一种基于AFM和SVM分类器的细胞癌化识别方法技术

本发明专利技术公开了一种基于AFM和SVM分类器的细胞癌化识别方法，旨在提供一种应用力学数据与SVM分类器结合，快速准确，成本低的细胞癌化识别方法。包括下述步骤：使用AFM设备获取待识别细胞的形貌图；使用AFM设备对所述待识别细胞进行纳米压痕实验，获得待识别细胞的力学特性曲线及微观形貌结构信息；对所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；将所获得的相关力学特性参数数据作为SVM分类器的输入数据，通过SVM分类器的分类识别模型识别细胞是否癌化，SVM分类器的输出为待识别细胞的种类。本发明专利技术的方法检测周期短，识别效率高，准确率高，自动化程度高，低成本，步骤简单。

【技术实现步骤摘要】
一种基于AFM和SVM分类器的细胞癌化识别方法
本专利技术涉及生物
，更具体的说，是涉及一种细胞癌化识别方法。
技术介绍
在当今社会，癌症已经成为一种发病率较高的疾病，给人类的生命带来巨大的威胁，也给社会带来巨大经济损失。目前，癌症的识别方法主要是通过各种检测手段与医生临床经验的结合。以胃癌为例，一般的胃癌识别方法都是通过胃镜、X线钡餐、肿瘤标志物检查等，其中胃镜检查可以直接观察胃粘膜病变的部位和范围，并可获取病变组织进行病理检查，是识别胃癌的最有效方法，但是该方法需要的步骤繁琐，时间长，往往需要2-7天，且识别是由医师借助临床经验，存在一定的识别误差，准确率无法得到保证。随着技术的发展，目前，使用影像图像与SVM线性分类器结合进行癌细胞的识别得到了应用。现有的方法主要是通过显微镜采集大量的单细胞图片，然后根据图像识别来提取细胞的相关特征，最后再训练SVM线性分类器进行细胞识别。该方法需要采集大量的单细胞照片，会花费大量的时间精力物力财力；通过图像识别提取的细胞特性数据往往是高维和冗余，在进行SVM分类器训练时，训练识别的速度慢，且主成分不明，易造成识别精度不高。针对现有方法存在的问题，有必要提供一种快速准确，成本低的细胞癌化识别方法。
技术实现思路
本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种应用力学数据与SVM分类器结合，快速准确，成本低的细胞癌化识别方法。为实现本专利技术的目的所采用的技术方案是：一种基于AFM和SVM分类器的细胞癌化识别方法，包括下述步骤：(1)使用AFM设备获取待识别细胞的形貌图；(2)使用AFM设备对所述待识别细胞进行纳米压痕实验，获得所述待识别细胞的力学特性曲线及微观形貌结构信息；(3)对步骤(2)所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；(4)将步骤(3)所获得的相关力学特性参数数据作为SVM分类器的输入数据，通过所述SVM分类器的分类识别模型识别细胞是否癌化，所述SVM分类器的输出为待识别细胞的种类。所述分类识别模型通过下述方法获得：(1)使用AFM设备分别获取正常细胞和癌变细胞的形貌图；(2)使用AFM设备分别对正常细胞和癌变细胞进行纳米压痕实验，获得所述正常细胞和癌变细胞的力学特性曲线及微观形貌结构信息；(3)对步骤(2)所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；(4)将步骤(3)所获得的相关力学特性参数数据随机排序，并分为训练数据和测试数据，作为SVM分类器的输入数据，并将所述输入数据归一化处理；(5)使用优化后的惩罚因子C和高斯核函数的宽度参数σ2以及所述训练数据，采用交叉验证法开始训练SVM分类器,训练后得到含有最优超平面的识别模型，并将训练后的SVM分类器的识别模型保存下来；(6)使用步骤(5)中保存下来的SVM分类器的识别模型及所述测试数据，测试所述SVM分类器的识别模型的分类识别效果，输出测试的分类结果；(7)如果测试的分类结果达到要求，则作为所述分类识别模型；如果未达到要求，则重复步骤(4)-(5)。所述力学特性曲线为力-位移曲线。进行纳米压痕实验时的压痕力为2nN，ZLength为3uM,压痕速度为2.0uM/s。所述惩罚因子C和高斯核函数的宽度参数σ2的优化方法为：用LibSVM软件包，将kernal函数设置为高斯核；采用暴力搜索遍历的方法，结合所述训练数据与LibSVM软件包，寻找使识别率最大的惩罚因子C和高斯核函数参数σ2,然后细化惩罚因子C和高斯核函数的宽度参数σ2，重复该步骤，得到优化的惩罚因子C和高斯核函数的宽度参数σ2；其中，惩罚因子C＝[-5,-3,-1,1,3,5,7,9,11,13,15]，高斯核函数参数σ2＝[-15,-13,-11,-9,-7,-5,-3,-1,1,3]。定义所述最优超平面：s.t.yi[wTφ(xi)+b]≥1-ζi,ζi≥0(2)；将所述最优超平面原问题与对偶问题结合，通过(SMO)算法求解式(1)和式(2)得其中：k(xi,x)表示核函数；αi表示拉格朗日乘子；w＝(w1；w1；....wd；)为法向量；b为位移项；φ(xi)表示将样本特征向量x映射后的特征向量；C为惩罚因子；ζi为松弛变量；yi表示实际目标值；i,j分别代表第i,j个样本；N代表总的样本数量；d代表的是w的维度。所述SVM分类器的识别模型函数为若g(x)＝1,则为正常细胞；若g(x)＝-1，则为癌细胞。进行纳米压痕实验时，压痕位置根据所获的形貌图选取。与现有技术相比，本专利技术的有益效果是：1、本专利技术的细胞癌化识别方法通过AFM手段获取细胞的力学特性曲线及微观形貌结构信息，并进行处理得到细胞的相关力学参数，将所得相关力学参数作为SVM分离器的输入数据，通过SVM分类器识别细胞是否癌化，检测周期短，识别效率高，准确率高，自动化程度高，低成本，步骤简单。2、本专利技术的细胞癌化识别方法采用AFM提取力学数据信息，对样品要求简单，且操作简单，对环境要求不高，适用性强。3、本专利技术的细胞癌化识别方法采用归一化处理SVM分类器的输入数据，可以将不同数量级的力学参数统一到同一个数量级，消除了各参数之间的量纲影响，同时，提高了SVM分类器的求解速度与精度。附图说明图1所示为本专利技术实施例的SGC细胞形貌图；图2所示为本专利技术实施例的SGC细胞力-位移曲线；图3所示为本专利技术实施例的ROC曲线；图4所示为本专利技术基于AFM和SVM分类器的细胞癌化识别方法的流程图。具体实施方式以下结合附图并以胃癌细胞的癌化识别为具体实施例对本专利技术进行详细说明。本专利技术的基于AFM(AtomicForceMicroscopy)和SVM分类器的细胞癌化识别方法包括下述步骤：1、获取细胞识别所需要的分类识别模型：1-1、将胃细胞GES-1和胃癌细胞SGC分别放在中皿里培养48小时，让两种细胞分裂增长、贴壁，然后通过酶解消化、离心、换液等将两种细胞分别转移到放置有盖玻片的小皿上；1-2将步骤1-1中的两种分别细胞培养24小时，等待其细胞贴壁后，用镊子夹取步骤1-1中的盖玻片边缘，然后将盖玻片放在小皿的皿盖，并在皿盖中加入培养液，最后将皿盖放在样品台上的载玻片中心位置；1-3、将AFM球形探针安装到AFM头部，按power按钮和isolation按钮，启动AFM，通过AFM头部的步进电机，让AFM探针进入皿盖的载有胃细胞GES-1的培养液中；调整AFM激光位置与四象限，让激光红点处于四象限中间，且反射的SUM值达到最大的2.5V左右；通过AFM自带软件的热噪声法校准探针的刚度k，使得校准的刚度与商家出厂值0.06N/m接近；选择AFM的QI模式，对胃细胞GES-1进行形貌扫描，获取胃细胞GES-1细胞的形貌图本文档来自技高网...

【技术保护点】
1.一种基于AFM和SVM分类器的细胞癌化识别方法，其特征在于，包括下述步骤：/n(1)使用AFM设备获取待识别细胞的形貌图；/n(2)使用AFM设备对所述待识别细胞进行纳米压痕实验，获得所述待识别细胞的力学特性曲线及微观形貌结构信息；/n(3)对步骤(2)所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；/n(4)将步骤(3)所获得的相关力学特性参数数据作为SVM分类器的输入数据，通过所述SVM分类器的分类识别模型识别细胞是否癌化，所述SVM分类器的输出为待识别细胞的种类。/n

【技术特征摘要】
1.一种基于AFM和SVM分类器的细胞癌化识别方法，其特征在于，包括下述步骤：
(1)使用AFM设备获取待识别细胞的形貌图；
(2)使用AFM设备对所述待识别细胞进行纳米压痕实验，获得所述待识别细胞的力学特性曲线及微观形貌结构信息；
(3)对步骤(2)所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；
(4)将步骤(3)所获得的相关力学特性参数数据作为SVM分类器的输入数据，通过所述SVM分类器的分类识别模型识别细胞是否癌化，所述SVM分类器的输出为待识别细胞的种类。


2.根据权利要求1所述的基于AFM和SVM分类器的细胞癌化识别方法，其特征在于，所述分类识别模型通过下述方法获得：
(1)使用AFM设备分别获取正常细胞和癌变细胞的形貌图；
(2)使用AFM设备分别对正常细胞和癌变细胞进行纳米压痕实验，获得所述正常细胞和癌变细胞的力学特性曲线及微观形貌结构信息；
(3)对步骤(2)所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；
(4)将步骤(3)所获得的相关力学特性参数数据随机排序，并分为训练数据和测试数据，作为SVM分类器的输入数据，并将所述输入数据归一化处理；
(5)使用优化后的惩罚因子C和高斯核函数的宽度参数σ2以及所述训练数据，采用交叉验证法开始训练SVM分类器,训练后得到含有最优超平面的识别模型，并将训练后的SVM分类器的识别模型保存下来；
(6)使用步骤(5)中保存下来的SVM分类器的识别模型及所述测试数据，测试所述SVM分类器的识别模型的分类识别效果，输出测试的分类结果；
(7)如果测试的分类结果达到要求，则作为所述分类识别模型；如果未达到要求，则重复步骤(4)-(5)。


3.根据权利要求1或2所述的基于AFM和SVM分类器的细胞癌化识别方法，其特征在于，所述力学特性曲线为力-位移曲线。


4...

【专利技术属性】
技术研发人员：田延岭，林旺江，朱鑫垚，蒲紫浩，李英杰，陈江涛，朝家齐，王蒙，周重凯，王福军，张大卫，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12