一种细胞自噬表型的预测方法及装置制造方法及图纸

本发明专利技术实施例提供的一种细胞自噬表型的预测方法与装置，该方法包括：采集细胞图像，对所述细胞图像进行预处理，提高图像质量利于批量操作，得到分析图像。根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像，实现对单个细胞图像的准确识别。将所述单细胞图像放入经过训练的卷积神经网络模型进行计算，得到自噬概率，再将所述自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞，避免了人工提取识别，利于批量识别预测，同时可实现细胞计数。

A Prediction Method and Device for Cell Autophagy Phenotype

The embodiment of the present invention provides a method and device for predicting autophagy phenotype of cells. The method includes collecting cell images, preprocessing the cell images, improving image quality, facilitating batch operation and obtaining analysis images. According to the position of cells in the analysis image, the analysis image is segmented into a single cell image to realize the accurate recognition of a single cell image. The autophagy probability is calculated by putting the single-cell image into the trained convolution neural network model. Then the cells corresponding to the single-cell image whose autophagy probability is greater than the preset classification threshold are identified as autophages, which avoids manual extraction and recognition, facilitates batch identification and prediction, and achieves cell counting.

【技术实现步骤摘要】
一种细胞自噬表型的预测方法及装置
本专利技术涉及图像识别领域，具体而言，涉及一种细胞自噬表型的预测方法及装置。
技术介绍
细胞自噬是细胞清除有害蛋白和物质重新利用以维持细胞稳态的一种机制。在正常生理条件下，自噬依赖于溶酶体(或液泡)包裹受损的细胞器，蛋白质聚集体，长寿蛋白等，并将它们运送到溶酶体或液泡进行降解。根据自噬功能和作用底物的不同可以将自噬分为巨自噬，微自噬和分子伴侣介导的自噬。我们通常所讲的细胞自噬为巨自噬。细胞在饥饿，缺氧及低能量等条件下，胞质内会形成双层囊泡结构并不断包裹胞质成分最后封闭形成自噬体，自噬体进而与溶酶体或液泡融合并通过其中的酸性水解酶降解包裹物质。细胞自噬是一个复杂而保守的过程，由于酵母细胞在遗传上的可操作性和自噬过程的高度保守，酵母成为目前自噬研究最充分的模式生物。在酵母自噬过程中，Atg8(一种蛋白质)对于自噬体的形成起着至关重要的作用，其关系到自噬体膜的弯曲、自噬底物的募集的过程，是自噬过程中唯一一直定位于自噬体膜的蛋白质。因此一种最便捷的观测自噬发生的方法就是直接观察N端连接GFP(Greenfluorescentprotein，绿色萤光蛋白)的Atg8是否顺利运输到液泡。自噬未发生时，GFP-Atg8会均匀的分布于细胞质中，当自噬被诱导发生时，GFP-Atg8会迅速招募到自噬体内外膜上，内膜上的GFP-Atg8会随着自噬体和液泡的融合被降解为游离的GFP。研究表明，通过计算GFP-Atg8定位于液泡内的细胞所占的百分比可以作为衡量自噬活性的方法。但是人工分析荧光图像、搜索感兴趣区域和提取图像特征非常耗时和费力，目前虽然出现了一些智能学习系统，但均无法达到对细胞自噬表型进行批量的智能预测识别的目的。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种细胞自噬表型的预测方法及装置，该方法能够对细胞自噬表型进行批量预测和识别。本专利技术的实施例是这样实现的：一种细胞自噬表型的预测方法，包括：获取细胞图像，对所述细胞图像进行预处理，得到分析图像；根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像；将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率；将所述自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞。优选地，采集细胞图像，对所述细胞图像进行预处理，得到分析图像的步骤，包括：获取经过染色处理的细胞图像，对所述经过染色处理的细胞图像进行预处理，得到分析图像。优选地，所述根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像的步骤，包括：根据所述分析图像中细胞所在区域的灰度均值，以及所述分析图像中细胞所在区域之外的灰度均值，以及所述分析图像的整体灰度均值，获得所述分析图像的类间方差；根据所述分析图像的类间方差与预设的由量子粒子群算法计算获得的最佳阈值向量，得到所述分析图像的分割阈值；根据所述分割阈值，将所述分析图像分割为单细胞图像。优选地，在所述根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像之后，且在所述将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率的步骤之前，还包括：从所述单细胞图像中分出训练组；采用所述训练组对所述卷积神经网络模型进行学习训练，得到经过训练的所述卷积神经网络模型。优选地，所述训练组中的每个细胞都包含代表该细胞绿色荧光蛋白的绿色亮斑与代表该细胞液泡膜位置的红色荧光之间的相对位置关系；所述相对位置关系包括：所述绿色亮斑位于所述红色荧光的区域之内，和所述绿色亮斑位于所述红色荧光的区域之外。优选地，所述绿色荧光蛋白为GFP-Atg8。优选地，所述从所述单细胞图像中分出训练组的步骤之后，还包括：从所述单细胞图像中分出测试组；将所述测试组输入到多个所述经过训练的所述卷积神经网络模型中进行测试，得到差错率；每个所述经过训练的所述卷积神经网络模型对应一个不同的训练组；将差错率最低的所述经过训练的所述卷积神经网络模型作为最终使用模型；其中，所述将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率，包括：将所述单细胞图像输入经过所述最终使用模型进行计算，得到自噬概率。优选地，在从所述单细胞图像中分出训练组之后，并在所述采用所述训练组对所述卷积神经网络模型进行学习训练，得到经过训练的所述卷积神经网络模型之前，还包括：将所述训练组中的单细胞图像根据细胞是否发生自噬行为进行标记；其中标记包括，所述单细胞图像中发生自噬行为的细胞用第一符号标记，未发生自噬行为的细胞用第二符号标记。优选地，所述获取细胞图像，将采集的所述细胞图像进行预处理，得到分析图像的步骤，具体包括：对所述采集的所述细胞图像进行归一化；和\或增加所述采集的所述细胞图像的对比度；和\或将所述采集的所述细胞图像的颜色进行反转；和\或对所述采集的所述细胞图像进行Sobel滤波处理。一种细胞自噬表型的预测装置，包括：采集模块，用于采集细胞图像，对所述细胞图像进行预处理，得到分析图像；分割模块，用于根据所述分析图像中细胞的位置，并将所述分析图像分割为单细胞图像；计算模块，用于将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率；识别模块，用于将所述自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞。与现有技术相比，本专利技术实施例提供的一种细胞自噬表型的预测方法及装置，该方法通过对所获取的细胞图像进行预处理后，将细胞图像进行分割得到单细胞图像，保证对图像中的每个细胞进行单独分析与识别。然后将单细胞图像放入经过训练的卷积神经网络模型进行计算分析，得到自噬概率，最终将自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞，避免了目前人工直接对细胞图像的分析，达到了对细胞图像中的细胞自噬表型进行批量预测识别的目的，同时分割得到的单个细胞图像数量可以做为细胞图像中细胞的计数。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术较佳实施例提供的一种细胞自噬表型的预测方法的方法流程图。图2为图1中步骤S12的具体步骤的流程图。图3为图1中步骤S13之前的步骤的流程图。图4为是本专利技术较佳实施例提供的细胞自噬表型的预测装置的模块图。图标：100-细胞自噬表型的预测装置；101-采集模块；102-分割模块；103-计算模块；104-识别模块。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围本文档来自技高网...

【技术保护点】
1.一种细胞自噬表型的预测方法，其特征在于，包括：获取细胞图像，对所述细胞图像进行预处理，得到分析图像；根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像；将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率；将所述自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞。

【技术特征摘要】
1.一种细胞自噬表型的预测方法，其特征在于，包括：获取细胞图像，对所述细胞图像进行预处理，得到分析图像；根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像；将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率；将所述自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞。2.根据权利要求1所述的方法，其特征在于，采集细胞图像，对所述细胞图像进行预处理，得到分析图像的步骤，包括：获取经过染色处理的细胞图像，对所述经过染色处理的细胞图像进行预处理，得到分析图像。3.根据权利要求1所述的方法，其特征在于，所述根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像的步骤，包括：根据所述分析图像中细胞所在区域的灰度均值，以及所述分析图像中细胞所在区域之外的灰度均值，以及所述分析图像的整体灰度均值，获得所述分析图像的类间方差；根据所述分析图像的类间方差与预设的由量子粒子群算法计算获得的最佳阈值向量，得到所述分析图像的分割阈值；根据所述分割阈值，将所述分析图像分割为单细胞图像。4.根据权利要求1所述的方法，其特征在于，在所述根据所述分析图像中细胞的位置，将所述分析图像分割为单细胞图像之后，且在所述将所述单细胞图像输入经过训练的卷积神经网络模型进行计算，得到自噬概率的步骤之前，还包括：从所述单细胞图像中分出训练组；采用所述训练组对所述卷积神经网络模型进行学习训练，得到经过训练的所述卷积神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述训练组中的每个细胞都包含代表该细胞绿色荧光蛋白的绿色亮斑与代表该细胞液泡膜位置的红色荧光之间的相对位置关系；所述相对位置关系包括：所述绿色亮斑位于所述红色荧光的区域之内，和所述绿色亮斑位于所述红色荧光的区域之外。6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：薛宇，张颖，任间，
申请(专利权)人：华中科技大学鄂州工业技术研究院，华中科技大学，
类型：发明
国别省市：湖北,42