本申请涉及图像处理，特别是涉及一种图像分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
1、细胞图像分析作为一种重要的技术手段，广泛应用于细胞计数、形态特征提取、细胞行为监测等任务。近年来，随着机器学习的迅速发展，为细胞图像分析提供了新的解决方案。机器学习能够自动从图像中提取特征，大幅提升了细胞图像分析结果的准确性。
2、传统技术中，大多采用预先训练好的机器学习模型对细胞图像进行分析，以得到细胞图像分析结果。
3、然而，现有的利用机器学习模型对细胞图像进行分析的方法不仅成本较高，且准确性较差，进而导致细胞图像分析的效率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高细胞图像分析效率的图像分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种图像分析方法，包括：
3、获取多个单细胞受激拉曼散射srs图像，该单细胞srs图像为脂质通道图像；
4、将该多个单细胞srs图像输入至预先训练好的混合模型中，以得到该混合模型输出的该多个单细胞srs图像对应的多个特征信息；
5、基于该多个特征信息确定单细胞srs图像分析结果，该单细胞srs图像分析结果用于表征该单细胞是否存在异常。
6、在其中一个实施例中，该混合模型包括卷积神经网络模型和注意力模型，将该多个单细胞srs图像输入至预先训练好的混合模型中，以得到该混合模型输出的该多个单细胞srs图像对应的多个特征信息，包括：将该多个单细胞srs图像输入至该卷积神经网络模型中，以得到该卷积神经网络模型输出的多个第一特征图像；将该多个第一特征图像输入至该注意力模型中，以得到该注意力模型输出的该多个特征信息。
7、在其中一个实施例中，该注意力模型包括焦点块、嵌入块和解码器，该多个第一特征图像包括多个层级的特征图像，不同层级的特征图像所表征的特征信息不同，该将该多个第一特征图像输入至该注意力模型中，以得到该注意力模型输出的该多个特征信息，包括：基于该焦点块对该多个第一特征图像进行图像处理，以得到多个第一目标特征图像；基于该嵌入块对该多个第一特征图像中处于末端层级的特征图像进行图像处理，以得到第二目标特征图像；将该多个第一目标特征图像和该第二目标特征图像输入至该解码器，以得到该解码器输出的该多个特征信息。
8、在其中一个实施例中，该基于该多个特征信息确定单细胞srs图像分析结果，包括：根据该多个特征信息确定目标特征信息，该目标特征信息包括目标局部特征信息和目标全局特征信息；根据该目标特征信息确定该单细胞srs图像分析结果。
9、在其中一个实施例中，该根据该多个特征信息确定目标特征信息，包括：确定各该特征信息对应的权重值；将各该特征信息和各该特征信息对应的权重值输入至预先训练好的多实例模型中，以得到该多实例模型输出的该目标特征信息。
10、在其中一个实施例中，该根据该目标特征信息确定该单细胞srs图像分析结果，包括：将该目标特征信息输入至预先训练好的分类模型中，以得到该分类模型输出的该单细胞srs图像分析结果。
11、第二方面，本申请还提供了一种图像分析装置，包括：
12、获取模块，用于获取多个单细胞受激拉曼散射srs图像，该单细胞srs图像为脂质通道图像；
13、执行模块，用于将该多个单细胞srs图像输入至预先训练好的混合模型中，以得到该混合模型输出的该多个单细胞srs图像对应的多个特征信息，各该特征信息均包括局部特征信息和全局特征信息，该局部特征信息包括细胞信息和脂质信息，该全局特征信息包括细胞簇信息；
14、确定模块，用于基于该多个特征信息确定单细胞srs图像分析结果，该单细胞srs图像分析结果用于表征该单细胞是否存在异常。
15、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面中任一实施例所述的方法。
16、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例所述的方法。
17、第五方面，本申请还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上述第一方面中任一实施例所述的方法。
18、上述图像分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，先获取多个单细胞受激拉曼散射srs图像，且该单细胞srs图像为脂质通道图像。然后，将该多个单细胞srs图像输入至预先训练好的混合模型中，以得到该混合模型输出的该多个单细胞srs图像对应的多个特征信息。最后，基于该多个特征信息确定单细胞srs图像分析结果，该单细胞srs图像分析结果用于表征该单细胞是否存在异常。本申请提供的图像分析方法，只需获取多个单细胞srs图像就可确定单细胞是否存在异常，且该多个单细胞srs图像均为脂质通道图像，相比于现有技术中需要获取三通道srs图像，有效的降低了数据采集成本，缩短了图像采集时长。而且，与基于传统机器学习的特征提取方法相比，无需进行细胞分割的步骤，有效降低人工标注成本。且特征信息也是基于混合模型去确定的，并非现有技术中的人为获取，在降低成本的同时，还可以减少人为误差，提高细胞识别准确性，进而有效的提高了细胞图像分析的效率。
1.一种图像分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述混合模型包括卷积神经网络模型和注意力模型，所述将所述多个单细胞srs图像输入至预先训练好的混合模型中，以得到所述混合模型输出的所述多个单细胞srs图像对应的多个特征信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述注意力模型包括焦点块、嵌入块和解码器，所述多个第一特征图像包括多个层级的特征图像，不同层级的特征图像所表征的特征信息不同，所述将所述多个第一特征图像输入至所述注意力模型中，以得到所述注意力模型输出的所述多个特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述多个特征信息确定单细胞srs图像分析结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述多个特征信息确定目标特征信息，包括：
6.根据权利要求4所述的方法，其特征在于，所述根据所述目标特征信息确定所述单细胞srs图像分析结果，包括：
7.一种图像分析装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
