基于人工智能的类器官活性识别方法及系统技术方案

本发明专利技术涉及一种基于人工智能的类器官活性识别方法及系统，其中，所述方法包括：获取经过荧光染色的类器官培养孔板，所述类器官培养孔板被置入细胞成像系统中；通过所述细胞成像系统采集所述类器官培养孔板的荧光图与明场图；为所述荧光图添加标签文件，并基于所述明场图和所述标签文件构建训练样本集；通过所述训练样本集中的训练样本对识别模型进行训练，并基于完成训练训练的识别模型进行类器官活性识别分析。本发明专利技术提供的技术方案，能够在不影响类器官培养的情况下，有效地对类器官活性进行识别。进行识别。进行识别。

【技术实现步骤摘要】
基于人工智能的类器官活性识别方法及系统


[0001]本专利技术涉及数据处理
，具体而言，涉及一种基于人工智能的类器官活性识别方法及系统。

技术介绍

[0002]显微镜是一种用来观察生物切片、生物细胞、类器官以及活体组织培养、流质沉淀等，也可以观察其他透明或者半透明物体以及粉末、细小颗粒等物体的精密光学仪器。可利用显微镜实现对类器官的明场图像和荧光图像的获取，以此进行类器官的活性识别和生长情况评估。
[0003]目前尚未存在专门用于显微镜下的类器官活性识别检测软件，而显微镜所能实现的类器官活性识别，则需要对类器官进行染色处理，同时以人工框选目标物，方能实现部分类器官的识别，对类器官的培养有一定的影响。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于人工智能的类器官活性识别方法及系统，能够在不影响类器官培养的情况下，有效地对类器官活性进行识别。
[0005]为实现上述目的，本专利技术一方面提供了一种基于人工智能的类器官活性识别方法，所述方法包括：
[0006]获取经过荧光染色的类器官培养孔板，所述类器官培养孔板被置入细胞成像系统中；
[0007]通过所述细胞成像系统采集所述类器官培养孔板的荧光图与明场图；
[0008]为所述荧光图添加标签文件，并基于所述明场图和所述标签文件构建训练样本集；
[0009]通过所述训练样本集中的训练样本对识别模型进行训练，并基于完成训练训练的识别模型进行类器官活性识别分析。
[0010]在一个实施方式中，获取经过荧光染色的类器官培养孔板包括：
[0011]在染色培养液中按比例加入Calcein
‑
AM与PI荧光试剂，配比后替换类器官培养孔板中的培养液，以对所述类器官培养孔板中的活细胞和死细胞进行荧光染色。
[0012]在一个实施方式中，为所述荧光图添加标签文件包括：
[0013]在Labelme软件中加载所述荧光图，并响应于绘制指令，通过绘制工具框选所述荧光图中产生荧光作用的类器官；
[0014]在视野中产生荧光作用的类器官均被框选完后，通过所述Labelme软件生成对应的标签文件。
[0015]在一个实施方式中，通过所述训练样本集中的训练样本对识别模型进行训练包括：
[0016]按顺序将明场图以及对应的标签文件输入所述识别模型，通过所述识别模型将所
述标签文件归一化为二值图，并提取明场图特征；
[0017]利用上采样操作恢复明场图特征的图像尺寸，得到明场图的特征图；
[0018]将所述明场图的特征图与所述标签文件的二值图进行特征匹配，以对标签文件中的类器官特征进行迭代学习。
[0019]在一个实施方式中，对标签文件中的类器官特征进行迭代学习过程中，采用损失函数表达明场图的特征图与标签文件的二值图之间差异程度的偏差，并利用优化器，基于所述偏差对所述识别模型中的网络权值进行更新；
[0020]将所述损失函数、优化器和迭代训练获得的识别模型送入图形处理器中再次进行迭代训练，直至损失函数达到目标值则停止训练。
[0021]在一个实施方式中，所述损失函数基于交叉熵反应预测值与实际值的误差，按照以下公式进行计算：
[0022][0023]其中，L为N个样本的预测值与实际值的误差，Organiod为类器官判断值，若Organiod为1，则为类器官，若Organiod为0，则为背景，p
i
为模型预测值，N为样本总数。
[0024]本专利技术另一方面还提供一种基于人工智能的类器官活性识别系统，所述系统包括：
[0025]孔板获取单元，用于获取经过荧光染色的类器官培养孔板，所述类器官培养孔板被置入细胞成像系统中；
[0026]图像采集单元，用于通过所述细胞成像系统采集所述类器官培养孔板的荧光图与明场图；
[0027]类器官活性识别单元，涵盖了训练好的类器官活性识别模型，该单元用于实现明场图的类器官活性识别；
[0028]活性识别分析单元，对类器官活性识别单元识别的类器官进行分析，得出类器官的尺寸参数，面积占比，数量等。
[0029]在一个实施方式中，所述孔板获取单元具体用于，在染色培2养液中按比例加入Calcein
‑
AM与PI荧光试剂，配比后替换类器官培养孔板中的培养液，以对所述类器官培养孔板中的活细胞和死细胞进行荧光染色。
[0030]在一个实施方式中，所述类器官活性识别单元具体用于，利用一个已训练好的识别模型，对明场图进行活性类器官的识别。
[0031]在一个实施方式中，所述活性识别分析单元具体用于，利用类器官活性识别单元识别活性类器官后，对类器官进行参数分析，其中包括数量、面积、直径分布等。
[0032]本专利技术的有益效果为：
[0033]本方法以类器官影像为数据，数据直观形象，不需要对类器官进行染色处理，相较于其他方式，保证了类器官在不做染色处理的情况下检测样本中的活类器官情况，为类器官培养当中的质控以及药敏分析建立的重要一环，利于检测的类器官进行后续的培养和实验。
附图说明
[0034]图1示出了本专利技术一个实施方式中基于人工智能的类器官活性识别方法步骤示意图；
[0035]图2(a)为显微镜采集的图像；
[0036]图2(b)为利用显微镜扫描获取的类器官的光学影像图；
[0037]图2(c)为图像中识别出的类器官；
[0038]图3为本专利技术一个实施方式中的基于人工智能的类器官活性识别系统的功能模块示意图。
具体实施方式
[0039]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例，对本专利技术的技术方案作进一步清楚、完整地描述。需要说明的是，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]请参阅图1，本专利技术提供一种基于人工智能的类器官活性识别方法，该方法可以包括以下多个步骤。
[0041]S1：获取经过荧光染色的类器官培养孔板，所述类器官培养孔板被置入细胞成像系统中；
[0042]S2：通过所述细胞成像系统采集所述类器官培养孔板的荧光图与明场图；
[0043]S3：为所述荧光图添加标签文件，并基于所述明场图和所述标签文件构建训练样本集；
[0044]S4：通过所述训练样本集中的训练样本对识别模型进行训练，并基于完成训练训练的识别模型进行类器官活性识别分析。
[0045]在一个实施方式中，获取经过荧光染色的类器官培养孔板包括：
[0046]在染色培养液中按比例加入Calcein
‑
AM与PI荧光试剂，配比后替换类器官培养孔板中的培养液，以对所述类器官培养孔板中的活细胞和死细胞进行荧光染色。
[0047]在一个实施方式中，为所述荧光图添本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的类器官活性识别方法，其特征在于，所述方法包括：获取经过荧光染色的类器官培养孔板，所述类器官培养孔板被置入细胞成像系统中；通过所述细胞成像系统采集所述类器官培养孔板的荧光图与明场图；为所述荧光图添加标签文件，并基于所述明场图和所述标签文件构建训练样本集；通过所述训练样本集中的训练样本对识别模型进行训练，并基于完成训练训练的识别模型进行类器官活性识别分析。2.根据权利要求1所述的方法，其特征在于，获取经过荧光染色的类器官培养孔板包括：在染色培养液中按比例加入Calcein
‑
AM与PI荧光试剂，配比后替换类器官培养孔板中的培养液，以对所述类器官培养孔板中的活细胞和死细胞进行荧光染色。3.根据权利要求1所述的方法，其特征在于，为所述荧光图添加标签文件包括：在Labelme软件中加载所述荧光图，并响应于绘制指令，通过绘制工具框选所述荧光图中产生荧光作用的类器官；在视野中产生荧光作用的类器官均被框选完后，通过所述Labelme软件生成对应的标签文件。4.根据权利要求1所述的方法，其特征在于，通过所述训练样本集中的训练样本对识别模型进行训练包括：按顺序将明场图以及对应的标签文件输入所述识别模型，通过所述识别模型将所述标签文件归一化为二值图，并提取明场图特征；利用上采样操作恢复明场图特征的图像尺寸，得到明场图的特征图；将所述明场图的特征图与所述标签文件的二值图进行特征匹配，以对标签文件中的类器官特征进行迭代学习。5.根据权利要求4所述的方法，其特征在于，对标签文件中的类器官特征进行迭代学习过程中，采用损失函数表达明场图的特征图与标签文件的二值图之间差异程度的偏差，并利用优化器，基于所述偏差对所述识别模...

【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：