使用百度EasyDL在临床检验中实现对抗学习算法(2)

创建数据集，我们将刚刚通过特征学习的图像切割软件的一个子类名称命名为数据集名称。

这里创建了两个数据集，正常红细胞与正常白细胞，点击右侧的“标注/上传”，导入数据图像。

新创建的数据集为空，所以点击上传图像。

添加图片

打开特征学习服务器存档路径，注意的是每次只能上传20张图像。因为所上传的图集都是特征学习切割后的图像，所以不会受到EasyDL的图像大小限制。

点击“上传图片”

点击添加标签，“BLC”为白细胞(主要为中性粒细胞)。红细胞及晶体标签方法等同白细胞，不再累述。

数据集上传完毕，点击左部导航条“训练模型”选项

数据集选择红细胞，同时添加标签中，可以切换数据集选择白细胞。

选择好训练内容后，检查一下，即可点击开始训练。“离线识别SDK”选项不需要勾选，因为对抗训练是基于端与云的双平台系统对抗，此外EasyDL对于端硬件兼容性不佳，也不适于前端部署。

之后我们需要等待一定时间，让百度强大的云平台自行训练。本次训练约1.5小时，训练完成后，点击左侧导航栏校验模型。

选择好模型后，对模型进行校验。

然后申请接口地址，然后点击提交申请

然后等待模型审核，之后便可在等待审核过程中，进行特征学习的训练。使用特征学习的训练图像制备软件，可以得到极高的精确率，以及极高的抗干扰性。

特征学习图像训练需要使用“L33图像学习系统”，其由五部分构成：特征提取方法编辑器、图像目录、可训练图像清单、特征指标清单、单指标计分与学习状况。特征基础元素由特征方法编辑器控制，一般不建议修改。

1.首先通过图像目录确认训练图集的路径

2. 第一次训练点击“全否“，然后点击红色按钮”开始训练“

3.每次训练图会自动识别细胞边缘，需要医师确认轮廓是否囊括整个细胞?如果囊括则点击“是“，则进行下一图训练。

4.当训练完成后会提示完成，AI会自动计算出学习的结果于“特征指标清单“之中，可以点击查看

5.对于不可用的图像可以点击“否“，进行暂停修正作业，或删除、或继续修改。

6.AI会自动对打勾的图像默认为可用图像，所以不会弹出选项。

D. 调整权值：在特征指标清单中，可以根据待识别分型的特性，对特征指标进行选择;未被选择的指标不会参与计算。例如红细胞的体积和周长在一定范围，所以可被使用，而晶体没有大小限制，却有自身形状和色彩的区别，因而可以使用特殊色系指标。

（编辑：ASP站长网）