一种高适应性的明场细胞活死分类算法制造技术

本发明专利技术公开了一种高适应性的明场细胞活死分类算法，包括利用了多编码

【技术实现步骤摘要】
一种高适应性的明场细胞活死分类算法


[0001]本专利技术涉及细胞分类
，具体为一种高适应性的明场细胞活死分类算法。

技术介绍

[0002]目前传统的细胞活死识别方法主要采用两种技术路线。第一种是使用台盼蓝等染色剂对细胞进行染色，然后通过拍摄细胞的明场图像，再利用阈值分割算法将细胞图像分割成单个细胞，并利用不同阈值或聚类算法完成细胞的活死识别；该方法简单易行，但准确度有限，易受细胞形态等因素的影响，且需要使用染色剂对细胞进行处理，可能对细胞产生影响。第二种方法是使用荧光染料如calcein
‑
AM对细胞进行染色，并同时拍摄明场和荧光图像。通过将荧光图像视作活细胞的金标准，来完成单个细胞的活死识别；该方法的准确度较高，但需要使用昂贵的荧光染料，且荧光图像的拍摄和处理比较复杂；对于单个细胞图像的分类算法，传统方法主要采用实例分割算法MASKR
‑
CNN的同时预测分类和MASK，即在图像中标注出每个细胞的位置和形状，并进行分类。该方法需要大量标注好的训练数据和较高的计算资源，且对细胞图像的预处理和后续的后处理过程也要求较高，为此我们提出一种高适应性的明场细胞活死分类算法用于解决上述问题。

技术实现思路

[0003]本专利技术的目的在于提供一种高适应性的明场细胞活死分类算法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种高适应性的明场细胞活死分类算法，首先构建多编码
‑
自动编码器模型并进行训练，得到训练完成的多编码
‑
自动编码器模型，明场细胞活死分类算法具体包括以下步骤：S1：给定任意一组明场图像组及对应的荧光图像组，通过细胞图像分割算法对明场图像组及对应的荧光图像组进行图像分割，得到单个细胞明场图像集合和对应的单个细胞荧光图像集合；S2：通过单个细胞荧光图像集合对单个细胞明场图像集合活细胞进行标记，制作单个细胞明场图像的活死标签，得到训练集；S3：利用训练完成的多编码
‑
自动编码器模型对单个细胞明场图像集合和单个细胞荧光图像集合进行过滤，提取隐藏特征；S4：构建多层感知机，并用训练集训练多层感知机，得到训练完成之后的多层感知机；S5：将提取到的隐藏特征输入训练完成之后的多层感知机中，得到细胞的活死分类。
[0005]优选的，多编码
‑
自动编码器模型包括若干编码器，每个编码器对应一个不同的空间变化,每个编码器对于一个解码器，编码器输入单个细胞明场图像和单个细胞荧光图像，输出隐含向量，编码器以卷积层和全连接层混合构建，解码器输入隐含向量，输出重新构建
的隐藏特征。
[0006]优选的，多编码
‑
自动编码器模型具体工作流出如下：S31：输入单个细胞明场图像和对应的细胞荧光图；S32：使用多个编码器，每个编码器对输入的单个细胞明场图像和对应的细胞荧光图进行不同的空间变化；S33：再对空间变化之后的单个细胞明场图像和对应的细胞荧光图进行隐藏特征的提取；S34：将步骤S33提取到的隐藏特征，输入到对应的解码器中，解码器依据隐藏特征对图像进行重新构建；S35：重新构建的图像与模型输入的图像进行比较，若重新构建的图像与模型输入的图像相差较小，则该提取的隐藏特征为有用特征，若重新构建的图像与模型输入的图像相差较大，则该提取的隐藏特征为无用特征。
[0007]优选的，整个多编码
‑
自动编码器模型通过变分推断的ELBO计算公式来评估模型的特征提取的准确性，ELBO1的计算公式如下：其中，z 是潜在变量，x 是观测数据，是变换函数，为逆变化函数，是真实的后验分布，是近似的后验分布。
[0008]优选的，所述多层感知机共三层，具体结构如下：输入层：输入m个隐藏特征，将隐藏特征转为特征向量；隐藏层：设有n个神经元，输入特征向量，输出判断向量；输出层：输入判断向量，输出预测结果。
[0009]优选的，隐藏层中每个神经元都具有权重向量和偏置向量，第i个神经元的权重向量为，偏置为，该神经元的输出为：其中,*表示向量的点积，ReLU函数作用是将负值变为0，X为输入的特征向量，H表示输出的判断向量。
[0010]优选的，输出层中设有权重向量和偏置b，输出层输出为：其中，*表示向量的点积，Probability表示活细胞的概率，Sigmoid函数能够将输入映射到0和1之间，H表示输出的判断向量。
[0011]优选的，整个多层感知机通过变分推断的计算公式来评估模型的优化程度，的计算公式如下：
其中，表示预测的活死标记，表示通过荧光图像获取的活死标记，z 是潜在变量，x 是观测数据，为逆变化函数，是真实的后验分布，是近似的后验分布。
[0012]优选的，步骤S1对明场图像组及对应的荧光图像组进行图像分割具体步骤如下：S11：将输入的明场图像组及对应的荧光图像组，对明场图像组和对应的荧光图像组分别进行仿射、放大变换，得到新明场图像组和对应的新荧光图像组。
[0013]S12：新明场图像组和新荧光图像组训练第一模型，并得到完成训练的第一模型，以新明场图像组和原荧光图像组训练第二优化模型，并得到训练完成之后的第二优化模型；S13：将新明场图像组和对应的新荧光图像输入到训练完成的多编码
‑
自动编码器模型，得到隐含空间；S14：利用PCA算法对隐含空间进行降维处理，得到三维的隐藏变量；S15：将隐藏变量利用自聚类算法K
‑
Means进行聚类，将隐藏变量变为若干聚类；S16：根据聚类结果，为每个聚类选择对应的第一优化模型和第二优化模型；S17：对于每个聚类，使用对应的第一优化模型计算出待分割细胞图像的第一荧光点图，使用第二优化模型计算出待分割细胞图像的第二荧光点图；S18：第二荧光点图为种子点，第一荧光点图为前景，实现对细胞的精准分割，得到单个细胞掩码；S19：根据单个细胞掩码，提取明场图像组及对应的荧光图像组中的单个细胞图像，得到单个细胞明场图像集合和对应的单个细胞荧光图像集合。
[0014]与现有技术相比，本专利技术的有益效果是：第一、利用了一个多编码
‑
自动编码解码器，该解码器可以对单细胞图像进行处理，过滤掉其中与生物信息无关的空间信息，如旋转、仿射等信息，这样可以提高算法的精度和可靠性。
[0015]第二、利用明场和荧光图像作为协作的特征提取，并将它们同时作为对抗的分类标签预测，这样可以通过协作的方式提高模型的准确性，并且通过对抗的方式提高分类标签的可靠性。
[0016]第三、利用少量明场与荧光配对的图像作为训练数据，使得模型最终可以仅依赖于明场图像就能达到较高的活死细胞识别准确率，这样可以降低数据的成本和复杂度，并提高算法的实用性。
[0017]第四、实现细胞分割、细胞特征提取和细胞活死鉴别从弱监督到无监督的过渡，这样可以根据不同的需求和数据情况，灵活地选择适合的算法和方法，提高算法的可用性和适用性。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种高适应性的明场细胞活死分类算法，其特征在于：首先构建多编码
‑
自动编码器模型并进行训练，得到训练完成的多编码
‑
自动编码器模型，明场细胞活死分类算法具体包括以下步骤：S1：给定任意一组明场图像组及对应的荧光图像组，通过细胞图像分割算法对明场图像组及对应的荧光图像组进行图像分割，得到单个细胞明场图像集合和对应的单个细胞荧光图像集合；S2：通过单个细胞荧光图像集合对单个细胞明场图像集合活细胞进行标记，制作单个细胞明场图像的活死标签，得到训练集；S3：利用训练完成的多编码
‑
自动编码器模型对单个细胞明场图像集合和单个细胞荧光图像集合进行过滤，提取隐藏特征；S4：构建多层感知机，并用训练集训练多层感知机，得到训练完成之后的多层感知机；S5：将提取到的隐藏特征输入训练完成之后的多层感知机中，得到细胞的活死分类。2.根据权利要求1所述的一种高适应性的明场细胞活死分类算法，其特征在于：多编码
‑
自动编码器模型包括若干编码器，每个编码器对应一个不同的空间变化,每个编码器对于一个解码器；编码器输入单个细胞明场图像和单个细胞荧光图像，输出隐含向量，编码器以卷积层和全连接层混合构建；解码器输入隐含向量，输出重新构建的隐藏特征。3.根据权利要求2所述的一种高适应性的明场细胞活死分类算法，其特征在于：多编码
‑
自动编码器模型具体工作流程如下：S31：输入单个细胞明场图像和对应的细胞荧光图；S32：使用多个编码器，每个编码器对输入的单个细胞明场图像和对应的细胞荧光图进行不同的空间变化；S33：再对空间变化之后的单个细胞明场图像和对应的细胞荧光图进行隐藏特征的提取；S34：将步骤S33提取到的隐藏特征，输入到对应的解码器中，解码器依据隐藏特征进行图像重新构建；S35：重新构建的图像与模型输入的图像进行比较，若重新构建的图像与模型输入的图像差异小于阈值，则该提取的隐藏特征为有用特征，若重新构建的图像与模型输入的图像差异大于阈值，则该提取的隐藏特征为无用特征。4.根据权利要求2所述的一种高适应性的明场细胞活死分类算法，其特征在于：整个多编码
‑
自动编码器模型通过变分推断的计算公式来评估模型的特征提取的准确性，的计算公式如下：其中，z 是潜在变量，x 是观测数据， 是变换函数，为逆变化函数，是真实的后验分布，是近似的后验分布。
5.根据权利要求1所述的一种高适应性的明场细胞活...

【专利技术属性】
技术研发人员：肖红江，陈荣周，肖声平，
申请(专利权)人：杭州济扶科技有限公司，
类型：发明
国别省市：