基于深度学习的细胞牵引力测量方法、装置、设备及介质制造方法及图纸

本公开提供一种基于深度学习的细胞牵引力测量方法、装置、设备及介质。该基于深度学习的细胞牵引力测量方法包括：构建深度学习网络；生成深度学习网络训练集；利用深度学习网络训练集对深度学习网络进行训练；输入待测的荧光颗粒图像到训练好的深度学习网络并执行计算，得到细胞牵引力的测量值。本公开通过将深度学习引入细胞牵引力测量过程中，使测量精度不具有主观依赖性，且测量方法简单，能够有效地提高细胞牵引力反演的计算效率，实现了对细胞牵引力的高通量实时测量。细胞牵引力的高通量实时测量。细胞牵引力的高通量实时测量。

【技术实现步骤摘要】
基于深度学习的细胞牵引力测量方法、装置、设备及介质


[0001]本公开涉及细胞测量
，尤其涉及一种基于深度学习的细胞牵引力测量方法、装置、设备及介质。

技术介绍

[0002]众所周知，细胞生活在由分泌蛋白、多糖、可溶性因子等成分组成的复杂的细胞外基质中，并始终与细胞外基质之间存在着相互作用力，即细胞牵引力。近年来，越来越多的研究表明细胞牵引力不仅与细胞正常生理条件下的各种活动(例如细胞的粘附、迁移、干细胞的分化)息息相关，甚至还调控着病理条件下细胞的多种行为，例如肿瘤细胞的扩散和转移等。
[0003]牵引力显微镜(Traction Force Microscopy，TFM)方法是目前使用最为广泛的一种测量细胞牵引力的技术手段。该方法在细胞培养模型中添加可供成像的荧光颗粒，当细胞对胞外基质施加牵引力时，这些荧光颗粒将会发生移动，反映此过程中位移场的分布。通过测定此位移场，结合适当的力学模型，则可以实现对此时细胞牵引力的反演。该方法巧妙地将难以实现的对细胞牵引力的直接测量，转化为更易实现的对位移场的测量，不限制细胞的粘附、可以获得牵引力各个方向的分量，具有难以替代的优势，在定量生物学研究的相关领域中均起到至关重要的作用。
[0004]然而，牵引力显微镜方法的测量精度依赖于使用者的经验，涉及到复杂的迭代求解。当对三维细胞牵引力进行反演时，其测量效率会更为显著地降低，限制了此方法的进一步推广与应用。

技术实现思路

[0005](一)要解决的技术问题
[0006]针对目前存在的技术问题，本公开提出一种基于深度学习的细胞牵引力测量方法、装置、设备及介质。
[0007](二)技术方案
[0008]本公开的目的可以通过以下技术方案来实现：
[0009]本公开提供了一种基于深度学习的细胞牵引力测量方法，该方法包括：构建深度学习网络；生成深度学习网络训练集；利用深度学习网络训练集对深度学习网络进行训练；以及输入待测的荧光颗粒图像到训练好的深度学习网络并执行计算，得到细胞牵引力的测量值。
[0010]在本公开实施例中，所述构建深度学习网络的步骤中，所述深度学习网络包括八层，第一层为图像分割层，第二层为第一卷积层，第三层为第一最大池化层，第四层为第二卷积层，第五层为第二最大池化层，第六层为全连接层，第七层为装配层，第八层为牵引力层，其中：
[0011]在第一层，图像分割层在输入的荧光颗粒图像中的细胞表面选定N个采样点，N为
大于1的自然数，并以此N个采样点作为中心将输入的荧光颗粒图像分割成一系列子图像，这些子图像记作a
(1)
被传递至第一卷积层，用于后续的特征提取；
[0012]在第二层，第一卷积层使用卷积核K
(2)
对输入的子图像a
(1)
进行如下的卷积运算：
[0013][0014]其中，a
(2)
是该第一卷积层的输出张量，b
(2)
是偏差向量，ω是线性整流函数，通过学习来调整参数K
(2)
及b
(2)
的取值，该第一卷积层能够从荧光颗粒图像中提取结构化的特征信息；
[0015]在第三层，第一最大池化层的输入特征a
(2)
和输出特征a
(3)
之间的映射如下：
[0016]a
(3)
＝Φ(a
(2)
)
[0017]其中，Φ为最大池化函数，该最大池化函数仅保留池化窗内的最大特征值，进而实现对特征图a
(2)
的压缩；
[0018]在第四层，第二卷积层通过卷积运算进一步提取数据集中的抽象特征，并使用线性整流函数激活：
[0019][0020]其中，a
(4)
是该第二卷积层的输出张量，b
(4)
是该第二卷积层的偏差向量，b
(4)
与卷积核K
(4)
共同构成了该第二卷积层的待学习参数；
[0021]在第五层，第二最大池化层通过最大池化运算进一步融合第二卷积层输出的特征张量a
(4)
、扩大元素的感受野并提高计算效率：
[0022]a
(5)
＝Φ(a
(4)
)
[0023]在第六层，该全连接层采用下式将结构化的特征图a
(5)
映射为节点位移向量d：
[0024]d＝M
(6)
a
(5)
+b
(6)
[0025]其中，矩阵M
(6)
及偏差向量b
(6)
是该全连接层的可学习参数；
[0026]在第七层，各采样点的位移信息与空间信息在装配层中被整合，并传递至牵引力层；
[0027]在第八层，牵引力层进行细胞牵引力的计算，得到细胞牵引力的测量值。
[0028]在本公开实施例中，所述深度学习网络以变形前和变形后的荧光颗粒图像作为输入。
[0029]在本公开实施例中，所述图像分割层以此N个采样点作为中心将输入的荧光颗粒图像分割成一系列子图像，所述子图像是尺寸为l
a
×
l
b
×
l
c
的子图像，当对二维问题进行处理时，取l
c
＝1。
[0030]在本公开实施例中，所述牵引力层进行细胞牵引力的计算，得到细胞牵引力的测量值，是通过求解下式实现的：
[0031]V为体积，A为相应的表面，u为虚位移。
[0032]在本公开实施例中，所述生成深度学习网络训练集的步骤中，所述深度学习网络的输入为变形前、后的荧光颗粒图像，其中变形前荧光颗粒图像通过在细胞外基质中随机指定荧光颗粒的分布生成，变形后荧光颗粒图像中荧光颗粒的分布则由理论位移场确定。
[0033]在本公开实施例中，所述理论位移场是通过求解边界条件约束下的以下平衡方程获得：
[0034][0035]其中，V指代细胞外基质部分，S
f
为力边界，S
g
为位移边界，P为第一类Piola
‑
Kirchhoff应力，N为单位法向量，f为指定面力，g为指定位移；细胞的形貌、牵引力以及细胞外基质中的荧光颗粒的分布被取为变量，以构成丰富的训练集。
[0036]在本公开实施例中，所述利用深度学习网络训练集对深度学习网络进行训练的步骤中，是采用所述生成深度学习网络训练集的步骤中获得的模拟荧光颗粒图像对含有待定参数的隐藏层进行训练，具体过程如下：
[0037]通过令损失函数取得最小值，来确定深度学习网络待学习参数Θ的取值，即：
[0038]Θ＝argminC
[0039]其中，C为网络损失函数；对该方程采用小批量随机梯度下降方法进行求解，即参数Θ在每个迭代步中的更新表示为：
[0040][0041]其中，α为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的细胞牵引力测量方法，其特征在于，包括：构建深度学习网络；生成深度学习网络训练集；利用深度学习网络训练集对深度学习网络进行训练；以及输入待测的荧光颗粒图像到训练好的深度学习网络并执行计算，得到细胞牵引力的测量值。2.根据权利要求1所述的基于深度学习的细胞牵引力测量方法，其特征在于，所述构建深度学习网络的步骤中，所述深度学习网络包括八层，第一层为图像分割层，第二层为第一卷积层，第三层为第一最大池化层，第四层为第二卷积层，第五层为第二最大池化层，第六层为全连接层，第七层为装配层，第八层为牵引力层，其中：在第一层，图像分割层在输入的荧光颗粒图像中的细胞表面选定N个采样点，N为大于1的自然数，并以此N个采样点作为中心将输入的荧光颗粒图像分割成一系列子图像，这些子图像记作a
(1)
被传递至第一卷积层，用于后续的特征提取；在第二层，第一卷积层使用卷积核K
(2)
对输入的子图像a
(1)
进行如下的卷积运算：其中，a
(2)
是该第一卷积层的输出张量，b
(2)
是偏差向量，ω是线性整流函数，通过学习来调整参数K
(2)
及b
(2)
的取值，该第一卷积层能够从荧光颗粒图像中提取结构化的特征信息；在第三层，第一最大池化层的输入特征a
(2)
和输出特征a
(3)
之间的映射如下：a
(3)
＝Φ(a
(2)
)其中，Φ为最大池化函数，该最大池化函数仅保留池化窗内的最大特征值，进而实现对特征图a
(2)
的压缩；在第四层，第二卷积层通过卷积运算进一步提取数据集中的抽象特征，并使用线性整流函数激活：其中，a
(4)
是该第二卷积层的输出张量，b
(4)
是该第二卷积层的偏差向量，b
(4)
与卷积核K
(4)
共同构成了该第二卷积层的待学习参数；在第五层，第二最大池化层通过最大池化运算进一步融合第二卷积层输出的特征张量a
(4)
、扩大元素的感受野并提高计算效率：a
(5)
＝Φ(a
(4)
)在第六层，该全连接层采用下式将结构化的特征图a
(5)
映射为节点位移向量d：d＝M
(6)
a
(5)
+b
(6)
其中，矩阵M
(6)
及偏差向量b
(6)
是该全连接层的可学习参数；在第七层，各采样点的位移信息与空间信息在装配层中被整合，并传递至牵引力层；在第八层，牵引力层进行细胞牵引力的计算，得到细胞牵引力的测量值。3.根据权利要求2所述的基于深度学习的细胞牵引力测量方法，其特征在于，所述深度学习网络以变形前和变形后的荧光颗粒图像作为输入。
4.根据权利要求2所述的基于深度学习的细胞牵引力测量方法，其特征在于，所述图像分割层以此N个采样点作为中心将输入的荧光颗粒图像分割成一系列子图像，所述子图像是尺寸为l
a
×
...

【专利技术属性】
技术研发人员：黄建永，段晓岑，熊春阳，
申请(专利权)人：北京大学，
类型：发明
国别省市：