[發(fā)明專利]一種基于顯微圖像的類器官活力評價方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110601223.3
• 申請日: 2021-05-31
• 公開（公告）號: CN113283352B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計）人: 李剛;陳澤新;于言;朱宇
• 申請（專利權(quán)）人: 創(chuàng)芯國際生物科技（廣州）有限公司
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/762;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州容大知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44326
• 代理人: 劉新年

1.一種基于顯微圖像的類器官活力評價方法，其特征在于：包括以下步驟：

步驟1，獲取一系列類器官的顯微圖像；步驟2，對該系列顯微圖像中的類器官進(jìn)行人工類型判斷，然后進(jìn)行類器官框選并進(jìn)行活力逐一評分，以形成類器官活力評價模型的訓(xùn)練集，并采用該訓(xùn)練集訓(xùn)練所述類器官活力評價模型；所述類器官活力評價模型為神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型采用監(jiān)督學(xué)習(xí)方法訓(xùn)練，具體訓(xùn)練過程包括：

(1)訓(xùn)練類器官檢測網(wǎng)絡(luò)：將獲取的一系列類器官的顯微圖像中的每個類器官進(jìn)行框選，并用一個4維向量[x,y,w,h]對每個類器官所在的目標(biāo)框進(jìn)行位置編碼，其中x表示目標(biāo)框在圖像中的橫坐標(biāo)索引，y表示目標(biāo)框在圖像中的縱坐標(biāo)索引，w和h分別表示目標(biāo)框的寬和高；采用編碼后的所有類器官目標(biāo)框和顯微圖像數(shù)據(jù)共同優(yōu)化用于框選類器官檢測的卷積網(wǎng)絡(luò)，直至代價函數(shù)收斂；

(2)訓(xùn)練評價函數(shù)：將步驟(1)獲得的所有位置編碼和這些位置編碼對應(yīng)的顯微圖像送入卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，訓(xùn)練過程是基于熵最小化原理并采用對比學(xué)習(xí)策略優(yōu)化評價函數(shù)，訓(xùn)練結(jié)束后提取所有圖像中每個類器官的顯著特征；

(3)擬合聚合函數(shù)：利用回歸分析方法將所有圖像中每個類器官的顯著特征進(jìn)行聚合，并與酶標(biāo)儀器測定值進(jìn)行對比，計算回歸擬合曲線值，并確定各項特征權(quán)重；

步驟3，利用訓(xùn)練好的類器官活力評價模型對一幅類器官的顯微圖像進(jìn)行自動類型判斷、框選以及活力評分，輸出所框選的每個類器官的分值并匯總加權(quán)。

2.根據(jù)權(quán)利要求1所述的一種基于顯微圖像的類器官活力評價方法，其特征在于：所述步驟(2)中訓(xùn)練評價函數(shù)是基于熵最小化原理，其損失函數(shù)調(diào)用tf.nn包的函數(shù)，參數(shù)logits為前向網(wǎng)絡(luò)輸出值，labels的格式為[0，0，0，1，0，0，0，0，0，0]，采用運(yùn)算公式如式I和II所示：

H_y‘(y)＝-∑_iy‘_ilog(y_i)， II

式I和II中，y'為labels，x為logits，交叉熵H是一種信息量，而softmax算子實(shí)現(xiàn)(0,1)概率映射，熵最小化策略用來去掉輸入信息的冗余，明確區(qū)分各特征量并可形成分類。

3.根據(jù)權(quán)利要求2所述的一種基于顯微圖像的類器官活力評價方法，其特征在于：所述步驟(2)中對比學(xué)習(xí)策略優(yōu)化評價函數(shù)是根據(jù)人工類型判斷結(jié)果對損失函數(shù)權(quán)重進(jìn)行初步分類，根據(jù)初步分類結(jié)果在進(jìn)行聚類分析和對比學(xué)習(xí)損失，并過濾掉不可靠信息以及確定哪些樣本參與訓(xùn)練，該過程所采用的公式如III-VI所示：

式III中，L代表損失函數(shù)，L_cls、L_cluster、L_comp表示三種不同損失函數(shù)，α和β分別表示所占比重的系數(shù)；式IV中，L_cls為多頭分類器的交叉熵?fù)p失函數(shù)，G代表抽取出的特征值；C_j代表多頭分類器；下標(biāo)j表示多頭分類器編號；x_i為輸入樣本，為x_i的評分注釋；n和k表示i和j的總值；I(x)表示判斷函數(shù)，若為真，I(x)＝1，否則為0；式V中，L_cluster為鄰近約束損失，p^v_u代表x_v和x_u的親和性，u和v即兩個隨機(jī)不同樣本；h_u和h_v基于鄰近約束可以一定程度上反映x_v和x_u的親和性，Z_u為親和力的總和，T是表示矩陣轉(zhuǎn)置；式VI中，L_comp為比較損失函數(shù)；M為評分函數(shù)，用來輸出類器官質(zhì)量評估；x_u和x_v為訓(xùn)練樣本中的某一樣本位置；S表示u和v兩樣本比較后的評分高低，uv，S＝1；u＝v，S＝0；uv，S＝-1；綜上，可得損失函數(shù)L。