基于人工智能的细胞体监控方法、系统、装置和电子设备制造方法及图纸

本公开涉及计算机视觉技术领域，提供了一种基于人工智能的细胞体监控方法与装置，以及计算机存储介质和电子设备。其中，该方法包括：通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据原始图像确定发育特征数据；通过传感器获取培养器件的环境特征数据，其中环境特征数据影响待监控细胞体的发育状态；通过深度神经网络，融合发育特征数据和环境特征数据，得到预测结果；根据深度学习网络的预测结果监控待监控细胞体的发育状态。本技术方案有利于提升对细胞体发育过程的监控准确度，还能够在预测到细胞体发育状态即将发生异常时提前预警。

【技术实现步骤摘要】
基于人工智能的细胞体监控方法、系统、装置和电子设备
本公开涉及计算机视觉
，具体而言，涉及一种基于人工智能的细胞体监控方法、系统及装置，以及计算机存储介质和电子设备。
技术介绍
细胞体体外培养(Invitrocultureofcells)是指将细胞体置于合适其生长发育的培养器件(如，培养皿)中，使细胞体体外持续发育，例如，胚胎提完培养。由于细胞体发育对培养液和无菌等条件要求比较严格，因此需要其发育状态进行监控，以提升细胞体存活率。相关技术提供的细胞体的体外培养存在监控方案中，一般是根据细胞体生长阶段、湿度、空气质量等因素的影响，而对最佳设定温度进行动态管理。然而，相关技术提供的细胞体监控方案的监控准确度较差且不能起到预警的作用。需要说明的是，上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解。
技术实现思路
本公开的目的在于提供一种基于人工智能的细胞体监控方法、基于人工智能的细胞体监控系统、基于人工智能的细胞体监控装置，以及实现上述方法的计算机存储介质和电子设备，进而至少在一定程度上提升对细胞体发育过程的监控准确度且能够起到提前预警的作用。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一个方面，提供一种基于人工智能的细胞体监控方法，该方法包括：通过摄像镜头获取所述培养器件中待监控细胞体的原始图像，并根据上述原始图像确定发育特征数据；通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；以及，根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。根据本公开的一个方面，提供一种基于人工智能的细胞体监控系统，该系统包括：镜头成像器、第一处理器、传感器、第二处理器以及监控器。其中：上述镜头成像器，用于获取培养器件中待监控细胞体的原始图像；上述第一处理器，所述第一处理器中存储有图像处理算法，以通过所述图像处理算法处理所述原始图像得到发育特征数据；上述传感器，用于获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；上述第二处理器，所述第二处理器中存储有深度神经网络，以通过所述深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；以及，上述监控器，用于根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。根据本公开的一个方面，提供一种基于人工智能的细胞体监控装置，该装置包括：发育特征获取模块、环境特征获取模块、特征处理模块，以及细胞体监控模块。其中：上述发育特征获取模块，被配置为：通过摄像镜头获取培养装置中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；上述环境特征获取模块，被配置为：通过传感器获取上述培养器件的环境特征数据，其中上述环境特征数据影响上述待监控细胞体的发育状态；上述特征处理模块，被配置为：通过深度神经网络，融合上述发育特征数据和上述环境特征数据，得到预测结果；以及，上述细胞体监控模块，被配置为：根据上述深度学习网络的预测结果监控上述待监控细胞体的发育状态。在本公开的一些实施例中，基于前述方案，上述发育特征获取模块，包括：光学成像单元和转换单元。其中：上述光学成像单元，被配置为：通过显微摄像镜头对上述培养器件中的待监控细胞体进行光学成像，得到上述待监控细胞体的图像光信号；上述转换单元，被配置为：通过转换电路，将上述图像光信号转化成图像电信号，得到上述待监控细胞体的原始图像。在本公开的一些实施例中，基于前述方案，上述发育特征获取模块，还包括：图像处理单元，被配置为：对上述原始图像进行灰度化处理得到对应的灰度图像；以及，对上述灰度图像进行以下处理方式中的一种或多种：去噪处理、图像增强处理和图像白平衡处理，得到所述发育特征数据。在本公开的一些实施例中，基于前述方案，上述环境特征获取模块，包括：数据获取单元和数据预处理单元。其中：上述数据获取单元，被配置为：通过传感器获取上述培养器件的环境指标的参数数据，其中上述环境指标包括：温度数据、湿度数据、氧气浓度数据、光照亮度数据中的一种或多种；以及，上述数据预处理单元，被配置为：对上述环境指标的参数数据进行数据预处理，得到上述环境指标的参数数据的向量表示作为上述环境特征数据。在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为离散类型，其中，上述数据预处理单元，被具体配置为：采用独热编码的方式确定上述环境指标参数数据的向量表示。在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为连续类型，其中，上述数据预处理单元，被具体配置为：采用旋转森林算法、计算欧氏距离或ResNet算法处理上述环境指标的参数数据，得到上述环境指标的参数数据的序列特征。在本公开的一些实施例中，基于前述方案上述基于人工智能的细胞体监控装置还包括：样本集获取模块、模型训练模块以及模型测试模块。其中：上述样本集获取模块，被配置为：根据细胞体样本的发育特征样本、上述环境特征样本以及上述细胞体样本的实际发育状态以确定一组样本，得到样本集；上述模型训练模块，被配置为：通过上述样本集中的第一部分样本训练上述深度神经网络；上述模型测试模块，被配置为：通过上述样本集中的第二部分样本测试上述深度神经网络，以使上述深度神经网络满足预设测试指标。在本公开的一些实施例中，基于前述方案，上述模型训练模块，被具体配置为：将上述第一部分样本中每组样本的发育特征样本和上述环境特征样本输入至上述深度神经网络，得到上述细胞体样本的预测发育状态、输入层与上述隐藏层之间的第一中间权重矩阵，以及上述隐藏层与输出层之间的第二中间权重矩阵；以及，通过上述实际发育状态和上述预测发育状态，对上述第一中间权重矩阵进行迭代计算得到满足预设误差阈值的第一权重矩阵，以及对上述第二中间权重矩阵进行迭代计算得到满足上述预设误差阈值的第二权重矩阵。在本公开的一些实施例中，基于前述方案，上述测试指标包括：准确率、召回率和AUC中的至少一种。在本公开的一些实施例中，基于前述方案，上述深度神经网络为反向传播神经网络。在本公开的一些实施例中，基于前述方案，上述特征处理模块，被具体配置为：将上述发育特征数据和上述环境特征数据输入深度神经网络的输入层；通过上述输入层与上述隐藏层之间的第一权重矩阵，对上述发育特征数据和上述环境特征数据融合处理，得到融合特征；以及，通过上述隐藏层与上述输出层之间的第二权重矩阵，对上述融合特征进行预测处理，得到关于上述待监控细胞体发育状态的预测结果。在本公开的一些实施例中，基于前述方案，上述细胞体监控模块，被具体配置为：若上本文档来自技高网...

【技术保护点】
1.一种基于人工智能的细胞体监控方法，其特征在于，所述方法包括：/n通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；/n通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；/n通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；/n根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。/n

【技术特征摘要】
1.一种基于人工智能的细胞体监控方法，其特征在于，所述方法包括：
通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；
通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；
通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；
根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。


2.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述通过摄像镜头获取培养器件中待监控细胞体的原始图像，包括：
通过显微摄像镜头对所述培养器件中的待监控细胞体进行光学成像，得到所述待监控细胞体的图像光信号；
通过转换电路，将所述图像光信号转化成图像电信号，得到所述待监控细胞体的原始图像。


3.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述根据所述原始图像确定发育特征数据，包括：
对所述原始图像进行灰度化处理得到对应的灰度图像；
对所述灰度图像进行以下处理方式中的一种或多种：去燥处理、图像增强处理和图像白平衡处理，得到所述发育特征数据。


4.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述通过传感器获取所述培养器件的环境特征数据，包括：
通过传感器获取所述培养器件的环境指标的参数数据，其中所述环境指标包括：温度数据、湿度数据、氧气浓度数据、光照亮度数据中的一种或多种；
对所述环境指标的参数数据进行数据预处理，得到所述环境指标的参数数据的向量表示作为所述环境特征数据。


5.根据权利要求4所述的基于人工智能的细胞体监控方法，其特征在于，所述环境指标的参数数据为离散类型，其中，
所述对所述环境指标的参数数据进行数据预处理，包括：
采用独热编码的方式确定所述环境指标参数数据的向量表示。


6.根据权利要求4所述的基于人工智能的细胞体监控方法，其特征在于，所述环境指标的参数数据为连续类型，其中，
所述对所述环境指标的参数数据进行数据预处理，包括：
采用旋转森林算法、计算欧氏距离或ResNet算法处理所述环境指标的参数数据，得到所述环境指标的参数数据的序列特征。


7.根据权利要求1至6中任意一项所述的基于人工智能的细胞体监控方法，其特征在于，所述方法还包括：
根据细胞体样本的发育特征样本、所述环境特征样本以及所述细胞体样本的实际发育状态以确定一组样本，得到样本集；
通过所述样本集中的第一部分样本训练所述深度神经网络；
通过所述样本集中的第二部分样本测试所述深度神经网络，以使所述深度神经网络满足预设测试指标。


8.根据权利要求7所述的基于人工智能的细胞体监控方法，其特征在于，所述通过所述样本集中的第一部分样本训练所述深度神经网络，包括：
将所述第一部分样本中每组样本的发育特征样本和所述环境特征样本输入至所述深度神经网络，得到所述细胞体样本的预测发育状态、输入层与所述隐藏层之间的第一中间权重矩阵，以及所述隐藏层与输出层之间的...

【专利技术属性】
技术研发人员：肖凯文，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44