一种诱导多能干细胞识别方法、系统及电子设备技术方案

本申请涉及一种诱导多能干细胞识别方法、系统及电子设备。所述诱导多能干细胞识别方法包括：步骤a：获取显微镜延时序列图像；步骤b：对所述显微镜延时序列图像中的细胞进行分割及运动轨迹追踪，并分别根据细胞分割结果及运动轨迹追踪结果提取出细胞的静态特征参数以及动态特征参数；步骤c：根据所述细胞的静态特征参数以及动态特征参数构建机器学习分类模型，通过所述机器学习分类模型输出细胞识别分类结果。本申请借助图像识别、机器学习等技术，实现对显微镜延时序列图像中IPS细胞的识别与追踪，同时获得与其相关联的静态特征参数以及动态特征参数构建机器学习分类模型，通过机器学习分类模型完成对IPS细胞的识别分类，提高IPS细胞分类的效率。

【技术实现步骤摘要】
一种诱导多能干细胞识别方法、系统及电子设备
本申请涉及细胞识别
，特别涉及一种诱导多能干细胞识别方法、系统及电子设备。
技术介绍
干细胞是一种具有自我复制和分化潜能的细胞。干细胞的干性维持及分化是组织发育和再生修复的驱动力，同时与组织病变包括肿瘤发生发展等密切相关。干细胞技术历经数十年的发展，人们越来越意识到干细胞作为疾病治疗手段，具有挽救生命的能力，造福广大受病痛折磨的患者。事实上，许多难治性疾病都与体内某种特定细胞缺失引起的功能丧失或紊乱相关，譬如免疫衰老、心脏衰竭、癌症、阿兹海默氏症、帕金森症、糖尿病以及骨关节炎等。干细胞技术的深入研究和发展，有望从根本上治疗这些顽症。胚胎干细胞是最有潜能的全能干细胞，可分化形成机体组织的各种细胞。但是，由于胚胎干细胞来源涉及伦理学障碍，限制了其在临床治疗中的应用。重编程诱导性多功能干细胞(Inducedpluripotentstemcells,IPScells)是近年来发展的新技术，它可以把终端分化的体细胞逆向重编程为类似胚胎干细胞的细胞。利用该技术可以为科学研究和临床治疗提供不限数量的干细胞，同时也完全回避了伦理困扰，为干细胞走向临床应用打通了关键一步。进入新世纪以来，IPS细胞研究领域已取得了许多重大突破。但是，目前重编程技术还面临几个重要缺陷，比如低诱导率和高致瘤性。特别是在重编程早期，由于最终被诱导成为干细胞的比例非常低(通常小于1％)，以及缺乏相应的生物标记对这些细胞进行标注，导致寻找IPS细胞十分浪费人力物力财力。现有技术中，德国弗莱堡大学的研究团队在2015年提出了一种新的在相差显微镜图片中识别细胞的有效的、十分简单的方法(BenschR,RonnebergerO.Cellsegmentationandtrackinginphasecontrastimagesusinggraphcutwithasymmetricboundarycosts[C]//BiomedicalImaging(ISBI),2015IEEE12thInternationalSymposiumon.IEEE,2015:1220-1223.)。该方法的关键在于利用分割掩膜边界处的明暗过渡进行分析，相关分割掩膜可以通过快速最小分割法获得，与基于标准最小分割方法本质上不同的地方是这个方法的图包含不对称权重的有向边，从而大大增加了分割的准确性。此外，根据全局跟踪、高效的数据集训练学习网络提出了很多不同的追踪算法，例如KlasE.G.Magnusson等人提出了一种全局跟踪链接算法(MagnussonKEG,JaldénJ,GilbertPM,etal.GloballinkingofcelltracksusingtheViterbialgorithm[J].IEEEtransactionsonmedicalimaging,2015,34(4):911-929.)，将由分割算法生成的单元轮廓链接到轨道中，该算法使用来自完整图像序列信息的方式，每次向图像序列中添加一个轨迹进行追踪，并且该算法不仅可以处理有丝分裂、细胞凋亡和进出成像区域，还可以处理假阳性、错过检测和共同分割细胞簇等情况。OlafRonneberger,等人在追踪方面也提出了一种网络及训练策略(RonnebergerO,FischerP,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention.SpringerInternationalPublishing,2015:234-241.)，依靠对数据增强的大力利用来充分有效地使用注释的样本，这种架构包含一条获得上下文信息的约束路径和一条能够精确定位的对称扩张路径，实验表明，这种网络可以对较少的图片进行端对端的训练，表现优于现有基于滑动窗口的卷积网络的方法。机器学习是人工智能的一个分支，机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。至今已有数种机器学习框架，如支持向量机、深度神经网络、卷积神经网络和深度置信网络等，这些框架已被广泛应用于计算机视觉、语音识别、自然语言处理等领域，相关技术已经十分成熟。与此同时，机器学习近年来在基于生物医学图像的一般疾病诊断与预测方面也取得了不错的效果，包括对自闭症谱系障碍(Autismspectrumdisorder,ASD)、阿尔茨海默病(Alzheimer’sdisease,AD)、皮肤癌、白内障等疾病的诊断。HCHazlett等人利用神经影像学技术研究了106名自闭症谱系障碍(autismspectrumdisorder,ASD)家族性高风险婴儿和42名低危婴儿，通过深度神经网络对6-12个月婴儿的脑磁共振成像进行学习，预测ADS家族性高风险婴儿在24月时候患病率，其精度可以达到81％，灵敏度可以达到88％(RonnebergerO,FischerP,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention.SpringerInternationalPublishing,2015:234-241.)。SiqiLiu等人设计了一种深层学习架构(HazlettHC,GuH,MunsellBC,etal.Earlybraindevelopmentininfantsathighriskforautismspectrumdisorder[J].Nature,2017,542(7641):348-351.)，辅助AD早期阶段和轻度认知障碍(MildCognitiveImpairment,MCI)的诊断，其中包含堆栈式自动编码器和softmax输出层，以克服诊断性能上的瓶颈。AEsteva等人直接利用皮肤镜图像，仅用像素和病变类别标签作为输入，训练端到端的单卷积神经网络来对皮肤癌进行诊断(LiuS,LiuS,CaiW,etal.EarlydiagnosisofAlzheimer'sdiseasewithdeeplearning[C]//BiomedicalImaging(ISBI),2014IEEE11thInternationalSymposiumon.IEEE,2014:1015-1018.)，用来训练卷积神经网络的数据集含有129450张临床图片，在所有的测试任务中，卷积神经网络的表现已经能够与所有的测试专家相提并论。ErpingLong等人利用卷积神经网络算法，来对白内障进行诊断、病情分级以及给出相应的治疗建议(EstevaA,KuprelB,NovoaRA,etal.Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks[J].Nature,2017,本文档来自技高网...

【技术保护点】
一种诱导多能干细胞识别方法，其特征在于，包括：步骤a：获取显微镜延时序列图像；步骤b：对所述显微镜延时序列图像中的细胞进行分割及运动轨迹追踪，并分别根据细胞分割结果及运动轨迹追踪结果提取出细胞的静态特征参数以及动态特征参数；步骤c：根据所述细胞的静态特征参数以及动态特征参数构建机器学习分类模型，通过所述机器学习分类模型输出细胞识别分类结果。

【技术特征摘要】
1.一种诱导多能干细胞识别方法，其特征在于，包括：步骤a：获取显微镜延时序列图像；步骤b：对所述显微镜延时序列图像中的细胞进行分割及运动轨迹追踪，并分别根据细胞分割结果及运动轨迹追踪结果提取出细胞的静态特征参数以及动态特征参数；步骤c：根据所述细胞的静态特征参数以及动态特征参数构建机器学习分类模型，通过所述机器学习分类模型输出细胞识别分类结果。2.根据权利要求1所述的诱导多能干细胞识别方法，其特征在于，在所述步骤b中，所述对显微镜延时序列图像中的细胞进行分割及运动轨迹追踪，并分别根据细胞分割结果及运动轨迹追踪结果提取出细胞的静态特征参数以及动态特征参数具体包括：步骤b1：对所述显微镜延时序列图像中的颜色通道进行分离；步骤b2：利用高斯滤波对通道分离后的显微镜延时序列图像进行平滑降噪；步骤b3：利用阈值法提取出平滑降噪后的显微镜延时序列图像中的细胞及细胞核区域；步骤b4：利用基于标记的分水岭算法，将提取的细胞及细胞核区域作为标记区域，根据标记区域对黏连细胞进行分割，并提取标记区域内细胞的静态特征参数；步骤b5：利用基于质心追踪的目标追踪算法，对同一个细胞在多个帧图像之间的运动轨迹进行追踪，并根据运动轨迹提取细胞的动态特征参数。3.根据权利要求2所述的诱导多能干细胞识别方法，其特征在于，在所述步骤c中，所述根据细胞的静态特征参数以及动态特征参数构建机器学习分类模型还包括：对提取到的静态特征参数及动态特征参数进行特征提取与预处理，得到用于构建机器学习分类模型的样本数据集。4.根据权利要求3所述的诱导多能干细胞识别方法，其特征在于，在所述步骤a中，所述获取显微镜延时序列图像还包括：利用影像倒溯的方法对所述显微镜延时序列图像中早期阶段被成功诱导为干细胞的前体细胞进行人工标注。5.根据权利要求4所述的诱导多能干细胞识别方法，其特征在于，在所述步骤c中，所述根据细胞的静态特征参数以及动态特征参数构建机器学习分类模型还包括：通过所述样本数据集中的静态特征参数和动态特征参数训练至少两个细胞分类器，通过至少两个细胞分类器分别输出细胞识别分类结果；并通过所述人工标注对至少两个细胞分类器的性能进行评价，并选取性能最优的细胞分类器作为最终的机器学习分类模型。6.一种诱导多能干细胞识别系统，其特征在于，包括：数据获取模块：用于获取显微镜延时序列图像；细胞分割与追踪模块：用于对所述显微镜延时序列图像中的细胞进行分割及运动轨迹追踪，并分别根据细胞分割结果及运动轨迹追踪结...

【专利技术属性】
技术研发人员：滕彦宁，魏彦杰，张海山，郭宁，葛健秋，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44