％。如果所述目标检测结果可以为所述第二缩小图像的干细胞密度小于50％，将所述医学图像缩小40％(与所述最大的第二缩小比例相邻的目标缩小比例)，获得所述第三缩小图像。将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中(即将所述第三缩小图像输入至检测密度为40％的第二密度检测模型中)，与所述第三缩小图像对应的第二检测结果可以为所述第三缩小图像的干细胞密度大于或等于40％，或者为所述第三缩小图像的干细胞密度小于40％。
可选的，若与所述第三缩小图像对应的第二检测结果为所述第三缩小图像的干细胞密度小于40％，则按照所述排序结果，获取下一个缩小比例(比如30％)，缩小所述医学图像，以及使用对应的第二密度检测模型(比如检测密度为30％的第二密度检测模型)进行检测。
作为一种可选的实施方式，所述干细胞密度确定装置还可以包括：
所述确定模块205，还用于若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；
所述确定模块205，还用于确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
在该可选的实施方式中，若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，不需要再对图像进行干细胞密度检测，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；即可以确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
作为一种可选的实施方式，所述获取模块201，还用于获取预设的第一训练图像；
所述确定模块205，还用于从所有所述第一训练图像中，将干细胞密度大于或等于所述第一密度的第一训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的第一训练图像确定为第一负图像；
所述缩小模块202，还用于根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本；
训练模块206，用于使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，将干细胞密度大于或等于所述第一密度的训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的训练图像确定为第一负图像，比如，所述第一密度可以是80％。然后，根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本，比如，假设所述第一缩小比例为60％，将所述医学图像缩小60％。使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。所述第一密度检测模型，可以对缩小了60％的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第一密度。
作为一种可选的实施方式，所述获取模块201，还用于获取预设的第二训练图像；
所述确定模块205，还用于针对每个所述第二缩小比例，从所有所述第二训练图像中，将干细胞密度大于或等于所述第二缩小比例对应的第二密度的第二训练图像确定为第二正图像，以及将干细胞密度小于所述第二缩小比例对应的第二密度的第二训练图像确定为第二负图像；
所述缩小模块202，还用于根据所述第二缩小比例，缩小所述第二正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本；
所述训练模块206，还用于使用所述第二正样本以及所述第二负样本进行训练，获得训练好的与所述第二缩小比例对应的第二密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，对于每个第二密度，将干细胞密度大于或等于所述第二密度的训练图像确定为第二图像，以及将干细胞密度小于所述第二密度的训练图像确定为第一负图像，比如，假设其中一个第二密度是60％，对应的第二缩小比例为40％，根据对应的所述第二缩小比例，缩小所述第一正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本。使用所述第二正样本以及所述第二负样本进行训练，获得训练好的所述第二密度检测模型。所述第二密度检测模型，可以对缩小了40％的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第二密度。
作为一种可选的实施方式，所述获取模块201，还用于获取预设的第三训练图像；
所述确定模块205，还用于从所有所述第三训练图像中，将干细胞密度大于或等于预设的第三密度的第三训练图像确定为第三正样本，以及将干细胞密度小于所述第三密度的第三训练图像确定为第三负样本；
所述训练模块206，还用于使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。
在该可选的实施方式中，可以预先准备一些训练图像，这些训练图像中包括了具有不同干细胞密度的医学图像，将干细胞密度大于或等于所述第三密度的训练图像确定为第三正样本，以及将干细胞密度小于所述第一密度的训练图像确定为第三负样本，比如，所述第三密度可以是10％。使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。所述第三密度检测模型，可以对没有进行缩小的所述医学图像进行密度检测，判断所述医学图像中的干细胞密度是否大于或等于所述第三密度。
在图2所描述的干细胞密度确定装置中，可以使用多个缩小比例以及多个密度检测模型对医学图像进行分层次的干细胞密度检测。从预设的最大的缩小比例(所述第一缩小比例)进行缩小的医学图像开始到不进行缩小的医学图像，使用从检测的干细胞密度最大的模型(所述第一密度检测模型)开始到检测密度最小的模型(所述第三密度检测模型)进行干细胞密度检测。对于缩小的医学图像，干细胞密度较大的容易被检测出来，干细胞密度较小的不容易被检测出来。使用不同缩小比例以及对应的不同干细胞密度的检测模型进行检测，不需要计算干细胞的数量来获得干细胞密度，提高了干细胞密度检测的效率。
如图3所示，图3是本发明实现干细胞密度确定方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解，图3所示的示意图仅仅是所述电子设备3的示例，并不构成对所述电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述电子设备3还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(InternetProtocol Television，IPTV)、智能式穿戴式设备等。所述电子设备3所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等，所述处理器32是所述电子设备3的控制中心，利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元，所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元，以及调用存储在存储器31内的数据，实现所述电子设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备3的使用所创建的数据等。此外，存储器31可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件等。
结合图1，所述电子设备3中的所述存储器31存储多个指令以实现一种干细胞密度确定方法，所述处理器32可执行所述多个指令从而实现：
获取待检测的医学图像；
根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果；
若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
作为一种可选的实施方式，所述处理器32可执行所述多个指令从而实现：
若所述至少一个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，将所述医学图像输入至第三密度检测模型中，获得所述医学图像的干细胞密度。
作为一种可选的实施方式，所述根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果包括：
按照所述多个第二缩小比例从大到小的顺序，对所述多个第二缩小比例进行排序，获得排序结果；
根据所述排序结果中的最大的第二缩小比例，对所述医学图像进行缩小，获得第二缩小图像；
将所述第二缩小图像输入至所述最大的第二缩小比例对应的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果；
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度小于所述最大的第二缩小比例对应的第二密度，根据所述排序结果，确定与所述最大的第二缩小比例相邻的目标缩小比例；
根据所述目标缩小比例，缩小所述医学图像，获得第三缩小图像；
将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中，获得与述第三缩小图像对应的第二检测结果。
作为一种可选的实施方式，所述处理器32可执行所述多个指令从而实现：
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；
确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
作为一种可选的实施方式，所述获取待检测的医学图像之前所述处理器32可执行所述多个指令从而实现：
获取预设的第一训练图像；
从所有所述第一训练图像中，将干细胞密度大于或等于所述第一密度的第一训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的第一训练图像确定为第一负图像；
根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本；
使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。
作为一种可选的实施方式，所述获取待检测的医学图像之前，所述处理器32可执行所述多个指令从而实现：
获取预设的第二训练图像；
针对每个所述第二缩小比例，从所有所述第二训练图像中，将干细胞密度大于或等于所述第二缩小比例对应的第二密度的第二训练图像确定为第二正图像，以及将干细胞密度小于所述第二缩小比例对应的第二密度的第二训练图像确定为第二负图像；
根据所述第二缩小比例，缩小所述第二正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本；
使用所述第二正样本以及所述第二负样本进行训练，获得训练好的与所述第二缩小比例对应的第二密度检测模型。
作为一种可选的实施方式，所述获取待检测的医学图像之前，所述处理器32可执行所述多个指令从而实现：
获取预设的第三训练图像；
从所有所述第三训练图像中，将干细胞密度大于或等于预设的第三密度的第三训练图像确定为第三正样本，以及将干细胞密度小于所述第三密度的第三训练图像确定为第三负样本；
使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。
具体地，所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在图3所描述的电子设备3中，可以使用多个缩小比例以及多个密度检测模型对医学图像进行分层次的干细胞密度检测。从预设的最大的缩小比例(所述第一缩小比例)进行缩小的医学图像开始到不进行缩小的医学图像，使用从检测的干细胞密度最大的模型(所述第一密度检测模型)开始到检测密度最小的模型(所述第三密度检测模型)进行干细胞密度检测。对于缩小的医学图像，干细胞密度较大的容易被检测出来，干细胞密度较小的不容易被检测出来。使用不同缩小比例以及对应的不同干细胞密度的检测模型进行检测，不需要计算干细胞的数量来获得干细胞密度，提高了干细胞密度检测的效率。
所述电子设备3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。例如，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

Claims (10)

1.一种干细胞密度确定方法，其特征在于，所述干细胞密度确定方法包括：
获取待检测的医学图像；
根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果；
若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
2.根据权利要求1所述的干细胞密度确定方法，其特征在于，所述干细胞密度确定方法还包括：
若所述至少一个第二检测结果均为所述医学图像的干细胞密度小于预设的第二密度，将所述医学图像输入至第三密度检测模型中，获得所述医学图像的干细胞密度。
3.根据权利要求1所述的干细胞密度确定方法，其特征在于，所述根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果包括：
按照所述多个第二缩小比例从大到小的顺序，对所述多个第二缩小比例进行排序，获得排序结果；
根据所述排序结果中的最大的第二缩小比例，对所述医学图像进行缩小，获得第二缩小图像；
将所述第二缩小图像输入至所述最大的第二缩小比例对应的第二密度检测模型中，获得所述第二缩小图像对应的第二检测结果；
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度小于所述最大的第二缩小比例对应的第二密度，根据所述排序结果，确定与所述最大的第二缩小比例相邻的目标缩小比例；
根据所述目标缩小比例，缩小所述医学图像，获得第三缩小图像；
将所述第三缩小图像输入至与所述目标缩小比例对应的第二密度检测模型中，获得与述第三缩小图像对应的第二检测结果。
4.根据权利要求3所述的干细胞密度确定方法，其特征在于，所述干细胞密度确定方法还包括：
若所述第二缩小图像对应的第二检测结果为所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度，确定所述第二缩小图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度；
确定所述医学图像的干细胞密度大于或等于所述最大的第二缩小比例对应的第二密度且小于所述第一密度。
5.根据权利要求1至4中任一项所述的干细胞密度确定方法，其特征在于，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第一训练图像；
从所有所述第一训练图像中，将干细胞密度大于或等于所述第一密度的第一训练图像确定为第一正图像，以及将干细胞密度小于所述第一密度的第一训练图像确定为第一负图像；
根据所述第一缩小比例，缩小所述第一正图像，获得第一正样本，以及根据所述第一缩小比例，缩小所述第一负图像，获得第一负样本；
使用所述第一正样本以及所述第一负样本进行训练，获得训练好的所述第一密度检测模型。
6.根据权利要求1至4中任一项所述的干细胞密度确定方法，其特征在于，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第二训练图像；
针对每个所述第二缩小比例，从所有所述第二训练图像中，将干细胞密度大于或等于所述第二缩小比例对应的第二密度的第二训练图像确定为第二正图像，以及将干细胞密度小于所述第二缩小比例对应的第二密度的第二训练图像确定为第二负图像；
根据所述第二缩小比例，缩小所述第二正图像，获得第二正样本，以及根据所述第二缩小比例，缩小所述第二负图像，获得第二负样本；
使用所述第二正样本以及所述第二负样本进行训练，获得训练好的与所述第二缩小比例对应的第二密度检测模型。
7.根据权利要求2至4中任一项所述的干细胞密度确定方法，其特征在于，所述获取待检测的医学图像之前，所述干细胞密度确定方法还包括：
获取预设的第三训练图像；
从所有所述第三训练图像中，将干细胞密度大于或等于预设的第三密度的第三训练图像确定为第三正样本，以及将干细胞密度小于所述第三密度的第三训练图像确定为第三负样本；
使用所述第三正样本以及所述第三负样本进行训练，获得训练好的所述第三密度检测模型。
8.一种干细胞密度确定装置，其特征在于，所述干细胞密度确定装置包括：
获取模块，用于获取待检测的医学图像；
缩小模块，用于根据预设的第一缩小比例，缩小所述医学图像，获得第一缩小图像；
输入模块，用于将所述第一缩小图像输入至第一密度检测模型中，获得第一检测结果；
确定模块，用于若所述第一检测结果为所述第一缩小图像的干细胞密度大于或等于预设的第一密度，确定所述医学图像的干细胞密度大于或等于预设的第一密度；
检测模块，用于若所述第一检测结果为所述第一缩小图像的干细胞密度小于预设的第一密度，根据预设的多个第二缩小比例以及多个第二密度检测模型，对所述医学图像进行检测，获得至少一个第二检测结果，其中，所述多个第二缩小比例与所述多个第二密度检测模型一一对应。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的干细胞密度确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的干细胞密度确定方法。
CN202011416157.4A 2020-12-03 2020-12-03 干细胞密度确定方法、装置、电子设备及存储介质 Pending CN114663330A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011416157.4A CN114663330A (zh) 2020-12-03 2020-12-03 干细胞密度确定方法、装置、电子设备及存储介质
US17/523,989 US12111244B2 (en) 2020-12-03 2021-11-11 Method for calculating a density of stem cells in a cell image, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011416157.4A CN114663330A (zh) 2020-12-03 2020-12-03 干细胞密度确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114663330A true CN114663330A (zh) 2022-06-24

Family

ID=81848837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011416157.4A Pending CN114663330A (zh) 2020-12-03 2020-12-03 干细胞密度确定方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US12111244B2 (zh)
CN (1) CN114663330A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886928A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 一种目标细胞标记方法、装置、存储介质及终端设备
US20200258223A1 (en) * 2018-05-14 2020-08-13 Tempus Labs, Inc. Determining biomarkers from histopathology slide images
CN111610175A (zh) * 2020-07-10 2020-09-01 中国科学院烟台海岸带研究所 一种流通式浮游植物种类及细胞密度检测装置和检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6645703B2 (ja) * 2013-11-07 2020-02-14 メディアル リサーチ リミテッド 肺癌のリスクを評価する方法およびシステム
EP3239287A4 (en) * 2014-12-26 2018-08-15 The University of Tokyo Analysis device, analysis method, analysis program, cell manufacturing method and cells
WO2018039216A1 (en) * 2016-08-22 2018-03-01 Iris International, Inc. System and method of classification of biological particles
US11132529B2 (en) * 2016-11-16 2021-09-28 Ventana Medical Systems, Inc. Convolutional neural networks for locating objects of interest in images of biological samples
US20190156947A1 (en) * 2017-11-22 2019-05-23 Vital Images, Inc. Automated information collection and evaluation of clinical data
CN111492437A (zh) 2017-12-29 2020-08-04 英泰曲尔德直线有限公司 支持医学决策的方法和系统
US20210303818A1 (en) * 2018-07-31 2021-09-30 The Regents Of The University Of Colorado, A Body Corporate Systems And Methods For Applying Machine Learning to Analyze Microcopy Images in High-Throughput Systems
CN109461495B (zh) 2018-11-01 2023-04-14 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200258223A1 (en) * 2018-05-14 2020-08-13 Tempus Labs, Inc. Determining biomarkers from histopathology slide images
CN109886928A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 一种目标细胞标记方法、装置、存储介质及终端设备
CN111610175A (zh) * 2020-07-10 2020-09-01 中国科学院烟台海岸带研究所 一种流通式浮游植物种类及细胞密度检测装置和检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONGDONG ZHANG ETC.: ""Cell Counting Algorithm Based on YOLOv3 and Image Density Estimation"", 《2019 IEEE 4TH INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING》, 31 December 2019 (2019-12-31), pages 920 - 924 *
苏俊;廖彩仙;周杰;唐浩;张守华;张春兴;: "构建适合骨髓衍生肝干细胞移植的小鼠酒精性肝纤维化模型", 中国组织工程研究与临床康复, no. 04, 21 January 2007 (2007-01-21), pages 61 - 64 *

Also Published As

Publication number Publication date
US12111244B2 (en) 2024-10-08
US20220178814A1 (en) 2022-06-09

Similar Documents

Publication Publication Date Title
WO2021184727A1 (zh) 数据异常检测方法、装置、电子设备及存储介质
JP2020017272A (ja) ピクチャ検索方法、装置、サーバー及び記憶媒体
WO2019232926A1 (zh) 数据一致性校验流控方法、装置、电子设备及存储介质
WO2021051589A1 (zh) 数据存储方法、装置、电子设备及存储介质
CN109215037A (zh) 目标图像分割方法、装置及终端设备
WO2019019702A1 (zh) 算法的生成方法、装置、终端设备及存储介质
CN114723652B (zh) 细胞密度确定方法、装置、电子设备及存储介质
CN107729944B (zh) 一种低俗图片的识别方法、装置、服务器及存储介质
CN111914987A (zh) 基于神经网络的数据处理方法及装置、设备和可读介质
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
TWI777319B (zh) 幹細胞密度確定方法、裝置、電腦裝置及儲存介質
CN107071553B (zh) 一种修改视频语音的方法、装置和计算机可读存储介质
CN114091570A (zh) 业务处理系统方法、装置和电子设备
CN107272989A (zh) 应用启动方法、装置及终端设备
CN114663330A (zh) 干细胞密度确定方法、装置、电子设备及存储介质
TW202228020A (zh) 圖像異常檢測方法、裝置、電腦裝置及儲存介質
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
CN111611417B (zh) 图像去重方法、装置、终端设备及存储介质
CN112016889A (zh) 流程构建方法、装置、电子设备及存储介质
CN110019834A (zh) 一种标注文字链的方法、装置、服务器及介质
US20070075994A1 (en) Adaptive sampling of a static data set
TWI769647B (zh) 細胞密度確定方法、裝置、電腦裝置及儲存媒體
CN112036501A (zh) 基于卷积神经网络的图片的相似度检测方法及其相关设备
CN116048816B (zh) 数据请求处理方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination