[發(fā)明專利]基于深度圖像特征和閾值學(xué)習(xí)策略的蛋白質(zhì)亞細胞定位的方法

有效

• 申請?zhí)枺?/td>: 202011148528.5
• 申請日: 2020-10-23
• 公開（公告）號: CN112201300B
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計）人: 蘇苒;何琳琳
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G16B15/20
• 分類號: G16B15/20;G06N3/04
• 代理公司: 天津創(chuàng)智天誠知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12214
• 代理人: 李蕊;王秀奎

1.一種基于深度圖像特征和閾值學(xué)習(xí)策略的蛋白質(zhì)亞細胞定位的方法，其特征在于，包括以下步驟：

步驟1，數(shù)據(jù)收集和數(shù)據(jù)預(yù)處理：

1-1，準(zhǔn)備數(shù)據(jù)集：所述數(shù)據(jù)集包括蛋白質(zhì)免疫組化單標(biāo)簽圖像I1；蛋白質(zhì)免疫組化多標(biāo)簽圖像I2；

1-2，將步驟1-1中所述的蛋白質(zhì)免疫組化單標(biāo)簽圖像I1進行線性光譜分離得到所述的蛋白質(zhì)免疫組化蛋白質(zhì)通道單標(biāo)簽圖像P1；將步驟1-1中所述的蛋白質(zhì)免疫組化多標(biāo)簽圖像I2進行線性光譜分離得到所述的蛋白質(zhì)免疫組化蛋白質(zhì)通道多標(biāo)簽圖像P2；

步驟2，數(shù)據(jù)增強和訓(xùn)練集、測試集劃分：

2-1對步驟1-2中所得的蛋白質(zhì)免疫組化蛋白質(zhì)通道單標(biāo)簽圖像P1進行上下翻轉(zhuǎn)、左右翻轉(zhuǎn)和旋轉(zhuǎn)得到擴充后的數(shù)據(jù)集P_Aug1；

2-2對步驟1-2中所得的蛋白質(zhì)免疫組化蛋白質(zhì)通道多標(biāo)簽圖像P2進行上下翻轉(zhuǎn)、左右翻轉(zhuǎn)和旋轉(zhuǎn)得到擴充后的數(shù)據(jù)集P_Aug2；

2-3對步驟2-1中所得的數(shù)據(jù)集P_Aug1進行劃分得到訓(xùn)練集Train1和測試集Test1；

2-4對步驟2-2中所得的數(shù)據(jù)集P_Aug2進行劃分得到訓(xùn)練集Train2和測試集Test2；

步驟3，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取器：

3-1構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的單標(biāo)簽數(shù)據(jù)集特征提取器：構(gòu)建五個卷積神經(jīng)網(wǎng)絡(luò)作為蛋白質(zhì)免疫組化蛋白質(zhì)通道單標(biāo)簽圖像的特征提取器，即AlexNet，VggNet，ResNet、DenseNet和XceptionNet，將訓(xùn)練集Train1和測試集Test1放入五個不同的神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練和測試，圖像的尺寸和放入的神經(jīng)網(wǎng)絡(luò)的輸入尺寸相符，當(dāng)訓(xùn)練和測試結(jié)束，將蛋白質(zhì)免疫組化蛋白質(zhì)通道單標(biāo)簽圖像P1的尺寸分別調(diào)整成符合五個卷積神經(jīng)網(wǎng)絡(luò)輸入的大小然后進行圖像特征的提取，最終由五種卷積神經(jīng)網(wǎng)絡(luò)提取器得到了五組不同的特征；

3-2構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽數(shù)據(jù)集特征提取器：構(gòu)建五個卷積神經(jīng)網(wǎng)絡(luò)作為蛋白質(zhì)免疫組化蛋白質(zhì)通道多標(biāo)簽圖像的特征提取器，即AlexNet，VggNet，ResNet、DenseNet和XceptionNet，將訓(xùn)練集Train2和測試集Test2放入五個不同的神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練和測試，圖像的尺寸和放入的神經(jīng)網(wǎng)絡(luò)的輸入尺寸相符，當(dāng)訓(xùn)練結(jié)束，將蛋白質(zhì)免疫組化蛋白質(zhì)通道多標(biāo)簽圖像P2的尺寸分別調(diào)整成符合五個網(wǎng)絡(luò)輸入的大小然后進行圖像特征的提取，最終由五種卷積神經(jīng)網(wǎng)絡(luò)提取器得到了五組不同的特征；

步驟4，利用最小冗余最大相關(guān)算法結(jié)合后向特征消除進行特征提取：

使用最小冗余最大相關(guān)算法結(jié)合后向特征消除來減少特征冗余，分別對蛋白質(zhì)免疫組化蛋白質(zhì)通道單標(biāo)簽圖像P1的五組特征和蛋白質(zhì)免疫組化蛋白質(zhì)通道多標(biāo)簽圖像P2的五組特征進行特征選擇，分別生成P1的最佳特征子集和P2的最佳特征子集；

步驟5，構(gòu)建亞細胞定位預(yù)測器：

5-1構(gòu)建單標(biāo)簽亞細胞定位預(yù)測器：利用步驟4中確定的P1的最佳特征子集，使用支持向量機進行分類；

5-2構(gòu)建多標(biāo)簽亞細胞定位預(yù)測器：將圖像的標(biāo)簽集表示為L＝{l₁，l₂，...l₉}，如果l_i屬于此圖像，則將值設(shè)為1，否則為0，將步驟4中確定的P2的最佳特征子集放入支持向量機進行訓(xùn)練，對于每個圖像支持向量機都輸出九個分?jǐn)?shù)S＝{s₁，s₂，...，s₉}，分別代表每個類別的概率；首先將具有最大概率s_max的標(biāo)簽分配給樣本，即將L中與s_max位置相對應(yīng)的位置設(shè)置1，然后尋找與s_max相近的概率值，首先設(shè)置一個閾值θ，將與s_max差值小于θ的第i個標(biāo)簽分配給圖像，l_i值的確定過程如下：

其中，l_i為圖像第i個位置的標(biāo)簽值，值為1表示該標(biāo)簽屬于圖像，值為0表示該標(biāo)簽不屬于圖像，i＝1、2、3......9；s_i為圖像第i個位置的概率值，i＝1、2、3......9；s_max為9個概率中最大的概率，S_dif＝{s_dif1，s_dif2，...，s_dif9}為概率差向量，s_difi表示第i個位置的概率與s_max的差值，i＝1、2、3......9；

步驟6，亞細胞定位預(yù)測器的性能評價：

6-1選定單標(biāo)簽性能評價指標(biāo)，對單標(biāo)簽亞細胞定位預(yù)測器的性能進行評價；

6-2選定多標(biāo)簽性能評價指標(biāo)，對多標(biāo)簽亞細胞定位預(yù)測器的性能進行評價；

步驟7，利用單標(biāo)簽亞細胞定位預(yù)測器蛋白質(zhì)免疫組化單標(biāo)簽圖像進行預(yù)測，利用多標(biāo)簽亞細胞定位預(yù)測器對蛋白質(zhì)免疫組化多標(biāo)簽圖像進行預(yù)測。