显微图像分析方法、装置、存储介质及电子设备与流程

技术特征：
1.一种显微图像分析方法，其特征在于，包括：获取显微图像；将所述显微图像输入到训练好的机器学习模型的特征提取网络中，得到显微图像特征；将所述显微图像特征输入所述训练好的机器学习模型的全连接层中，得到微生物分析结果和对所述微生物分析结果的不确定性估计，其中，所述训练好的机器学习模型为引入不确定性估计并通过迭代训练的机器学习模型。2.根据权利要求1所述的方法，其特征在于，当所述不确定性估计大于预设值时，在所述将所述显微图像输入到训练好的机器学习模型中，得到微生物分析结果和对所述微生物分析结果的不确定性估计之后，所述方法还包括：发出对所述显微图像进行人工核查的提醒信息。3.根据权利要求1或2所述的方法，其特征在于，所述机器学习模型包括：特征提取网络、全连接层和判别器，所述训练好的机器学习模型是通过下述方法训练得到的：获取显微图像训练数据集，所述显微图像训练数据集中每个训练图像均有对应的标签；将所述显微图像训练数据集中的训练图像输入所述全连接层中，得到预测结果；利用判别器根据所述训练图像对应的标签对所述预测结果进行判断；当判断结果小于或等于预设值时，得到训练好的机器学习模型。4.根据权利要求3所述的方法，其特征在于，所述获取显微图像训练数据集包括：获取显微训练图像；对所述显微训练图像进行标注，得到带标注图像数据；对所述带标注图像数据进行数据增广，得到显微图像训练数据集。5.根据权利要求4所述的方法，其特征在于，所述数据增广包括：图像平移、图像旋转、图像镜像变换、改变图像对比度及改变图像亮度。6.根据权利要求3
‑
5任一项所述的方法，其特征在于，所述将所述显微图像训练数据集中的训练图像输入所述全连接层中，得到预测结果，包括：将所述显微图像训练数据集中的训练图像输入特征提取网络中，提取所述训练图像的图像特征；将所述图像特征分别输入两个全连接层中，得到预测均值和预测方差；根据所述预测均值与所述预测方差生成所述预测结果。7.根据权利要求3
‑
5任一项所述的方法，其特征在于，当判断结果超过预设值时，所述方法还包括：计算损失值与所述机器学习模型的网络参数之间梯度关系；通过利用所述显微图像训练数据集迭代训练所述机器学习模型，根据所述梯度关系调整所述网络参数以使损失值减小。8.一种显微图像分析装置，其特征在于，包括：获取模块，用于获取显微图像；特征提取模块，用于将所述显微图像输入到训练好的机器学习模型的特征提取网络中，得到显微图像特征；
预测模块，用于将所述显微图像特征输入所述训练好的机器学习模型的全连接层中，得到微生物分析结果和对所述微生物分析结果的不确定性估计，其中，所述训练好的机器学习模型为引入不确定性估计并通过迭代训练的机器学习模型。9.一种电子设备，其特征在于，包括：包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1
‑
7任一项所述的显微图像分析方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1
‑
7任一项所述的显微图像分析方法的步骤。

技术总结
本申请公开了一种显微图像分析方法、装置、存储介质及电子设备，属于微生物分析技术领域。其中，显微图像分析方法，包括：获取显微图像；将显微图像输入到训练好的机器学习模型的特征提取网络中，得到显微图像特征；将显微图像特征输入训练好的机器学习模型的全连接层中，得到微生物分析结果和对微生物分析结果的不确定性估计，其中，训练好的机器学习模型为引入不确定性估计并通过迭代训练的机器学习模型。该方法通过对机器学习模型引入不确定性估计，并进行了迭代训练，从而利用该训练好的机器学习模型进行显微图像的分析，可以高效地获得分析结果及对对结果的不确定性估计，节省了人工成本和时间成本，不确定性估计能更好地帮助理解分析结果。地帮助理解分析结果。地帮助理解分析结果。


技术研发人员：芦姗 王璠
受保护的技术使用者：北京阅视智能技术有限责任公司
技术研发日：2021.07.12
技术公布日：2021/11/4