一种基于深度学习的hRPE细胞微管自动检测方法技术

本发明专利技术公开了一种基于深度学习的hRPE细胞微管自动检测方法，包括以下步骤：图像预拍摄：扫描拍摄，记录获取单张细胞微管图像的位置信息，将单张细胞微管图像进行拼接处理，获取多视野拼接图像，作为深度学习网络的输入图像；深度学习网络进行细胞检测：根据标注信息，自动提取特征，对输入检测图像进行细胞微管检测，获取细胞微管的位置信息、轮廓信息、类别信息；细胞微管拍摄路径规划：将细胞微管的位置信息、轮廓信息、类别信息作为输入信息，进行拍摄路径规划，控制显微镜移动到固定位置，完成拍摄。该方法避免人工寻找细胞，辨别细胞，实现hRPE细胞微管的自动检测功能，有效提高单次实验的优质样本检测的效率和质量，且具有较高的检测准确度。检测准确度。检测准确度。

【技术实现步骤摘要】
一种基于深度学习的hRPE细胞微管自动检测方法


[0001]本专利技术涉及一种细胞检测方法，具体涉及一种基于深度学习的hRPE细胞微管自动检测方法。

技术介绍

[0002]随着单细胞分析技术和超分辨成像技术的发展，生物领域的研究已经进入细胞层面，通过研究细胞组分数量及其空间分布、动态变化和相互作用，对细胞类型进行区分，对细胞行为进行解释。微管网络是真核细胞中蛋白质纤维网络结构，对于维持细胞形状、细胞内运动、细胞内的物质传输等方面有着重要作用。通过观察细胞微管结构，能够快速了解细胞状态，同时也能够以细胞微管作为参考坐标系，观察细胞各组分的空间分布。
[0003]现有hRPE细胞微管研究方法主要是通过荧光染液进行细胞染色，由人工通过移动载物台，肉眼观察每个样品孔中的所有细胞，寻找理想细胞进行拍摄，留存图像进行进一步的分析。由于显微镜视野优先，细胞在样品孔中分布不定，研究人员很难快速找到理想细胞进行拍摄，而荧光染液持续时间有限，单次实验往往只能进行几组细胞微管图像的拍摄。整个过程需要耗费大量时间与精力。为了降低科研人员的负担，亟需引入计算机技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的hRPE细胞微管自动检测方法，其特征在于，包括以下步骤：S1，图像预拍摄：对样品孔中的细胞进行扫描拍摄，记录获取单张细胞微管图像的位置信息，将单张细胞微管图像进行拼接处理，获取多视野拼接图像，作为深度学习网络的输入图像；S2，深度学习网络进行细胞检测：通过深度学习模型，根据标注信息，自动提取特征，对输入检测图像进行细胞微管检测，获取细胞微管的位置信息、轮廓信息、类别信息；S3，细胞微管拍摄路径规划：将所述细胞微管的位置信息、轮廓信息、类别信息作为输入信息，进行拍摄路径规划，控制显微镜移动到固定位置，完成拍摄。2.根据权利要求1所述的方法，其特征在于，所述步骤S1，所述图像拼接处理具体包括以下步骤：S11，设置图像拼接的视野数量和重叠量；S12，根据视野数量和重叠量规划扫描拍摄路径，拍摄hRPE细胞微管图像，记录所述图像的中心位置信息，其中，所述图像原点的坐标为设拍摄启动视野中心坐标为(x1，y1)，单视野范围大小为d
×
d，重叠量为overlap，则每一个视野的中心(x
n1
，y
n2
)的位置为：)的位置为：(n1＝1，2，3，...，n，n2＝1，2，3，...，n)根据所述图像的位置信息进行排列和粗配准；S13，采取最小二乘法计算相邻图像重叠区域的灰度值的差异，通过选取灰度值差异最小的重叠区域进行精配准，得到拼接图像。3.根据权利要求1所述的方法，其特征在于，所述步骤S2，具体包括以下步骤：S21，建立训练数据集，将步骤S1所述的输入图像下采样；S22，对数据集进行手动标注，将hRPE细胞分为三种类型：Unit细胞，即细胞伸展，具有很好观察价值的细胞；Part细胞，即只有部分具有观察价值的细胞；Bad细胞，不具有观察价值的细胞；S23，将标注完成的数据集分为训练集、验证集、测试集；S24，对训练集和验证集中的图像进行数据增强操作；S25，构建Mask
‑
RCNN卷积神经网络模型；S26，模型训练，导入训练集、验证集，通过深度卷积神经网络从数据集自动获取图像特征信息，采用验证集来调整模型训练的超参数；S27，将测试图像输入到深度学习网络中进行预测，得到细胞微管位置信息、轮廓信息、类别信息。4.根据权利要求3所述的方法，其特征在于，所述步骤S25，所述构建Mask
‑
RCNN卷积神经网络模型，具体为：构建骨干网络，通过多层的卷积、池化操作进行图像特征提取，生成特征图，供后续网络使用；特征金字塔网络，针对小尺寸目标检测，通过FPN特征金字塔网络对底层到高层的特征
图进行特征融合，生成包含有不同尺寸的特征图集，针对尺寸不同的对象，采用不同特征图进行特征提取；区域推荐网络，将特征金字塔网络提取的多层特征图输入到RPN区域推荐网络中；通过对锚的尺寸和形状的设置，生成候选框；同时对前景框和背景框采用非极大值抑制，当任意框重叠超过设定值，只保留其中经过Softmax处理后类置信度最高的框；其中Softmax函数为：其中a
j
表示类别j经过网络前向传播计算出来的得分；a
k
表示类别k经网络前向传播计算出来的得分，k取值1～T，表示包含所有类别；S
j
表示类别j经过Softmax函数后换算得到的概率；RoIAlign目标区域对齐算法，经过RPN网络后，获取了不同大小、形状的候选框，RoIAlign算法通过双线性插值在像素点之间进行插值，对插值后的图像进行最大池化操作，得到最终的固定尺寸的特征图；获取特征图后，对特征图进行处理，通过分类网络获取检测目标的类别信息和边界框信息，通过轮廓预测网络获取检测目标的轮廓信息；分类网络通过两层1*1*1024的卷积层，经过全连接层和Softmax处理得到类别概率矩阵，采取非极大值抑制操作，获取预测概率最高的类别作为预测类别；预测边界框操作一致，全连接层进行替换，改为对边界框的长宽和位置四个参数(w，h，x，y)进行预测；轮廓预测网络通过FCN全卷积网络，对每一个候选框...

【专利技术属性】
技术研发人员：肖文磊，吴少宇，孙育杰，蒿慧文，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：