本发明实施例涉及图像处理领域，尤其涉及一种蛋白质图像分类方法、装置、设备及介质。
背景技术：
蛋白质图谱旨在利用各种组学技术(包括抗体成像、基于质谱的蛋白质组学、转录组学和系统生物学)来绘制细胞、组织和器官中的所有人类蛋白质。可视化细胞中蛋白质的图像通常用于生物医学研究，然而，由于高通量显微镜的进步，这些蛋白质图像的生成速度远远超过人工评估的速度。因此，对于自动化生物医学图像分析以加速对人类细胞和疾病的理解，需要比以往更大的需求。在蛋白质图像分析中，如何准确的自动确定蛋白质图像的类别是一个亟待解决的技术问题。
技术实现要素：
本发明实施例提供了一种蛋白质图像分类方法、装置、设备及介质，以实现准确、自动的确定蛋白质图像的类别。
第一方面，本发明实施例提供了一种蛋白质图像分类方法，包括：
获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
根据所述分类结果确定所述原始蛋白质图像的类别。
第二方面，本发明实施例还提供了一种蛋白质图像分类装置，包括：
待分类图像生成模块，用于获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
分类结果获取模块，用于将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
图像类别确定模块，用于根据所述分类结果确定所述原始蛋白质图像的类别。
第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的蛋白质图像分类方法。
第四方面，本发明实施例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，该程序被处理器执行时实现如本发明任意实施例所提供的蛋白质图像分类方法。
本发明实施例通过获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；根据所述分类结果确定所述原始蛋白质图像的类别，实现了准确、自动的确定蛋白质图像的类别。
附图说明
图1a是本发明实施例一所提供的一种蛋白质图像分类方法的流程图；
图1b是本发明实施例一所提供的一种蛋白质分类方法的流程示意图；
图2a是本发明实施例二所提供的一种蛋白质图像分类方法的流程图；
图2b是本发明实施例二所提供的一种蛋白质图像分类方法中蛋白质分类模型的结构示意图；
图3是本发明实施例三所提供的一种蛋白质图像分类装置的结构示意图；
图4是本发明实施例四所提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a是本发明实施例一所提供的一种蛋白质图像分类方法的流程图。本实施例可适用于识别蛋白质图像类别时的情形。该方法可以由蛋白质图像分类装置执行，该蛋白质图像分类装置可以采用软件和/或硬件的方式实现，例如，该蛋白质图像分类装置可配置于计算机设备中。如图1a所示，所述方法包括：
s110、获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像。
在本实施例中，原始蛋白质图像可以为由四个通道标记的，由细胞核、微管和活细胞内质网(endoplasmicreticulum，er)染色来描绘的蛋白质图像。获取原始蛋白质图像后，通过预先设定的图像合并方法将原始蛋白质图像合并为用于输入蛋白质分类模型的待分类蛋白质图像。
在本发明的一种实施方式中，所述原始蛋白质图像包括四个染色图像，所述染色图像为三通道图像，所述染色图像包括第一染色图像、第二染色图像、第三染色图像和第四染色图像，所述根据所述原始蛋白质图像生成待分类蛋白质图像，包括：从所述第一染色图像中选取第一通道图像，从所述第二染色图像中选取第二通道图像，从所述第三染色图像中选取第三通道图像，以及从所述第四染色图像中选取第四通道图像，将所述第一通道图像、所述第二通道图像、所述第三通道图像和所述第四染色图像合并生成所述待分类蛋白质图像。
可选的，原始蛋白质图像包括四个染色图像。示例性的，原始蛋白质图像包括红色染色图像、绿色染色图像、蓝色染色图像以及黄色染色图像，每种染色图像均为一张rgb图像，为三通道图像。其中，根据原始燃烧热图像生成待分类蛋白质图像可以为：取红色染色图像中的r通道图像、取绿色染色图像中的g通道图像，取蓝色染色图像中的b通道图像，取黄色染色图像中的任一通道图像，将取出的四个通道图像合并为一个四通道的图像，将合并得到的四通道图像作为待分类蛋白质图像。为了使原始蛋白质图像的分类结果更加准确，可以去黄色染色图像中的b通道图像进行图像合并。
s120、将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果。
在本实施例中，通过深度学习的方法对高通量显微镜成像的蛋白质图谱进行识别，以区分蛋白质炎细胞定位模式。具体的，将待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得蛋白质分类模型输出的分类结果。可选的，蛋白质分类模型是基于神经网络构建的。神经网络是基于人工神经网络构建的模块。在本实施例中，神经网络可以为卷积神经网络、生成对抗网络或者其他形式的神经网络模型。优选的，可以基于inceptionv4模型构建蛋白质分类模型。可选的，蛋白质分类模型输出的分类结果可以为待分类蛋白质图像中各类别对应的概率值。
在本实施例中，可以训练单一尺度的蛋白质分类模型，根据固定的蛋白质分类模型确定待分类蛋白质图像的类别。还可以训练多个尺度的蛋白质分类模型，根据不同尺度的蛋白质分类模型确定待分类蛋白质图像的类别。根据固定的蛋白质分类模型确定蛋白质图像的类别可以使简化计算量，根据不同尺度的蛋白质分类模型确定蛋白质图像的类别可以使蛋白质类别的确定更加准确。
在本发明的一种实施方式中，所述将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果，包括：将所述待分类蛋白质图像转化为至少两个尺度的转化蛋白质图像；将所述转化蛋白质图像分别输入至与所述转化蛋白质图像尺度对应的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果。
可选的，为了使蛋白质分类更加准确，可以将待分类蛋白质图像转化为多个尺度的转化蛋白质图像，分别对转化蛋白质图像进行分类，确定转化蛋白质图像中包含的蛋白质类别。具体的，针对不同尺度的蛋白质图像训练对应的蛋白质分类模型，使用与转化蛋白质图像的图像尺度对应的蛋白质分类模型对转化蛋白质图像进行分类，获得各转化蛋白质图像的分类结果。可选的，转化蛋白质图像的分类结果可以为转化蛋白质图像中个类别对应的概率值。示例性的，假设待分类蛋白质图像分辨率为1024*1024，可以将待分类蛋白质图像转化为512*512、650*650以及800*800三种尺度的转化蛋白质图像。
图1b是本发明实施例一所提供的一种蛋白质分类方法的流程示意图，如图1b所示，将1024x1024的待分类蛋白质图像缩放为512x512的转化蛋白质图像、650x650的转化蛋白质图像以及800x800的转化蛋白质图像，各尺度图像分别输入至尺度对应的蛋白质分类模型中，预测28个类别的概率，最后将3个蛋白质分类模型输出的分类结果中的每一个分类的预测结果求平均，输出每个类别的概率。
s130、根据所述分类结果确定所述原始蛋白质图像的类别。
获得蛋白质分类模型输出的分类结果后，根据分类结果确定原始蛋白质图像的类别。需要说明的是，原始蛋白质图像中可能包含多个类别的蛋白质，因此，原始蛋白质图像的类别也可能包含多个。在本实施例中，蛋白质的类别用于表示蛋白质的所处位置，如细胞核、细胞质等。
在本发明的一种实施方式中，所述根据所述分类结果确定所述原始蛋白质图像的类别，包括：将不同尺度对应的蛋白质分类模型输出的分类结果融合，根据融合结果确定所述待分类蛋白质图像的类别。当根据多个尺度的蛋白质分类模型对不同尺度的待分类蛋白质进行分类时，将不同尺度的蛋白质分类模型输出的分类结果进行融合，根据融合结果确定待分类蛋白质图像的类别。可选的，将不同尺度的蛋白质分类模型输出的分类结果进行融合可以为：针对每个类别，计算不同尺度的蛋白质分类模型输出的该类别的概率平均值。
在上述方案的基础上，所述融合结果包括各类别对应的概率值，所述根据融合结果确定所述待分类蛋白质图像的类别，包括：针对每个所述类别，将所述类别的概率值与所述类别的阈值进行比对；若所述类别的概率值不小于所述类别的阈值，则将所述类别作为所述待分类蛋白质图像的类别。可选的，可以为每个类别设定阈值，针对每个类别，当该类别的概率值高于设定的阈值时，将该类别作为原始蛋白质图像的预测结果。
本发明实施例通过获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；根据所述分类结果确定所述原始蛋白质图像的类别，实现了准确、自动的确定蛋白质图像的类别。
实施例二
图2a是本发明实施例二所提供的一种蛋白质图像分类方法的流程图。本实施例在上述实施例的基础上进行了优化。如图2a所示，所述方法包括：
s210、获取样本蛋白质图像以及所述样本蛋白质图像对应的类别，基于所述样本蛋白质图像以及所述样本蛋白质图像对应的类别生成训练样本对。
s220、使用所述训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
可选的，可以获取样本蛋白质图像，通过人工标注的方式标注出样本蛋白质图像中包含的类别，基于样本蛋白质图像以及样本蛋白质图像中标注的类别生成训练样本对，使用大量训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
在本发明的一种实施方式中，所述使用所述训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型，包括：使用权重样本采样器对所述训练样本对进行过滤，得到类别均衡的训练样本对；使用类别均衡的训练样本对对优先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
由于样本的特殊性，样本蛋白质图像中类别不均衡，即不同类别对应的样本数量差距较大，在本实施例中，为了避免样本不均衡造成的模型训练不准确，在对样本蛋白质图像进行标注后，使用权重样本采样器对构建的训练样本对进行过滤，使用过滤后的样本对预先构建的蛋白质分类模型进行训练。可选的，可以在权重样本采样器中为每个类别设置不同的采样权重，以使不同类别的样本数量均衡。示例性的，各类别的权重可以通过如下公式计算：
其中，ai为类别i的权重，ni为类别i的样本数量，nk为所要计算的类别标识，28为类别的总个数。
在本发明的一种实施方式中，所述蛋白质分类模型的构建，包括：获取网络基础模型，在所述网络基础模型的最后一层卷积层后添加池化层，得到构建好的蛋白质分类模型，其中，所述池化层包括全局均值池化层和/或全局极大值池化层。
在本实施例中，为了使模型的预测结果更加准确，在网络基础模型的基础上进行了改进，以构建适用于蛋白质分类的模型。可选的，可以将inceptionv4模型作为网络基础模型，在inceptionv4模型的基础上构建蛋白质分类模型。图2b是本发明实施例二所提供的一种蛋白质图像分类方法中蛋白质分类模型的结构示意图。如图2b所示，在inceptionv4模型的最后一层卷积层后并列添加全局均值池化层(global-average-pooling，gap)层以及全局极大值池化(globalmaxpooling，gmp)层，对卷积层做全局均值池化以及全局极大值池化，并对池化后的特征拼接，再经过两层全连接层，然后连接softmax处理层，得到构建好的蛋白质分类模型。
需要说明的是，构建训练样本对以及蛋白质分类模型后，可以将训练样本对中的样本蛋白质图像转化为不同尺度的转化样本蛋白质图像，以训练得到不同尺度对应的蛋白质分类模型。
s230、获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像。
s240、将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果。
s250、根据所述分类结果确定所述原始蛋白质图像的类别。
本发明实施例的技术方案，增加了构建蛋白质分类模型，以及根据训练样本对对构建的蛋白质分类模型进行训练的操作，通过构建适用于蛋白质分类的蛋白质分类模型，提高了蛋白质分类的准确性。
实施例三
图3是本发明实施例三所提供的一种蛋白质图像分类装置的结构示意图。该蛋白质图像分类装置可以采用软件和/或硬件的方式实现，例如该蛋白质图像分类装置可以配置于计算机设备中。如图3所示，所述装置包括待分类图像生成模块310、分类结果获取模块320和图像类别确定模块330，其中：
待分类图像生成模块310，用于获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
分类结果获取模块320，用于将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
图像类别确定模块330，用于根据所述分类结果确定所述原始蛋白质图像的类别。
本发明实施例通过待分类图像生成模块获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；分类结果获取模块将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；图像类别确定模块根据所述分类结果确定所述原始蛋白质图像的类别，实现了准确、自动的确定蛋白质图像的类别。
可选的，在上述方案的基础上，所述原始蛋白质图像包括四个染色图像，所述染色图像为三通道图像，所述染色图像包括第一染色图像、第二染色图像、第三染色图像和第四染色图像，所述待分类图像生成模块310具体用于：
从所述第一染色图像中选取第一通道图像，从所述第二染色图像中选取第二通道图像，从所述第三染色图像中选取第三通道图像，以及从所述第四染色图像中选取第四通道图像，将所述第一通道图像、所述第二通道图像、所述第三通道图像和所述第四染色图像合并生成所述待分类蛋白质图像。
可选的，在上述方案的基础上，所述分类结果获取模块320具体用于：
将所述待分类蛋白质图像转化为至少两个尺度的转化蛋白质图像；
将所述转化蛋白质图像分别输入至与所述转化蛋白质图像尺度对应的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果。
可选的，在上述方案的基础上，所述图像类别确定模块330具体用于：
将不同尺度对应的蛋白质分类模型输出的分类结果融合，根据融合结果确定所述待分类蛋白质图像的类别。
可选的，在上述方案的基础上，所述融合结果包括各类别对应的概率值，所述图像类别确定模块330具体用于：
针对每个所述类别，将所述类别的概率值与所述类别的阈值进行比对；
若所述类别的概率值不小于所述类别的阈值，则将所述类别作为所述待分类蛋白质图像的类别。
可选的，在上述方案的基础上，所述装置还包括模型训练模块，用于：
获取样本蛋白质图像以及所述样本蛋白质图像对应的类别，基于所述样本蛋白质图像以及所述样本蛋白质图像对应的类别生成训练样本对；
使用所述训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
可选的，在上述方案的基础上，所述模型训练模块具体用于：
使用权重样本采样器对所述训练样本对进行过滤，得到类别均衡的训练样本对；
使用类别均衡的训练样本对对优先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
可选的，在上述方案的基础上，所述装置还包括模型构建模块，用于：
获取网络基础模型，在所述网络基础模型的最后一层卷积层后添加池化层，得到构建好的蛋白质分类模型，其中，所述池化层包括全局均值池化层和/或全局极大值池化层。
本发明实施例所提供的蛋白质图像分类装置可执行任意实施例所提供的蛋白质图像分类方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四所提供的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的蛋白质图像分类方法，该方法包括：
获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
根据所述分类结果确定所述原始蛋白质图像的类别。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的蛋白质图像分类方法的技术方案。
实施例五
本发明实施例五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，该程序被处理器执行时实现如本发明实施例所提供的蛋白质图像分类方法，该方法包括：
获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
根据所述分类结果确定所述原始蛋白质图像的类别。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的蛋白质图像分类方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
1.一种蛋白质图像分类方法，其特征在于，包括：
获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
根据所述分类结果确定所述原始蛋白质图像的类别。
2.根据权利要求1所述的方法，其特征在于，所述原始蛋白质图像包括四个染色图像，所述染色图像为三通道图像，所述染色图像包括第一染色图像、第二染色图像、第三染色图像和第四染色图像，所述根据所述原始蛋白质图像生成待分类蛋白质图像，包括：
从所述第一染色图像中选取第一通道图像，从所述第二染色图像中选取第二通道图像，从所述第三染色图像中选取第三通道图像，以及从所述第四染色图像中选取第四通道图像，将所述第一通道图像、所述第二通道图像、所述第三通道图像和所述第四染色图像合并生成所述待分类蛋白质图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果，包括：
将所述待分类蛋白质图像转化为至少两个尺度的转化蛋白质图像；
将所述转化蛋白质图像分别输入至与所述转化蛋白质图像尺度对应的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述分类结果确定所述原始蛋白质图像的类别，包括：
将不同尺度对应的蛋白质分类模型输出的分类结果融合，根据融合结果确定所述待分类蛋白质图像的类别。
5.根据权利要求4所述的方法，其特征在于，所述融合结果包括各类别对应的概率值，所述根据融合结果确定所述待分类蛋白质图像的类别，包括：
针对每个所述类别，将所述类别的概率值与所述类别的阈值进行比对；
若所述类别的概率值不小于所述类别的阈值，则将所述类别作为所述待分类蛋白质图像的类别。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取样本蛋白质图像以及所述样本蛋白质图像对应的类别，基于所述样本蛋白质图像以及所述样本蛋白质图像对应的类别生成训练样本对；
使用所述训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
7.根据权利要求6所述的方法，其特征在于，所述使用所述训练样本对对预先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型，包括：
使用权重样本采样器对所述训练样本对进行过滤，得到类别均衡的训练样本对；
使用类别均衡的训练样本对对优先构建的蛋白质分类模型进行训练，得到训练好的蛋白质分类模型。
8.根据权利要求6所述的方法，其特征在于，所述蛋白质分类模型的构建，包括：
获取网络基础模型，在所述网络基础模型的最后一层卷积层后添加池化层，得到构建好的蛋白质分类模型，其中，所述池化层包括全局均值池化层和/或全局极大值池化层。
9.一种蛋白质图像分类装置，其特征在于，包括：
待分类图像生成模块，用于获取原始蛋白质图像，根据所述原始蛋白质图像生成待分类蛋白质图像；
分类结果获取模块，用于将所述待分类蛋白质图像输入至预先训练好的蛋白质分类模型中，获得所述蛋白质分类模型输出的分类结果；
图像类别确定模块，用于根据所述分类结果确定所述原始蛋白质图像的类别。
10.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的蛋白质图像分类方法。
11.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的蛋白质图像分类方法。
技术总结