[发明专利]配置图像评估装置的方法和图像评估方法及图像评估装置

说明书

为了配置图像评估装置(BA)，将多个分别与对象类型(OT)和对象亚类型(OST)相关联的训练图像(TPIC)馈入到第一神经网络模块(CNN)中以识别图像特征。此外，将第一神经网络模块(CNN)的训练输出数据集(FEA)馈入到第二神经网络模块(MLP)中，以根据图像特征识别对象类型。根据本发明，第一和第二神经网络模块(CNN、MLP)共同地训练为：第二神经网络模块(MLP)的训练输出数据集(OOT)至少近似地复现与训练图像(TPIC)相关联的对象类型(OT)。此外，对于相应的对象类型(OT1、OT1)：‑将与该对象类型(OT1、OT1)相关联的训练图像(TPIC)馈入到已训练的第一神经网络模块(CNN)中，‑将第一神经网络模块的针对相应的训练图像(TPIC)生成的训练输出数据集(FEA1、FEA2)与相应的训练图像(TPIC)的对象亚类型(OST)相关联，并且‑根据该亚类型关联关系为图像评估装置(BA)配置亚类型识别模块(BMLP1、BMLP2)，以根据图像特征识别对象亚类型(OST)。

背景技术

为了自动评估图像记录，例如在医学诊断中、在工程或非工程系统的监控中和/或在自主系统的视觉传感装置的范畴中，越来越多地使用机器学习方法。借助于这种方法，可以训练基于学习的图像评估装置，以自动识别图像上显示的对象或将其与对象类型相关联。

因此，例如，可以训练医学诊断设备的图像评估装置，以在显微图像上特异性地识别细胞或组织类型，或者分别与细胞类型或组织类型相关联。特别地，可以训练图像评估装置，以将生物细胞(如血细胞)的图像记录分别与作为对象类型的细胞类型相关联以及与作为对象亚类型的该细胞类型的发展阶段相关联。

对于这种训练通常使用大量预设图像，这些图像已经关联有对象类型和可能的对象亚类型。借助于这种训练图像，可以训练基于学习的图像评估装置，以尽可能良好地复现预设的对象类型以及可能的对象亚类型，这就是说，所识别的例如细胞类型及其发展阶段与预设的对象类型和对象亚类型有尽可能小的偏差。为了执行这种训练，提供大量已知的学习方法、特别是监督学习的方法。

然而，在实践中经常发生：某些待识别的对象类型比其他对象类型显著更罕见地出现。因此，一些生物细胞类型、特别是病理细胞类型仅占所有细胞类型的少于0.005％的份额。与之相应地，与更常见的对象类型相比，对于罕见的对象类型而言，可用的训练图像通常明显更少。但是，如果只提供少量的训练图像用于训练，则在常规的训练方法中，训练成效进而识别精度显著变差。此外，罕见对象类型的亚类型通常难以识别或区分。

但是，恰恰在医学领域中重要的是：尽可能正确地辨别罕见病理模式和发展阶段。已知的是：为了对罕见对象类型进行更好的分类而由专家单独得出特异性图像特征并据此匹配训练。替选地或附加地，可以继续训练，直到评估了足够多的罕见对象类型的训练图像为止。但是，通过上述方法方式，特别是在存在罕见对象类型时，所需的训练开销会显著增加。

发明内容

本发明的目的是，提出一种用于配置图像评估装置的方法、一种图像评估方法和一种图像评估装置，它们能够实现更高效的训练。

该目的通过具有权利要求1的特征的配置方法、通过具有权利要求9的特征的图像评估方法、通过具有权利要求12的特征的图像评估装置、通过具有权利要求13的特征的计算机程序产品以及通过具有权利要求14的特征的计算机可读存储介质来实现。

为了配置图像评估装置以得出所成像的对象的对象类型和对象亚类型，将多个分别与对象类型和对象亚类型相关联的训练图像馈入到第一神经网络模块中，以识别图像特征。特别地，生物细胞可以用作为对象，其相应的细胞类型可以作为对象类型而得出，并且其相应的发展阶段或细胞状态可以作为对象亚类型而得出。此外，将第一神经网络模块的训练输出数据集馈入到第二神经网络模块中，以根据图像特征识别对象类型。根据本发明，第一和第二神经网络模块共同地训练为：第二神经网络模块的训练输出数据集至少近似地复现与训练图像相关联的对象类型。此外，对于相应的对象类型：

-将与该对象类型相关联的训练图像馈入到已训练的第一神经网络模块中，