一种基于深度学习的单细胞质谱系统自动聚焦方法技术方案

本发明专利技术公开一种基于深度学习的单细胞质谱系统自动聚焦方法。采用Pytorch深度学习框架构建模型，包括区域滤除机制、特征提取网络、分类器、分布式标签编码。采用单张图像作为模型的输入，根据实际需要对图像进行分块处理，在此基础上采用通道注意力机制对感兴趣区域进行筛选，滤除背景信息，再使用特征提取网络得到高维度的语义特征，这些特征经过分类器、分布式标签编码得到最终预测的散焦距离，即当前位置距离最佳成像位置的距离。本发明专利技术方法可以大大提高高分辨率图像输入下系统的实时性。以大大提高高分辨率图像输入下系统的实时性。以大大提高高分辨率图像输入下系统的实时性。

【技术实现步骤摘要】
一种基于深度学习的单细胞质谱系统自动聚焦方法


[0001]本专利技术属于仪器科学领域，具体涉及一种基于深度学习的单细胞质谱系统自动聚焦方法。

技术介绍

[0002]细胞作为生物体的最基本的结构和功能单位，细胞个体之间的异质性对于探索微观声明活动规律至关重要。为了更深层次地探索单细胞并获取更为精准的细胞生物学信息，必须从单细胞水平进行测量研究。目前，单细胞分析技术在近十年来取得了巨大的突破。而质谱分析技术作为一种高灵敏度和高特异性的非标志性检测技术，在细胞代谢物组学分析上得到了广泛的应用。Nano
‑
ESI技术是一种具有高离子化效率和高灵敏度的“软”离子化技术，较传统的电喷雾离子源，其消耗样品更少，具有更高的离子化效率和更充分的离子化时间。在Nano
‑
ESI技术的基础上提出的脉冲直流电纳喷雾离子源技术(Pico
‑
ESI)可以显著延长质谱信号的持续时间。而人们往往采用液滴微萃取取样方法与Pico
‑
ESI相结合的质谱分析方法，这种方法实现了高通量的单细胞代谢物组学分析。
[0003]上述方法的关键在于是否能提取到细胞萃取液，一般情况下，只要移液管尖端达到最佳萃取位置就可提取到细胞萃取液。为了充分地提取到细胞萃取液，于是在单细胞质谱系统中引入了视觉伺服控制系统，通过判断成像模块采集来的移液管图像的清晰度来确定移液管尖端是否准确到达了最佳的萃取位置。图像聚集效果越好，图像越清晰，那么移液管距离最佳萃取位置越近，于是这就变成了成像系统自动聚焦的过程。图像的聚焦效果随着移液管的变化而变化。但是移液管的移动是非常耗时的，严重影响了系统运行的效率。早期采用人工进行操作，后来采用传统的数字图像处理技术来计算由伺服系统中成像模块采集来的图像中感兴趣(ROI)区域的品质因数，以此来确定移液管的最佳萃取位置。然而传统的图像处理技术极易受外界光照等环境因素的影响，因此会出现较大的误差，精度较低。同时，图像的ROI区域的确定和品质因数的计算需要较长的计算时间，传统的图像处理技术很难满足单细胞系统近乎实时的响应要求。针对上述的精度差的问题，常用的方法为增加额外的硬件设备，但这无疑增加了系统的成本。

技术实现思路

[0004]本专利技术的第一个目的是针对现有技术的不足，提出一种基于深度学习的单细胞质谱系统自动聚集方法，该方法基于深度学习的图像处理技术，以提高复杂环境下单细胞质谱系统自动聚焦方法的精度和效率。
[0005]一种基于深度学习的单细胞质谱系统自动聚焦方法，在很大程度上解决了复杂、多变环境下系统自动聚焦精度差、效率低的问题。该种方法采用Pytorch深度学习框架构建模型，该模型主要由区域滤除机制、特征提取网络、分布式标签编码三部分构成。采用单张图像作为模型的输入，根据实际需要对图像进行分块处理，在此基础上采用通道注意力机制对感兴趣区域进行筛选，滤除背景信息，再使用特征提取网络得到高维度的语义特征，这
些特征经过分类器、分布式标签编码得到最终预测的散焦距离，即当前位置距离最佳成像位置的距离。为了解决数据之间的差异性和数据分布不均匀的问题，在特征提取网络部分采用CrossNorm机制，这使得模型效果更加稳定。
[0006]该方法具体包括以下步骤：
[0007]步骤1、获取单细胞质谱系统中移液管尖端的实时运动图像，并进行人工打标签，构建数据集；将数据集一部分作为训练集，另一部分作为测试集；
[0008]所述标签采用以下方法获得：
[0009](1)整个聚焦过程中每间隔一个固定时间获取对应移液管图像，共获取N张连续时刻的移液管尖端实时运动图像，本专利技术可以取N＝40。
[0010](2)从上述序列图像中人工筛选出移液管尖端聚焦最好的一张图像，记为图像x0，并将该图像x0中移液管尖端位置作为最佳萃取成像位置。
[0011]作为优选，所述移液管尖端聚焦效果最佳即移液管尖端位置位于图像的中间位置。
[0012](3)将上述图像x0作为参照图像，并计算根据以下公式计算各图像的散焦距离；
[0013][0014]其中d
n
表示图像x
n
的散焦距离，表示图像x0的时刻，表示图像x
n
的时刻，n∈{1,2,3,...,N},T表示固定间隔时长。
[0015]步骤2、搭建Pytorch深度学习模型，并利用训练集进行训练，然后利用测试集进行测试；
[0016]所述Pytorch深度学习模型包括区域滤除机制模块、特征提取网络、分类器、分布式标签编码模块；
[0017]所述区域滤除机制模块采用通道注意力机制对感兴趣区域进行筛选，滤除背景信息；具体是：
[0018](1)将单细胞质谱系统中移液管尖端实时运动图像按照中心裁剪的方式裁剪为规定的图像块尺寸的整数倍大小，并将裁剪后的图像进行灰度处理，得到灰度图。
[0019](2)将上述灰度图进行分块处理，且每一图像块均为相同的尺寸；再将图像块沿通道方向堆叠，得到一个多通道样本数据。
[0020](3)使用通道注意力机制对上述得到的多通道样本数据进行处理，得到一个通道掩膜。
[0021](4)使用上述通道掩膜与多通道样本数据沿通道方向进行点乘，得到滤除背景后数据。
[0022]所述特征提取网络用于根据区域滤除机制模块输出的滤除背景后数据提取高维度的语义特征；具体是以MobileNetV2为基础架构，在基础架构中的每一个Block后加入CrossNorm机制。
[0023]所述分类器用于根据特征提取网络输出的语义特征进行分类；
[0024]所述分布式标签编码模块用于对分类器输出的分类信息进行编码得到输入图像的散焦距离；
[0025]步骤3、利用训练测试好的Pytorch深度学习模型实现对单细胞质谱系统中移液管
尖端实时运动图像的散焦距离预测，进而实现对单细胞质谱系统进行自动聚焦。
[0026]作为优选，所述特征提取网络以MobileNetV2为基础架构，在基础架构中的每一个bottleneck块后加入CrossNorm机制。
[0027]作为优选，所述MobileNetV2由卷积块、bottleneck块和池化层堆叠而成。
[0028]所述MobileNetV2中卷积块由卷积操作、BatchNorm操作和Relu操作构成；bottleneck块使用的是一个倒残差结构：采用1x1卷积升维，3x3的深度可分离卷积和1x1卷积降维。
[0029]作为优选，散焦距离表示为分布式标签预测值与编码刻度的点乘，即：
[0030][0031]式中的表示样本数据x
n
的散焦距离预测值，P
n
表示样本数据x
n
对应的K维编码刻度，P
n
＝{p
j
},j∈{1,2,3,...,K}，表示分布式标签预测值，N表示样本数量。
[0032]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单细胞质谱系统自动聚焦方法，其特征在于包括以下步骤：步骤1、获取单细胞质谱系统中移液管尖端的实时运动图像，并进行人工打标签，构建数据集；将数据集一部分作为训练集，另一部分作为测试集；所述标签采用以下方法获得：(1)整个聚焦过程中间隔固定时间获取N张连续时刻的移液管尖端实时运动图像；(2)从图像中人工筛选出移液管尖端聚焦效果最佳的一张图像，记为图像x0，并将该图像x0中移液管尖端位置作为最佳萃取成像位置；(3)将上述图像x0作为参照图像，并计算根据以下公式计算各图像的散焦距离；其中d
n
表示图像x
n
的散焦距离，表示图像x0的时刻，表示图像x
n
的时刻，n∈{1,2,3,...,N}，T表示固定间隔时长；步骤2、搭建Pytorch深度学习模型，并利用训练集进行训练，然后利用测试集进行测试；所述Pytorch深度学习模型包括区域滤除机制模块、特征提取网络、分类器、分布式标签编码模块；所述区域滤除机制模块采用通道注意力机制对感兴趣区域进行筛选，滤除背景信息；具体是：(1)将单细胞质谱系统中移液管尖端实时运动图像按照中心裁剪的方式裁剪为规定的图像块尺寸的整数倍大小，并将裁剪后的图像进行灰度处理，得到灰度图；(2)将上述灰度图进行分块处理，且每一图像块均为相同的尺寸；再将图像块沿通道方向堆叠，得到一个多通道样本数据；(3)使用通道注意力机制对上述得到的多通道样本数据进行处理，得到一个通道掩膜；(4)使用上述通道掩膜与多通道样本数据沿通道方向进行点乘，得到滤除背景后数据；所述特征提取网络用于根据区域滤除机制模块输出的滤除背景后数据提取高维度的语义特征；所述分类器用于根据特征提取网络输出的语义特征进行分类；所述分布式标签编码模块用于对分类器输出的分类信息进行编码得到输入图像的散焦距离预测值步骤3、利用训练测试好的Pytorch深度学习模型实现对单细胞质谱系统中移液管尖端实时运动图像的散焦距离预测，进而实现对单细胞质谱系统进行自动聚焦。2.如权利要求1所述的方法，其特征在于所述特征提取网络以MobileNetV2为基础架构，在基础架构中的每一个bottleneck块后加入CrossNorm机制。3.如权利要求2所述的方法，其特征在于所述...

【专利技术属性】
技术研发人员：薛凌云，许洋洋，刘亦安，徐平，祝磊，严明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：