【技术实现步骤摘要】
本专利技术涉及人工智能，具体地指一种基于细胞中心到边缘距离的均衡度评估方法及终端。
技术介绍
1、细胞面积是评估细胞分裂均衡度的一组基本且重要的评估指标。细胞面积往往能反映细胞大小，通过对比各细胞的面积能基本体现细胞大小的差距，实现对细胞均衡度的评估。
2、培养箱不仅可为细胞提供稳定的体外培养环境，其同时具备周期性不断获取细胞分裂的全过程图像。结合培养箱中记录的细胞拍照时间，细胞学家需要根据自身的细胞评估经验对每一张细胞图像进行判别，获取细胞的分裂均衡度，大大地增加了细胞学家的工作量，因此，如何借助于计算机视觉方法，辅助细胞学家快速地检测细胞分裂过程中的均衡度具有十分重要的研究意义。
3、目前，存在一些图像分割的方法来计算细胞的面积以评估细胞分裂均衡度，比如，使用图像分割方法对细胞图像进行分割，统计细胞面积，根据各细胞的面积比值可以量化细胞分裂的均衡度；然而，由于细胞分裂过程中细胞之间往往会存在重叠现象，导致拍摄图像中的细胞暴露不完全，重叠现象使细胞的部分面积被掩盖，据此统计的细胞面积结果不准确，进而导致对细胞均衡度的评估存在误差。
技术实现思路
1、本专利技术针对上述现有技术的不足之处，提出一种基于细胞中心到边缘距离的均衡度评估方法及终端，以提高细胞均衡度的评估准确率。
2、为实现上述目的，本专利技术设计的基于细胞中心到边缘距离的均衡度评估方法，其特殊之处在于，包括如下步骤：
3、s1将细胞图像分别输入至经过训练的计算机模型，分别提
4、s2对每个细胞的语义分割图提取语义边缘作为细胞边缘，并根据各细胞中心位置，寻找对应的细胞边缘，将对应于相同细胞的细胞中心和细胞边缘匹配；
5、s3计算每一个匹配后细胞的细胞中心到边缘的最长距离和最短距离；
6、s4根据每个细胞的所述中心到边缘最长距离和最短距离，计算细胞均衡度。
7、优选地，步骤s1中将细胞图像输入至经过训练的计算机模型提取图像中的各细胞中心位置的具体方法包括步骤：
8、a. 收集细胞分裂全过程中的细胞图像，标注每一张图像中细胞中心的位置，将标注好的图像划分为训练集、验证集和测试集；
9、b.采用标注的训练集对密度图网络模型进行训练；
10、c.根据密度图网络模型在验证集上的准确率变化，调整模型的超参数，保存在测试集上表现最佳的密度图网络模型；
11、d.运用保存的密度图网络模型检测拍摄的图像，输出对图像各细胞中心的预测结果。
12、优选地，步骤s1中将细胞图像输入至经过训练的计算机模型提取图像中的细胞的语义分割图的具体方法包括步骤：
13、a.收集细胞分裂全过程中的细胞图像，标注每一张图像中细胞的语义标签，将标注好的图像划分为训练集、验证集和测试集；
14、b.采用标注的训练集对边缘提取网络模型进行训练；
15、c.根据边缘提取网络模型在验证集上的准确率变化，调整模型的超参数，最终保存在测试集上表现最佳的边缘提取网络模型；
16、d.运用保存的边缘提取网络模型检测拍摄的图像，输出对图像语义的预测结果；
17、e.对于所述预测结果中的每一个像素，判断当前像素的上下左右四个方向的相邻像素是否全都是相同语义标签，如果不是则代表当前像素为所属语义的边缘像素，将所有语义的边缘像素按语义分类；
18、f. 提取细胞图像的高层特征，将特征图进行上采样，得到原图大小的多个特征图，对特征图进行softmax，预测每个像素的标签，输出细胞的各类语义分割图，细胞的不同区域用不同颜色显示。
19、优选地，步骤s3的具体步骤包括：
20、s31根据网络模型输出图像中细胞中心的坐标，将细胞的语义分割图中语义边缘与细胞中心对应，每类细胞语义边缘对应一个细胞中心；
21、s32对每类细胞语义边缘按照曲率分段，以曲率变化超过阈值的像素点作为分段点，将细胞语义边缘分为n段；
22、s33遍历每一段语义边缘上的所有点，计算所有相邻点的欧式距离并求和得到细胞的总周长l，计算细胞中心到每一个点的欧式距离，将最长的距离和最短的距离记为细胞中心到边缘的最长距离dl和最短距离ds；
23、s34根据每段边缘的周长对该段边缘到中心的距离进行加权计算，得到更新后的细胞中心到边缘的最长距离和最短距离。
24、优选地，加权计算得到更新后的细胞中心到边缘的最长距离和最短距离的计算方法为：
25、
26、
27、式中，表示第j个细胞中心到边缘的最长距离，表示第j个细胞中心到边缘的最短距离，表示第j个细胞的总周长。
28、优选地，所述以曲率变化超过阈值的像素点作为分段点的方法为：计算每类细胞语义边缘中每个像素点的曲率值c，如果当前像素的曲率值c和相邻两端像素的曲率值差距超过阈值η时，将当前像素设为分段点，根据分段点将细胞语义边缘，设定分段数量为n，分别对应于第j个细胞所对应的语义区域中的第k段边缘。
29、优选地，步骤s4中细胞均衡度的计算方式为：
30、
31、
32、式中，b为细胞均衡度指数，m为细胞数量，为细胞中心到边缘最长距离的平均值，为细胞中心到边缘最短距离的平均值。
33、优选地，所述细胞均衡度指数当b大于阈值ξ时，判断为细胞分裂均衡，否则视为细胞分裂不均衡。
34、优选地，步骤s1中用于提取图像中的各细胞中心位置的密度图网络模型在输入网络之前，先进行一次下采样，将细胞图像下采样为原本图像大小的1/a，再使用三个不同尺度的卷积核提取图像不同尺度的特征信息，经过池化层加强特征，然后使用对应尺度的卷积核将不同尺度的特征图统一为相同大小，再将所有特征图进行融合，最终输出密度图，得到各细胞中心在图像中的坐标；为了还原初始图像大小的细胞中心坐标，将细胞中心坐标乘a，最终得到初始图像大小的细胞中心坐标，a=2,4,8,…,32。
35、本专利技术还提出一种终端，包括：
36、至少一个处理器；以及，
37、与所述至少一个处理器通信连接的存储器；其中，
38、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于细胞中心到边缘距离的均衡度评估方法。
39、本专利技术的有益效果在于：
40、1）本专利技术提出的基于细胞中心到边缘距离的均衡度评估方法通过分别提取细胞中心和细胞边缘特征进行匹配，并计算细胞中心到边缘最长距离和最短距离，以计算细胞均衡度；
41、2）本专利技术对细胞边缘分段并参考分段边缘周长信息，提升细胞中心到边缘的最长距离和最短距离的准确度，提高细胞分裂均衡度评估的准确度；
42、3）本专利技术通过运用神经网络模型有效地提取本文档来自技高网...
【技术保护点】
1.一种基于细胞中心到边缘距离的均衡度评估方法，其特征在于：包括步骤：
2.根据权利要求1所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤S1中将细胞图像输入至经过训练的计算机模型提取图像中的各细胞中心位置的具体方法包括步骤：
3.根据权利要求1所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤S1中将细胞图像输入至经过训练的计算机模型提取图像中的细胞的语义分割图的具体方法包括步骤：
4.根据权利要求3所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤S3的具体步骤包括：
5.根据权利要求4所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：加权计算得到更新后的细胞中心到边缘的最长距离和最短距离的计算方法为：
6.根据权利要求4所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：所述以曲率变化超过阈值的像素点作为分段点的方法为：计算每类细胞语义边缘中每个像素点的曲率值C，如果当前像素的曲率值C和相邻两端像素的曲率值差距超过阈值η时，将当前像素设为分段点，根据分段点将细胞语
7.根据权利要求5所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤S4中细胞均衡度的计算方式为：
8.根据权利要求7所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：所述细胞均衡度指数当B大于阈值ξ时，判断为细胞分裂均衡，否则视为细胞分裂不均衡。
9.根据权利要求3所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤S1中用于提取图像中的各细胞中心位置的密度图网络模型在输入网络之前，先进行一次下采样，将细胞图像下采样为原本图像大小的1/a，再使用三个不同尺度的卷积核提取图像不同尺度的特征信息，经过池化层加强特征，然后使用对应尺度的卷积核将不同尺度的特征图统一为相同大小，再将所有特征图进行融合，最终输出密度图，得到各细胞中心在图像中的坐标；为了还原初始图像大小的细胞中心坐标，将细胞中心坐标乘a，最终得到初始图像大小的细胞中心坐标，a＝2,4,8,…,32。
10.一种终端，其特征在于，包括：
...【技术特征摘要】
1.一种基于细胞中心到边缘距离的均衡度评估方法，其特征在于：包括步骤：
2.根据权利要求1所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤s1中将细胞图像输入至经过训练的计算机模型提取图像中的各细胞中心位置的具体方法包括步骤：
3.根据权利要求1所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤s1中将细胞图像输入至经过训练的计算机模型提取图像中的细胞的语义分割图的具体方法包括步骤：
4.根据权利要求3所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：步骤s3的具体步骤包括：
5.根据权利要求4所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：加权计算得到更新后的细胞中心到边缘的最长距离和最短距离的计算方法为：
6.根据权利要求4所述的基于细胞中心到边缘距离的均衡度评估方法，其特征在于：所述以曲率变化超过阈值的像素点作为分段点的方法为：计算每类细胞语义边缘中每个像素点的曲率值c，如果当前像素的曲率值c和相邻两端像素的曲率值差距超过阈值η时，将当前像素设为分段点，根据分段点将细胞...
【专利技术属性】
技术研发人员：谭威，孔宇杰，陈长胜，云新，彭松林，熊祥，
申请(专利权)人：武汉互创联合科技有限公司，
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。