生物细胞图像分类方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种生物细胞分类方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着计算机技术的发展，通过形态学检验技术确定生物细胞的类别，在医学检验中发挥着越来越重要的作用。传统技术中，通过光学显微镜人工对生物细胞进行形态学观察，以确定生物细胞的类别。由于光学显微镜的放大倍率较低，无法观察到生物细胞的细胞膜结构、细胞器以及包涵体等超微结构，并且进行人工观察时受到观察人员主观性的影响，对生物细胞进行分类的错误率较高。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提高分类正确率的生物细胞分类方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
4.第一方面，本技术提供了一种生物细胞图像分类方法。所述方法包括：
5.获取通过光学显微镜采集的第一细胞图像；
6.将所述第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
7.若所述第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；
8.将所述第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将所述第二分类结果反馈至客户端。
9.第二方面，本技术还提供了一种生物细胞图像分类装置。所述装置包括：
10.获取模块，用于获取通过光学显微镜采集的第一细胞图像；
11.分类模块，用于将所述第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
12.所述获取模块，还用于若所述第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；
13.反馈模块，用于将所述第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将所述第二分类结果反馈至客户端。
14.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
15.获取通过光学显微镜采集的第一细胞图像；
16.将所述第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
17.若所述第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图
像；
18.将所述第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将所述第二分类结果反馈至客户端。
19.第四方面，本技术还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，其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以下步骤：
20.获取通过光学显微镜采集的第一细胞图像；
21.将所述第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
22.若所述第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；
23.将所述第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将所述第二分类结果反馈至客户端。
24.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
25.获取通过光学显微镜采集的第一细胞图像；
26.将所述第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
27.若所述第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；
28.将所述第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将所述第二分类结果反馈至客户端。
29.上述生物细胞图像分类方法、装置、计算机设备、存储介质和计算机程序产品，获取通过光学显微镜采集的第一细胞图像，并将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。若第一分类结果符合预设条件，说明细胞中可能存在肿瘤细胞，但由于光学显微镜的放大倍数较低，根据通过光学显微镜采集的细胞图像不能观察到细胞的超微结构，从而不能准确的确定生物细胞的类别，因此获取通过透射电子显微镜采集的第二细胞图像，然后将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。由于透射电子显微镜的放大倍数远高于光学显微镜，通过透射电子显微镜可以采集到包括生物细胞的超微结构的第二细胞图像，从而可以根据第二细胞图像准确的对生物细胞进行分类，提高了分类的准确率。此外，通过分类模型进行分类处理，提高了分类的效率，并且可以避免在人工进行细胞分类时，由于经验不足而产生的分类错误，进一步提高了分类准确率。
附图说明
30.图1为一个实施例中生物细胞图像分类方法的应用环境图；
31.图2为一个实施例中生物细胞图像分类方法的流程示意图；
32.图3为一个实施例中第一细胞图像的示意图；
33.图4为一个实施例中第二细胞图像的示意图；
34.图5为一个实施例中生物细胞图像分类方法的原理示意图；
35.图6为一个实施例中光学显微镜辅助分类单元示意图；
36.图7为一个实施例中透射电子显微镜辅助分类单元；
37.图8为另一个实施例中生物细胞图像分类方法的流程示意图；
38.图9为又一个实施例中生物细胞图像分类方法的流程示意图；
39.图10为一个实施例中生物细胞图像分类装置的结构框图；
40.图11为另一个实施例中生物细胞图像分类装置的结构框图；
41.图12为一个实施例中计算机设备的内部结构图。
具体实施方式
42.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
43.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
44.本技术实施例提供的生物细胞图像分类方法，可以应用于如图1所示的应用环境中。其中，数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。服务器102获取通过光学显微镜采集的第一细胞图像；将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。其中，服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群，可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
45.在一个实施例中，如图2所示，提供了一种生物细胞图像分类方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
46.s202，获取通过光学显微镜采集的第一细胞图像。
47.其中，光学显微镜是利用光学原理对物体进行放大成像的光学仪器，由镜座、物镜、目镜、载物台和镜臂等组成，最大放大倍率为1000倍。第一细胞图像为通过光学显微镜采集的细胞图像，例如，如图3所示，第一细胞图像中包括多个核异质间皮细胞的图像。第一细胞图像可以为对第一生物标本进行采集所得的细胞图像。生物标本可以为体液标本或者组织标本，体液标本例如可以是脑脊液、浆膜腔积液(包括胸腔积液、腹腔积液和心包积液)、关节腔积液、粪便、精液、阴道分泌物、尿液、肺泡灌洗液、胃液和十二指肠引流液、前列腺液等的标本；组织标本例如可以是上皮组织、肌肉组织或者神经组织等的标本。服务器可以对第一细胞图像进行标注，标注内容包括细胞特征、是否有细菌以及细菌类型、寄生虫相关信息以及结晶信息等。
48.在一个实施例中，s202具体包括：通过光学显微镜对检验涂片进行采集，得到第一
细胞图像。其中，检验涂片是根据从体液或者组织中采集的生物标本制作的涂片。当采集到生物标本时，依次对生物标本进行标本分类、细胞计数、离心和染色处理，得到该生物标本的检验涂片。
49.s204，将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。
50.其中，光学显微镜分类模型是用于根据通过光学显微镜采集的细胞图像进行细胞分类的机器学习模型，可以是通过有监督学习算法训练所得的机器学习模型。例如，光学显微镜分类模型可以是支持向量机模型、逻辑回归二分类模型、神经网络模型或者决策树模型等。第一分类结果为对第一细胞图像中生物细胞进行分类的结果。第一分类结果可以为正常细胞或者异常细胞；或者也可以表示出生物细胞的具体类别，例如，红细胞、白细胞、肿瘤细胞等；或者第一分类结果也可以包括生物细胞的类别以及类别对应的概率值等。
51.在一个实施例中，光学显微镜分类模型部署在光学显微镜辅助分类单元。s202之后还包括：判断是否通过光学显微镜辅助分类单元对第一细胞图像进行分类处理；若是，则将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。若否，则通过人工阅片方式对第一细胞图像进行分类处理，得到第一分类结果。
52.在一个实施例中，s204之后还包括：若第一分类结果未通过审核，则通过光学显微镜重新采集第一细胞图像，并将重新采集的第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。
53.s206，若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像。
54.其中，预设条件为判断是否通过透射电子显微镜进行细胞分类的条件。例如，预设条件可以是第一分类结果中有肿瘤细胞或者结晶、细菌等特殊物质。
55.其中，透射电子显微镜是以电子束为光源、以电磁场作透镜的成像仪器，由电子枪、物镜、衍射镜、投影镜等多个部分组成。透射电子显微镜的放大倍率可以达到几百万倍，从而可以观察到0.2纳米左右的超微结构。第二细胞图像为通过透射电子显微镜采集的细胞图像，例如，如图4所示，第二细胞图像为核异质间皮细胞的图像，第二细胞图像中可以清晰的展示细胞核等细胞超微结构。第二细胞图像可以为对第二生物标本进行采集所得的细胞图像。第二生物标本与第一生物标本可以为同一生物标本，或者第二生物标本与第一生物标本可以为从同一生物体采集的标本。生物标本可以为体液标本或者组织标本，体液标本例如可以是脑脊液、浆膜腔积液(包括胸腔积液、腹腔积液和心包积液)、关节腔积液、粪便、精液、阴道分泌物、尿液、肺泡灌洗液、胃液和十二指肠引流液、前列腺液等标本；组织标本例如可以是上皮组织、肌肉组织或者神经组织等。服务器可以对第二细胞图像进行标注，标注内容包括细胞器、细胞核、细胞膜等超微结构或者形态信息。
56.s208，将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
57.其中，电子显微镜分类模型是用于根据通过透射电子显微镜采集的细胞图像进行细胞分类的机器学习模型，可以是通过有监督学习算法训练所得的机器学习模型。例如，电子显微镜分类模型可以是支持向量机模型、神经网络模型或者决策树模型等。第二分类结果为对第二细胞图像中生物细胞进行分类的结果。第二分类结果可以为正常细胞或者异常
细胞；或者第二分类结果也可以包括生物细胞的类别以及类别对应的概率值等。
58.在一个实施例中，s208之后还包括：若第二分类结果未通过审核，则通过透射电子显微镜重新采集第二细胞图像，并将重新采集的第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果。
59.上述实施例中，获取通过光学显微镜采集的第一细胞图像，并将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。若第一分类结果符合预设条件，说明细胞中可能存在肿瘤细胞，但由于光学显微镜的放大倍数较低，根据通过光学显微镜采集的细胞图像不能观察到细胞的超微结构，从而不能准确的确定生物细胞的类别，因此获取通过透射电子显微镜采集的第二细胞图像，然后将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。由于透射电子显微镜的放大倍数远高于光学显微镜，通过透射电子显微镜可以采集到包括生物细胞的超微结构的第二细胞图像，从而可以根据第二细胞图像准确的对生物细胞进行分类，提高了分类的准确率。此外，通过分类模型进行分类处理，提高了分类的效率，并且可以避免在人工进行细胞分类时，由于经验不足而产生的分类错误，进一步提高了分类准确率。
60.在一个实施例中，s202具体包括：获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像；根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方；获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
61.其中，目标区域可以是包含特定类型生物细胞的图像区域。例如，目标区域可以是第一细胞图像中包含疑似肿瘤细胞的图像区域；或者目标区域也可以是第一细胞图像中包含异常细胞的图像区域。
62.服务器首先获取光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像，在第一低倍放大细胞图像查找异常细胞或者疑似肿瘤细胞，当查找到异常细胞或者疑似肿瘤细胞时，将光学显微镜的镜头移动至包含异常细胞或者疑似肿瘤细胞的目标区域上方，然后将光学显微镜的镜头调整为高倍放大镜头，通过高倍放大镜头对目标区域中的异常细胞或者疑似肿瘤细胞进行观察，并以高倍放大倍率对目标区域进行采集，得到第一高倍放大细胞图像。
63.在一个实施例中，s202具体包括：通过数字驱动接口驱动光学显微镜的镜头进行移动；在镜头移动的过程中，对镜头对应的观察区域进行图像采集，得到第一细胞图像。
64.服务器通过数字驱动接口驱动光学显微镜的镜头进行移动，以使光学显微镜的观察区域依次覆盖全部的检验涂片。在镜头移动的过程中，通过光学显微镜对镜头对应的观察区域进行图像采集，得到第一细胞图像。
65.在一个实施例中，s202之后还包括：若第一细胞图像为彩色图像，则对第一细胞图像进行灰度化处理，以将第一细胞图像转换为灰度图像。然后对灰度化后的第一细胞图像依次进行二值化以锐化第一细胞图像的边缘。然后对二值化后的第一细胞图像进行边缘检测，提取出第一细胞图像中的细胞轮廓。然后根据从细胞轮廓中提取图像特征，并将图像特征输入光学显微镜分类模型进行分类处理。
66.上述实施例中，服务器获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像，根据第一低倍放大细胞图像查找特定类型的生物细胞，由于第一低倍放大细胞
图像的放大倍率较低，镜头的观察范围较大，可以提高对特定类型生物细胞的查找速度。然后将光学显微镜的镜头移动至包含特定生物细胞的目标区域上方。获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，从而可以采集特定类型的生物细胞的高倍放大细胞图像，提高了图像的清晰度，便于对特定类型的生物细胞进行分类，提高了分类准确率。
67.在一个实施例中，s206具体包括：若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像；根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方；获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
68.其服务器首先获取透射电子显微镜以低倍放大倍率(例如5000倍)采集的第二低倍放大细胞图像，在第二低倍放大细胞图像查找特定类型的异常细胞或者疑似肿瘤细胞，当查找到特定类型的生物细胞时，将透射电子显微镜的镜头移动至包含特定类型生物细胞的目标区域上方，然后将透射电子显微镜的镜头调整为高倍放大镜头(例如放大倍率10000倍)，通过高倍放大镜头对目标区域中特定类型的生物细胞进行观察，并以高倍放大倍率对目标区域进行采集，得到第二高倍放大细胞图像。
69.在一个实施例中，s206具体包括：通过数字驱动接口驱动透射电子显微镜的镜头进行移动；在镜头移动的过程中，对镜头对应的观察区域进行图像采集，得到第二细胞图像。
70.服务器通过数字驱动接口驱动透射电子显微镜的镜头进行移动，以使透射电子显微镜的观察区域依次覆盖全部的样片切片。在镜头移动的过程中，通过透射电子显微镜对镜头对应的观察区域进行图像采集，得到第二细胞图像。
71.上述实施例中，服务器获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像，根据第二低倍放大细胞图像查找特定类型的生物细胞，由于第二低倍放大细胞图像的放大倍率较低，可以提高对特定类型生物细胞的查找速度。然后将透射电子显微镜的镜头移动至包含特定生物细胞的目标区域上方。通过透射电子显微镜以高倍放大倍率对目标区域进行采集，得到第二高倍放大细胞图像，从而可以采集到特定类型的生物细胞的高倍放大细胞图像，提高了图像的清晰度，便于对特定类型的生物细胞进行分类，提高了分类准确率。
72.在一个实施例中，s208之前还包括：获取通过透射电子显微镜采集的细胞图像样本，并由细胞图像样本组成训练数据集合；根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为电子显微镜分类模型。
73.其中，通过透射电子显微镜采集的细胞图像样本可以为对生物标本进行采集所得的细胞图像样本。生物标本可以为体液标本或者组织标本，体液标本例如可以是脑脊液、浆膜腔积液(包括胸腔积液、腹腔积液和心包积液)、关节腔积液、粪便、精液、阴道分泌物、尿液、肺泡灌洗液、胃液和十二指肠引流液、前列腺液等标本；组织标本例如可以是上皮组织、肌肉组织或者神经组织等。服务器根据由预先采集的细胞图像样本组成的训练数据集合对预训练的学习模型进行参数调整并将参数调整后的学习模型作为透射电子显微镜分类模型。
74.在一个实施例中，将第二细胞图像添加至训练数据集合，得到新的训练数据集合；根据新的训练数据集合，对预训练的第二学习模型进行参数调整。从而可以对学习模型进行持续迭代优化，随着通过透射电子显微镜采集的第二细胞图像增多，扩充了训练数据集合中的训练样本，并可以持续对学习模型进行优化，提高了所得的分类模型的分类准确率。
75.在一个实施例中，s204之前还包括：获取通过光学显微镜采集的细胞图像样本，并由采集的细胞图像样本组成训练数据集合；根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为光学显微镜分类模型。
76.其中，通过光学显微镜采集的细胞图像样本可以为对生物标本进行采集所得的细胞图像样本。生物标本可以为体液标本或者组织标本，体液标本例如可以是脑脊液、浆膜腔积液(包括胸腔积液、腹腔积液和心包积液)、关节腔积液、粪便、精液、阴道分泌物、尿液、肺泡灌洗液、胃液和十二指肠引流液、前列腺液等标本；组织标本例如可以是上皮组织、肌肉组织或者神经组织等。服务器根据由预先采集的细胞图像样本组成的训练数据集合对预训练的学习模型进行参数调整并将参数调整后的学习模型作为光学显微镜分类模型。
77.在一个实施例中，服务器将第一细胞图像添加至训练数据集合，得到新的训练数据集合；根据新的训练数据集合，对预训练的学习模型进行参数调整。从而可以对学习模型进行持续迭代优化，随着通过光学显微镜采集的第一细胞图像增多，扩充了训练数据集合中的训练样本，并可以持续对学习模型进行优化，提高了所得的分类模型的分类准确率。
78.上述实施例中，服务器获取通过光学显微镜采集的细胞图像样本，并由第一细胞图像样本组成训练数据集合，然后根据训练数据集合对预训练的学习模型进行参数调整，并将参数调整后的学习模型作为光学显微镜分类模型。从而可以通过对学习模型进行参数调整，优化学习模型的结构，提高了所得的分类模型的分类准确率。
79.在一个实施例中，s208之后还包括：当第二分类结果包括分类列表中细胞类型之外的其他细胞的超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果；将聚类结果反馈至客户端。
80.其中，分类列表为存储已知细胞类型的列表。聚类模型为通过无监督学习训练算法训练得到的机器学习模型。当第二分类结果包括分类列表中细胞类型之外的其他细胞类型时，例如，当第二分类结果显示为“其他类型”时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果。
81.上述实施例中，当第二分类结果包括分类列表中细胞类型之外的其他细胞类型时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果并将聚类结果反馈至客户端。从而通过无监督学习算法对第二细胞图像进行聚类运算，以发现第二细胞图像中的同类型图像，辅助发现未知的细胞类型。
82.在一个实施例中，第二细胞图像为对第二生物标本制作的样片切片进行采集所得的图像。首先对第二生物标本进行离心、浓缩处理。然后将处理后的第二生物标本放入浓度为2.5％的戊二醛溶液中，设定温度为摄氏4度时间为12小时进行固定。再用吸管移除上清(戊二醛固定液)，用琼脂糖固定标本形成标本块，切除多余的琼脂糖，用0.1m、ph值为7.0的磷酸缓冲液漂洗标本块三次，每次漂洗时间为15分钟。漂洗之后用浓度为1％的锇酸溶液浸泡1～2个小时，并吸出锇酸废液，继续用0.1m、ph值为7.0的磷酸缓冲液漂洗标本块三次，每次漂洗时间为15分钟。之后用梯度浓度为30％、50％、70％、80％的乙醇溶液对样品进行脱
水处理，每种浓度处理15分钟。随后用浓度为90％和95％的丙酮溶液分别处理15分钟。再用纯丙酮处理两次，每次20分钟(操作时要摇晃样品，充分脱水)。脱水之后用低粘度树脂包埋剂与丙酮的混合液(v/v＝1:1)处理1小时，再用低粘度树脂包埋剂与丙酮的混合液(v/v＝3:1)处理3小时，室温下用纯低粘度树脂包埋剂处理12小时以上。在包埋处理后，将经过包埋处理的样品在摄氏70度下恒温静止12小时后对样品进行切片(厚度70～90nm)。最后对切片分别用柠檬酸铅溶液、醋酸双氧铀50％乙醇饱和溶液染色5～10分钟。
83.在一个实施例中，如图5所示，生物细胞图像分类系统包括标本处理单元、涂片制作单元、切片制作单元、光学显微镜、透射电子显微镜、光学显微镜辅助分类单元、透射电子显微镜辅助分类单元。通过标本处理单元对生物标本进行处理，处理过程包括标本分类、细胞计数和离心等。然后通过涂片制作单元，根据处理后的生物标本制作检验涂片，通过切片制作单元根据处理后的生物标本制作样片切片。服务器获取通过光学显微镜采集的第一细胞图像，然后将第一细胞图像输入光学显微镜辅助分类单元，通过光学显微镜辅助分类单元中部署的光学显微镜分类模型对第一细胞图像进行分类处理，得到第一分类结果。若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像。将第二细胞图输入透射电子显微镜辅助分类单元，通过透射电子显微镜辅助分类单元中部署的电子显微镜分类模型对第二细胞图像进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
84.如图6所示，光学显微镜辅助分类单元包括数据接口子单元、图像处理子单元、模型训练子单元以及模型分类子单元。服务器通过数据接口子单元获取通过光学显微镜采集的第一细胞图像样本，然后通过图像处理子单元对第一细胞图像样本进行图像处理，由经过图像处理的第一细胞图像样本组成训练数据集。模型训练子单元根据训练数据集对预训练的学习模型进行训练，得到光学显微镜分类模型。模型分类子单元通过光学显微镜分类模型对第一细胞图像进行分类处理，得到第一分类结果。
85.如图7所示，透射电子显微镜辅助分类单元包括数据接口子单元、图像处理子单元、模型训练子单元、模型分类子单元以及聚类单元。服务器通过数据接口子单元获取通过透射电子显微镜采集的第二细胞图像样本，然后通过图像处理子单元对第二细胞图像样本进行图像处理，由经过图像处理的第二细胞图像样本组成训练数据集。模型训练子单元根据训练数据集对预训练的学习模型进行训练，得到电子显微镜分类模型。模型分类子单元通过电子显微镜分类模型对第二细胞图像进行分类处理，得到第二分类结果。当第二分类结果包括分类列表中细胞类型之外的其他细胞类型时，将第二细胞图像输入聚类子单元进行聚类处理，得到聚类结果并将聚类结果反馈至客户端。
86.在一个实施例中，如图8所示，服务器获取通过光学显微镜对预处理后的标本进行采集所得的第一细胞图像，然后判断是否进行辅助分类，如果进行辅助分类，则对第一细胞图像进行图像处理，然后将处理后的第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。光学显微镜分类模型是通过第一细胞图像样本进行训练所得的机器学习模型。服务器对第一分类结果进行审核，如果审核不通过则通过光学显微镜重新采集第一细胞图像，并根据重新采集的第一细胞图像得到第一分类结果。在得到第一分类结果之后，服务器判断是否观察细胞的超微结构，如果判断结果为是，则服务器获取通过透射电子显微镜，对根据生物标本制作的样片切片进行采集，得到第二细胞图像。服务器判断是
否进行辅助分类，如果进行辅助分类，则对第二细胞图像进行图像处理，然后将处理后的第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果。电子显微镜分类模型是通过第二细胞图像样本进行训练所得的机器学习模型。服务器对第二细胞图像标注分类结果以及超微结构，将标注后的第二细胞图像加入训练数据集。
87.在一个实施例中，如图9所示，生物细胞图像分类方法包括如下步骤：
88.s902，获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像。
89.s904，根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方。
90.s906，获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
91.s908，将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。
92.s910，若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像。
93.s912，根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方。
94.s914，获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
95.s916，将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
96.s918，当第二分类结果包括分类列表中细胞类型之外的其他细胞的超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果，并将聚类结果反馈至客户端。
97.上述s902至s918的具体内容可以参考上文所述的具体实现过程。
98.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
99.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的生物细胞图像分类方法的生物细胞图像分类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个生物细胞图像分类装置实施例中的具体限定可以参见上文中对于生物细胞图像分类方法的限定，在此不再赘述。
100.在一个实施例中，如图10所示，提供了一种生物细胞图像分类装置，包括：获取模块、分类模块和反馈模块，其中：
101.获取模块1002，用于获取通过光学显微镜采集的第一细胞图像；
102.分类模块1004，用于将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；
103.获取模块1002，还用于若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；
104.反馈模块1006，用于将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
105.上述实施例中，获取通过光学显微镜采集的第一细胞图像，并将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果。若第一分类结果符合预设条件，说明细胞中可能存在肿瘤细胞，但由于光学显微镜的放大倍数较低，根据通过光学显微镜采集的细胞图像不能观察到细胞的超微结构，从而不能准确的确定生物细胞的类别，因此获取通过透射电子显微镜采集的第二细胞图像，然后将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。由于透射电子显微镜的放大倍数远高于光学显微镜，通过透射电子显微镜可以采集到包括生物细胞的超微结构的第二细胞图像，从而可以根据第二细胞图像准确的对生物细胞进行分类，提高了分类的准确率。此外，通过分类模型进行分类处理，提高了分类的效率，并且可以避免在人工进行细胞分类时，由于经验不足而产生的分类错误，进一步提高了分类准确率。
106.在一个实施例中，获取模块1002，还用于：
107.获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像；
108.根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方；
109.获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
110.在一个实施例中，获取模块1002，还用于：
111.若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像；
112.根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方；
113.获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
114.在一个实施例中，如图11所示，装置还包括：
115.获取模块1002，还用于获取通过透射电子显微镜采集的细胞图像样本，并由细胞图像样本组成训练数据集合；
116.调整模块1008，用于根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为电子显微镜分类模型。
117.在一个实施例中，装置还包括：
118.添加模块1010，用于将第二细胞图像添加至训练数据集合，得到新的训练数据集合；
119.调整模块1008，还用于根据新的训练数据集合，对预训练的第二学习模型进行参数调整。
120.在一个实施例中，装置还包括：
121.聚类模块1012，用于当第二分类结果包括分类列表中细胞类型之外的其他细胞的
超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果；
122.反馈模块1006，用于将聚类结果反馈至客户端。
123.上述生物细胞图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
124.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生物细胞图像分类数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生物细胞图像分类方法。
125.本领域技术人员可以理解，图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
126.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取通过光学显微镜采集的第一细胞图像；将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
127.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像；根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方；获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
128.在一个实施例中，处理器执行计算机程序时还实现以下步骤：若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像；根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方；获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
129.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取通过透射电子显微镜采集的细胞图像样本，并由细胞图像样本组成训练数据集合；根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为电子显微镜分类模型。
130.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第二细胞图像添
加至训练数据集合，得到新的训练数据集合；根据新的训练数据集合，对预训练的第二学习模型进行参数调整。
131.在一个实施例中，处理器执行计算机程序时还实现以下步骤：当第二分类结果包括分类列表中细胞类型之外的其他细胞的超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果；将聚类结果反馈至客户端。
132.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取通过光学显微镜采集的第一细胞图像；将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
133.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像；根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方；获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
134.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像；根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方；获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
135.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过透射电子显微镜采集的细胞图像样本，并由细胞图像样本组成训练数据集合；根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为电子显微镜分类模型。
136.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第二细胞图像添加至训练数据集合，得到新的训练数据集合；根据新的训练数据集合，对预训练的第二学习模型进行参数调整。
137.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当第二分类结果包括分类列表中细胞类型之外的其他细胞的超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果；将聚类结果反馈至客户端。
138.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取通过光学显微镜采集的第一细胞图像；将第一细胞图像输入光学显微镜分类模型进行分类处理，得到第一分类结果；若第一分类结果符合预设条件，获取通过透射电子显微镜采集的第二细胞图像；将第二细胞图像输入电子显微镜分类模型进行分类处理，得到第二分类结果，并将第二分类结果反馈至客户端。
139.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过光学显微镜以低倍放大倍率采集的第一低倍放大细胞图像；根据第一低倍放大细胞图像，将光学显微镜的镜头移动至第一细胞图像的目标区域上方；获取通过光学显微镜以高倍放大倍率对目标区域进行采集所得的第一高倍放大细胞图像，并将第一高倍放大细胞图像作为第一细胞图像。
140.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若第一分类结果符合预设条件，获取通过透射电子显微镜以低倍放大倍率采集的第二低倍放大细胞图像；根据第二低倍放大细胞图像，将透射电子显微镜的镜头移动至第二细胞图像的目标区域上方；获取通过透射电子显微镜以高倍放大倍率对目标区域进行采集所得的第二高倍放大细胞图像，并将第二高倍放大细胞图像作为第二细胞图像。
141.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过透射电子显微镜采集的细胞图像样本，并由细胞图像样本组成训练数据集合；根据训练数据集合对预训练的学习模型进行参数调整；将参数调整后的学习模型作为电子显微镜分类模型。
142.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第二细胞图像添加至训练数据集合，得到新的训练数据集合；根据新的训练数据集合，对预训练的第二学习模型进行参数调整。
143.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当第二分类结果包括分类列表中细胞类型之外的其他细胞的超微结构时，将第二细胞图像输入聚类模型进行聚类处理，得到聚类结果；将聚类结果反馈至客户端。
144.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
145.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
146.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
147.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保
护范围。因此，本技术的保护范围应以所附权利要求为准。