[发明专利]图像分类模型的训练方法、图像分类方法、装置及设备

权利要求书

1.一种图像分类模型的训练方法，其特征在于，所述方法包括：

获取第一样本数据集，所述第一样本数据集包括多个样本染色图像、所述样本染色图像的图像类型标签以及染色固定标签，所述样本染色图像包括经过染色的多个细胞，所述染色固定标签用于指示对应样本染色图像的染色固定方式；

获取第二样本数据集，所述第二样本数据集包括多个样本细胞图像以及所述样本细胞图像的细胞类型标签；

基于所述第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型；

基于所述第二样本数据集，对所述第一图像分类模型进行训练，得到目标图像分类模型，所述目标图像分类模型用于确定输入的细胞图像对应的细胞类型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型，包括：

对于第i轮迭代输入的样本染色图像，基于所述第i轮迭代的图像分类模型，对所述样本染色图像进行图像采样和图像增强，得到第一增强图像、第二增强图像和第三增强图像，i为大于1的正整数；

基于所述第一增强图像、所述第二增强图像和所述第三增强图像，对所述第i轮迭代的图像分类模型进行训练；

响应于满足训练结束条件，得到所述第一图像分类模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一增强图像、所述第二增强图像和所述第三增强图像，对所述第i轮迭代的图像分类模型进行训练，包括：

基于第i-1轮迭代的图像分类模型和所述第i轮迭代的图像分类模型，对所述第一增强图像和所述第二增强图像进行特征对比，得到所述第i轮迭代的第一损失，所述第一损失用于指示所述图像分类模型更新前后的差异；

基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类的结果、所述样本染色图像的图像类型标签以及所述样本染色图像的染色固定标签，确定所述第i轮迭代的第二损失，所述第二损失用于指示所述图像分类模型的分类损失；

基于所述第i轮迭代的图像分类模型，对锚图像、正样本图像以及负样本图像进行特征对比，得到所述第i轮迭代的第三损失，所述锚图像为所述第二增强图像，所述正样本图像为所述第三增强图像，所述负样本图像基于所述锚图像对所述样本染色图像随机采样得到，所述第三损失为三元组损失，所述第三损失用于指示所述样本染色图像的增强图像之间的差异；

基于所述第一损失、所述第二损失和所述第三损失，调整所述第i轮迭代的图像分类模型的模型参数。

4.根据权利要求3所述的方法，其特征在于，所述基于第i-1轮迭代的图像分类模型和所述第i轮迭代的图像分类模型，对所述第一增强图像和所述第二增强图像进行特征对比，得到所述第i轮迭代的第一损失，包括：

基于所述第i-1轮迭代的图像分类模型，对所述第一增强图像进行特征提取，得到第一增强特征；

基于所述第i轮迭代的图像分类模型，对所述第二增强图像进行特征提取，得到第二增强特征；

基于所述第一增强特征和所述第二增强特征之间的差异，确定所述第i轮迭代的第一损失。

5.根据权利要求3所述的方法，其特征在于，所述基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类的结果、所述样本染色图像的图像类型标签以及所述样本染色图像的染色固定标签，确定所述第i轮迭代的第二损失，包括：

基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类，得到第一分类信息和第二分类信息，所述第一分类信息用于指示所述第二增强图像属于不同图像类型的概率，所述第二分类信息用于指示所述第二增强图像属于不同染色固定方式的概率；

基于所述第一分类信息和所述样本染色图像的图像类型标签，确定第一分类损失；

基于所述第二分类信息和所述样本染色图像的染色固定标签，确定第二分类损失；

对所述第一分类损失和所述第二分类损失求和，得到所述第i轮迭代的第二损失。