【技术实现步骤摘要】
本专利技术涉及生物制造及自动控制领域，涉及用于生物制造中液滴微反应器的细胞液滴图像评价子领域，特别是涉及一种基于模板匹配和弱监督网络的细胞液滴图像评价方法。
技术介绍
1、基于液滴的微流控平台由于其高通量和单分子敏感性，已广泛应用于各种生物技术应用，如定向进化、单细胞测序和数字pcr。此外，由于微液滴有较大的表面体积比，其微型化具有很大的优势，这使得可作为微反应器，并能够将反应体系离散成微升或纳升体积。基于微反应器独立的微环境，若能精确控制每个液滴内的细胞数量，就使得在单个细胞水平上研究其表型和遗传异质性成为可能。因此，为了进行单细胞分析，必须生成具有单细胞包裹的高度均匀的液滴。对于生物反应微室而言，为了避免多种基因型对应的表型相互影响，液滴通常需要满足单基因型的需求，即单个液滴中仅包含单个目标细胞。很多微流控研究设计了不同的芯片结构以提高单包液滴的占比(单包率)。然而，对于单包液滴的统计大多还处于对液滴图像或视频进行人工识别的阶段，相对费时；同时微液滴的产生率约为1～10khz，因此数量众多，少量的抽样(例如几十、几百个)缺乏足够统计学意义。因此，设计智能算法自动处理液滴图像，获取液滴及包裹细胞的信息就显得十分必要。
2、当前已经有不少研究通过处理细胞液滴图像获取液滴信息。然而，大部分的研究集中于对液滴生成过程的超高速成像进行液滴检测和内容物识别，首先高速相机通常价格昂贵、难以批量推广；其次在液滴生成初期，液滴相互独立、无碰撞挤压，因此易于检测和识别；但无法体现后续作为微反应器用途时，液滴相互接触、挤压后的状态。总
3、为了统计微反应器内只有一个细胞的单包液滴数量，相关方案主要包括两个处理阶段：液滴检测和液滴识别。其中，液滴检测旨在图像中找到所有可能的液滴并绘制他们的圆形轮廓，以此作为第二阶段的候选目标。液滴识别是从第一阶段的候选目标中识别出所有的单包液滴，从而得到单包液滴在所有液滴数目中的占比。
4、对于第一阶段的液滴检测而言，相关技术中通常基于边缘信息的提取或霍夫变换的方式来检测圆形轮廓。然而这些方法仅适用于半透明或者透明的不粘连液滴，对于粘连的不透明液滴失效。基于机器学习的方法，需要人工标注大量的训练样本，这对于密集的液滴图像而言是较难实现的。有监督学习算法不仅需要大量的有标签训练数据，而且对于密集的小目标和极不均衡的样本数量而言并不适用。
5、而第二阶段对于单包液滴的识别，相关技术中通常通过不同液滴内部的灰度差异来区分改液滴是否有包裹物，类似地可直接将液滴图像二值化后，计算液滴的轮廓点与重心之间距离的标准差来区分液滴是否包裹细胞。这两种方法依赖于图像质量，而且不能更细致的区分单包液滴和多包液滴。
6、因此，目前亟需一种新的细胞液滴图像评价方法。
技术实现思路
1、为解决上述
技术介绍
中存在的问题，本专利技术提供了一种基于模板匹配和弱监督网络的细胞液滴图像评价方法。
2、本专利技术提供的一种基于模板匹配和弱监督网络的细胞液滴图像评价方法，所述方法包括：
3、基于自适应尺度模板匹配从细胞液滴图像中分割出液滴，得到液滴分割图像；
4、利用预先训练的细胞液滴图像评价模型对所述液滴分割图像进行处理，确定所述液滴分割图像中阳性液滴内的细胞数量和位置；
5、根据多个阳性液滴内的各自包裹的细胞数量和位置，确定所述细胞液滴图像的评价信息；所述评价信息至少包括：图像中所有液滴的平均直径、直径分布、直径偏差、单包率、多包率、空包率；
6、其中，所述细胞液滴图像评价模型是以空包液滴、单包液滴和多包液滴三种类别标签的液滴分割图像为训练样本，对弱监督回归网络模型进行训练得到的。
7、可选地，所述基于自适应尺度模板匹配从细胞液滴图像中分割出液滴，得到液滴分割图像，包括：
8、对所述细胞液滴图像进行分割得到二值化前景图像；
9、通过自适应尺度收缩的圆形模板与二值化前景图像匹配得到匹配响应、并启发式搜索最大响应值定位候选液滴；
10、采用非极大抑制过滤冗余同心圆，得到所述液滴分割图像。
11、可选地，通过自适应尺度收缩的圆形模板与二值化前景图像匹配得到匹配响应、并启发式搜索最大响应值定位候选液滴，包括：
12、按照以下公式计算得到所述二值化前景图像中每个点的匹配响应：
13、
14、其中，其中，a和b为圆形前景模板内任一点的坐标，m为圆形模板， s(x,y)表示前景图像中的像素值；
15、依据当前最大响应值收缩模板大小：
16、
17、其中，rmax为初始的模板大小，dmax是模板匹配的最大响应值，rnext是收缩后的模板大小；
18、当在rnext下搜索到大于预设阈值σ的响应值时，标记该位置为半径为rnext的液滴候选区域，并将该区域置为背景；然后保持rnext继续迭代模板匹配，搜索其他大于预设阈值σ的响应值，若找到该值同样标记其位置为半径为rnext 的液滴候选区域，并将该区域置为背景；当整个细胞液滴图像，在rnext下无法搜索到大于预设阈值σ的响应值时，按照收缩rnext进行下一轮的迭代模板匹配，直到rnext小于液滴半径下限rmin。
19、可选地，采用非极大抑制过滤冗余同心圆，包括：
20、用圆形度模拟每个液滴候选框的置信度；
21、所述圆形度由以下公式计算得到：
22、
23、tr表示圆形度，area表示候选圆中前景区域的面积，perimeter表示前景区域的周长，可由边缘长度得到；
24、根据所述置信度过滤冗余同心圆。
25、可选地，所述细胞液滴图像评价模型包括：
26、计数分支，用于预测细胞数目和位置，所述计数分支的输入为细胞液滴分割图像，输出为与输入大小相同的液滴内细胞密度图；
27、过滤分支，用于去除所述液滴分割图像中的候选液滴中的假阳性液滴，所述过滤分支的输入为所述液滴分割图像，输出为候选液滴的类别预测，所述类别预测包括：阳性液滴和假阳性液滴。
28、可选地，所述计数分支通过对输出的液滴内细胞密度图进行全局积分池化得到液滴内细胞数目，对输出的液滴内细胞密度图进行全局最大池化得到液滴内细胞的定位信息。
29、可选地，所述计数分支的损失函数为：
30、
31、
3本文档来自技高网...
【技术保护点】
1.一种基于模板匹配和弱监督回归网络的细胞液滴图像评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于自适应尺度模板匹配从细胞液滴图像中分割出液滴，得到液滴分割图像，包括：
3.根据权利要求2所述的方法，其特征在于，通过自适应尺度收缩的圆形模板与二值化前景图像匹配得到匹配响应、并启发式搜索最大响应值定位候选液滴，包括：
4.根据权利要求2所述的方法，其特征在于，采用非极大抑制过滤冗余同心圆，包括：
5.根据权利要求1所述的方法，其特征在于，所述细胞液滴图像评价模型包括：
6.根据权利要求5所述的方法，其特征在于，所述计数分支通过对输出的液滴内细胞密度图进行全局积分池化得到液滴内细胞数目，对输出的液滴内细胞密度图进行全局最大池化得到液滴内细胞的定位信息。
7.根据权利要求5所述的方法，其特征在于，所述计数分支的损失函数为：
8.根据权利要求5所述的方法，其特征在于，所述细胞液滴图像评价模型的整体损失函数为：
9.根据权利要求5所述的方法，其特征在于，所
10.根据权利要求5所述的方法，其特征在于，所述过滤分支为6层神经网络，其中前三层与所述计数分支共享，中间两层依次为256*256和256*128，然后连接全局平均池化，最后接一层全连接层。
...【技术特征摘要】
1.一种基于模板匹配和弱监督回归网络的细胞液滴图像评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于自适应尺度模板匹配从细胞液滴图像中分割出液滴，得到液滴分割图像，包括：
3.根据权利要求2所述的方法，其特征在于，通过自适应尺度收缩的圆形模板与二值化前景图像匹配得到匹配响应、并启发式搜索最大响应值定位候选液滴，包括：
4.根据权利要求2所述的方法，其特征在于，采用非极大抑制过滤冗余同心圆，包括：
5.根据权利要求1所述的方法，其特征在于，所述细胞液滴图像评价模型包括：
6.根据权利要求5所述的方法，其特征在于，所述计数分支通过对输出的液滴内细胞密度图进行全局积分池化得到液滴内细胞数目，对输出的液滴内细胞密度图进行...
【专利技术属性】
技术研发人员：刘民，程振，周晓，董明宇，毛远航，张亚斌，刘涛，
申请(专利权)人：清华大学，
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。