一种基于细胞机械性能多参数快速分析的细胞检测方法技术

本发明专利技术公开了一种基于细胞机械性能多参数快速分析的细胞检测方法，涉及细胞检测技术领域，解决了缺乏融合多参数表征的细胞高精度检测的技术问题，其技术方案要点是在集成弹性

【技术实现步骤摘要】
一种基于细胞机械性能多参数快速分析的细胞检测方法


[0001]本申请涉及细胞检测
，尤其涉及一种基于细胞机械性能多参数快速分析的细胞检测方法。

技术介绍

[0002]细胞的机械特性是细胞的重要物理属性，且与细胞的生理状态和疾病发生与发展直接相关。传统的单细胞机械特性检测技术检测效率相对较低，很难满足临床检测的大样本需求。此外，细胞的复杂异质特性仍是阻碍细胞高精度检测的重要挑战。对于稀有细胞的检测，精度仍需进一步提升。如何提升复杂异质细胞的检测精度仍是非标记检测领域急需解决的关键科学难题。同时，目前研究仅见若干种机械性能参数的检测，融合多参数表征的细胞高精度检测仍未见报道。

技术实现思路

[0003]本申请提供了一种基于细胞机械性能多参数快速分析的细胞检测方法，其技术目的是在细胞机械性能检测的基础上，加入细胞变形程度和形变过程的新维度，利用机器学习和深度学习算法，以满足稀有细胞准确鉴别的高精度要求。
[0004]本申请的上述技术目的是通过以下技术方案得以实现的：
[0005]一种基于细胞机械性能多参数快速分析的细胞检测方法，包括：
[0006]S1：通过深度学习方法和图像处理方法对图像中的细胞进行准实时识别，同时对细胞多频率下的电指纹参量进行识别，并对电指纹参量进行处理以得到有效的细胞宽频电阻抗谱；
[0007]S2：对经准实时识别的细胞变形后的轮廓尺寸进行测量，以对细胞机械性能的第一参数进行提取；同时将细胞宽频电阻抗谱表征的轮廓尺寸参数化，得到细胞机械性能的第二参数；
[0008]S3：基于细胞受力的变形程度和形变过程中的时序变化，结合细胞机械性能的第一参数和第二参数对细胞机械性能进行多参数表征，得到关于细胞机械性能的特征参数；S4：对特征参数进行分析，对虚拟流道诱导剪切和挤压形变机理，以及细胞机械性能参数的影响机制进行研究，得到分析结果；
[0009]S5：根据分析结果对数据进行降维，通过机器学习和深度学习的方法，实现对多种细胞株的精准检测。
[0010]进一步地，步骤S1中，所述深度学习方法包括检测图像中存在的细胞，得到细胞轮廓，提取细胞横截面积、周长和位置信息，并计算细胞的物理特性和机械特性；
[0011]所述图像处理方法包括筛选图像、预处理、检测虚拟流道的宽度和提取细胞信息；其中，细胞信息即细胞横截面积、周长和位置信息。
[0012]进一步地，步骤S2中，对细胞机械性能的第一参数进行提取，包括：在细胞横截面积、周长和位置信息的基础上，通过测量细胞变形后的尺寸，对细胞外轮廓的多种形变参数
进行计算以量化细胞机械性能，得到细胞机械性能的参数；其中，细胞外轮廓的多种形变参数包括变形性、圆度、面积比、长宽比、长径比和偏心率；细胞机械性能包括硬度、粘弹性、弹性模量、瞬时模量、体积膜量和弛豫时间。
[0013]进一步地，步骤S3中，对细胞机械性能进行多参数表征，包括：基于细胞在虚拟流道不同程度的剪切力和挤压力下产生的变形程度，以及细胞形变过程的多帧时序变化，对虚拟流道宽度和细胞位移进行定量分析，以实现细胞机械性能的多参数表征；其中，虚拟流道的剪切力和挤压力取决于两相流的流速；细胞形变过程的多帧时序变化通过高速摄像机从视场下拍摄的连续多帧细胞图像获得。
[0014]进一步地，步骤S4中，对特征参数进行分析时，包括回归分析、时间序列分析和相关性分析；回归分析用于对细胞在剪切力和挤压力下的变形程度进行研究，获取变形程度与虚拟流道宽度及二相流流速之间的定量关系；时间序列分析用于对细胞在剪切力和挤压力下的形变过程和形变规律进行研究；相关性分析用于对细胞轮廓的机械性能多参数的相关性分析。
[0015]进一步地，该方法还包括：
[0016]S6：通过迁移学习，实现对肿瘤细胞的精准鉴别，包括：通过将细胞株分类的模型权重迁移到新的模型上，利用细胞特征数据、分类任务、模型间的相似性缩小模型的搜索范围，重新进行训练，实现对肿瘤细胞准实时且高精度的鉴别
[0017]本申请的有益效果在于：
[0018](1)在集成弹性
‑
惯性聚焦和虚拟流道的细胞变形性检测的基础上，加入细胞变形程度和形变过程的新维度，以满足稀有细胞准确鉴别的高精度要求；
[0019](2)在虚拟流道下细胞大变形的基础上，探究了虚拟流道下细胞类型及状态对细胞机械性能的影响机制；
[0020](3)在图像识别和细胞分类中，对深度学习方法进行创新，实现高精度的快速检测。同时利用迁移学习同样能够精准鉴别罕见临床细胞，有效避免传统免疫生化检测方法存在的操作工序复杂、特异性高、细胞损伤及检测成本高等问题，广泛应用于循环肿瘤细胞、血细胞等稀有细胞的生物学研究、药理学研究和疾病的早期诊断。
附图说明
[0021]图1为本专利技术的方法流程示意图；
[0022]图2为本专利技术的虚拟流道宽度检测算法方法流程图；
[0023]图3为本专利技术的细胞图像识别预处理示意图；
[0024]图4为本专利技术的深度学习细胞识别模型示意图；
[0025]图5为本专利技术的细胞变形性随时间多参数表征示意图；
[0026]图6为本专利技术的虚拟流道宽度调节实验结果意图；
[0027]图7为本专利技术的不同细胞变形性随时间变化示意图；
[0028]图8为本专利技术的机械性能特征与细胞状态的关系示意图；
[0029]图9为本专利技术的神经网络示意图；
[0030]图10为本专利技术的基于迁移学习的临床细胞分类结果示意图；
[0031]图11为集成弹性
‑
惯性聚焦和虚拟流道的细胞变形性检测示意图。
具体实施方式
[0032]下面将结合附图对本申请技术方案进行详细说明。
[0033]如图1所示，本实施例提供一种基于细胞机械性能多参数快速分析的细胞检测方法，在集成弹性
‑
惯性聚焦和虚拟流道的细胞变形性检测的基础上(如图11所示)，加入细胞变形程度和形变过程的新维度，利用机器学习和深度学习算法，以满足稀有细胞准确鉴别的高精度要求。该方法结合传统图像处理方法和深度学习方法，准实时地完成细胞识别，同时对细胞多频率下的电指纹参量进行识别，并对电指纹参量进行处理以得到有效的细胞宽频电阻抗谱；对经准实时识别的细胞变形的轮廓尺寸进行测量，提取细胞机械性能的第一参数，同时将细胞宽频电阻抗谱表征的轮廓尺寸参数化，得到细胞机械性能的第二参数；基于细胞受力的变形程度和形变过程中的时序变化，结合细胞机械性能的第一参数和第二参数对细胞机械性能进行多参数表征，得到关于细胞机械性能的特征参数；对特征参数进行分析，研究虚拟流道诱导剪切和挤压形变机理，以及对细胞机械性能参数的影响机制，得到分析结果；使用机器学习和深度学习等算法实现对多种细胞株的精准分类，并利用迁移学习精准鉴别临床上罕见的循环肿瘤细胞。
[0034]传统图像处理方法和深度学习方法用于准实时的图像识别和细胞机械性能参数的提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细胞机械性能多参数快速分析的细胞检测方法，其特征在于，包括：S1：通过深度学习方法和图像处理方法对图像中的细胞进行准实时识别，同时对细胞多频率下的电指纹参量进行识别，并对电指纹参量进行处理以得到有效的细胞宽频电阻抗谱；S2：对经准实时识别的细胞变形后的轮廓尺寸进行测量，以对细胞机械性能的第一参数进行提取；同时将细胞宽频电阻抗谱表征的轮廓尺寸参数化，得到细胞机械性能的第二参数；S3：基于细胞受力的变形程度和形变过程中的时序变化，结合细胞机械性能的第一参数和第二参数对细胞机械性能进行多参数表征，得到关于细胞机械性能的特征参数；S4：对特征参数进行分析，对虚拟流道诱导剪切和挤压形变机理，以及细胞机械性能参数的影响机制进行研究，得到分析结果；S5：根据分析结果对数据进行降维，通过机器学习和深度学习的方法，实现对多种细胞株的精准检测。2.如权利要求1所述的方法，其特征在于，步骤S1中，所述深度学习方法包括检测图像中存在的细胞，得到细胞轮廓，提取细胞横截面积、周长和位置信息，并计算细胞的物理特性和机械特性；所述图像处理方法包括筛选图像、预处理、检测虚拟流道的宽度和提取细胞信息；其中，细胞信息即细胞横截面积、周长和位置信息。3.如权利要求1所述的方法，其特征在于，步骤S2中，对细胞机械性能的第一参数进行提取，包括：在细胞横截面积、周长和位置信息的基础上，通过测量细胞变形后的尺寸，对细胞外轮廓的多...

【专利技术属性】
技术研发人员：倪中华，项楠，周正，
申请(专利权)人：东南大学，
类型：发明
国别省市：