[發明專利]一種基于深度學習的多細胞球識別與分類方法

在審

• 申請號: 202011152120.5
• 申請日: 2020-10-26
• 公開（公告）號: CN112017208A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 李冬冬;訾紅彥;戴仕奎;周飛
• 申請（專利權）人: 南京英瀚斯生物科技有限公司
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06K9/62;G06N3/04;G06N3/08;G06T7/194
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 王華

本發明公開了一種基于深度學習的多細胞球識別與分類方法，首先對多細胞球培養顯微圖像轉化成灰度圖像；然后通過人工標注的訓練集對RCNN算法模型進行訓練得到最優RCNN檢測模型；訓練好的最優檢測模型對圖像中目標多細胞球進行識別和定位，提取圖像中多細胞球的子圖像；多：采用基于直方圖分割閾值的算法，對細胞球分割，并提取分割后的多細胞圖像，再通過人工分類后的大樣本多細胞子圖像進行訓練，得到最優細胞分類模型；利用訓練好的最優細胞分類模型對細胞顯微圖像進行細胞分類。本發明能顯著增強細胞識別檢測和泛化性能和魯棒性，大幅降低外界環境和人工操作對檢測結果的影響，提高了檢測分析的準確率，同時提高了檢測效率。

技術領域

本發明主要涉及基于人工智能的精子形態學分析相關的臨床應用和科研。

背景技術

隨著現代細胞和分子生物學技術的發展，人類對于各類疾病的發病及轉歸機理的研究取得了巨大的進展，并基于此發展出了各種新型治療方法，從而極大程度地改善了各類疾病的診斷、治療以及患者預后。癌癥的診斷和治療以及細胞靶向藥物的研制過程都需要對細胞進行培養，從而進行體外細胞試驗，進而為動物試驗甚至人體臨床試驗提供前期基礎研究。而目前傳統的細胞培養需要頻繁的人工干預和操作并進行細胞的確定及分類，因此存在因為人工經驗、評價分類方法及操作習慣的差異，這種方法耗時且效率低下；檢驗結果受檢驗人員的主觀成分影響較重，不同檢驗人員的分類結果差異較大，導致細胞的識別和分類的判斷出現誤差，影響最終的體外細胞試驗結果。

隨著人工智能的快速發展，通過計算機圖像處理和分析的輔助手段得到快速廣泛應用，如果細胞計數、染色體分析、細胞識別和分類的自動處理，大大降低了細胞培養與檢測的工作強度，并提高了檢測和分析的準確性，有助于細胞培養和病理試驗的準確小。而對于多細胞球有限團聚培養的的復雜性和特殊性，尤其是針對細胞團聚形態的識別和分類，現有顯微圖像算法的準確率還有待提高。

發明內容

針對現有技術存在的問題，本發明提供了一種基基于深度學習的多細胞球識別與分類方法，在確保檢測準確度的同時提高了檢測速度。

為解決上述技術問題，本發明采用了以下技術方案：一種基于深度學習的多細胞球識別與分類方法，包括以下步驟：

S1：通過激光掃描共聚焦顯微鏡獲取大樣本的多細胞球培養顯微圖像，并轉化成灰度圖像；

S2，對灰度圖像中多細胞球進行人工標注，然后通過深度學習目標算法對RCNN算法模型進行訓練得到最優RCNN檢測模型；

S3，通過訓練好的最優RCNN檢測模型對灰度圖像中的目標多細胞球進行識別和定位，提取圖像中多細胞球的子圖像；

S4，多細胞球的分割：采用基于直方圖分割閾值的算法，從圖像背景中對目標細胞進行分離：

首先，將多細胞球的子圖像的最大灰度和最小灰度的中值作為初始閾值，遍歷灰度圖像中所有像素點并根據閾值劃分為兩個區域U1和U2；

然后，計算兩個區域U1和U2的區域弧度平均值TU1和TU2，以TU1和TU2的平均值T1更新原閾值，并重復上述步驟直到，為誤差系數，最終得到最優的分割閾值；

最后，并根據最優的分割閾值對多細胞球的子圖像進行二值化分割標定，并進行存儲；

S5，提取分割后的多細胞圖像經過人工分類，利用卷積神經網絡算法搭建細胞分類模型，并通過人工分類后的大樣本多細胞子圖像進行訓練，得到最優細胞分類模型。

S6，利用訓練好的最優細胞分類模型對步驟S4得到的二值化圖像進行細胞分類。

進一步的，步驟S1中多細胞球培養顯微圖像經過灰度轉化后，還需經過缺省值處理：缺省值處理按照與該數據最相近的若干個非空鄰居幀的加權平均值進行設置，缺省數據的加權平均值通過式（1）計算：

（1）