【技术实现步骤摘要】
一种基于自监督的类器官的异常检测方法
[0001]本专利技术涉及类器官培养过程中的异常检测领域，尤其涉及一种基于自监督的类器官的异常检测方法。
技术介绍
[0002]类器官本身是一种基于3D体外细胞培养系统建立的，与体内的来源组织或器官高度相似的一种模型，与传统的2D细胞培养模式相比，3D培养的类器官能更好的模拟器官组织的发生过程及生理病理状态，类器官在培养过程中会出现一些坏死或者疯涨(非正常生长)，及时发现和处理类器官培养非常重要，通过计算机视觉技术智能对类器官图像出现的异常进行检测是一种重要手段。目前市面上还没有与类器官异常检测相关的产品或者方法，从计算机视觉领域来说可能可用的方法，主要分为传统的异常检测方法和基于深度学习的异常检测方法。
[0003]传统的异常检测方法主要有：基于重构、基于聚类、基于最近邻和基于一类分类的异常检测方法，传统方法主要是通过设置固定阈值的方式来实现异常与否的判断，但是很多时候阈值需要随着执行的具体实例进行设置，因此传统的方法就不太适用于实例较多的情况，且当环境或光线发生变化时，传统算...
【技术保护点】
【技术特征摘要】
1.一种基于自监督的类器官的异常检测方法，其特征在于，包括：步骤1.获取类器官不同生长时期的显微图像；步骤2.构建数据集；所述构建数据集过程是在步骤1获取的图像中截取每一个类器官细胞，同时分辨出异常细胞并将每一类异常都放在不同的文件夹，数据集分为训练集、测试集和异常区域的二值图文件夹，训练集中只有正常样本，测试集中将正常和异常样本分开存放，异常区域的二值图文件夹存放测试集对应的异常样本的异常区域二值图；步骤3.构建深度学习网络用于类器官的异常检测具体是:使用步骤2得到训练集进行训练，训练时300个epoch内损失不再下降则表示模型收敛，最后使用测试集对训练好的类器官使用构建的深度学习网络进行测试，最终结果优劣的评估指标使用AUROC、AP和PRO
‑
score进行评判。2.根据权利要求1所述的基于自监督的类器官的异常检测方法，其特征在于，步骤3中，训练采用自监督的方式，训练时只用到了正常数据集，生成输入数据和标签时，首先获取到当前的正常数据帧，然后从其余剩余所有样本中随机挑选一个正常样本，并从挑选的样本中随机裁剪一个区域通过泊松融合，融合到当前数正常数据帧中，最后通过融合后的图像和融合前的图像作差并二值化，得到自监督学习的标签。3.根据权利要求1所述的基于自监督的类器官的异常检测方法，其特征在于，步骤2中，对图像按照6:2:2的比例划分出训练集、测试集和验证集，构建出供网络训练的数据集。4.根据权利要求1所述的基于自监督的类器官的异常检测方法，其特征在于，步骤3中，构建的深度学习网络模型基于Deeplabv3+改进的网络，网络总体结构为编码
‑
解码架构并且不需要预训练，网络的Backbone为Deeplabv3+网络中的修改的Modified Aligned xception网络结构，后接加入了通道注意力机制和空间注意力机制的Deeplabv3+网络中的aspp模块，再接解码部分；所述Modified Aligned xception网络是改进的Aligned xception网络模型，而Aligned xception又是由xception网络改进得来，Modified Aligned xception网络结构总体跟xception网络差不多，分为三个部分：Entry flow、Middle flow和Exit flow，相比于xception网络，Entry flow的网络结构只是将所有的最大池化操作修改为深度可分离卷积并额外在每个3
×
3深度卷积后添加Batch Normalization和Relu激活函数，深度可分离卷积目的是使用更少的参数来代替普通的3
×
3卷积；所述aspp模块用于提取特征，其主要结构有1个1
×
1的卷积、3个3
×
3的Atrous convolution分别比率为6、12、18，以及一个图像全局的池化操作，aspp处理步骤为：(1)对输入图像input使用1*1卷积降维；(2)用一个padding为6，dilition为6，核大小为3
×
3的卷积层进行卷积；(3)用一个padding为18，dilation为18，核大小为3
×
3的卷积层进行卷积；(4)用一个尺寸为input大小的全局池化层将input池化为1
×
1...
【专利技术属性】
技术研发人员：高琳，李衍志，李倩，白崧言，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。