【技术实现步骤摘要】
本专利技术涉及生物信息、数据挖掘、机器学习，具体地，涉及一种荧光原位杂交3d显微图像中的荧光点识别方法。
技术介绍
1、rna在基因表达中发挥重要作用，其中编码rna(mrna)是蛋白质翻译的模版，非编码rna则具有调控基因表达水平的功能。rna亚细胞定位作为rna研究的基本方法之一，对研究rna功能的作用机制具有重要意义。
2、常用的rna亚细胞定位的实验方法有荧光原位杂交实验(fish)，能够对rna分子进行荧光标记，以图像的形式表示rna在单细胞内的分布情况。荧光原位杂交图像蕴含丰富的可量化的信息，需要配套高效、精准的荧光亮点识别方法。目前，图像加工配合阈值的传统方法仍是应用主流，然而此类方法需要人工设定阈值，并且单一阈值不能灵活处理不同图片的差异性。随着机器学习方法的发展，一些基于机器学习特征提取、分类的方法涌现，比如使用基于哈尔(haar)特征的弱分类器的adaboost算法，可抽取局部图像的特征，再将特征输入svm分类器获得最终对局部图像性质的判断。近年来，使用深度学习的方法，构建端到端的解决方案成为了研究的新方向。相较于前文的解决思路，深度学习方法对先验的亮点形态相关信息要求少，自动程度更高，判别标准更灵活。“deepblink:threshold-independent detection and localization of diffraction-limited spots”一文已将深度学习方法应用在荧光原位杂交2d显微图像中，并取得良好的效果。但研究并未使用真实的荧光原位杂交3d显微图像，而且
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的在于提供一种荧光原位杂交3d显微图像中的荧光点识别方法，有效地构建深度学习模型，提高荧光原位杂交3d显微图像中荧光亮点识别的准确率，并降低网络训练对标记数据的需求量。
2、为实现上述目的，本专利技术提供了一种荧光原位杂交3d显微图像中的荧光点识别方法，包括以下步骤：
3、s01：对所有原始3d荧光显微图像进行图像预处理；
4、s02：将包含3d荧光显微图像和3d荧光点坐标标签的样本按纵向转化成2d样本，并对训练集中的2d样本进行数据增广；
5、s03：将2d荧光显微图像输入编码器得到亮点判别表征；
6、s04：将对应的2d荧光点坐标转化成亮点判别目标，计算亮点判别表征与判别目标的差值并优化编码器的模型参数；
7、s05、将步骤s03、s04在训练、验证集上进行一次称为一轮迭代，若迭代轮数等于给定常数或达到早停算法的阈值则停止迭代，进入步骤s06，否则返回步骤s03，迭代轮数加1，其中迭代轮数初始值为0；
8、s06、用编码器的模型参数初始化自编码器参数中的编码器部分；
9、s07、将2d荧光显微图像输入自编码器得到亮点分割表征；
10、s08、将对应的2d荧光点坐标转化成亮点分割目标，计算亮点分割表征与分割目标的差值并优化自编码器的模型参数；
11、s09、将步骤s07、s08在训练、验证集上进行一次称为一轮迭代，若迭代轮数等于给定常数或达到早停算法的阈值则停止迭代，进入步骤s10，否则返回步骤s07，迭代轮数加1，其中迭代轮数初始值为0；
12、s10、将待识别的3d显微图像转化成多层2d图像，依次输入到训练好的自编码器中，得到各层2d图像的亮点分割表征；采用基于分水岭分割的方法，从亮点分割表征读取2d荧光点坐标；
13、s11、采用基于距离阈值的方法，逐层对重复识别进行消重，得到识别出的3d荧光点坐标。
14、本专利技术的进一步改进在于，所述步骤s01中对原始3d荧光显微图像进行图像预处理的步骤包括：
15、s011、对原始3d荧光显微图像中的荧光亮点进行标注得到3d荧光点坐标；
16、s012、将每层2d图像替换为本层、上一层、下一层共3层图像的像素最大值投影，即选取每个像素位置上的3个像素值中的最大值；
17、s013、将每层2d图像用矩阵表示，使用放缩的方法将矩阵的值归一化到0-1范围；
18、s014、将3d图像按比例划分进训练集、验证集、测试集。
19、本专利技术的进一步改进在于，所述步骤s02中构造样本的步骤包括:
20、s021、构造训练、验证样本时，图像为3d图像每一层的2d图像，对应的标签为本层、上一层、下一层共3层的2d荧光点坐标的集合；
21、s022、构造测试样本时，图像为3d图像，标签为3d荧光点坐标；
22、s023、对训练样本数据增广时，采用随机旋转、翻转、平移的图像变换方式，得到一组变换图像和对应的坐标，进行最大值投影，得到最终变换图像，对应的坐标标签为变换集的所有坐标；
23、s024、重复步骤s023所述步骤，为每个真实样本构造4个增广样本。
24、本专利技术的进一步改进在于，所述步骤s03中将2d荧光显微图像输入编码器的步骤包括：编码器模块的网络结构包括3*3卷积核的卷积层、2*2最大值池化层、relu激活层，最终sigmoid激活层输出的网络结构。
25、本专利技术的进一步改进在于，所述步骤s04中计算亮点判别表征与判别目标的差值的步骤包括：
26、s041、准备与2d荧光显微图像同尺寸的全0矩阵，将以2d荧光点坐标为中心，固定长度为半径的圆形区域设为1，再对矩阵进行最大值池化，生成成亮点判别目标；
27、s042、度量亮点判别表征与亮点判别目标的差值的损失函数为交叉熵损失函数。
28、本专利技术的进一步改进在于，所述步骤s07中将2d荧光显微图像输入自编码器的步骤包括：自编码器的编码器使用步骤s03中所述的编码器，解码器与编码器结构相近，并将最大值池化层替换为反最大值池化层，使得输出尺寸还原输入图像尺寸。
29、本专利技术的进一步改进在于，所述步骤s08计算亮点分割表征与分割目标的差值的步骤包括：
30、s081、准备与2d荧光显微图像同尺寸的全0矩阵，将以2d荧光点坐标为中心，固定长度为半径的圆形区域设为1，生成成亮点分割目标；
31、s082、度量亮点判别表征与亮点分割目标的差值的损失函数为交叉熵损失函数。
32、本专利技术的进一步改进在于，所述步骤s10中从亮点分割表征读取2d荧光点坐标的步骤包括：使用将分水岭分割算法得到代表每个荧光点区域的像素位置，计算区域xy坐标的平均值，得到2d荧光点坐标。
33、本专利技术的进一步改进在于，所述步骤s11中逐层对3d图像对应的一组2d荧光点坐标中的重复识别进行消重的步骤包括：
34、s111、设定两个亮点间的最小距离；
35、s112、根据2d荧光点坐标所属的3d图像层数，为3d荧光点坐标初始化z轴坐标；
36、s113、3d图本文档来自技高网...
【技术保护点】
1.一种荧光原位杂交3D显微图像中的荧光点识别方法，包括以下步骤：
2.如权利要求1所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S01中对原始3D荧光显微图像进行图像预处理的步骤包括：
3.如权利要求2所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S02中构造样本的步骤包括:
4.如权利要求3所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S03中将2D荧光显微图像输入编码器的步骤包括：编码器模块的网络结构包括3*3卷积核的卷积层、2*2最大值池化层、ReLu激活层，最终Sigmoid激活层输出的网络结构。
5.如权利要求4所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S04中计算亮点判别表征与判别目标的差值的步骤包括：
6.如权利要求5所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S07中将2D荧光显微图像输入自编码器的步骤包括：自编码器的编码器使用步骤S03中所述的编码器，解码器与编码器结构相近，并
7.如权利要求6所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S08计算亮点分割表征与分割目标的差值的步骤包括：
8.如权利要求7所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S10中从亮点分割表征读取2D荧光点坐标的步骤包括：使用将分水岭分割算法得到代表每个荧光点区域的像素位置，计算区域xy坐标的平均值，得到2D荧光点坐标。
9.如权利要求8所述的荧光原位杂交3D显微图像中的荧光点识别方法，其特征在于，所述步骤S11中逐层对3D图像对应的一组2D荧光点坐标中的重复识别进行消重的步骤包括：
...【技术特征摘要】
1.一种荧光原位杂交3d显微图像中的荧光点识别方法，包括以下步骤：
2.如权利要求1所述的荧光原位杂交3d显微图像中的荧光点识别方法，其特征在于，所述步骤s01中对原始3d荧光显微图像进行图像预处理的步骤包括：
3.如权利要求2所述的荧光原位杂交3d显微图像中的荧光点识别方法，其特征在于，所述步骤s02中构造样本的步骤包括:
4.如权利要求3所述的荧光原位杂交3d显微图像中的荧光点识别方法，其特征在于，所述步骤s03中将2d荧光显微图像输入编码器的步骤包括：编码器模块的网络结构包括3*3卷积核的卷积层、2*2最大值池化层、relu激活层，最终sigmoid激活层输出的网络结构。
5.如权利要求4所述的荧光原位杂交3d显微图像中的荧光点识别方法，其特征在于，所述步骤s04中计算亮点判别表征与判别目标的差值的步骤包括：
6.如权利要求5所述的荧光原位杂交...
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。