System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生物化学图像处理,具体涉及一种基于零样本学习的质谱图像超分辨率重建方法。
技术介绍
1、质谱成像(mass spectrometry imaging,msi)技术是一种强大的化学分析技术,通过将质谱分析与空间信息相结合,可以在如生物细胞、生物组织切片等复杂的表面上,同时获得许多不同分子如代谢物、蛋白质和脂质等的空间分布特征,是一种可实现定性、定量以及定位分析的免标记高通量分析技术。近年来,msi技术在许多领域如疾病辅助诊断、代谢通路分析、生物标志物分析以及亚器官分割等都得到了广泛应用。
2、在生物细胞或生物组织切片等复杂样品中,分子分布可能存在微小的差异,而这些差异与细胞生理状态或疾病进展等密切相关,通过高空间分辨率的质谱成像,可以准确地定位并分析这些差异。然而质谱的空间分辨率与成像时间之间存在冲突,其在高空间分辨率下的成像速度较慢,过长的成像时间可能导致生物样品中分子的迁移和扩散,从而影响质谱成像结果的准确性和可靠性。专利技术可实现高空间分辨率的快速质谱成像方法成为质谱成像领域的迫切需求和发展趋势。
3、目前,实现高空间分辨率的快速质谱成像方法可分为基于硬件的方法和基于软件的方法,基于硬件的方法通常涉及到仪器设备的改进和优化,具有设计成本高、周期长,数据处理和存储要求高,仪器复杂性明显增加等问题。基于软件的方法主要是超分辨率重构技术,通过将给定的低分辨率图像通过特定的方法恢复成相应的高分辨率图像,主要分为基于插值的方法,基于重建的方法和基于学习的方法,例如双线性插值方法虽然原理简单计算量小
技术实现思路
1、本专利技术的主要目的在于针对现有相关技术存在的上述问题,提出一种基于零样本学习的质谱图像超分辨率重建方法,无需大量数据集进行学习,避免了高质量并且高空间分辨率质谱图像难以获取的问题,有效地解决了质谱成像在高空间分辨率下成像速度慢的问题,以及避免了开发成像设备带来的开发周期长、成本高、成像速度与空间分辨率冲突等问题。
2、本专利技术的技术方案如下。
3、一方面,一种基于零样本学习的质谱图像超分辨率重建方法,包括:
4、s1、获取生物样本的原始质谱谱图数据,通过数据预处理,得到不同质荷比离子的离子图像数据;
5、s2、构建基于卷积神经网络的前滤波模型,使用得到的离子图像数据训练该前滤波模型,得到前滤波后的离子图像,以增强离子图像的组织形态学特征并滤除异常突变像素点;
6、s3、构建上采样器、下采样器以及判别器,分别用于实现图像超分辨率重构、图像下采样以及学习特征分别任务;
7、s4、基于下采样器、判别器及上采样器构建正向通道;基于上采样器及下采样器构建反向通道;
8、s5、基于正向通道和反向通道构建基于零样本的质谱图像超分辨率网络;正向通道和反向通道同时自监督学习以对质谱图像超分辨率网络进行训练,获得训练好的质谱图像超分辨率网络;利用训练好的质谱图像超分辨率网络的上采样器输出最终待超分辨率重构离子图像。
9、优选的,所述s1,具体包括:
10、s11、利用质谱成像仪器获取生物样本的质谱谱图数据并转化为.imzml数据文件;
11、s12、对.imzml数据文件进行数据预处理,得到峰值特征矩阵,进而关联坐标,得到离子特征矩阵;
12、s13、选取所需观察的质荷比离子,即离子特征矩阵中某一行数据,按照横向和纵向采样像素点数进行重新排列,得到单张离子图像数据。
13、优选的,所述数据预处理包括峰值转换、峰值平滑、基线校正、归一化、峰值对齐、峰值检测和峰值分箱。
14、优选的,所述s2,具体包括:
15、s21、构建基于卷积神经网络的前滤波模型,利用获取的单张离子图像数据作为前滤波模型的训练样本;
16、s22、设计前滤波模型的损失函数lprof,利用前滤波损失函数训练基于卷积神经网络的前滤波模型,直到前滤波损失函数lprof收敛;
17、s23、使用训练好的前滤波模型获得单张离子图像数据前滤波后的离子图像。
18、优选的,所述s3,具体包括:
19、s31、构建上采样器gup,上采样器由带有全局残差连接的八层全卷积网络构成;在前滤波后离子图像中随机选取图像块x作为训练样本,用于训练上采样器gud,以将低分辨率离子图像超分辨率重构为超分辨率离子图像;
20、s32、构建下采样器gdown,下采样器由带有六层卷积层的线性卷积神经网络构成;在前滤波后离子图像中随机选取图像块y作为训练样本,用于训练下采样器gdown,将低分辨率离子图像下采样得到下采样离子图像;
21、s33、构建判别器ddn,判别器由八层全卷积神经网络构成;判别器ddn与下采样器gdown结合构成生成对抗网络使用,利用图像块x以及图像块y作为训练样本,训练判别器ddn与下采样器gdown,x作为真实离子图像样本,y作为虚假离子图像样本,学习真实离子图像的超分辨率核。
22、优选的,所述s4,具体包括:
23、构建正向通道pf步骤s41,如下:
24、s411、将选取的一图像块y通过下采样器gdown,获得下采样图像块,作为虚假离子图像样本;另一图像块x作为真实离子图像样本,利用其与虚假离子图像样本作为训练样本,训练下采样器gdown和判别器ddn组成的生成对抗网络;
25、s412、基于获取的下采样图像块,通过上采样器gud,获得超分辨图像块;
26、s413、基于下采样器、判别器及上采样器构建正向通道pf,设计正向通道的损失函数lfp,使得图像块y与s412中输出的超分辨率图像块相似;
27、构建反向通道pb步骤s42,如下:
28、s421、将获取的图像块x通过上采样器gup,获得上采样图像块;再将上采样图像块,通过下采样器gdown,获得下采样图像块;
29、s422、基于上采样器及下采样器构建反向通道pb,设计反向通道的损失函数lbp,使得图像块x与s421中获取的下采样图像块相似。
30、优选的,所述s5,具体包括:
31、s51、构建基于零样本的超分辨率重构网络模型,网络包括一条正向通道和一条反向通道,正向通道和反向通道同时自监督学习,直至模型整体损失函数ltotal收敛,得到训练本文档来自技高网...
【技术保护点】
1.一种基于零样本学习的质谱图像超分辨率重建方法,其特征在于,包括:
2.根据权利要求1所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述S1,具体包括:
3.根据权利要求2所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述数据预处理包括峰值转换、峰值平滑、基线校正、归一化、峰值对齐、峰值检测和峰值分箱。
4.根据权利要求1所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述S2,具体包括:
5.根据权利要求1所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述S3,具体包括:
6.根据权利要求5所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述S4,具体包括:
7.根据权利要求6所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述S5,具体包括:
8.根据权利要求7所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,模型整体损失函数Ltotal,表示如下:
【技术特征摘要】
1.一种基于零样本学习的质谱图像超分辨率重建方法,其特征在于,包括:
2.根据权利要求1所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述s1,具体包括:
3.根据权利要求2所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述数据预处理包括峰值转换、峰值平滑、基线校正、归一化、峰值对齐、峰值检测和峰值分箱。
4.根据权利要求1所述的基于零样本学习的质谱图像超分辨率重建方法,其特征在于,所述s2,具体包括:...
【专利技术属性】
技术研发人员:张建寰,方一帆,徐周毅,张陈涛,杭纬,
申请(专利权)人:厦门大学,
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。