一种基于宫颈癌细胞目标检测的标签分配方法及装置与流程

1.本技术涉及宫颈癌细胞检测
技术领域：
：，尤其涉及一种基于宫颈癌细胞目标检测的标签分配方法及装置。
背景技术：
：：2.宫颈癌是女性癌症死亡中最常见的癌症之一。统计显示大多数宫颈癌发生于发展中国家，因为这些地区缺乏完善的医疗服务和精确的诊断。通过对早期宫颈癌的筛查并及时配合相应的治疗措施，可大大降低癌症患者致死率，因此宫颈癌筛查工作对于预防宫颈癌至关重要。3.近年来，基于深度学习的目标检测算法在自然图像上的检测性能逐年突破。使用计算机辅助的宫颈癌细胞检测算法可以有效减少大量耗时耗力的人工筛查，大幅提升检测效率以及减少人工分析的主观误差。4.目标检测算法主要通过标签分配来构建优化目标生成一个检测模型，而将目标检测算法用于宫颈癌细胞检测时会使得标签分配存在一定的错位。这种错位的原因主要来源于医学细胞与自然图像的目标相比形态差异更大，使得基于卷积神经网络提取的特征无法合适匹配标签。5.之前的工作主要是iou阈值来划分正负样本，然而由于宫颈癌细胞形态差异较大，根据iou阈值划分的正负样本往往存在一定的错位，增加了模型的优化难度。6.目前的基于目标检测的宫颈癌细胞检测方法主要存在标签分配结果与特征图错位的情况。具体表现为以下两种情况：7.第一种情况，参考图1，锚框a2将被分为正样本，而锚框a1将被分为负样本或忽略样本。如果我们仔细观察图1可以发现，最具有判别力的点恰好是锚框a1的中心p1点而不是锚框a2的中心p2点，因为细胞核和细胞的轮廓等信息距离p1点更近。随着卷积神经网络的加深，p1点包含的目标语义信息是比绿色点更丰富的，因此，锚框a1更应该被划分为正样本，而锚框a2更应该被划分为负样本。造成这样的分配结果的主要原因就是因为宫颈癌细胞形态差异较大，根据iou阈值划分的正负样本往往存在一定的错位。8.第二种情况，参考图2，图2中有两个不同类的细胞(asch类和hsil类)，虚线锚框根据最大iou分配规则将被分配为asch类的正样本集。然而虚线锚框的中心p3点是更具有hsil类的判别信息，这样的错位分配直接演变成了错误分配，会造成模型优化上的歧义问题。9.因此，由于基于iou的启发式分配算法难以适应于宫颈癌细胞的形状变化多样性，因此亟需设计一个能够感知目标内容的自适应的标签分配算法，以提升模型的检测性能。技术实现要素：10.本技术所要解决的技术问题在于，针对现有技术的上述不足，提出一种基于宫颈癌细胞目标检测的标签分配方法及装置。11.一种基于宫颈癌细胞目标检测的标签分配方法，包括：12.步骤s101，对每一个标签g，根据交并比iou构建候选样本集；13.步骤s102，在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合tg；其中，判别分数score的计算公式为：14.score(cg，g)＝-lcls(pg，g)-lbbox(bg，g)，[0015][0016][0017]其中，x为输入图像；σ为sigmoid函数；cg为样本集；θc，θb是分类分支fc和回归分支fb的参数，pg和bg分别是分类分支fc和回归分支fb的输出，lcls和lbbox分别为分类分支损失函数和回归分支损失函数；[0018]步骤s103，计算样本集合tg中样本的判别分数score的均值mg和标准差vg；[0019]步骤s104，根据均值mg和标准差vg计算正样本阈值t；其中，正样本阈值t的计算式为：t＝mg λvg，λ为平衡因子；[0020]步骤s105，将样本集合tg中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集；[0021]步骤s106，在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。[0022]在一些改进技术方案中，步骤s101具体为：[0023]设定一个iou阈值τ；[0024]对于每一个标签g，计算每一个样本的交并比iou值；[0025]确定每一个样本最大交并比iou值所对应的标签g；[0026]将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。[0027]在一些改进技术方案中，平衡因子λ的取值范围为0.5-1.5之间。[0028]在一些改进技术方案中，平衡因子λ的取值为1.0。[0029]另一方面，本技术还提出了一种基于宫颈癌细胞目标检测的标签分配装置，包括：[0030]构建模块，用于对每一个标签g，根据交并比iou构建候选样本集；[0031]选择模块，用于在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合tg；其中，判别分数score的计算公式为：[0032]score(cg，g)＝-lcls(pg，g)-lbbox(bg，g)，[0033][0034][0035]其中，x为输入图像；σ为sigmoid函数；cg为样本集；θc，θb是分类分支fc和回归分支fb的参数，pg和bg分别是分类分支fc和回归分支fb的输出，lcls和lbbox分别为分类分支损失函数和回归分支损失函数；[0036]第一计算模块，用于计算样本集合tg中样本的判别分数score的均值mg和标准差vg；[0037]第二计算模块，用于根据均值mg和标准差vg计算正样本阈值t；其中，正样本阈值t的计算式为：t＝mg λvg，λ为平衡因子；[0038]比较模块，用于将样本集合tg中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集；[0039]生产模块，用于在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。[0040]在一些改进技术方案中，构建模块，用于：[0041]设定子模块，用于设定一个iou阈值τ；[0042]对于每一个标签g，计算每一个样本的交并比iou值；[0043]确定每一个样本最大交并比iou值所对应的标签g；[0044]将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。[0045]在一些改进技术方案中，第二计算模块中，平衡因子λ的取值范围为0.5-1.5之间。[0046]在一些改进技术方案中，第二计算模块中，平衡因子λ的取值为1.0。[0047]另一方面，本技术还提出了一种电子设备，具有处理器和存储器，所述存储器用于存储计算机指令，所述计算机指令在被所述处理器执行时，实现以上部分所提出的标签分配方法。[0048]另一方面，本技术还提出了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被处理器执行时，实现以上部分所提出的标签分配方法。[0049]本技术提出了一种有效的动态均值-标准差分配(dmsa)算法，该算法基于判别分数来合理地分配标签，可以使模型对样本的标签分配是根据该特征点是否具有判别力来评分而不是仅仅通过距离，解决了基于目标检测算法的宫颈癌细胞识别中存在的标签分配不够准确的问题，使模型能够根据图像内容合理地分配标签，大大降低由医学图像目标形态差异带来的标签分配不合理性，从而提升模型的检测性能。关于技术效果在具体说明参考本技术具体实施方式部分。附图说明[0050]图1是本技术
背景技术：
：中宫颈癌细胞图像中样本标签分配的示意图之一。[0051]图2是本技术
背景技术：
：中宫颈癌细胞图像中样本标签分配的示意图之二。[0052]图3是本技术实施例中基于宫颈癌细胞目标检测的标签分配方法的流程图之一。[0053]图4是本技术实施例中基于宫颈癌细胞目标检测的标签分配方法的流程图之二。[0054]图5是本技术实施例中基于宫颈癌细胞目标检测的标签分配装置的结构示意图。具体实施方式[0055]以下是本技术的具体实施例并结合附图，对本技术的技术方案作进一步的描述，但本技术并不限于这些实施例。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本技术的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。[0056]需要说明的是，在不冲突的情况下，本技术中的实施方式及实施方式中的特征可以相互组合。[0057]参考图3，本技术提出了一种基于宫颈癌细胞目标检测的标签分配方法，基于判别分数来合理地分配标签，可以使模型对样本的标签分配是根据该特征点是否具有判别力来评分，其包括步骤s101至步骤s106，下面结合附图对本技术技术方案进行具体说明。[0058]步骤s101，对每一个标签g，根据交并比iou构建候选样本集。[0059]步骤s102，在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合tg；其中，判别分数score的计算公式为：[0060]score(cg，g)＝-lcls(pg，g)-lbbox(bg，g)，[0061][0062][0063]其中，x为输入图像；σ为sigmoid函数；cg为样本集；θc，θb是分类分支fc和回归分支fb的参数，pg和bg分别是分类分支fc和回归分支fb的输出，lcls和lbbox分别为分类分支损失函数和回归分支损失函数。[0064]步骤s103，计算样本集合tg中样本的判别分数score的均值mg和标准差vg。[0065]步骤s104，根据均值mg和标准差vg计算正样本阈值t；其中，正样本阈值t的计算式为：t＝mg λvg，λ为平衡因子。[0066]步骤s105，将样本集合tg中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集。[0067]步骤s106，在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。[0068]在步骤s101中，参考图4，具体地，步骤s101具体包括：[0069]步骤s101a，设定一个iou阈值τ。[0070]步骤s101b，对于每一个标签g，计算每一个样本的交并比iou值；[0071]步骤s101c，确定每一个样本最大交并比iou值所对应的标签g；[0072]步骤s101d，将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。[0073]对每一个标签g，根据最大交并比(intersectionoverunion,iou)原则构建候选样本集。具体地，首先定义一个iou阈值τ，将每一个锚框样本与所有标签计算iou值，并对每一个锚框样本找到所对应的最大iou值的标签，如果该值大于给定iou阈值τ，那么就将这个锚框样本加入对应标签g的候选样本集。步骤s101用于对样本进行第一次筛选，后续步骤在步骤s101筛选结果基础上进行第二次筛选。[0074]在步骤s102中，用分类分支和回归分支的损失和的负数来表示样本集中元素的可判别分数，如何该分数越大，表示样本具有丰富的语义信息。在本步骤s102中，判别分数score的计算式中，样本集cg为步骤s101中获得的候选样本集，在候选样本集的基础上计算判别分数score，并剔除判别分数score较小的若干样本，保留判别分数最大的k个样本，从而得到样本集合tg。[0075]在步骤s103中，首先计算样本集合tg中各个样本的判别分数score，判别分数score的计算式中，样本集cg为步骤s102中获得的样本集合tg。接着，计算样本集合tg中样本的判别分数score的均值mg和标准差vg。[0076]在步骤s104中，根据步骤s103中获得的均值mg和标准差vg，计算正样本阈值t，其中，正样本阈值t的计算式为：t＝mg λvg，λ为平衡因子。[0077]在步骤s105中，将样本集合tg中每个样本的判别分数score逐个与步骤s104中计算获得的正样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集。步骤s105对样本集合tg中的样本进行进一步地筛选，并将筛选结果作为正样本集。[0078]在步骤s106中，在所有样本的基础上剔除正样本，剩余的样本构成负样本集。[0079]在以上步骤所构成的技术方案中，首先在步骤s101中，对每一个标签g，根据交并比iou构建候选样本集，对样本进行第一次筛选。然后，在步骤s102中，剔除判别分数score较小的若干样本，保留判别分数最大的k个样本，从而得到样本集合tg，在第一次筛选的基础上使用判别分数score作为依据进行第二次筛选。在步骤s103至步骤s105中，在样本集合tg基础上，使用由判别分数score生成的正样本阈值t对样本集合tg进行第三次筛选。[0080]基于以上步骤生成一种全新的基于动态均值-标准差的标签分配算法(dynamicmean-stdassignment、dmsa算法)。[0081][0082]在以上算法中，步骤s101对应2-3行，步骤s102对应4-9行，步骤s103对应10-12行，步骤s104对应13行，步骤s105对应14-15行，步骤s106对应17行。[0083]需要说明的是，现有技术中，将目标检测算法用于宫颈癌细胞检测时会使得标签分配存在一定的错位，这种错位的原因主要来源于医学细胞与自然图像的目标相比形态差异更大，使得基于卷积神经网络提取的特征无法合适匹配标签。本技术实施例所提出的标签分配方法用于改善基于现有目标检测算法的宫颈癌细胞识别中存在的标签分配错位问题，同一标签其正负样本划分更准确且标签在不同类型的细胞之间分配更准确。[0084]本技术所提出的动态均值-标准差分配(dmsa)算法，解决了基于目标检测算法的宫颈癌细胞识别中存在的标签分配不够准确的问题，使模型能够根据图像内容合理地分配标签，大大降低由医学图像目标形态差异带来的标签分配不合理性，从而提升模型的检测性能。本技术的技术方案相较于基于iou的启发式分配算法，更适应于宫颈癌细胞的形状变化多样性，有效提升了模型的检测性能。[0085]在一些实施方式中，平衡因子λ的取值范围为0.5-1.5之间。进一步地，平衡因子λ的取值为1.0。[0086]下面通过设置具体实验对以上部分所提出的标签分配算法进行验证，以说明该标签分配算法带来的优势。[0087]一、数据介绍。我们使用液基细胞学技术制作的宫颈细胞检测数据集(cervicalcelldetection,ccd)上验证了所提出的方法。ccd数据集包含40k张分辨率约为4000×3000的图像，由经验丰富的医生划分为10类，分别为正常细胞(normal),非典型性鳞状细胞-意义不明(ascus)，非典型鳞状上皮细胞-不能排除hsil(asch)，低级别鳞状上皮内病变(lsil)，高级别鳞状上皮内病变(hsil)，非典型腺体细胞(agc)，阴道滴虫病(vag)，念珠菌(mon)，菌群失调(dys)，子宫颈内膜细胞(ec)。ccd数据集被分为30000张用来训练，10000张用于测试。[0088]二、评价指标与实现细节。我们主要使用pascalvoc挑战赛的map(meanaverageprecision，全类平均精度)作为评价指标，其默认使用的iou阈值为0.5。除此之外，为了更精确的定位，我们也报告了iou阈值在0.75下的map。同时，还分别评估了小目标和大目标上的性能。在实现上，为了公平的比较，我们首先用iou分支来增强了基本的残差retinanet，然后在此基础上构建我们的模型。残差网络resnet-50是默认的主干网络，其参数初始化来自imagenet数据集上的预训练模型。初始学习率为0.02，并且mini-batch的大小为16。focalloss，glouloss和cross-entropyloss分别用于分类，回归和iou分支，它们的权重分别是1.0，1.4和0.5。[0089]三、实验结果[0090]结果下表所示，我们的模型主要建立在改进的retinanet基础上，用我们的dmsa代替基本的最大交并比max-iou标签分配算法，并引入gcb以更好地与dmsa对齐。从表table2中可以看出，与max-iou分配相比，本文提出的dmsa策略可以提高约1.5％的map，因此根据判别分数分配标签比根据iou分配标签更合理。此外，还可以看出，使用全局上下文模块gcb确实可以通过对齐分配的结果来增强特征表示。通过将这两个组件一起使用，基线模型最终改进了约2.0％的map。这些结果验证了该方法在缓解特征与标签分配结果偏差问题上的有效性。[0091]table2：thecontributionofeachcomponentonccd.[0092][0093]我们将该方法与目前最好的通用目标检测器和宫颈细胞检测器进行了比较。为了进行公平的比较，我们使用相同的训练策略来训练所有模型。除此之外，为了进一步提高模型的性能，在不牺牲推理时间的前提下，我们也对我们的方法应用了多尺度训练策略。[0094]如下表table3所示，我们的方法获得了52.2％的map，优于其他所有方法。即使在更严格的iou＝0.75约束下，我们的方法仍然具有不错的性能。值得注意的是，该方法在小尺度细胞检测中具有良好的性能，aps达到25.4％。这是因为小尺度对象缺乏上下文语义信息，对错位问题更敏感。此外，通过多尺度训练策略，我们的方法的性能可以进一步提高到52.8％的map。[0095]我们还报告了在单张nvidiartx2080tigpu上以每秒帧数(fps)计算的各种模型的推理速度。可以看出，我们的方法是高效的，在13.9fps下实现了52.2％的map，实现了最好的准确性和效率的权衡。[0096]table3：performancecomparisonwithstate-of-the-artdetec-torsonccd.multi-scaletraining[6].[0097][0098]本文从两个方面来缓解宫颈细胞检测中的错位问题。首先，我们提出了一种有效的动态均值-标准差分配(dmsa)算法，该算法基于判别分数来合理地分配标签。其次，我们在特征图的所有位置利用全局上下文信息，以对齐标签分配的结果。在宫颈细胞检测实验验证了该方法的有效性。[0099]参考图5，本技术实施例还提出了一种基于宫颈癌细胞目标检测的标签分配装置，包括构建模块201、选择模块202、第一计算模块203、第二计算模块204、比较模块205、生产模块206。下面结合附图对以上提出的标签分配装置进行具体说明。[0100]构建模块201，用于对每一个标签g，根据交并比iou构建候选样本集；[0101]选择模块202，用于在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合tg；其中，判别分数score的计算公式为：[0102]score(cg，g)＝-lcls(pg，g)-lbbox(bg，g)，[0103][0104][0105]其中，x为输入图像；σ为sigmoid函数；cg为样本集；θc，θb是分类分支fc和回归分支fb的参数，pg和bg分别是分类分支fc和回归分支fb的输出，lcls和lbbox分别为分类分支损失函数和回归分支损失函数；[0106]第一计算模块203，用于计算样本集合tg中样本的判别分数score的均值mg和标准差vg；[0107]第二计算模块204，用于根据均值mg和标准差vg计算正样本阈值t；其中，正样本阈值t的计算式为：t＝mg λvg，λ为平衡因子；[0108]比较模块205，用于将样本集合tg中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集；[0109]生产模块206，用于在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。[0110]在一些实施方式中，构建模块201，用于：[0111]设定子模块，用于设定一个iou阈值τ；[0112]对于每一个标签g，计算每一个样本的交并比iou值；[0113]确定每一个样本最大交并比iou值所对应的标签g；[0114]将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。[0115]在一些实施方式中，第二计算模块204中，平衡因子λ的取值范围为0.5-1.5之间。[0116]在一些实施方式中，第二计算模块204中，平衡因子λ的取值为1.0。[0117]由于基于宫颈癌细胞目标检测的标签分配装置与本技术实施例前一部分所提出的标签分配对应，相关的内容可参见关于上述标签分配方法的说明，这里不再赘述。[0118]本技术实施例还提出了一种电子设备，具有处理器和存储器，所述存储器用于存储计算机指令，所述计算机指令在被所述处理器执行时，实现以上部分所提出的标签分配方法。[0119]本技术实施例还提出了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被处理器执行时，实现以上部分所提出的标签分配方法。[0120]在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0121]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。[0122]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。[0123]本文中所描述的具体实施例仅仅是对本技术精神作举例说明。本技术所属
技术领域：
：的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本技术的精神或者超越所附权利要求书所定义的范围。当前第1页12当前第1页12
技术特征：
1.一种基于宫颈癌细胞目标检测的标签分配方法，其特征在于，包括：步骤s101，对每一个标签g，根据交并比iou构建候选样本集；步骤s102，在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合t
g
；其中，判别分数score的计算公式为：score(c
g
，g)＝-l
cls
(p
g
，g)-l
bbox
(b
g
，g)，，g)，其中，x为输入图像；σ为sigmoid函数；c
g
为样本集；θ
c
，θ
b
是分类分支f
c
和回归分支f
b
的参数，p
g
和b
g
分别是分类分支f
c
和回归分支f
b
的输出，l
cls
和l
bbox
分别为分类分支损失函数和回归分支损失函数；步骤s103，计算样本集合t
g
中样本的判别分数score的均值m
g
和标准差v
g
；步骤s104，根据均值m
g
和标准差v
g
计算正样本阈值t；其中，正样本阈值t的计算式为：t＝m
g
λv
g
，λ为平衡因子；步骤s105，将样本集合t
g
中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集；步骤s106，在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。2.根据权利要求1所述的基于宫颈癌细胞目标检测的标签分配方法，其特征在于，步骤s101具体为：设定一个iou阈值τ；对于每一个标签g，计算每一个样本的交并比iou值；确定每一个样本最大交并比iou值所对应的标签g；将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。3.根据权利要求1所述的基于宫颈癌细胞目标检测的标签分配方法，其特征在于，平衡因子λ的取值范围为0.5-1.5之间。4.根据权利要求3所述的基于宫颈癌细胞目标检测的标签分配方法，其特征在于，平衡因子λ的取值为1.0。5.一种基于宫颈癌细胞目标检测的标签分配装置，其特征在于，包括：构建模块，用于对每一个标签g，根据交并比iou构建候选样本集；选择模块，用于在特征图金字塔网络fpn的每一层，在所述候选样本集中选择判别分数最大的k个样本得到样本集合t
g
；其中，判别分数score的计算公式为：score(c
g
，g)＝-l
cls
(p
g
，g)-l
bbox
(b
g
，g)，，g)，其中，x为输入图像；σ为sigmoid函数；c
g
为样本集；θ
c
，θ
b
是分类分支f
c
和回归分支f
b
的参数，p
g
和b
g
分别是分类分支f
c
和回归分支f
b
的输出，l
cls
和l
bbox
分别为分类分支损失函数和回归分支损失函数；
第一计算模块，用于计算样本集合t
g
中样本的判别分数score的均值m
g
和标准差v
g
；第二计算模块，用于根据均值m
g
和标准差v
g
计算正样本阈值t；其中，正样本阈值t的计算式为：t＝m
g
λv
g
，λ为平衡因子；比较模块，用于将样本集合t
g
中每个样本的判别分数score逐个与样本阈值t进行比较，并将判别分数score大于样本阈值t的样本添加至正样本集；生产模块，用于在由所有样本构成的总样本集中减去所有的正样本以生成负样本集。6.根据权利要求5所述的基于宫颈癌细胞目标检测的标签分配装置，其特征在于，构建模块，用于：设定子模块，用于设定一个iou阈值τ；对于每一个标签g，计算每一个样本的交并比iou值；确定每一个样本最大交并比iou值所对应的标签g；将每一个样本的最大交并比iou值与iou阈值τ进行比较，若样本的最大交并比iou值大于iou阈值τ，则将该样本划入最大交并比iou值所对应的标签g的候选样本集。7.根据权利要求5所述的基于宫颈癌细胞目标检测的标签分配装置，其特征在于，第二计算模块中，平衡因子λ的取值范围为0.5-1.5之间。8.根据权利要求5所述的基于宫颈癌细胞目标检测的标签分配装置，其特征在于，第二计算模块中，平衡因子λ的取值为1.0。9.一种电子设备，具有处理器和存储器，所述存储器用于存储计算机指令，所述计算机指令在被所述处理器执行时，实现权利要求1-4中任一项所述的标签分配方法。10.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被处理器执行时，实现权利要求1-4中任一项所述的标签分配方法。

技术总结
本发明提出了一种基于宫颈癌细胞目标检测的标签分配方法及装置，涉及宫颈癌细胞检测技术领域，该标签分配方法基于判别分数来合理地分配标签，可以使模型对样本的标签分配是根据该特征点是否具有判别力来评分而不是仅仅通过距离，解决了基于目标检测算法的宫颈癌细胞识别中存在的标签分配不够准确的问题，使模型能够根据图像内容合理地分配标签，大大降低由医学图像目标形态差异带来的标签分配不合理性，从而提升模型的检测性能。从而提升模型的检测性能。从而提升模型的检测性能。


技术研发人员：梁毅雄 王都 刘剑锋 彭勇
受保护的技术使用者：湖南品信生物工程有限公司
技术研发日：2022.03.31
技术公布日：2022/5/25