生物样本图像检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及医学图像检测技术领域，特别是涉及一种生物样本图像检测方法、装置、计算机设备和存储介质。


背景技术：

2.在医学临床上，生物样本包括人体器官组织、全血、血浆、血清、生物体液的样本等，以生物样本为尿沉渣生物样本为例，尿沉渣是尿液中的有形成分，是尿液经过离心后形成的沉渣，尿沉渣主要包括细胞、管型、结晶、细菌、精子等各种有形成分。尿沉渣检查是指用显微镜对上述的有形成分进行检查。尿沉渣检查对泌尿系统的疾病诊断是十分重要的，也是尿液干化学分析仪不能替代的。
3.医学临床上一般采用人工镜检方法对生物样本进行检测，但是人工镜检方法存在繁琐耗时、效率低下、易受主观因素等影响。传统的图像检测算法，还容易受到生物样本的图像质量的影响，导致生物样本的检测效率低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够有效提高生物样本的检测效率的生物样本图像检测方法、装置、计算机设备和存储介质。
5.一种生物样本图像检测方法，所述方法包括：
6.获取各待检测图像，各所述待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像；
7.采用预先训练的各所述焦距对应的图像检测模型，分别对所述焦距对应的所述待检测图像进行图像检测，得到各所述待检测图像的初始图像检测结果；
8.筛选各所述初始图像检测结果，获得所述待检测生物样本对应的图像检测结果。
9.在其中一个实施例中，各所述焦距对应的图像检测模型的训练过程，包括：
10.获取各所述焦距对应的样本集，所述样本集包括生物样本在显微镜的同一视野中各所述焦距下的样本图像；
11.根据各所述焦距对应的样本集，分别对各所述焦距对应的待训练网络模型进行训练，获得各所述焦距对应的图像检测模型。
12.在其中一个实施例中，所述获取各所述焦距对应的样本集，包括：
13.获取所述生物样本在显微镜的同一视野中各所述焦距下的原始样本图像；
14.对所述原始样本图像进行图像预处理，得到所述生物样本的各所述样本图像。
15.在其中一个实施例中，所述对所述原始样本图像进行图像预处理，得到所述生物样本的各所述样本图像，包括：
16.对所述原始样本图像进行图像去噪处理，得到所述生物样本的各所述样本图像；所述图像去噪处理包括图像的空间域去噪处理、变换域去噪处理、空间域与变换域协同去噪处理中的至少一种。
17.在其中一个实施例中，所述对所述原始样本图像进行图像预处理，得到所述生物样本的各所述样本图像，包括：
18.对所述原始样本图像进行图像增强处理，获得所述生物样本的各增强样本图像；所述样本图像包括各所述原始样本图像和各所述增强样本图像；
19.所述对所述原始样本图像进行图像增强处理包括以下至少一种：
20.沿水平或者垂直方向，平移所述原始样本图像的像素坐标随机像素单位，所述随机像素单位小于预设像素单位，且所述随机像素单元包括至少一个；
21.基于随机倍数缩放所述原始样本图像，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个；
22.按照随机方向将所述原始样本图像旋转随机角度，所述随机角度小于预设角度，且所述随机角度包括至少一个；
23.将所述原始样本图像随机进行水平方向翻转或者垂直方向翻转；
24.将所述原始样本图像的像素坐标随机增加或者随机减少随机像素值，所述随机像素值小于预设像素值，且所述随机像素值包括至少一个；
25.将所述原始样本图像的对比度进行随机倍数的处理，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个；
26.将所述原始样本图像的亮度进行随机倍数的处理，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个。
27.在其中一个实施例中，所述根据各所述焦距对应的样本集，分别对各所述焦距对应的待训练网络模型进行训练，获得各所述焦距对应的图像检测模型，包括：
28.针对任意一个焦距对应的样本集和待训练网络模型，执行以下处理：
29.采用跨阶段局部网络结构，提取所述样本集中的各样本图像的样本图像特征；
30.基于路径聚合网络结构和空间金字塔池化网络结构中的至少一种，对所述样本图像特征进行卷积，得到增强样本图像特征；
31.根据目标检测函数，以及所述增强样本图像特征，对各所述样本图像进行分类和定位，获得图像训练结果；
32.在基于所述图像训练结果，确定不满足训练结束条件时，调整所述路径聚合网络结构或者所述空间金字塔池化网络结构的参数，并返回所述基于路径聚合网络结构和空间金字塔池化网络结构中的至少一种，对所述样本图像特征进行卷积的步骤，直至满足所述训练结束条件。
33.在其中一个实施例中，基于所述图像训练结果，确定是否满足所述训练结束条件的方式，包括：
34.计算各所述样本图像的图像训练结果与该样本图像对应的图像标定结果之间的测试置信度；
35.将所述测试置信度与预设阈值进行比较，在所述测试置信度大于所述预设阈值时，确定满足所述训练结束条件，否则，确定不满足所述训练结束条件。
36.在其中一个实施例中，所述筛选各所述初始图像检测结果，获得所述待检测生物样本对应的图像检测结果，包括：
37.获取各所述初始图像检测结果对应的概率分数，所述概率分数由各所述图像检测模型对所述待检测图像进行图像检测时，基于对应的激活函数计算得到；
38.将概率分数最高的初始图像检测结果确定为所述待检测生物样本对应的图像检测结果。
39.一种生物样本图像检测装置，所述装置包括：
40.图像获取模块，用于获取各待检测图像，各所述待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像；
41.图像检测模块，用于采用预先训练的各所述焦距对应的图像检测模型，分别对所述焦距对应的所述待检测图像进行图像检测，得到各所述待检测图像的初始图像检测结果；
42.结果确定模块，用于筛选各所述初始图像检测结果，获得所述待检测生物样本对应的图像检测结果。
43.一种计算机设备，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上述的生物样本图像检测方法的步骤。
44.一种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上述的生物样本图像检测方法的步骤。
45.上述生物样本图像检测方法、装置、计算机设备和存储介质，通过获取各待检测图像，各待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像；采用预先训练的各焦距对应的图像检测模型，分别对焦距对应的待检测图像进行图像检测，得到各待检测图像的初始图像检测结果；筛选各初始图像检测结果，获得待检测生物样本对应的图像检测结果。采用上述实施例方法，通过对待检测生物样本在显微镜的同一视野中至少两个焦距下的图像进行检测，能够减少单张图像的模糊性的影响，避免出现漏检，并通过在各初始图像检测结果中筛选得到最终的图像检测结果，提高检测精度，从而提高生物样本的检测效率。
附图说明
46.图1为一个实施例中生物样本图像检测方法的应用环境图；
47.图2为一个实施例中生物样本图像检测方法的流程示意图；
48.图3为一个具体实施例中图像检测模型的示意图；
49.图4为一个具体实施例中生物样本图像检测方法的示意图；
50.图5为一个实施例中生物样本图像检测装置的结构框图；
51.图6为一个实施例中计算机设备的内部结构图；
52.图7为另一个实施例中计算机设备的内部结构图。
具体实施方式
53.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。
54.在其中一个实施例中，本技术提供的生物样本图像检测方法，其应用环境可以同时涉及终端102和服务器104，如图1所示。其中，终端102可以通过网络或协议等方式与服务器104进行通信。在服务器104中可以预先训练得到各焦距对应的图像检测模型。具体地，服务器104通过终端102获取各待检测图像，各待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像；采用预先训练的各焦距对应的图像检测模型，分别对焦距对应的待检测图像进行图像检测，得到各待检测图像的初始图像检测结果；筛选各初始图像检测结果，获得待检测生物样本对应的图像检测结果。
55.在其中一个实施例中，本技术提供的生物样本图像检测方法，其应用环境可以只涉及服务器104。在服务器104中可以预先训练得到各焦距对应的图像检测模型。具体地，服务器104直接获取各待检测图像，并基于预先训练的各焦距对应的图像检测模型，得到待检测生物样本对应的图像检测结果。
56.在其中一个实施例中，本技术提供的生物样本图像检测方法，其应用环境可以只涉及终端102。在终端102中可以预先训练得到各焦距对应的图像检测模型。具体地，终端102直接获取各待检测图像，并基于预先训练的各焦距对应的图像检测模型，得到待检测生物样本对应的图像检测结果。
57.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
58.在其中一个实施例中，如图2所示，提供了一种生物样本图像检测方法，以该方法应用于图1中的终端102和/或服务器104为例进行说明，包括以下步骤：
59.步骤s202，获取各待检测图像，各待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像。
60.其中，生物样本包括人体器官组织、全血、血浆、血清、生物体液的样本等。尿沉渣是尿液中的有形成分，是尿液经过离心后形成的沉渣，尿沉渣主要包括细胞、管型、结晶、细菌、精子等各种有形成分。当生物样本为尿沉渣生物样本时，在得到病人的尿沉渣生物样品之后，需要将尿沉渣生物样品制备成能够在显微镜下进行拍摄或者检测的尿沉渣生物样本。将需要检测的生物样本称为待检测生物样本，将拍摄的显微镜下的待检测生物样本的显微图像称为待检测图像。具体地，显微镜可以但不限于是各种光学显微镜、电子显微镜、荧光显微镜、透射式电子显微镜、扫描式电子显微镜、反射式电子显微镜和发射式电子显微镜等。
61.在其中一个实施例中，待检测图像为至少一张，各待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像。而且，为了保证图像质量，同一焦距下的图像为至少一张。其中，当显微镜为光学显微镜时，焦距是指平行光入射时从透镜光心到光聚集之焦点的距离。显微镜通过沿着其z轴上移动以达到不同的焦距，从而拍摄各焦距下的图像。而且，显微镜拍摄的各焦距下的图像是在同一视野中。其中，视野是指显微镜中所能看见的空间范围，以此确保各待检测图像的区别仅包括焦距不同，以提高图像的检测精度。
62.步骤s204，采用预先训练的各焦距对应的图像检测模型，分别对焦距对应的待检测图像进行图像检测，得到各待检测图像的初始图像检测结果。
63.在其中一个实施例中，将对待检测图像进行图像检测的神经网络模型称为图像检测模型，图像检测模型通过预先训练得到。图像检测模型与焦距是对应的，也就是，不同的焦距对应不同的图像检测模型，由于焦距为至少两个，因此图像检测模型也为至少两个。具体地，采用预先训练的各焦距对应的图像检测模型，分别对各待检测图像进行图像检测，对待检测图像中的有形成分进行定位和分类，得到初始的定位结果和对应的分类结果，将初始的定位结果和对应的分类结果称为初始图像检测结果，得到各待检测图像的初始图像检测结果。
64.步骤s206，筛选各初始图像检测结果，获得待检测生物样本对应的图像检测结果。
65.在其中一个实施例中，在得到各初始图像检测结果之后，需要对初始图像检测结果进行筛选，从中确定待检测图像中的有形成分的最终的定位结果和对应的分类结果，将最终的定位结果和对应的分类结果作为待检测生物样本对应的图像检测结果。
66.上述生物样本图像检测方法中，通过获取各待检测图像，各待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像；采用预先训练的各焦距对应的图像检测模型，分别对焦距对应的待检测图像进行图像检测，得到各待检测图像的初始图像检测结果；筛选各初始图像检测结果，获得待检测生物样本对应的图像检测结果。采用上述实施例方法，通过对待检测生物样本在显微镜的同一视野中至少两个焦距下的图像进行检测，能够减少单张图像的模糊性的影响，避免出现漏检，并通过在各初始图像检测结果中筛选得到最终的图像检测结果，提高检测精度，从而提高生物样本的检测效率。
67.在其中一个实施例中，各焦距对应的图像检测模型的训练过程，包括：
68.步骤s302，获取各焦距对应的样本集，样本集包括生物样本在显微镜的同一视野中各焦距下的样本图像。
69.在其中一个实施例中，不同的焦距对应不同的图像检测模型，对图像检测模型进行训练时，可以根据不同的样本集分别进行训练。具体地，获取各焦距对应的样本集。其中，样本集包括生物样本在显微镜的同一视野中各焦距下的样本图像。
70.在其中一个实施例中，在获取各焦距对应的样本集之后，可以将样本集按照预设比例划分为训练样本集和测试样本集，训练样本集中的训练样本图像与测试样本集中的测试样本图像不重叠。其中，预设比例可以设置为7:3，也就是，训练样本集中的训练样本图像占样本集中总样本图像的70％，测试样本集中的测试样本图像占样本集中总样本图像的30％。
71.步骤s304，根据各焦距对应的样本集，分别对各焦距对应的待训练网络模型进行训练，获得各焦距对应的图像检测模型。
72.在其中一个实施例中，各焦距对应的图像检测模型可以是分别对待训练网络模型进行训练得到，也就是，根据各焦距对应的样本集，分别对各焦距对应的待训练网络模型进行训练。其中，待训练网络模型的网络结构相同，因此，获得的各焦距对应的图像检测模型的网络结构也相同。
73.在其中一个实施例中，步骤s302获取各焦距对应的样本集，包括：
74.步骤s402，获取生物样本在显微镜的同一视野中各焦距下的原始样本图像。
75.在其中一个实施例中，将拍摄的显微镜的同一视野中各焦距下的生物样本的显微图像称为原始样本图像，在将原始样本图像进行图像预处理之后，得到生物样本的各样本
图像，以提高训练得到的图像检测模型对生物样本的检测精度。
76.步骤s404，对原始样本图像进行图像预处理，得到生物样本的各样本图像。
77.其中，图像预处理是指对图像进行特征提取、图像分割、图像匹配和图像识别之前进行的处理，主要目的是消除图像中无关的信息，恢复有用的真实信息，增强信息的可检测性并简化数据，提高特征抽取、图像分割、图像匹配和图像识别的可靠性。
78.在其中一个实施例中，步骤s404对原始样本图像进行图像预处理，得到生物样本的各样本图像，包括：对原始样本图像进行图像去噪处理，得到生物样本的各样本图像。其中，图像去噪处理是指去除图像中的噪声，主要包括图像的空间域去噪处理、变换域去噪处理、空间域与变换域协同去噪处理中的至少一种。具体地，可以采用中值滤波、均值滤波、高斯滤波和构建图像金字塔等方式中的至少一种进行图像去噪处理。
79.在其中一个实施例中，步骤s404对原始样本图像进行图像预处理，得到生物样本的各样本图像，包括：对原始样本图像进行图像增强处理，获得生物样本的各增强样本图像。具体地，生物样本的样本图像包括各原始样本图像和各增强样本图像。其中，图像增强处理是指增强图像中的有用信息，主要用于强调图像的整体或局部特性，扩大图像中不同物体特征之间的差别，改善图像质量、丰富信息量。
80.在其中一个实施例中，对原始样本图像进行图像增强处理包括以下至少一种：
81.其一，沿水平或者垂直方向，平移原始样本图像的像素坐标随机像素单位，随机像素单位小于预设像素单位，且随机像素单元包括至少一个。其中，预设像素单位的取值范围可以设置为5-10。
82.其二，基于随机倍数缩放原始样本图像，随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，第一预设倍数小于1，第二预设倍数大于1，且随机倍数包括至少一个。其中，第一预设倍数设置为小于1且大于0.5的正数，具体可以设置为0.8，第二预设倍数设置为大于1且小于1.5的正数，具体可以设置为1.2。
83.其三，按照随机方向将原始样本图像旋转随机角度，随机角度小于预设角度，且随机角度包括至少一个。其中，随机方向可以是顺时针或者逆时针方向，预设角度的取值范围可以设置为30
°‑
90
°
。
84.其四，将原始样本图像随机进行水平方向翻转或者垂直方向翻转。其中，翻转是指对整个原始样本图像的像素位置进行变换，不改变原始样本图像的颜色。
85.其五，将原始样本图像的像素坐标随机增加或者随机减少随机像素值，随机像素值小于预设像素值，且随机像素值包括至少一个。其中，预设像素值的取值范围可以设置为5-10。
86.其六，将原始样本图像的对比度进行随机倍数的处理，随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，第一预设倍数小于1，第二预设倍数大于1，且随机倍数包括至少一个。其中，第一预设倍数设置为小于1且大于0.5的正数，具体可以设置为0.8，第二预设倍数设置为大于1且小于1.5的正数，具体可以设置为1.2。
87.其七，将原始样本图像的亮度进行随机倍数的处理，随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，第一预设倍数小于1，第二预设倍数大于1，且随机倍数包括至少一个。其中，第一预设倍数设置为小于1且大于0的正数，具体可以设置为0.8，第二预设倍数设置为大于1的正数，具体可以设置为1.2。
88.在其中一个实施例中，根据各焦距对应的样本集，分别对各焦距对应的待训练网络模型进行训练，获得各焦距对应的图像检测模型，包括：
89.由于图像检测模型是根据各样本集分别训练得到，因此针对任意一个焦距对应的样本集和待训练网络模型，分别执行以下处理：
90.步骤s502，采用跨阶段局部网络结构，提取样本集中的各样本图像的样本图像特征。
91.在其中一个实施例中，待训练网络模型包括特征提取(backbone)网络模块。
92.其中，跨阶段局部网络(cspnet)结构能够实现图像的特征(feature)的更丰富的梯度组合，并通过跨阶段的层次结构，同时减少计算量。具体地，backbone网络模块可以采用跨阶段局部网络结构cspdarknet53，提取样本集中的各样本图像的样本图像特征，得到特征图feature map。
93.步骤s504，基于路径聚合网络结构和空间金字塔池化网络结构中的至少一种，对样本图像特征进行卷积，得到增强样本图像特征。
94.在其中一个实施例中，待训练网络模型包括特征增强(neck)网络模块。其中，neck网络模块主要用于对样本图像特征进行卷积，得到增强样本图像特征，由路径聚合网络(panet)结构和空间金字塔池化网络(spp)结构组成。具体地，路径聚合网络(panet)结构能够准确保留图像的空间信息，有利于准确的定位像素点，空间金字塔池化网络(spp)结构有利于提高图像的尺度不变性，还可以降低过拟合。
95.步骤s506，根据目标检测函数，以及增强样本图像特征，对各样本图像进行分类和定位，获得图像训练结果。
96.在其中一个实施例中，待训练网络模型包括分类定位(head)网络模块。其中，head网络模块主要用于根据目标检测函数，以及增强样本图像特征，对各样本图像进行分类和定位，将各样本图像中有形成分的分类和定位结果作为图像训练结果，获得图像训练结果。具体地，目标检测函数可以是yolov4算法的head检测。
97.步骤s508，在基于图像训练结果，确定不满足训练结束条件时，调整路径聚合网络结构或者空间金字塔池化网络结构的参数，并返回基于路径聚合网络结构和空间金字塔池化网络结构中的至少一种，对样本图像特征进行卷积的步骤，直至满足训练结束条件。
98.在其中一个实施例中，训练结束条件是预先设定的结束条件。其中，训练结束条件可以设置为模型的检测精度，还可以设置为模型的迭代次数。具体地，当训练结束条件为模型的检测精度时，基于图像检测结果确定检测精度，并将检测精度与预设精度阈值进行比较，当检测精度小于预设精度阈值时，确定不满足训练结束条件。当训练结束条件为模型的迭代次数时，在模型的迭代次数未达到预设迭代次数时，确定不满足训练结束条件。
99.在其中一个实施例中，在基于图像训练结果，确定不满足训练结束条件时，可以基于反向传播算法，调整路径聚合网络结构或者空间金字塔池化网络结构的参数。其中，参数具体包括输入参数、权重、输出参数、激活函数等，并返回步骤s504，直至满足训练结束条件。
100.在其中一个实施例中，基于图像训练结果，确定是否满足训练结束条件的方式，包括：
101.步骤s602，计算各样本图像的图像训练结果与该样本图像对应的图像标定结果之
间的测试置信度。
102.在其中一个实施例中，训练结束条件可以设置为图像训练结果的置信度。其中，图像训练结果的置信度是指各样本图像对应的交并比(intersection of union，iou)。具体地，基于各样本图像中预先标定的图像标定结果，计算各样本图像的图像训练结果与该样本图像对应的图像标定结果之间的交并比，也称为测试置信度。
103.步骤s604，将测试置信度与预设阈值进行比较，在测试置信度大于预设阈值时，确定满足训练结束条件，否则，确定不满足训练结束条件。
104.在其中一个实施例中，将测试置信度与预设阈值进行比较，基于比较结果确定是否满足训练结束条件。其中，预设阈值可以设置为0.5。具体地，在使用测试样本集对训练得到的模型进行测试时，模型会预测出一系列的候选框，即图像训练结果，此时可以先使用非极大值抑制算法(non-maximum suppression，nms)初步移除多余的候选框，并在剩余候选框中根据iou值确定是否检测正确，当iou值大于0.5时，则认为检测正确。也就是，在测试置信度大于预设阈值时，确定满足训练结束条件，否则，确定不满足训练结束条件。
105.在其中一个实施例中，步骤s206筛选各初始图像检测结果，获得待检测生物样本对应的图像检测结果，包括：
106.步骤s702，获取各初始图像检测结果对应的概率分数，概率分数由各图像检测模型对待检测图像进行图像检测时，基于对应的激活函数计算得到。
107.在其中一个实施例中，在各图像检测模型对待检测图像进行图像检测时，还会输出各初始图像检测结果对应的概率分数。其中，对于待检测图像中的有形成分的每一个定位结果，都会得到对应的每一种分类结果的概率分数。具体地，对于同一个定位结果，可能存在多种分类结果，每一种分类结果存在一个概率分数。
108.在其中一个实施例中，概率分数由各图像检测模型对待检测图像进行图像检测时，基于对应的激活函数计算得到。具体地，图像检测模型的激活函数可以是s型(sigmoid)函数、双曲正切(tanh)函数和修正线性(relu)函数中的其中一种。
109.步骤s704，将概率分数最高的初始图像检测结果确定为待检测生物样本对应的图像检测结果。
110.在其中一个实施例中，可以通过比较同一个定位结果的多种分类结果的概率分数，确定该定位结果对应的分类结果。其中，将概率分数最高的分类结果作为该定位结果对应的分类结果，也就是，将概率分数最高的初始图像检测结果确定为待检测生物样本对应的图像检测结果。
111.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及其中一个具体实施例，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。
112.在其中一个具体实施例中，以生物样本为尿沉渣生物样本为例，生物样本图像检测方法包括图像检测模型的训练过程和运行过程，具体步骤如下：
113.一、训练过程
114.将尿沉渣生物样本放置在显微镜下，使显微镜沿z轴移动，获取尿沉渣生物样本在显微镜的同一视野中，焦距a、焦距b和焦距c下的原始样本图像；
115.对原始样本图像采用中值滤波方式进行图像去噪处理，得到尿沉渣生物样本的各
样本图像；
116.对原始样本图像进行图像增强处理，获得尿沉渣生物样本的各增强样本图像，图像增强处理包括：
117.(1)沿水平或者垂直方向，平移原始样本图像的像素坐标5-10个像素单位；
118.(2)基于随机倍数缩放原始样本图像，随机倍数大于等于0.8，且小于等于1.2；
119.(3)按照顺时针或者逆时针方向将原始样本图像旋转30
°‑
90
°
；
120.(4)将原始样本图像随机进行水平方向翻转或者垂直方向翻转；
121.(5)将原始样本图像的像素坐标随机增加或者随机减少5-10个像素值；
122.(6)将原始样本图像的对比度进行随机倍数的处理，随机倍数大于等于0.8，且小于等于1.2；
123.(7)将原始样本图像的亮度进行随机倍数的处理，随机倍数大于等于0.8，且小于等于1.2；
124.分别获取尿沉渣生物样本的焦距a对应的样本集a、焦距b对应的样本集b和焦距c对应的样本集c，样本集a、样本集b和样本集c中的样本图像包括各原始样本图像和各增强样本图像；
125.分别将样本集a划分为训练集a和测试集a、样本集b划分为训练集b和测试集b，样本集c划分为训练集c和测试集c，划分比例为7:3且不重叠；
126.根据各焦距对应的样本集，分别对各焦距对应的待训练网络模型进行训练，获得焦距a对应的图像检测模型a、焦距b对应的图像检测模型b和焦距c对应的图像检测模型c，如图3所示为图像检测模型的示意图，每个图像检测模型的结构相同，具体包括backbone模块、neck模块和head模块，其中，backbone模块采用cspdarknet53进行特征提取，获取feature map；feature map通过panet和spp所结合的neck模块中进行特征增强；head模块基于yolov4的head检测，输出图像检测结果。
127.二、运行过程
128.如图4所示为生物样本图像检测方法的示意图，将待检测尿沉渣生物样本放置在显微镜下，使显微镜沿z轴移动，获取待检测尿沉渣生物样本在显微镜的同一视野中，焦距a、焦距b和焦距c下的图像a、图像b和图像c；
129.分别采用图像检测模型a对图像a进行图像检测，采用图像检测模型b对图像b进行图像检测，采用图像检测模型c对图像c进行图像检测，分别得到图像a对应的定位和分类结果a、图像b对应的定位、以及分类结果b和图像c对应的定位和分类结果c；
130.比较每个定位和分类结果对应的概率分数score，将score最高的定位和分类结果作为待检测尿沉渣生物样本对应的图像检测结果。
131.应该理解的是，虽然图2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，图2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。
132.在其中一个实施例中，如图5所示，提供了一种生物样本图像检测装置，包括：图像
获取模块510、图像检测模块520和结果确定模块530，其中：
133.图像获取模块510，用于获取各待检测图像，各所述待检测图像为待检测生物样本在显微镜的同一视野中至少两个焦距下的图像。
134.图像检测模块520，用于采用预先训练的各所述焦距对应的图像检测模型，分别对所述焦距对应的所述待检测图像进行图像检测，得到各所述待检测图像的初始图像检测结果。
135.结果确定模块530，用于筛选各所述初始图像检测结果，获得所述待检测生物样本对应的图像检测结果。
136.在其中一个实施例中，生物样本图像检测装置还包括：
137.图像检测模型训练模块，用于训练获得各所述焦距对应的图像检测模型。
138.在其中一个实施例中，图像检测模型训练模块包括以下单元：
139.样本集获取单元，用于获取各所述焦距对应的样本集，所述样本集包括生物样本在显微镜的同一视野中各所述焦距下的样本图像。
140.图像检测模型训练单元，用于根据各所述焦距对应的样本集，分别对各所述焦距对应的待训练网络模型进行训练，获得各所述焦距对应的图像检测模型。
141.在其中一个实施例中，样本集获取单元包括以下单元：
142.原始样本图像获取单元，用于获取所述生物样本在显微镜的同一视野中各所述焦距下的原始样本图像。
143.图像预处理单元，用于对所述原始样本图像进行图像预处理，得到所述生物样本的各所述样本图像。
144.在其中一个实施例中，图像预处理单元包括以下单元：
145.图像去噪处理单元，用于对所述原始样本图像进行图像去噪处理，得到所述生物样本的各所述样本图像；所述图像去噪处理包括图像的空间域去噪处理、变换域去噪处理、空间域与变换域协同去噪处理中的至少一种。
146.图像增强处理单元，用于对所述原始样本图像进行图像增强处理，获得所述生物样本的各增强样本图像；所述样本图像包括各所述原始样本图像和各所述增强样本图像；所述对所述原始样本图像进行图像增强处理包括以下至少一种：沿水平或者垂直方向，平移所述原始样本图像的像素坐标随机像素单位，所述随机像素单位小于预设像素单位，且所述随机像素单元包括至少一个；基于随机倍数缩放所述原始样本图像，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个；按照随机方向将所述原始样本图像旋转随机角度，所述随机角度小于预设角度，且所述随机角度包括至少一个；将所述原始样本图像随机进行水平方向翻转或者垂直方向翻转；将所述原始样本图像的像素坐标随机增加或者随机减少随机像素值，所述随机像素值小于预设像素值，且所述随机像素值包括至少一个；将所述原始样本图像的对比度进行随机倍数的处理，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个；将所述原始样本图像的亮度进行随机倍数的处理，所述随机倍数大于等于第一预设倍数，且小于等于第二预设倍数，所述第一预设倍数小于1，所述第二预设倍数大于1，且所述随机倍数包括至少一个。
147.在其中一个实施例中，图像检测模型训练单元包括以下单元：
148.特征提取单元，用于采用跨阶段局部网络结构，提取所述样本集中的各样本图像的样本图像特征。
149.特征增强单元，用于基于路径聚合网络结构和空间金字塔池化网络结构，或者参数调整单元调整后的路径聚合网络结构和空间金字塔池化网络结构中的至少一种，对所述样本图像特征进行卷积，得到增强样本图像特征。
150.训练结果获取单元，用于根据目标检测函数，以及所述增强样本图像特征，对各所述样本图像进行分类和定位，获得图像训练结果。
151.训练结束判定单元，用于基于所述图像训练结果，确定是否满足训练结束条件。
152.参数调整单元，用于所述训练结束判定单元在基于所述图像训练结果，确定不满足训练结束条件时，调整所述路径聚合网络结构或者所述空间金字塔池化网络结构的参数。
153.在其中一个实施例中，训练结束判定单元包括以下单元：
154.测试置信度计算单元，用于计算各所述样本图像的图像训练结果与该样本图像对应的图像标定结果之间的测试置信度。
155.测试置信度比较单元，用于将所述测试置信度与预设阈值进行比较，在所述测试置信度大于所述预设阈值时，确定满足所述训练结束条件，否则，确定不满足所述训练结束条件。
156.在其中一个实施例中，结果确定模块530包括以下单元：
157.概率分数获取单元，用于获取各所述初始图像检测结果对应的概率分数，所述概率分数由各所述图像检测模型对所述待检测图像进行图像检测时，基于对应的激活函数计算得到。
158.结果确定单元，用于将概率分数最高的初始图像检测结果确定为所述待检测生物样本对应的图像检测结果。
159.关于生物样本图像检测装置的具体限定可以参见上文中对于生物样本图像检测方法的限定，在此不再赘述。上述生物样本图像检测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。
160.在其中一个实施例中，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6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、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样本图像检测数据。该计算机设备的网络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样本图像检测方法。
161.在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种生物样本图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
162.本领域技术人员可以理解，图6和图7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。
163.在其中一个实施例中，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上述的生物样本图像检测方法的步骤。
164.在其中一个实施例中，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上述的生物样本图像检测方法的步骤。
165.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、存储、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、闪存或光存储器等。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。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。
166.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。
167.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发明专利范围的限制。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，本技术专利的保护范围应以所附权利要求为准。