[发明专利]细胞密度分类方法及装置、电子装置及存储介质

权利要求书

1.一种细胞密度分类方法，其特征在于，所述方法包括：

获取训练卷积神经网络模型时产生的所有组第一编码特征的所有中心点的位置信息及各中心点所代表的生物细胞图像的密度范围，每组第一编码特征包括一中心点且对应一密度范围的多个生物细胞图像；

将待测试生物细胞图像输入训练卷积神经网络模型中对所述待测试生物细胞图像进行编码，来得到第二编码特征；

根据所述所有组第一编码特征的所有中心点的位置信息确定距离所述第二编码特征最近的中心点；

根据所述各中心点所代表的生物细胞图像的密度范围及最近的中心点确定所述待测试生物细胞图像的密度范围。

2.如权利要求1所述的细胞密度分类方法，其特征在于，所述方法还包括：

获取不同密度的多个训练生物细胞图像；

将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型。

3.如权利要求2所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练得到所述训练卷积神经网络模型包括：

将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型；

确定各组第一编码特征的中心点。

4.如权利要求3所述的细胞密度分类方法，其特征在于，在将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型之前，所述方法还包括：

将所述不同密度的多个训练生物细胞图像分为多个不同密度范围的多个训练生物细胞图像。

5.如权利要求4所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型包括：

将一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练；

获取训练时对所述密度的训练生物细胞图像进行编码所产生的所述第一编码特征；

判断是否所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练；

若所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，将所有第一编码特征按照所述训练生物细胞图像的密度范围分为多个不同组第一编码特征。

6.如权利要求5所述的细胞密度分类方法，其特征在于，所述将所述不同密度的多个训练生物细胞图像逐一输入至所述卷积神经网络模型中逐一进行训练来获得不同密度范围的训练生物细胞图像的不同组第一编码特征直至所述卷积神经网络模型训练完成得到所述训练卷积神经网络模型还包括：

若不是所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练，继续将另一密度的训练生物细胞图像输入至所述卷积神经网络模型中对所述卷积神经网络模型进行训练及获取所述第一编码特征直至所有训练生物细胞图像皆输入至所述卷积神经网络模型中进行训练。

7.如权利要求3所述的细胞密度分类方法，其特征在于，所述确定各组第一编码特征的中心点包括：

将各组第一编码特征求取平均值来确定各组第一编码特征的中心点。