一种基于人工智能的类器官ATP分析方法及系统技术方案

本发明专利技术提供一种基于人工智能的类器官ATP分析方法及系统。该ATP分析方法包括：对类器官培养孔板一一进行图像采集，获得一系列类器官图像；将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；将获得的系列类器官全景图和所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析。将该方法及系统用于监测类器官培养过程，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。简单高效。简单高效。

【技术实现步骤摘要】
一种基于人工智能的类器官ATP分析方法及系统


[0001]本专利技术属于生物医药
，具体涉及一种基于人工智能的类器官ATP分析方法及系统。

技术介绍

[0002]腺苷三磷酸(ATP adenosine triphosphate)是由腺嘌呤、核糖和3个磷酸基团连接而成，水解时释放出能量较多，是生物体内最直接的能量来源。可通过对类器官的ATP进行分析，来评估类器官的活力情况。
[0003]现有检测类器官活性的通用方法为CTG(CELL TITER
‑
GLO)发光法，该方法需要加入对应试剂，使类器官发光，通过检测发光信号反映类器官的ATP指标，但该检测过程会导致类器官裂解，检测完毕后的类器官无法继续进行培养，并且检测程序相对复杂、耗时。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于人工智能的类器官ATP分析方法及系统。本专利技术的技术方案为：
[0005]第一个方面，本专利技术提供一种基于人工智能的类器官ATP分析方法：包括以下步骤：
[0006]步骤1，对类器官培养孔板一一进行图像采集，获得一系列类器官图像；
[0007]步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；
[0008]步骤3，对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；
[0009]步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；
[0010]步骤5，利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析。
[0011]进一步地，所述步骤3中对类器官培养孔板采用CTG发光法进行类器官活力值检测，具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用ATP检测仪检测孔内类器官的ATP活力值。
[0012]优选地，所述步骤4中类器官ATP检测模型为神经网络模型，所述神经网络模型采用监督学习的方法进行迭代训练。
[0013]进一步地，所述步骤4中神经网络模型的具体迭代训练过程包括：
[0014](1)首先将全景图中超曝光部分进行像素调节，使用OpenCV视觉库中的findContours检测出类器官培养孔轮廓，接着采用boundingRect包覆该轮廓的最小正矩形；
[0015](2)将所有ATP活力值和对应的类器官全景图输入至神经网络模型中用于特征提
取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有ATP活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的ATP活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
[0016](3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(GPU)中再次进行迭代训练，直至误差L(y，Y)小于给定阈值停止训练。
[0017]进一步地，所述步骤(2)中总特征值采用公式Ⅰ计算：
[0018]Y＝a1×
X1+a2×
X2+a3×
X3+a4×
X4+...+a
n
×
X
nⅠ；
[0019]式Ⅰ中，Y为全连接后的总特征值，X1、X2、...X
n
为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数。
[0020]进一步地，所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit
‑
learn库中的函数，并采用公式Ⅱ计算均方误差：
[0021][0022]式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
[0023]第二方面，本专利技术提供一种基于人工智能的ATP分析系统，包括：
[0024]显微图像获取装置，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图；
[0025]类器官ATP检测装置，与所述显微图像获取装置连接，所述类器官ATP检测装置包括类器官培养孔检测模块、类器官ATP分析模块；所述类器官培养孔检测模块用于提取类器官培养孔轮廓；所述类器官ATP分析模块在基于所述ATP检测模型的基础上对获取的类器官显微图像进行ATP分析；
[0026]通讯装置，用于将所述显微图像获取装置和类器官ATP检测装置进行通讯连接。
[0027]进一步地，所述类器官ATP分析模块采用基于神经网络的类器官ATP检测模型，所述类器官ATP检测模型的卷积网络连接有全连接层。
[0028]进一步地，所述类器官ATP检测模型采用基于均方误差原理的损失函数，通过调用scikit
‑
learn库中的函数，并采用公式Ⅱ计算均方误差：
[0029][0030]式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
[0031]第三方面，本专利技术提供一种类器官培养的监测方法，是采用上述ATP分析系统，该监测方法包括以下步骤：
[0032]获取待培养组织；
[0033]培养类器官；
[0034]采用所述ATP分析系统监测类器官活力值。
[0035]本专利技术的有益效果为：
[0036]本专利技术以类器官图像为直接分析数据，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。相较于现有的CTG(CELL TITER
‑
GLO)发光法，在保证不损害类器官的情况下即可检测类器官的活性，为类器官培养当中的质控以及药敏分析建立了智能化处理的重要一环，利于检测的类器官继续进行后续培养和实验。
附图说明
[0037]图1为本专利技术的ATP分析方法的工艺流程图。
[0038]图2为本专利技术实施例1中类器官系列全景图。
[0039]图3为本专利技术实施例1中类器官系列培养孔轮廓图。
[0040]图4为本专利技术实施例2中类器官系列全景图。
[0041]图5为本专利技术实施例1中类器官系列培养孔轮廓图。
具体实施方式
[0042]本专利技术开发基于人工智能的类器官ATP分析方法过程中采用的现有ATP分析仪为Biotek公司Synergy 2化学发光仪。
[0043]在本专利技术的描述中，需要说明的是，实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的类器官ATP分析方法，其特征在于：包括以下步骤：步骤1，对类器官培养孔板一一进行图像采集，获得一系列类器官图像；步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；步骤3，对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；步骤5，利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析。2.根据权利要求1所述的一种基于人工智能的类器官ATP分析方法，其特征在于：所述步骤3中对类器官培养孔板采用CTG发光法进行类器官活力值检测，具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用ATP检测仪检测孔内类器官的ATP活力值。3.根据权利要求1所述的一种基于人工智能的类器官ATP分析方法，其特征在于：所述步骤4中类器官ATP检测模型为神经网络模型，所述神经网络模型采用监督学习的方法进行迭代训练。4.根据权利要求3所述的一种基于人工智能的类器官ATP分析方法，其特征在于：所述步骤4中神经网络模型的具体迭代训练过程包括：(1)首先将全景图中超曝光部分进行像素调节，使用OpenCV视觉库中的findContours检测出类器官培养孔轮廓，接着采用boundingRect包覆该轮廓的最小正矩形；(2)将所有ATP活力值和对应的类器官全景图输入至神经网络模型中用于特征提取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有ATP活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的ATP活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(GPU)中再次进行迭代训练，直至误差L(y，Y)小于给定阈值停止训练。5.根据权利要求4所述的一种基于人工智能的类器官ATP分析方法，其特征在于：所述步骤(2)中总特征值采用公式Ⅰ计算：Y＝a1×...

【专利技术属性】
技术研发人员：陈泽新，朱宇，邓瑞泓，黄敏，
申请(专利权)人：创芯国际生物科技广州有限公司，
类型：发明
国别省市：