实例分割模型的训练方法、装置、服务器及存储介质

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种实例分割模型的训练方法、装置、服务器及存储介质。

背景技术

通过对生物组织内的ssDNA(single stranded DNA，单链脱氧核糖核酸)进行荧光染色与成像，可以得到ssDNA图像。其中，包含ssDNA的细胞组织呈亮绿色，无法附着染色剂的位置无颜色。由于细胞是实例的一种，因此通过实例分割模型即可从ssDNA图像中确定细胞的位置和轮廓。

相关技术中，可以通过无监督学习方式来训练实例分割模型。无监督学习方式是指训练实例分割模型的过程中，实例分割模型通过ssDNA图像上的像素值和形状轮廓等形态学特征确定细胞的位置和轮廓。

但是，由于制备ssDNA图像的过程中，存在染色不均匀或者部分细胞被破坏的问题，难以在ssDNA图像中辨别细胞的位置和轮廓，导致实例分割模型的训练效果较差。

发明内容

本申请实施例提供了一种实例分割模型的训练方法、装置、服务器及存储介质，使得训练之后的第一实例分割模型能够对采用第二染色方式进行染色的细胞图像进行细胞分割。所述技术方案如下：

一方面，提供了一种实例分割模型的训练方法，所述方法包括：

获取第一染色图像集，所述第一染色图像集包括具有标注信息的多个第一染色图像，所述第一染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，所述标注信息用于指示所述第一染色图像中至少一个细胞的位置和轮廓；

对于任一第一染色图像，基于所述第一染色图像的标注信息，在所述第一染色图像对应的目标染色图像中，确定至少一个置信区域，所述目标染色图像为通过第二染色方式对细胞的单链脱氧核糖核酸进行染色得到的细胞图像，所述目标染色图像和所述第一染色图像通过对同一细胞图像进行染色得到，所述置信区域为所述标注信息所指示的细胞所在的像素区域；

基于所述目标染色图像中的至少一个置信区域，训练第一实例分割模型，所述第一实例分割模型用于确定采用第二染色方式进行染色的细胞图像中细胞的位置和轮廓。

另一方面，提供了一种实例分割模型的训练装置，所述装置包括：

获取模块，用于获取第一染色图像集，所述第一染色图像集包括具有标注信息的多个第一染色图像，所述第一染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，所述标注信息用于指示所述第一染色图像中至少一个细胞的位置和轮廓；

确定模块，用于对于任一第一染色图像，基于所述第一染色图像的标注信息，在所述第一染色图像对应的目标染色图像中，确定至少一个置信区域，所述目标染色图像为通过第二染色方式对细胞的单链脱氧核糖核酸进行染色得到的细胞图像，所述目标染色图像和所述第一染色图像通过对同一细胞图像进行染色得到，所述置信区域为所述标注信息所指示的细胞所在的像素区域；

第一训练模块，用于基于所述目标染色图像中的至少一个置信区域，训练第一实例分割模型，所述第一实例分割模型用于确定采用第二染色方式进行染色的细胞图像中细胞的位置和轮廓。

在一些实施例中，所述确定模块，用于对于任一第一染色图像，基于所述第一染色图像的标注信息所指示的至少一个目标细胞，在所述第一染色图像中确定至少一个第一像素区域，所述第一像素区域为所述至少一个目标细胞所在的像素区域；对于任一第一像素区域，在所述目标染色图像中，确定所述第一像素区域对应的置信区域。

在一些实施例中，所述确定模块，用于对于任一第一染色图像，基于所述第一染色图像的标注信息所指示的至少一个目标细胞，在所述第一染色图像中确定至少一个第一像素区域，所述第一像素区域为所述至少一个目标细胞所在的像素区域；对所述至少一个第一像素区域分别进行扩张，得到至少一个第二像素区域；对于任一第二像素区域，在所述目标染色图像中，确定所述第二像素区域对应的置信区域。

在一些实施例中，所述第一训练模块，用于保持所述至少一个置信区域中的像素不变，将所述目标染色图像中非置信区域的像素随机置零，所述非置信区域为所述目标染色图像中除置信区域以外的区域；基于所述至少一个置信区域和随机置零后的所述非置信区域，训练所述第一实例分割模型。

在一些实施例中，所述装置还包括：

第二训练模块，用于基于具有标注信息的多个第三染色图像，训练第二实例分割模型，所述第三染色图像为通过所述第一染色方式对细胞的外轮廓进行染色得到的细胞图像，所述第二实例分割模型用于确定采用第一染色方式进行染色的细胞图像中细胞的位置和轮廓；

第一细胞分割模块，用于基于所述第二实例分割模型，对未进行标注的多个第四染色图像进行细胞分割处理，得到所述多个第四染色图像的细胞分割结果，所述第四染色图像为通过所述第一染色方式对细胞的外轮廓进行染色得到的细胞图像，所述细胞分割结果包括所述第四染色图像的标注信息以及所述标注信息的置信度；

修正模块，用于对于任一第四染色图像，基于所述第四染色图像的标注信息的置信度，对所述第四染色图像的标注信息进行修正，得到所述第四染色图像对应的第一染色图像。

在一些实施例中，所述修正模块，用于在所述标注信息的置信度小于置信度阈值的情况下，获取人工修正信息；基于所述人工修正信息，对所述第四染色图像的标注信息进行修正，得到所述第四染色图像对应的第一染色图像。

在一些实施例中，所述装置还包括：

第二细胞分割模块，用于通过所述第一实例分割模型对待分割的目标细胞图像进行细胞分割处理，得到第一分割信息，所述目标细胞图像为采用所述第二染色方式进行染色的细胞图像，所述第一分割信息用于指示所述目标细胞图像中细胞的位置和轮廓；

后处理模块，用于对所述第一分割信息进行去重和去除极值中的至少一种，得到第二分割信息，所述去重用于去除重叠率高于第一阈值的细胞，所述去除极值用于去除细胞面积大于第二阈值的细胞和细胞面积小于第三阈值的细胞。

另一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如上述方面所述的实例分割模型的训练方法。

另一方面，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中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如上述方面所述的实例分割模型的训练方法。

另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序由处理器加载并执行，以实现如上述方面所述的实例分割模型的训练方法。

本申请实施例提供了一种实例分割模型的训练方案，由于目标染色图像和第一染色图像是通过对同一细胞图像进行染色得到的，因此通过基于第一染色图像的标注信息，能够在第一染色图像对应的目标染色图像中，确定至少一个置信区域，也即较为准确地在目标染色图像中确定该标注信息指示的细胞所在的像素区域，实现了在目标染色图像中对细胞的位置和轮廓进行标注。基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，使得训练之后的第一实例分割模型能够对采用第二染色方式进行染色的细胞图像中的细胞进行分割，即确定该细胞图像中至少一个细胞的位置和轮廓。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种实施环境的示意图；

图2是本申请实施例提供的一种实例分割模型的训练方法的流程图；

图3是本申请实施例提供的另一种实例分割模型的训练方法的流程图；

图4是本申请实施例提供的一种第二实例分割模型的示意图；

图5是本申请实施例提供的一种训练第二实例分割模型的示意图；

图6是本申请实施例提供的一种ssDNA染色图像的示意图；

图7是本申请实施例提供的一种染色图像的示意图；

图8是本申请实施例提供的一种训练过程的示意图；

图9是本申请实施例提供的一种训练过程的流程图；

图10是本申请实施例提供的一种测试的结果示意图；

图11是本申请实施例提供的一种实例分割模型的训练装置的结构示意图；

图12是本申请实施例提供的另一种实例分割模型的训练装置的结构示意图；

图13是本申请实施例提供的一种终端的结构示意图；

图14是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一染色图像称为第二染色图像，且类似地，可将第二染色图像称为第一染色图像。

其中，至少一个是指一个或者一个以上。例如，至少一个第一染色图像可以是一个第一染色图像、两个第一染色图像、三个第一染色图像等任一大于等于一的整数个第一染色图像。多个是指两个或者两个以上。例如，多个第一染色图像可以是两个第一染色图像、三个第一染色图像等任一大于等于二的整数个第一染色图像。每个是指至少一个中的每一个。例如，每个第一染色图像是指多个第一染色图像中的每一个第一染色图像，若多个第一染色图像为三个第一染色图像，则每个第一染色图像是指三个第一染色图像中的每一个第一染色图像。

需要说明的是，本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、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)以及信号，均为经用户授权或者经过各方充分授权的，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。例如，本申请中涉及到第一染色图像和目标染色图像都是在充分授权的情况下获取的。

以下对本申请实施例的实施环境进行介绍。

图1是本申请实施例提供的一种实施环境的示意图，参见图1，该实施环境包括：终端101和服务器102。

终端101可以为智能手机、智能手表、台式电脑、手提电脑、MP3播放器(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机等设备中的至少一种。终端101上可以安装并运行有应用程序，该应用程序用于显示细胞图像中细胞的位置和轮廓。用户可以通过终端101登录该应用程序来查看细胞图像以及细胞图像中细胞的位置和轮廓。该应用程序与服务器102关联，由服务器102提供后台服务。终端101可以通过无线网络或有线网络与服务器102相连。

终端101可以泛指多个终端中的一个，本实施例以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以为几个，或者上述终端为几十个或几百个，或者更多数量，本申请实施例对终端的数量和设备类型均不加以限定。

服务器102是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、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、CDN(Content Delivery Network，内容分发网络)、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。在一些实施例中，服务器102能够训练实例分割模型，该实例分割模型用于确定细胞图像中细胞的位置和轮廓。服务器102接收终端101通过应用程序上传的细胞图像，通过实例分割模型对该细胞图像进行处理，得到细胞分割结果。服务器102向终端101返回该细胞分割结果，由终端101通过应用程序展示该细胞分割结果所指示的细胞图像中细胞的位置和轮廓。在一些实施例中，服务器102承担主要计算工作，终端101承担次要计算工作；或者，服务器102承担次要计算工作，终端101承担主要计算工作；或者，服务器102和终端101二者之间采用分布式计算架构进行协同计算。服务器102可以通过无线网络或有线网络与终端101和其他终端相连，可选地，上述服务器的数量可以更多或更少，本申请实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。

图2是本申请实施例提供的一种实例分割模型的训练方法的流程图，本申请实施例由服务器执行，参见图2，该方法包括：

201、服务器获取第一染色图像集，第一染色图像集包括具有标注信息的多个第一染色图像，第一染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，标注信息用于指示第一染色图像中至少一个细胞的位置和轮廓。

在本申请实施例中，第一染色图像集中包括多个第一染色图像，也即采用第一染色方式得到的细胞图像。服务器可以基于一个实例分割模型来生成第一染色图像集，也可以从本地数据库中获取第一染色图像集，也可以从其他服务器获取该第一染色图像集，还可以基于多个终端上传的第一染色图像构建第一染色图像集。

在一些实施例中，在服务器基于实例分割模型来生成第一染色图像集的情况下，服务器可以通过对未进行标注的第一染色图像进行标注，能够得到该第一染色图像的标注信息。相应的，对于任一未进行标注的第一染色图像，服务器能够通过实例分割模型，对第一染色图像进行处理，以得到第一染色图像中至少一个细胞的位置和轮廓，并对细胞的位置和轮廓进行标注，得到第一染色图像的标注信息。其中，该实例分割模型用于确定采用第一染色方式进行染色的细胞图像中细胞的位置和轮廓。

202、对于任一第一染色图像，服务器基于第一染色图像的标注信息，在第一染色图像对应的目标染色图像中，确定至少一个置信区域，目标染色图像为通过第二染色方式对细胞的单链脱氧核糖核酸进行染色得到的细胞图像，目标染色图像和第一染色图像通过对同一细胞图像进行染色得到，置信区域为标注信息所指示的细胞所在的像素区域。

在本申请实施例中，由于通过第一染色方式能够对细胞的外轮廓进行染色，通过第二染色方式能够对细胞的单链脱氧核糖核酸进行染色。因此，通过对一个细胞图像采用第一染色方式进行染色，能够得到一个第一染色图像。然后，对该细胞图像进行脱色，再采用第二染色方式进行染色，能够得到一个第二染色图像，该第二染色图像为该第一染色图像对应的目标染色图像。在第一染色图像中，高亮的环状结构的位置为细胞的位置，高亮的环状结构为细胞的轮廓。在第二染色图像中，细胞所在的像素区域的像素较亮，没有细胞的像素区域的像素较暗。

以第一染色图像集中的任一第一染色图像为例，服务器可以基于第一染色图像的标注信息，在第一染色图像中确定细胞所在的像素区域。由于该第一染色图像与对应的目标染色图像来自于同一细胞图像，也即两个染色图像中细胞的位置是一致的。因此，服务器可以基于第一染色图像中标注信息所指示的细胞所在的像素区域，在目标染色图像确定至少一个置信区域。其中，一个置信区域对应一个细胞所在的像素区域。通过基于目标染色图像和第一染色图像是通过对同一细胞图像进行染色得到这一关系，可以将在第一染色图像中确定的像素区域，准确地在目标染色图像中确定对应的置信区域，也即确定第一染色图像的标注信息指示的细胞，在目标染色图像中所在的像素区域，实现了在目标染色图像中对细胞的标注。

203、服务器基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，第一实例分割模型用于确定采用第二染色方式进行染色的细胞图像中至少一个细胞的位置和轮廓。

在本申请实施例中，目标染色图像中的至少一个置信区域为确定存在细胞的区域，可以作为监督信息来训练第一实例分割模型，使得第一实例分割模型能够确定采用第二染色方式进行染色的细胞图像中至少一个细胞的位置和轮廓。

其中，由于第一染色图像的标注信息能够指示第一染色图像中部分细胞的位置和轮廓，相应的，基于该标注信息确定的至少一个置信区域未覆盖目标染色图像中的全部细胞。因此，服务器可以采用弱监督训练方式中的不完全监督训练的方式，对第一实例分割模型进行训练。不完全监督训练是指，训练模型的过程中，只有部分训练数据具有标签，有一些训练数据没有标签。

本申请实施例提供了一种实例分割模型的训练方法，由于目标染色图像和第一染色图像是通过对同一细胞图像进行染色得到的，因此通过基于第一染色图像的标注信息，能够在第一染色图像对应的目标染色图像中，确定至少一个置信区域，也即较为准确地在目标染色图像中确定该标注信息指示的细胞所在的像素区域，实现了在目标染色图像中对细胞的位置和轮廓进行标注。基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，使得训练之后的第一实例分割模型能够对采用第二染色方式进行染色的细胞图像中的细胞进行分割，即确定该细胞图像中至少一个细胞的位置和轮廓。

上述图2示例性示出了本申请实施例提供的实例分割模型的训练方法的主要流程，下面对该实例模型的训练方法进行详细的说明。图3是本申请实施例提供的另一种实例分割模型的训练方法的流程图，该方法由服务器执行，参见图3，该方法包括：

301、服务器基于具有标注信息的多个第三染色图像，训练第二实例分割模型，第三染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，第二实例分割模型用于确定采用第一染色方式进行染色的细胞图像中细胞的位置和轮廓。

在本申请实施例中，服务器能够基于具有少量标注信息的第三染色图像，来训练第二实例分割模型。对于任一第三染色图像，服务器可以通过第二实例分割模型，对该第三染色图像进行细胞分割处理，得到该第三染色图像的细胞分割结果。服务器基于第三染色图像的少量标注信息和第二实例分割模型确定的细胞分割结果，确定损失值。其中，少量的标注信息用于指示第三染色图像中小于细胞数量阈值的细胞的位置和轮廓。细胞分割结果用于指示通过第二实例分割模型确定的细胞的位置和轮廓。服务器基于损失值，更新第二实例分割模型的模型参数，以使第二实例分割模型的损失值减小，训练得到一个初始模型，也即第二实例分割模型。该第二实例分割模型能够确定采用第一染色方式进行染色的细胞图像中细胞的位置和轮廓。其中，由于初始模型也即第二实例分割模型基于具有少量标注信息的第三染色图像训练得到，导致模型的准确度有待提高，服务器能够对该模型进行优化，以提升该模型的准确度。

在一些实施例中，第一染色方式为ConA(Concanavalin A，刀豆蛋白A)染色。ConA又被称为伴刀豆球蛋白A，是一种糖类结合蛋白质，能够选择性地与广泛存在于酵母、真菌细胞壁以及哺乳动物细胞膜中的多种糖蛋白或糖基结合。因此，通过ConA染色对细胞图像进行染色，能够对细胞的细胞膜进行染色，以实现对细胞的外轮廓进行染色。由于ConA染色能够对细胞膜进行染色，因此在第三染色图像中可观测到细胞呈环状结构，并且能够确定高亮的环状结构的位置为细胞的位置，且该高亮的环状结构为细胞的轮廓。

在一些实施例中，第二实例分割模型为mask R-CNN(mask Region-basedConvolutional Neural Network，掩膜基于区域的卷积神经网络)。由于从细胞图像中分割细胞可视为仅有一个“细胞”类别的实例分割问题，因此能够通过mask R-CNN实例分割模型对细胞图像进行细胞分割。如图4所示，模型的整体框架分为候选区域检测、区域分类和边界框回归以及目标掩码生成。其中，候选区域检测、区域分类和边界框回归用于从细胞图像中确定至少一个边界框，边界框用于定位细胞图像中细胞的位置。目标掩码生成用于从边界框中确定细胞所在的像素区域。

302、服务器基于第二实例分割模型，对未进行标注的多个第四染色图像进行细胞分割处理，得到多个第四染色图像的细胞分割结果，第四染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，细胞分割结果包括第四染色图像的标注信息以及标注信息的置信度。

在本申请实施例中，服务器获取通过第一染色方式对细胞的外轮廓进行染色得到的多个第四染色图像，该第四染色图像中未标注有细胞的位置和轮廓。对于任一第四染色图像，服务器可以基于训练后的第二实例分割模型，对该第四染色图像进行细胞分割处理，得到该第四染色图像的标注信息以及标注信息的置信度。其中，第四染色图像的标注信息用于指示第四染色图像中细胞的位置和轮廓。标注信息的置信度用于指示该标注信息的准确程度，标注信息的置信度越高，标注信息越准确。通过对未进行标注的多个第四染色图像进行细胞分割处理，实现了对未标注的第四染色图像进行标注。

需要说明的是，在标注信息的置信度较低的情况下，服务器可以对该标注信息进行修正，然后基于修正后的标注信息和第四染色图像，对第二实例分割模型进行优化；或者，服务器可以基于第一染色图像集，对第二实例分割模型进行优化，该第一染色图像集中的第一染色图像，通过对第四染色图像的标注信息进行修正得到。通过修正标注信息，使得标注信息更丰富、且更准确，从而训练得到的第二实例分割模型的准确性也就越高，能够提升第二实例分割模型的准确度。

303、对于任一第四染色图像，服务器基于第四染色图像的标注信息的置信度，对第四染色图像的标注信息进行修正，得到第四染色图像对应的第一染色图像。

在本申请实施例中，服务器需要对置信度较低的标注信息进行修正，以提高标注信息的准确度。可选地，服务器可以设置置信度阈值。在置信度大于置信度阈值的情况下，表明该标注信息的准确度足够高，不需要对该标注信息进行修正。在置信度不大于置信度阈值的情况下，表明该标注信息的准确度较低，服务器对该标注信息进行修正，以提升该标注信息的准确度。

在一些实施例中，服务器能够基于人工修正信息对细胞分割结果进行修正。服务器在标注信息的置信度小于置信度阈值的情况下，获取人工修正信息。服务器基于人工修正信息，对第四染色图像的标注信息进行修正，得到第四染色图像对应的第一染色图像。其中，人工修正信息为专业技术人员输入的标注信息，用于修正第四染色图像的标注信息。经过人工修正后，不仅能提升第四染色图像的标注信息的准确度，还能得到第四染色图像对应的第一染色图像。

在一些实施例中，服务器基于第二实例分割模型，对修正的第四染色图像进行细胞分割处理，得到该第四染色图像的标注信息以及标注信息的置信度。若置信度不大于置信度阈值，服务器继续对标注信息进行修正。直至修正后的第四染色图像的标注信息大于置信度阈值，服务器才得到该第四染色图像对应的第一染色图像。

图5为训练第二实例分割模型的示意图。如图5所示，第一染色方式为ConA染色。服务器基于具有标注信息的多个ConA染色图像，训练第二实例分割模型。训练后的第二实例分割模型能够确定ConA染色图像中细胞的位置和轮廓。如图5所示，501为ConA染色图像的示意图，502为ConA染色图像的标注信息的示意图。服务器使用第二实例分割模型对未进行标注的ConA染色图像进行细胞分割处理，预测得到未进行标注的ConA染色图像的细胞分割结果。如图5所示，503为细胞分割结果的示意图，细胞分割结果包括标注信息以及标注信息的置信度。在置信度大于修正阈值的情况下，服务器不对该细胞分割结果进行修正，直接基于细胞分割结果得到具有标注信息的ConA染色图像。在标注信息的置信度小于置信度阈值的情况下，服务器获取人工修正信息，并基于人工修正信息，对细胞分割结果进行修正，得到具有标注信息的ConA染色图像。如图5所示，504为修正后的ConA染色图像的示意图和ConA染色图像的标注信息的示意图。服务器还能根据得到的具有标注信息的ConA染色图像训练第二实例分割模型，以提升第二实例分割模型的准确度。需要说明的是，像素值颜色深浅为防止出现细胞粘连难以区分的情况，而并无实际意义

304、服务器获取第一染色图像集，第一染色图像集包括具有标注信息的多个第一染色图像，第一染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，标注信息用于指示第一染色图像中至少一个细胞的位置和轮廓。

在本申请实施例中，步骤304与上述步骤201同理，在此不再赘述。

在一些实施例中，服务器将第四染色图像对应的第一染色图像加入到第一染色图像集中，得到包括具有标注信息的多个第一染色图像的第一染色图像集，能够扩充第一染色图像集。

305、对于任一第一染色图像，服务器基于第一染色图像的标注信息所指示的至少一个目标细胞，在第一染色图像中确定至少一个第一像素区域，第一像素区域为至少一个目标细胞所在的像素区域。

在本申请实施例中，服务器基于第一染色图像的标注信息，在第一染色图像中确定至少一个目标细胞。其中，目标细胞为第一染色图像中标注了细胞的位置和轮廓的细胞。服务器基于至少一个目标细胞的位置和轮廓，确定至少一个目标细胞所在的像素区域，目标细胞所在的像素区域即为目标细胞的轮廓所包括的像素的区域。服务器基于至少一个目标细胞所在的像素区域，确定至少一个第一像素区域。

306、对于任一第一像素区域，服务器在第一染色图像对应的目标染色图像中，确定第一像素区域对应的置信区域，目标染色图像为通过第二染色方式对细胞的单链脱氧核糖核酸进行染色得到的细胞图像，目标染色图像和第一染色图像通过对同一细胞图像进行染色得到。

在本申请实施例中，对多个细胞图像先采用第一染色方式进行染色，能够得到多个第一染色图像。然后，对细胞图像进行脱色，再采用第二染色方式进行染色，能够得到多个第二染色图像。服务器基于多个第二染色图像构建第二染色图像集，第二染色图像集包括多个第二染色图像。对于任一第一染色图像，服务器从第二染色图像集中确定该第一染色图像对应的第二染色图像为目标染色图像。由于第一染色图像与对应的目标染色图像来自于同一细胞图像，因此，两个染色图像中细胞的位置是一致的。服务器基于第一染色图像中标注了细胞的位置和轮廓的至少一个目标细胞，能够在目标染色图像中找到该至少一个目标细胞。相应的，对于第一染色图像中的任一第一像素区域，服务器在对应的目标染色图像中确定该第一像素区域对应的置信区域。其中，置信区域即为目标染色图像中至少一个目标细胞所在的像素区域。

在一些实施例中，第二染色方式为ssDNA(single stranded DNA，单链脱氧核糖核酸)染色。通过ssDNA染色对细胞图像中细胞的ssDNA进行染色，能够得到ssDNA染色图像。图6为ssDNA染色图像的示意图，如图6所示，在ssDNA染色图像中，细胞所在的像素区域的像素较亮，没有细胞的像素区域的像素较暗。

为了更清楚地说明ConA染色与ssDNA染色的区别，下面对两种染色方式对同一细胞图像进行染色，分别得到的染色图像进行说明。如图7所示，左侧为采用ConA染色得到的ConA染色图像，右侧为采用ssDNA染色得到的ssDNA染色图像。在ConA染色图像中，高亮的环状结构的位置为细胞的位置，高亮的环状结构为细胞的轮廓。在ssDNA染色图像中，细胞所在的像素区域的像素较亮，没有细胞的像素区域的像素较暗。

在一些实施例中，服务器可以对第一像素区域进行扩张，基于扩张后的第一像素区域在目标染色图像中确定置信区域。服务器对至少一个第一像素区域分别进行扩张，得到至少一个第二像素区域。其中，对第一像素区域进行扩张是指将第一像素区域的边缘向外延伸一定的距离。例如，服务器将第一像素区域的边缘延伸5个像素的距离，得到范围更大的第二像素区域。服务器对于任一第二像素区域，在目标染色图像中，确定第二像素区域对应的置信区域。通过基于范围更大的第二像素区域，在目标染色图像中确定置信区域，保证了置信区域中细胞的轮廓的完整性。

307、服务器保持至少一个置信区域中的像素不变，将目标染色图像中非置信区域的像素随机置零，非置信区域为目标染色图像中除置信区域以外的区域。

在本申请实施例中，服务器保持至少一个置信区域中的像素不变，将目标染色图像中非置信区域中的像素随机置零。其中，目标染色图像中除置信区域以外的区域为非置信区域。非置信区域中没有标注信息所指示的目标细胞对应的细胞，但是由于标注信息用于指示部分细胞的位置和轮廓，因此非置信区域中可能存在少量没有被标注的细胞。可选地，服务器可以随机选取非置信区域内的一些像素点，将这些像素点的像素值置零，或者随机选取非置信区域内的一些像素区域，将这些像素区域内的像素值置零，本申请实施例对像素随机置零的方式不进行限定。通过将非置信区域的像素随机置零，能够减少处理非置信区域的时间，同时又能够对非置信区域中部分未置零像素所在的区域进行处理，避免完全忽略非置信区域中可能存在的未标注的细胞。

308、服务器基于至少一个置信区域和随机置零后的非置信区域，训练第一实例分割模型。

在本申请实施例中，服务器基于目标染色图像中至少一个置信区域和随机置零后的非置信区域，训练第一实例分割模型，使得第一实例分割模型能够确定采用第二染色方式进行染色的细胞图像中细胞的位置和轮廓。在训练的过程中，第一实例分割模型主要处理置信区域，同时又不会完全忽略非置信区域。

在一些实施例中，服务器能够对细胞分割结果进行后处理。服务器通过第一实例分割模型对待分割的目标细胞图像进行细胞分割处理，得到第一分割信息。目标细胞图像为采用第二染色方式进行染色的细胞图像，第一分割信息用于指示目标细胞图像中细胞的位置和轮廓。服务器对第一分割信息进行去重和去除极值中的至少一种，得到第二分割信息。去重用于去除重叠率高于第一阈值的细胞，去除极值用于去除细胞面积大于第二阈值的细胞和细胞面积小于第三阈值的细胞。其中，第二阈值和第三阈值可以根据正常细胞的面积来确定。细胞面积大于第二阈值的细胞和细胞面积小于第三阈值的细胞可能不是真正的细胞，有可能是制备目标细胞图像过程中混入的杂质或者是破坏的细胞成分，虽然第一实例分割模型将这些标注为细胞，但这些细胞的面积不属于正常细胞的面积范围，因此需要去除面积过大或过小的细胞。通过对第一实例分割模型预测的第一分割信息进行后处理操作，能够提升确定目标细胞图像中细胞的位置和轮廓的准确度。

图8是本申请实施例提供的一种训练过程的示意图。第一染色方式为ConA染色，第二染色方式为ssDNA染色。服务器基于标注信息，在具有标注信息的ConA染色图像中确定至少一个第一像素区域。如图8所示，801为ConA染色图像的示意图，802为至少一个第一像素区域的示意图。服务器对至少一个第一像素区域分别进行扩张，得到如803所示的至少一个第二像素区域。服务器基于第二像素区域，在ConA染色图像对应的ssDNA染色图像中，确定第二像素区域对应的置信区域。804为ConA染色图像对应的ssDNA染色图像的示意图，805为置信区域的示意图。服务器保持至少一个置信区域中的像素不变，将ssDNA染色图像中非置信区域的像素随机置零。服务器基于至少一个置信区域和随机置零后的非置信区域，训练第一实例分割模型。训练后的第一实例分割模型能够确定如806所示的ssDNA染色图像的细胞分割结果。

在上述图8所示的训练过程的基础上，图9是本申请实施例提供的一种训练过程的流程图。如图9所示，训练第一实例分割模型主要有以下三个步骤：

步骤1：通过具有标注信息的ConA染色图像训练第二实例分割模型，使得第二实例分割模型能够对未进行标注的ConA染色图像进行细胞分割，得到包括标注信息的细胞分割结果，并对该细胞分割结果进行人工修正，得到大规模的具有标注信息的ConA染色图像，并基于大规模的具有标注信息的ConA染色图像迭代训练第二实例分割模型，提升第二实例分割模型的准确率。

步骤2：通过具有标注信息的ConA染色图像以及ConA染色图像对应的ssDNA染色图像，采用弱监督训练方式训练第一实例分割模型，使得第一实例分割模型能够对无对应ConA染色图像的ssDNA染色图像进行细胞分割，即未进行标注的ssDNA染色图像进行细胞分割。

步骤3：通过训练好的第一实例分割模型，对未进行标注的ssDNA染色图像进行细胞分割，得到第一分割信息，并对第一分割信息进行后处理，得到准确度更高的第二分割信息。其中，通过训练好的第一实例分割模型对无对应ConA染色图像的ssDNA染色图像进行处理，能够得到ssDNA染色图像的细胞分割结果。

下面对基于图9所示的训练过程训练得到的第一实例分割模型的效果进行说明。使用标注信息包括11008个标注的细胞的ssDNA染色图像进行训练，并使用标注信息包括1253个标注细胞的ssDNA染色图像进行测试。第一实例分割模型共检测到1294个细胞，漏检120个，多检161个，召回率(敏感度)为0.90，精确率(特异度)为0.88，模型准确度较高。并且随着后续的迭代训练，第一实例分割模型性能还将有所提高。图10为测试的结果示意图，如图10所示，左侧为ssDNA染色图像，右侧为ssDNA染色图像的细胞分割结果。可以看出，第一实例分割模型能够准确地对未进行标注的ssDNA染色图像进行细胞分割，像素值颜色深浅为防止出现细胞粘连难以区分的情况，而并无实际意义。

本申请实施例提供了一种实例分割模型的训练方法，由于目标染色图像和第一染色图像是通过对同一细胞图像进行染色得到的，因此通过基于第一染色图像的标注信息，能够在第一染色图像对应的目标染色图像中，确定至少一个置信区域，也即较为准确地在目标染色图像中确定该标注信息指示的细胞所在的像素区域，实现了在目标染色图像中对细胞的位置和轮廓进行标注。基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，使得训练之后的第一实例分割模型能够对采用第二染色方式进行染色的细胞图像中的细胞进行分割，即确定该细胞图像中至少一个细胞的位置和轮廓。

图11是本申请实施例提供的一种实例分割模型的训练装置的结构示意图。参见图11，该装置包括：获取模块1101、确定模块1102和第一训练模块1103。

获取模块1101，用于获取第一染色图像集，第一染色图像集包括具有标注信息的多个第一染色图像，第一染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，标注信息用于指示第一染色图像中至少一个细胞的位置和轮廓；

确定模块1102，用于对于任一第一染色图像，基于第一染色图像的标注信息，在第一染色图像对应的目标染色图像中，确定至少一个置信区域，目标染色图像为通过第二染色方式对细胞的单链脱氧核糖核酸进行染色得到的细胞图像，目标染色图像和第一染色图像通过对同一细胞图像进行染色得到，置信区域为标注信息所指示的细胞所在的像素区域；

第一训练模块1103，用于基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，第一实例分割模型用于确定采用第二染色方式进行染色的细胞图像中细胞的位置和轮廓。

在一些实施例中，确定模块1102，用于对于任一第一染色图像，基于第一染色图像的标注信息所指示的至少一个目标细胞，在第一染色图像中确定至少一个第一像素区域，第一像素区域为至少一个目标细胞所在的像素区域；对于任一第一像素区域，在目标染色图像中，确定第一像素区域对应的置信区域。

在一些实施例中，确定模块1102，用于对于任一第一染色图像，基于第一染色图像的标注信息所指示的至少一个目标细胞，在第一染色图像中确定至少一个第一像素区域，第一像素区域为至少一个目标细胞所在的像素区域；对至少一个第一像素区域分别进行扩张，得到至少一个第二像素区域；对于任一第二像素区域，在目标染色图像中，确定第二像素区域对应的置信区域。

在一些实施例中，第一训练模块1103，用于保持至少一个置信区域中的像素不变，将目标染色图像中非置信区域的像素随机置零，非置信区域为目标染色图像中除置信区域以外的区域；基于至少一个置信区域和随机置零后的非置信区域，训练第一实例分割模型。

在一些实施例中，图12是本申请实施例提供的另一种实例分割模型的训练装置的结构示意图。参见图12所示，装置还包括：

第二训练模块1104，用于基于具有标注信息的多个第三染色图像，训练第二实例分割模型，第三染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，第二实例分割模型用于确定采用第一染色方式进行染色的细胞图像中细胞的位置和轮廓；

第一细胞分割模块1105，用于基于第二实例分割模型，对未进行标注的多个第四染色图像进行细胞分割处理，得到多个第四染色图像的细胞分割结果，第四染色图像为通过第一染色方式对细胞的外轮廓进行染色得到的细胞图像，细胞分割结果包括第四染色图像的标注信息以及标注信息的置信度；

修正模块1106，用于对于任一第四染色图像，基于第四染色图像的标注信息的置信度，对第四染色图像的标注信息进行修正，得到第四染色图像对应的第一染色图像。

在一些实施例中，修正模块1106，用于在标注信息的置信度小于置信度阈值的情况下，获取人工修正信息；基于人工修正信息，对第四染色图像的标注信息进行修正，得到第四染色图像对应的第一染色图像。

在一些实施例中，参见图12所示，装置还包括：

第二细胞分割模块1107，用于通过第一实例分割模型对待分割的目标细胞图像进行细胞分割处理，得到第一分割信息，目标细胞图像为采用第二染色方式进行染色的细胞图像，第一分割信息用于指示目标细胞图像中细胞的位置和轮廓；

后处理模块1108，用于对第一分割信息进行去重和去除极值中的至少一种，得到第二分割信息，去重用于去除重叠率高于第一阈值的细胞，去除极值用于去除细胞面积大于第二阈值的细胞和细胞面积小于第三阈值的细胞。

本申请实施例提供了一种实例分割模型的训练装置，由于目标染色图像和第一染色图像是通过对同一细胞图像进行染色得到的，因此通过基于第一染色图像的标注信息，能够在第一染色图像对应的目标染色图像中，确定至少一个置信区域，也即较为准确地在目标染色图像中确定该标注信息指示的细胞所在的像素区域，实现了在目标染色图像中对细胞的位置和轮廓进行标注。基于目标染色图像中的至少一个置信区域，训练第一实例分割模型，使得训练之后的第一实例分割模型能够对采用第二染色方式进行染色的细胞图像中的细胞进行分割，即确定该细胞图像中至少一个细胞的位置和轮廓。

需要说明的是：上述实施例提供的实例分割模型的训练装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的实例分割模型的训练装置与实例分割模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种终端，该终端包括处理器和存储器，存储器中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的实例分割模型的训练方法。

图13是本申请实施例提供的一种终端的结构示意图。

终端1300包括有：处理器1301和存储器1302。

处理器1301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1301可以集成有GPU(Graphics Processing Unit，图像处理的交互器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1302中的非暂态的计算机可读存储介质用于存储至少一条计算机程序，该至少一条计算机程序用于被处理器1301所具有以实现本申请中方法实施例提供的实例分割模型的训练方法。

在一些实施例中，终端1300还可选包括有：外围设备接口1303和至少一个外围设备。处理器1301、存储器1302和外围设备接口1303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1303相连。可选地，外围设备包括：射频电路1304、显示屏1305、摄像头组件1306、音频电路1307和电源1308中的至少一种。

外围设备接口1303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1301和存储器1302。在一些实施例中，处理器1301、存储器1302和外围设备接口1303被集成在同一芯片或电路板上；在一些其他实施例中，处理器1301、存储器1302和外围设备接口1303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1304可以通过至少一种无线通信协议来与其它设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1305是触摸显示屏时，显示屏1305还具有采集在显示屏1305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1301进行处理。此时，显示屏1305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1305可以为一个，设置在终端1300的前面板；在另一些实施例中，显示屏1305可以为至少两个，分别设置在终端1300的不同表面或呈折叠设计；在另一些实施例中，显示屏1305可以是柔性显示屏，设置在终端1300的弯曲表面上或折叠面上。甚至，显示屏1305还可以设置成非矩形的不规则图形，也即异形屏。显示屏1305可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-EmittingDiode，有机发光二极管)等材质制备。

摄像头组件1306用于采集图像或视频。可选地，摄像头组件1306包括前置摄像头和后置摄像头。前置摄像头设置在终端1300的前面板，后置摄像头设置在终端1300的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1301进行处理，或者输入至射频电路1304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1301或射频电路1304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1307还可以包括耳机插孔。

电源1308用于为终端1300中的各个组件进行供电。电源1308可以是交流电、直流电、一次性电池或可充电电池。当电源1308包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端1300还包括有一个或多个传感器1309。该一个或多个传感器1309包括但不限于：加速度传感器1310、陀螺仪传感器1311、压力传感器1312、光学传感器1313以及接近传感器1314。

加速度传感器1310可以检测以终端1300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1310可以用于检测重力加速度在三个坐标轴上的分量。处理器1301可以根据加速度传感器1310采集的重力加速度信号，控制显示屏1305以横向视图或纵向视图进行用户界面的显示。加速度传感器1310还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1311可以检测终端1300的机体方向及转动角度，陀螺仪传感器1311可以与加速度传感器1310协同采集用户对终端1300的3D动作。处理器1301根据陀螺仪传感器1311采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1312可以设置在终端1300的侧边框和/或显示屏1305的下层。当压力传感器1312设置在终端1300的侧边框时，可以检测用户对终端1300的握持信号，由处理器1301根据压力传感器1312采集的握持信号进行左右手识别或快捷操作。当压力传感器1312设置在显示屏1305的下层时，由处理器1301根据用户对显示屏1305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

光学传感器1313用于采集环境光强度。在一个实施例中，处理器1301可以根据光学传感器1313采集的环境光强度，控制显示屏1305的显示亮度。可选地，当环境光强度较高时，调高显示屏1305的显示亮度；当环境光强度较低时，调低显示屏1305的显示亮度。在另一个实施例中，处理器1301还可以根据光学传感器1313采集的环境光强度，动态调整摄像头组件1306的拍摄参数。

接近传感器1314，也称距离传感器，设置在终端1300的前面板。接近传感器1314用于采集用户与终端1300的正面之间的距离。在一个实施例中，当接近传感器1314检测到用户与终端1300的正面之间的距离逐渐变小时，由处理器1301控制显示屏1305从亮屏状态切换为息屏状态；当接近传感器1314检测到用户与终端1300的正面之间的距离逐渐变大时，由处理器1301控制显示屏1305从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图13中示出的结构并不构成对终端1300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在一些实施例中，图14是本申请实施例提供的一种服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)1401和一个或一个以上的存储器1402，其中，存储器1402中存储有至少一条计算机程序，至少一条计算机程序由处理器1401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器1400还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器1400还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的实例分割模型的训练方法。

本申请实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序由处理器加载并执行，以实现如上述实施例的实例分割模型的训练方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请实施例的可选实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。