一种自动化干细胞检测方法、系统、终端以及存储介质技术方案

本申请涉及一种自动化干细胞检测方法、系统、终端以及存储介质。所述方法包括：获取细胞图像，生成细胞图像训练集；将所述细胞图像训练集输入深度学习模型进行第一轮模型训练，通过所述深度学习模型输出细胞图像训练集的第一轮细胞预测结果；根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新，并根据所述更新的细胞标记对细胞图像进行细胞追踪，得到细胞追踪结果；根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新，并将更新后的细胞图像训练集输入深度学习模型进行迭代训练，得到训练好的细胞检测模型。本申请实施例无需人工标签，训练过程简单，获得了较好的性能，并大大降低了训练的成本，提高了训练效率。训练效率。训练效率。

【技术实现步骤摘要】
一种自动化干细胞检测方法、系统、终端以及存储介质


[0001]本申请属生物医学图像处理
，特别涉及一种自动化干细胞检测方法、系统、终端以及存储介质。

技术介绍

[0002]通过观察细胞的行为有助于更好地理解其生物学机制，例如组织形成和修复、伤口愈合和肿瘤的产生。在研究细胞行为时，跟踪其运动轨迹十分有用，尤其是对于干细胞而言。以诱导多能干细胞(induced pluripotent stemcells，iPSCs)技术为例，该技术已被应用于治疗血小板不足、脊髓损伤、黄斑变性、帕金森和阿茨海默等疾病。但是这项技术目前仍然存在低效性的问题——大多数重编程方案中的细胞被重编程的比率都很低，极大地限制了诱导多能干细胞在科研和临床领域的研究和应用。
[0003]目前，对于干细胞的检测以及追踪主要依赖于人工标记，或是基于人工标记训练深度模型来完成，且训练过程需要大量的数据集，大大增加了训练的难度和代价。

技术实现思路

[0004]本申请提供了一种自动化干细胞检测方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
[0005]为了解决上述问题，本申请提供了如下技术方案：
[0006]一种自动化干细胞检测方法，包括：
[0007]获取细胞图像，生成细胞图像训练集，并将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签；
[0008]将所述细胞图像训练集输入深度学习模型进行第一轮模型训练，通过所述深度学习模型输出细胞图像训练集的第一轮细胞预测结果；
[0009]根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新，并根据所述更新的细胞标记对细胞图像进行细胞追踪，得到细胞追踪结果；
[0010]根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新，并将更新后的细胞图像训练集输入深度学习模型进行迭代训练，得到训练好的细胞检测模型；
[0011]根据所述训练好的细胞预测模型对待检测细胞图像进行细胞检测与追踪。
[0012]本申请实施例采取的技术方案还包括：所述获取细胞图像还包括：
[0013]分别对每张细胞图像依次进行亮度、对比度、缩放、旋转、裁切以及镜像填充操作，获取每张细胞图像的n张增强图像；
[0014]分别对每张细胞图像的初始细胞标记依次进行缩放、旋转、裁切以及镜像填充操作，生成每张增强图像的细胞标记。
[0015]本申请实施例采取的技术方案还包括：所述将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签还包括：
[0016]对所述细胞图像对应的荧光图像进行处理，获取所述细胞图像的初始细胞标记；
[0017]或基于细胞检测器对所述细胞图像进行细胞检测，获取所述细胞图像的初始细胞标记。
[0018]本申请实施例采取的技术方案还包括：所述深度学习模型为U
‑
Net模型，所述U
‑
Net模型采用二进制交叉熵作为损失函数。
[0019]本申请实施例采取的技术方案还包括：所述根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新具体为：
[0020]将每张细胞图像的n张增强图像的细胞预测结果进行加权求和；
[0021]将每张细胞图像的加权求和结果与该细胞图像的初始细胞标记相加，作为每张细胞图像的新的细胞标记。
[0022]本申请实施例采取的技术方案还包括：所述根据所述更新的细胞标记对细胞图像进行细胞追踪具体为：
[0023]分别计算某一细胞标记在第t帧以及第t+1帧中的面积；
[0024]计算该细胞标记在第t帧与第t+1帧中的重叠面积；
[0025]判断所述重叠面积与所述细胞标记在第t帧中的面积之间的比值是否大于设定阈值，如果大于设定阈值，则判定所述第t帧与第t+1帧中的细胞标记为同一细胞，得到细胞追踪结果。
[0026]本申请实施例采取的技术方案还包括：所述根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新还包括：
[0027]对所述细胞追踪结果进行错误追踪对象检测，并将检测出的错误追踪对象的细胞标记消除后，生成用于下一轮模型训练的训练标签；
[0028]所述对所述细胞追踪结果进行错误追踪对象检测具体为：判断所述细胞追踪结果中的追踪对象的连续帧数是否大于设定帧数α，如果大于α，则判定该追踪对象为细胞；反之，则对该追踪对象重新进行追踪，并判断在接下来的连续β帧中是否均存在与该追踪对象相关联的对象，如果存在，则判定该追踪对象为细胞；如果不存在，则判断该追踪对象为错误追踪对象，将所述错误追踪对象的细胞标记从细胞图像中清除。
[0029]本申请实施例采取的另一技术方案为：一种自动化干细胞检测系统，包括：
[0030]数据获取模块：用于获取细胞图像，生成细胞图像训练集，并将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签；
[0031]模型训练模块：用于将所述细胞图像训练集输入深度学习模型进行第一轮模型训练，通过所述深度学习模型输出细胞图像训练集的第一轮细胞预测结果；
[0032]细胞追踪模块：用于根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新，并根据所述更新的细胞标记对细胞图像进行细胞追踪，得到细胞追踪结果；
[0033]数据更新模块：用于根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新，并将更新后的细胞图像训练集输入深度学习模型进行迭代训练，得到训练好的细胞检测模型，根据所述训练好的细胞预测模型对待检测细胞图像进行细胞检测与追踪。
[0034]本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
[0035]所述存储器存储有用于实现所述自动化干细胞检测方法的程序指令；
[0036]所述处理器用于执行所述存储器存储的所述程序指令以控制自动化干细胞检测。
[0037]本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述自动化干细胞检测方法。
[0038]相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的自动化干细胞检测方法、系统、终端以及存储介质通过将每张细胞图像对应的n张增强图像的细胞预测结果进行加权求和，提升标记的可信度；通过将每张细胞图像的加权求和结果与该细胞图像的初始细胞标记相加，防止模型的性能退化；根据相加后的结果进行细胞追踪，根据追踪结果更新训练标签并重新进行迭代训练，得到最终的细胞检测模型。本申请实施例无需人工标签，训练过程简单，减少了人工成本的同时获得较好的性能，并大大降低了训练的成本，提高了训练效率。
附图说明
[0039]图1是本申请实施例的自动化干细胞检测方法的流程图；
[0040]图2为本申请实施例的重叠面积计算示意图；
[0041]图3为本申请实施例的细胞追踪结果示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动化干细胞检测方法，其特征在于，包括：获取细胞图像，生成细胞图像训练集，并将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签；将所述细胞图像训练集输入深度学习模型进行第一轮模型训练，通过所述深度学习模型输出细胞图像训练集的第一轮细胞预测结果；根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新，并根据所述更新的细胞标记对细胞图像进行细胞追踪，得到细胞追踪结果；根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新，并将更新后的细胞图像训练集输入深度学习模型进行迭代训练，得到训练好的细胞检测模型；根据所述训练好的细胞预测模型对待检测细胞图像进行细胞检测与追踪。2.根据权利要求1所述的自动化干细胞检测方法，其特征在于，所述获取细胞图像还包括：分别对每张细胞图像依次进行亮度、对比度、缩放、旋转、裁切以及镜像填充操作，获取每张细胞图像的n张增强图像；分别对每张细胞图像的初始细胞标记依次进行缩放、旋转、裁切以及镜像填充操作，生成每张增强图像的细胞标记。3.根据权利要求1或2所述的自动化干细胞检测方法，其特征在于，所述将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签还包括：对所述细胞图像对应的荧光图像进行处理，获取所述细胞图像的初始细胞标记；或基于细胞检测器对所述细胞图像进行细胞检测，获取所述细胞图像的初始细胞标记。4.根据权利要求1所述的自动化干细胞检测方法，其特征在于，所述深度学习模型为U
‑
Net模型，所述U
‑
Net模型采用二进制交叉熵作为损失函数。5.根据权利要求2所述的自动化干细胞检测方法，其特征在于，所述根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新具体为：将每张细胞图像的n张增强图像的细胞预测结果进行加权求和；将每张细胞图像的加权求和结果与该细胞图像的初始细胞标记相加，作为每张细胞图像的新的细胞标记。6.根据权利要求5所述的自动化干细胞检测方法，其特征在于，所述根据所述更新的细胞标记对细胞图像进行细胞追踪具体为：分别计算某一细胞标记在第t帧以及第t+1帧中的面积；计算该细胞标记在第t帧与第t+1帧中的重叠面积；判...

【专利技术属性】
技术研发人员：吴昊，魏彦杰，潘毅，
申请(专利权)人：中国科学院深圳理工大学筹，
类型：发明
国别省市：