基于深度学习的干细胞自动计数方法技术

一种基于深度学习的干细胞自动计数方法，细胞计数技术领域，包括如下步骤：S11：采用相差显微镜拍摄需要计数的细胞，生成干细胞图像。S12：图像预处理；对细胞图像进行降噪处理和光照均衡化处理得到光照均匀的干细胞图像。S13：去除相差显微镜拍摄过程中产生的细胞伪影。S14：对去除伪影后的干细胞图像进行分割，获取多个候选干细胞图像。S21：对分割出的多个候选细胞图像进行手工标记，建立训练集。S22：将训练集输入CNN进行训练。S23：统计干细胞计数结果。本发明专利技术解决了传统人工细胞计数消耗大量人力的缺点，也克服了流式计数法会破坏细胞生长环境的缺陷，通过拍摄的细胞图像进行计数，具有稳定、高效、自动、无损等特点。

Automatic counting method of stem cell based on depth learning

The invention relates to an automatic counting method of stem cells based on deep learning, and comprises the following steps: S11: a phase contrast microscope is adopted to photograph cells that need counting, and a stem cell image is generated. S12: image preprocessing, noise reduction and equalization of the cell image to obtain uniform illumination of the stem cell image. S13: removal of cell artifacts during phase contrast microscopy. S14: to remove the artifacts of stem cell image segmentation, to obtain a plurality of candidate stem cell image. S21: manual segmentation of segmented candidate cell images is used to establish a training set. S22: train the training set into CNN for training. S23: count stem cell count results. The invention solves the traditional manual cell counting consumes a lot of manpower shortcomings, also overcomes the flow counting method will destroy the cell growth environment, by counting cell images, has the characteristics of stability, high efficiency, automatic and nondestructive etc..

【技术实现步骤摘要】
基于深度学习的干细胞自动计数方法
本专利技术涉及细胞计数
，尤其涉及基于深度学习的干细胞自动技术方法。
技术介绍
随着人类科学的进步，越来越多的科研人员致力于揭示生命的奥秘。干细胞是可以自我复制增殖的一类细胞，在特定的情况下，可以分化成其他类型的细胞。因此针对干细胞的生长、增值、分化研究是细胞生物学中的一个重要研究方向。准确的进行细胞计数对细胞的生长和分裂的研究工作有着重要的意义，现有的传统细胞研究方式，主要是由研究人员通过显微镜对细胞样本进行直接观察，不仅消耗大量时间，程序繁复，还存在严重的主观性。除此之外，为了研究干细胞的分裂、增殖以及分化过程，往往会对细胞进行染色以及添加荧光技术，会对细胞活性等造成一定影响。因此，如何保持多能干细胞在人工培育环境下的自然活性状态，使其不经干预的分裂成为了重点研究问题。利用显微观察技术，借助计算机视觉处理技术，使对干细胞图像的定量分析成为可能。因此，总体说来，现有技术中对细胞计数的方法有三种，下面将对这三类细胞计数法进行缺点说明。第一种：库尔特计数法。库尔特计数法是在测定管中装入电解质溶液，将粒子群混悬在电解质溶液中，测定管壁上有一细孔，孔本文档来自技高网...

【技术保护点】
基于深度学习的干细胞自动计数方法，其特征在于，包括如下步骤：S1：采用相差显微镜拍摄需要计数的细胞，生成干细胞图像；S2：通过细胞分割技术对干细胞图像进行分割，得到潜在的多个候选干细胞图像；具体地，S2包括如下步骤：S21：图像预处理；对干细胞图像进行降噪处理和光照均衡化处理得到光照均匀的干细胞图像；S22：去除相差显微镜拍摄过程中产生的细胞伪影；S23：对去除伪影后的干细胞图像进行分割，获取多个候选干细胞图像；S3：细胞识别；具体地，S3包括如下步骤：S31：对分割出的多个候选干细胞图像进行手工标记，建立训练集；S32：将训练集输入CNN进行训练，对每一张候选干细胞图像，CNN都会输出一个结...

【技术特征摘要】
1.基于深度学习的干细胞自动计数方法，其特征在于，包括如下步骤：S1：采用相差显微镜拍摄需要计数的细胞，生成干细胞图像；S2：通过细胞分割技术对干细胞图像进行分割，得到潜在的多个候选干细胞图像；具体地，S2包括如下步骤：S21：图像预处理；对干细胞图像进行降噪处理和光照均衡化处理得到光照均匀的干细胞图像；S22：去除相差显微镜拍摄过程中产生的细胞伪影；S23：对去除伪影后的干细胞图像进行分割，获取多个候选干细胞图像；S3：细胞识别；具体地，S3包括如下步骤：S31：对分割出的多个候选干细胞图像进行手工标记，建立训练集；S32：将训练集输入CNN进行训练，对每一张候选干细胞图像，CNN都会输出一个结果表示其是否为细胞；S33：统计所有的多个候选干细胞图像中干细胞数量，得出干细胞计数结果。2.根据权利要求1所述的基于深度学习的干细胞自动计数方法，其特征在于，S21中，对干细胞图像的降噪处理采用高斯滤波器，光照均衡化处理采用背景减除法。3.根据权利要求1所述的基于深度学习的干细胞自动计数方法，其特征在于，S22的具体过程为：设g为成像图像，f为原始图像，H为成像矩阵，C为背景模型，根据相差显微镜成像原理，将成像过程定义为一个线性模型：g≈Hf+C若背景已去除，则模型可以简化为：g≈Hf去伪影的过程就是从g恢复f的过程，使用一个约束二次函数来对f进行恢复：其中,L是定义空间像素邻居相似度的拉普拉斯矩阵，Λ是一个正对角矩阵，ws、wr是在不同的正则化规则下通过网格搜索学习得到的权重因子(本文实验中取ws＝1,wr＝0.01)；上述公式没有封闭解，只能数值逼近，因此约束恢复函数f有非负解，将公式转化为求优化问题：O(f)＝fTQf+2bTf+cs.t.f≥0Q＝HTH+wsL+wt∑b＝-HTg-wt∑Tf(t)+wrdiag(Λ)/2其中，c为常数项，wt为时间一致性正则化的加权因子(本文实验中取wt＝0.1)，f(t)为t时刻对应的f；使用...

【专利技术属性】
技术研发人员：蒲晓蓉，王之骢，庞晋雁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51