一种细胞融合状况智能评估方法及系统、设备技术方案

本发明专利技术提供了一种细胞融合状况智能评估方法及系统、设备，主要过程包括，利用训练样本集和所述测试样本集对智能评估模型进行训练，得到训练后的小规模卷积神经网络；判断是否GPU可用，若可用，则在GPU中执行小规模卷积神经网络并对待评估的融合细胞图像进行分析；否则，获得需要启动的进程个数，根据进程和所述CPU核心调度执行小规模卷积神经网络并对待评估的融合细胞图像进行分析；在待评估的融合细胞图像上显示结果。本发明专利技术不仅能够准确对克隆过程的细胞融合自动评估，而且构建的智能评估模型简单，在个人电脑或者移动设备上即可运行，减轻了科研人员的压力，提高克隆的效率。提高克隆的效率。提高克隆的效率。

【技术实现步骤摘要】
一种细胞融合状况智能评估方法及系统、设备


[0001]本专利技术涉及细胞融合分析领域，尤其涉及细胞融合状况智能评估方法及系统、设备。

技术介绍

[0002]哺乳动物克隆的方法主要有胚胎分割和细胞核移植两种。所谓细胞核移植，是指将不同发育时期的胚胎或成体动物的细胞核，经显微手术和细胞融合方法移植到去核卵母细胞中，重新组成胚胎并使之发育成熟的过程，如图1所示。目前，对于细胞融合质量的好坏，需要经验丰富的研究人员用肉眼观察，对人员的实践经验要求比较高，不利于产业的大规模推广。
[0003]经验丰富的研究人员判断细胞融合质量的好坏来自以往对细胞融合质量好坏的不断学习、总结，而机器学习使得计算机也能够从一堆数据中学习，并且能够像人一样做出决策。机器学习能够减轻研究人员在判断细胞融合状况的压力，然而，现有还没有一种机器学习方法能够很好的判断融合细胞质量状况。急需一种能够准确对细胞融合状况进行评估的方法，可以自动评估细胞融合质量，以利于产业的大规模推广。

技术实现思路

[0004]为了能够高精度而且使用较少的计算资源对细胞融合状况进行评估，在第一方面，本专利技术提供了一种细胞融合状况智能评估方法，所述方法包括以下步骤：
[0005]S1，采集融合后细胞的图像，根据所述图像构建训练样本集和测试样本集，构建细胞融合状况智能评估模型，利用所述训练样本集和所述测试样本集对所述智能评估模型进行训练，得到训练后的小规模卷积神经网络；
[0006]S2，当检测到用户打开细胞融合状况智能评估系统时，判断是否GPU可用，若可用，则在GPU中执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；否则，执行S3；
[0007]S3，获得需要启动的进程个数，所述进程个数为所述小规模卷积神经网络中卷积层数和全连接层个数之和；根据所述进程和所述CPU核心调度执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；
[0008]S4，根据分析结果得到识别结果，并在所述待评估的融合细胞图像上显示。
[0009]优选地，所述根据所述进程和所述CPU核心调度执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析，具体为：
[0010]按照所述小规模卷积神经网络从输入到输出的顺序对所述卷积层排序，获得排序后的卷积层，建立所述卷积层和所述进程的对应关系；根据所述全连接层中神经元的个数对全连接层进行排序，获得排序后的全连接层，建立所述全连接层与所述进程的对应关系；
[0011]按照负载从小到大的顺序对所述CPU核心进行排序，若CPU核心数大于或等于所述进程个数，将排序后的卷积层依次绑定到排序后的CPU核心，在所述卷积层分配给所述CPU
核心之后，将排序后的全连接层依次绑定到剩余的排序后的CPU核心；否则，将排序后的卷积层依次绑定到排序后的CPU核心，直到最后一个CPU核心，然后从排序后的第一个CPU核心开始将剩余的排序后的卷积层依次绑定到排序后的CPU核心，直到卷积层和CPU核心绑定完毕，然后，接着建立全连接层和所述CPU核心的绑定关系。
[0012]优选地，所述S1，具体包括：
[0013]S11，采集融合后细胞的图像，根据细胞融合情况对所述图像进行标注，得到融合细胞图像集，对所述融合细胞图像集进行划分得到训练样本集、测试样本集；
[0014]S12，构建第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型，所述第一卷积神经网络模型的复杂度高于第二卷积神经网络模型，所述第二卷积神经网络模型的复杂度高于第三卷积神经网络；
[0015]S13，利用所述训练样本集对所述第一卷积神经网络模型进行训练，得到训练后的所述第一卷积神经网络模型，使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，得到训练后的所述第二卷积神经网络模型；
[0016]S14，使用所述训练后的所述第一卷积神经网络模型和所述第二卷积神经网络模型对第三卷积神经网络模型的训练过程进行指导，得到训练后的第三卷积神经网络模型，保存训练后的第三卷积神经网络模型，作为训练后的小规模卷积神经网络。
[0017]优选地，所述使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，得到训练后的所述第二卷积神经网络模型，具体为：
[0018]将所述训练样本集分为第一训练样本集和第二训练样本集，所述第一训练样本集的大小和所述第二训练样本集的大小相同；
[0019]交替执行S131和S132，直到所述第一训练样本集和所述第二训练样本集训练完毕，得到训练后的所述第二卷积神经网络模型；
[0020]所述S131为：在所述第一训练样本集内，使用所述训练后的所述第一卷积神经网络模型对第二卷积神经网络模型的训练过程进行指导；
[0021]所述S132为：在所述第二训练样本集内，采用第二训练样本集对第二卷积神经网络模型进行训练。
[0022]优选地，所述使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，具体是：
[0023]对于相同的训练样本图像，将所述第一卷积神经网络模型的输出作为第一输出，将所述第二卷积神经网络模型的输出作为第二输出，根据所述第一输出、所述第二输出和训练样本图像标签值计算得到第二卷积神经网络模型的Loss，并进行反向传播。
[0024]优选地，所述使用所述训练后的所述第一卷积神经网络模型和所述第二卷积神经网络模型对第三卷积神经网络模型的训练过程进行指导，具体为：
[0025]对于相同的训练样本图像，将所述第一卷积神经网络模型的输出作为第三输出，将所述第二卷积神经网络模型的输出作为第四输出，将所述第三卷积神经网络模型的输出作为第五输出，根据所述第三输出、所述第四输出、第五输出和训练样本图像标签值计算得到第三卷积神经网络模型的Loss，并进行反向传播。
[0026]另外一方面，本专利技术提供了一种细胞融合状况智能评估系统，所述系统包括以下模块：
[0027]模型训练模块，用于采集融合后细胞的图像，根据所述图像构建训练样本集和测试样本集，构建细胞融合状况智能评估模型，利用所述训练样本集和所述测试样本集对所述智能评估模型进行训练，得到训练后的小规模卷积神经网络；
[0028]调度模块，用于当检测到用户打开细胞融合状况智能评估系统时，判断是否GPU可用，若可用，则在GPU中执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；否则，执行CPU执行模块；
[0029]CPU执行模块，用于获得需要启动的进程个数，所述进程个数为所述小规模卷积神经网络中卷积层数和全连接层个数之和；根据所述进程和所述CPU核心调度执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；
[0030]结果显示模块，用于根据分析结果得到识别结果，并在所述待评估的融合细胞图像上显示。
[0031]优选地，所述根据所述进程和所述CPU核心调度执行所述小规模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细胞融合状况智能评估方法，其特征在于，所述方法包括以下步骤：S1，采集融合后细胞的图像，根据所述图像构建训练样本集和测试样本集，构建细胞融合状况智能评估模型，利用所述训练样本集和所述测试样本集对所述智能评估模型进行训练，得到训练后的小规模卷积神经网络；S2，当检测到用户打开细胞融合状况智能评估系统时，判断是否GPU可用，若可用，则在GPU中执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；否则，执行S3；S3，获得需要启动的进程个数，所述进程个数为所述小规模卷积神经网络中卷积层数和全连接层个数之和；根据所述进程和所述CPU核心调度执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析；S4，根据分析结果得到识别结果，并在所述待评估的融合细胞图像上显示。2.如权利要求1所述的方法，其特征在于，所述根据所述进程和所述CPU核心调度执行所述小规模卷积神经网络并对待评估的融合细胞图像进行分析，具体为：按照所述小规模卷积神经网络从输入到输出的顺序对所述卷积层排序，获得排序后的卷积层，建立所述卷积层和所述进程的对应关系；根据所述全连接层中神经元的个数对全连接层进行排序，获得排序后的全连接层，建立所述全连接层与所述进程的对应关系；按照负载从小到大的顺序对所述CPU核心进行排序，若CPU核心数大于或等于所述进程个数，将排序后的卷积层依次绑定到排序后的CPU核心，在所述卷积层分配给所述CPU核心之后，将排序后的全连接层依次绑定到剩余的排序后的CPU核心；否则，将排序后的卷积层依次绑定到排序后的CPU核心，直到最后一个CPU核心，然后从排序后的第一个CPU核心开始将剩余的排序后的卷积层依次绑定到排序后的CPU核心，直到卷积层和CPU核心绑定完毕，然后，接着建立全连接层和所述CPU核心的绑定关系。3.如权利要求1所述的方法，其特征在于，所述S1，具体包括：S11，采集融合后细胞的图像，根据细胞融合情况对所述图像进行标注，得到融合细胞图像集，对所述融合细胞图像集进行划分得到训练样本集、测试样本集；S12，构建第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型，所述第一卷积神经网络模型的复杂度高于第二卷积神经网络模型，所述第二卷积神经网络模型的复杂度高于第三卷积神经网络；S13，利用所述训练样本集对所述第一卷积神经网络模型进行训练，得到训练后的所述第一卷积神经网络模型，使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，得到训练后的所述第二卷积神经网络模型；S14，使用所述训练后的所述第一卷积神经网络模型和所述第二卷积神经网络模型对第三卷积神经网络模型的训练过程进行指导，得到训练后的第三卷积神经网络模型，保存训练后的第三卷积神经网络模型，作为训练后的小规模卷积神经网络。4.如权利要求3所述的方法，其特征在于，所述使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，得到训练后的所述第二卷积神经网络模型，具体为：将所述训练样本集分为第一训练样本集和第二训练样本集，所述第一训练样本集的大小和所述第二训练样本集的大小相同；交替执行S131和S132，直到所述第一训练样本集和所述第二训练样本集训练完毕，得
到训练后的所述第二卷积神经网络模型；所述S131为：在所述第一训练样本集内，使用所述训练后的所述第一卷积神经网络模型对第二卷积神经网络模型的训练过程进行指导；所述S132为：在所述第二训练样本集内，采用第二训练样本集对第二卷积神经网络模型进行训练。5.如权利要求3或4所述的方法，其特征在于，所述使用所述训练后的所述第一卷积神经网络模型对第二卷积神经模型的训练过程进行指导，具体是：对于相同的训练样本图像，将所述第一卷积神经网络模型的输出作为第一输出，将所述第二卷积神经网络模型的输出作为第...

【专利技术属性】
技术研发人员：刘红波，吕培茹，尹珊，
申请(专利权)人：河南创源生物技术有限公司，
类型：发明
国别省市：