少样本细胞计数模型评估方法及系统、设备、介质

本申请属于模型评估，更具体地说，是涉及少样本细胞计数模型评估方法及系统、设备、介质。

背景技术：

1、细胞计数是计算病理学定量分析中的基础性任务。为减少对大规模标注数据的依赖，少样本学习技术被引入该领域。现有少样本细胞计数模型多采用随机划分方式在单一数据集上进行训练与评估，其性能评估通常仅在同类数据分布下进行。然而，病理图像因物种、器官、染色方法等因素的差异而具有显著的分布多样性，模型在一种数据分布上表现良好，并不能保证其在其他分布下同样有效。由于缺乏能够区分已知场景与未知场景的系统化评估机制，现有技术难以有效衡量模型面对全新生物样本时的真实性能。因此，如何在多种分布条件下全面、准确地对少样本细胞计数模型进行评估，已成为本领域亟待解决的关键问题。

技术实现思路

1、本申请的目的在于提供一种少样本细胞计数模型评估方法及系统、设备、介质，以提高少样本细胞计数模型评估的全面性和准确性。

2、本申请实施例的第一方面，提供了一种少样本细胞计数模型评估方法，包括：

3、获取原始病理图像数据库，原始病理图像数据库包含多个全切片图像及各自对应的组织区域标注；

4、对各全切片图像进行切割，得到多个病理图像块；对每个病理图像块进行细胞实例分割，得到该病理图像块对应的细胞标注信息；为每个病理图像块标注生物学上下文标签，生物学上下文标签由物种信息、器官信息和细胞类型信息共同构成；将每个病理图像块、该病理图像块对应的细胞标注信息和生物学上下文标签关联为一个样本，得到包含多个样本的初始数据集；

5、统计初始数据集中各物种的样本数量，将样本数量最多的物种确定为主导物种，并得到主导物种信息；针对主导物种的每个器官，统计该器官下各细胞类型对应的样本数量，将样本数量最多的细胞类型确定为该器官的代表性细胞类型，并得到各器官分别对应的代表性细胞类型信息；将主导物种信息、器官信息和代表性细胞类型信息三者的组合，确定为该器官对应的域内判定基准；

6、以各个样本的生物学上下文标签与域内判定基准进行一一匹配，将匹配成功的样本划分至域内数据集，将匹配不成功的样本划分至域外数据集；域内数据集与域外数据集相互独立、无样本交集；

7、基于域内数据集和/或域外数据集对目标少样本细胞计数模型进行评估，得到多个评估结果。

8、本申请实施例的第二方面，提供了一种少样本细胞计数模型评估系统，包括：

9、数据获取模块，用于获取原始病理图像数据库，原始病理图像数据库包含多个全切片图像及各自对应的组织区域标注；

10、数据集构建模块，用于对各全切片图像进行切割，得到多个病理图像块；对每个病理图像块进行细胞实例分割，得到该病理图像块对应的细胞标注信息；为每个病理图像块标注生物学上下文标签，生物学上下文标签由物种信息、器官信息和细胞类型信息共同构成；将每个病理图像块、该病理图像块对应的细胞标注信息和生物学上下文标签关联为一个样本，得到包含多个样本的初始数据集；

11、域内判定基准确定模块，用于统计初始数据集中各物种的样本数量，将样本数量最多的物种确定为主导物种，并得到主导物种信息；针对主导物种的每个器官，统计该器官下各细胞类型对应的样本数量，将样本数量最多的细胞类型确定为该器官的代表性细胞类型，并得到各器官分别对应的代表性细胞类型信息；将主导物种信息、器官信息和代表性细胞类型信息三者的组合，确定为该器官对应的域内判定基准；

12、域划分模块，用于以各个样本的生物学上下文标签与域内判定基准进行一一匹配，将匹配成功的样本划分至域内数据集，将匹配不成功的样本划分至域外数据集；域内数据集与域外数据集相互独立、无样本交集；

13、评估模块，用于基于域内数据集和/或域外数据集对目标少样本细胞计数模型进行评估，得到多个评估结果。

14、本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的少样本细胞计数模型评估方法的步骤。

15、本申请实施例的第四方面，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上述的少样本细胞计数模型评估方法的步骤。

16、本申请实施例提供的少样本细胞计数模型评估方法及系统、设备、介质的有益效果在于：

17、本申请实施例为病理图像块标注由物种信息、器官信息和细胞类型信息共同构成的生物学上下文标签，构建了具备生物学维度区分能力的初始数据集。通过统计初始数据集中各物种的样本数量确定主导物种，进而针对主导物种的每个器官统计各细胞类型的样本数量以确定代表性细胞类型，将主导物种信息、器官信息和代表性细胞类型信息三者组合为域内判定基准，实现了域内判定基准构建的客观性和自动化。在此基础上，以各样本的生物学上下文标签与域内判定基准进行一一匹配，将匹配成功的样本划分至域内数据集，将匹配不成功的样本划分至域外数据集，使得域内数据集中的样本所对应的生物学上下文标签与训练阶段可见的生物组合完全一致，域外数据集中的样本所对应的生物学上下文标签均为训练阶段未曾见过的全新生物组合，从而建立了域内为已知场景、域外为全新未知生物场景之间的强对应关系。

18、在少样本条件下，由于每一基础类别可用于训练的标注样本极为有限，传统随机划分方式无法保证测试集与训练集在生物学组合维度上的独立性和隔离性，极易导致数据泄露，使得评估结果虚高。本申请实施例通过生物学上下文标签与域内判定基准的一一匹配，在数据划分阶段即确保域外测试集中的每一个样本的三元组均不在域内训练集和域内验证集中出现，避免了数据泄露，使得域外评估结果能够真实反映模型面对全新生物学组合时的泛化性能底线。域内评估结果反映模型在已见生物学组合上的精度上限，域外评估结果反映模型在全新生物学组合上的泛化下限，二者的结果直接量化了模型的跨域泛化能力。由此，本申请实施例为用户判断模型是否具备跨场景泛化部署条件提供了客观、可量化的决策依据，有效指导了模型的迭代方向，提高了少样本细胞计数模型评估的全面性和准确性。

1.一种少样本细胞计数模型评估方法，其特征在于，包括：

2.如权利要求1所述的少样本细胞计数模型评估方法，其特征在于，所述对各所述全切片图像进行切割，得到多个病理图像块，包括：

3.如权利要求1所述的少样本细胞计数模型评估方法，其特征在于，所述以各个样本的生物学上下文标签与所述域内判定基准进行一一匹配，包括：

4.如权利要求1所述的少样本细胞计数模型评估方法，其特征在于，所述目标少样本细胞计数模型包括：初始少样本细胞计数模型和已训练完成的少样本细胞计数模型；所述基于所述域内数据集和/或所述域外数据集对目标少样本细胞计数模型进行评估，得到多个评估结果，包括：

5.如权利要求4所述的少样本细胞计数模型评估方法，其特征在于，所述从所述域内数据集内筛选出第一测试集，包括：

6.如权利要求5所述的少样本细胞计数模型评估方法，其特征在于，基于从所述域外数据集内筛选出第二测试集，包括：

7.如权利要求5所述的少样本细胞计数模型评估方法，其特征在于，所述已训练完成的少样本细胞计数模型是通过以下方式训练所述初始少样本细胞计数模型获得的：

8.一种少样本细胞计数模型评估系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，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任一项所述方法的步骤。

10.一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任一项所述方法的步骤。