[發明專利]一種基于深度學習的衰老細胞顯微圖像識別方法

在審

• 申請號: 202211148637.6
• 申請日: 2022-09-21
• 公開（公告）號: CN115457549A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 陳同生;賀思琪
• 申請（專利權）人: 華南師范大學
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/30;G06V10/34;G06V10/44;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

本發明公開了一種基于深度學習的衰老細胞顯微圖像識別方法，所述方法包括：將待識別多細胞圖像分割成待識別單細胞圖像，其中，所述待識別多細胞圖像為明場圖像類型和核通道圖像類型其中之一；將待識別單細胞圖像輸入衰老細胞識別網絡模型，得到衰老識別結果，其中，所述衰老細胞識別網絡模型通過多種并聯的分類網絡模型提取特征。本發明采用端到端的方式，并通過深度學習方式構建基于顯微圖像的衰老細胞識別網絡模型，實現了輸入明場圖像或核通道圖像，輸出對應圖像的衰老細胞概率圖以及衰老細胞占比。

技術領域

本發明涉及一種基于深度學習的衰老細胞顯微圖像識別方法，屬于圖像識別技術領域。

背景技術

細胞衰老涉及機體、組織器官、細胞和分子等多個層次的功能性衰退，與惡性腫瘤、衰老相關疾病等都有著密切的聯系。準確識別衰老細胞有助于理解衰老細胞與疾病的關系，在研究衰老相關疾病的發病機制中起著重要的作用。檢測和鑒定衰老細胞還沒有統一的標準，通常需要結合多種生物標記物來鑒別衰老細胞。其中，在衰老過程中，細胞的結構和形態會發生明顯的變化，表現出獨特的形態，基于細胞的形態學特征識別衰老細胞這一課題引起人們的重視。[Kusumoto D,Seki T,Sawada H,et al.Anti-senescent drugscreening by deep learning-based morphology senescence scoring.Naturecommunications,2021,12(1):1-10]。

目前，只有很少的機器學習算法被用于識別衰老細胞。目前常用的是細胞生物學方法，在細胞生物學中，檢測細胞衰老常用的生物學特征有兩個：一是生長停滯，細胞停止分裂，進入不可逆的細胞周期停滯；二是衰老相關的β-半乳糖苷酶(senescenceassociatedβ-galactosidase，SAβ-gal)活性增加[Hernandez-Segura A,Nehme J andDemaria M.Hallmarks of cellular senescence.Trends in cell biology,2018,28(6):436-453]。這些生物檢測方法通常需要測量基因表達的變化和蛋白質標記物，檢測流程復雜，且需要耗費一定的人力物力。在衰老細胞的檢測中，若能結合顯微成像和深度學習技術，對衰老細胞進行自動識別，可以節省大量的時間，且更加方便快捷。

隨著技術的進步，深度學習推動了許多復雜問題的分析解決，被廣泛應用于圖像識別、目標檢測等技術領域，在生物醫學圖像處理中得到了長足的發展[Skrede O-J,DeRaedt S,Kleppe A,et al.Deep learning for prediction of colorectal canceroutcome:a discovery and validation study.The Lancet,2020,395(10221):350-360]。在細胞生物學領域，通過顯微鏡獲取的細胞形態學圖像包含大量的生物學信息，神經網絡對形態學的變化十分敏感，可以捕捉到人類無法感知的微小變化，隨著卷積神經網絡(CNN)的建立和更多模型的提出，圖像分類任務的準確度得到大幅提升。同時相比其他領域圖像識別任務，生物醫學領域數據集偏小且更難獲取和標注，因此在模型搭建前期的數據處理更加重要，人工提取特征又依賴于醫生的經驗，存在人工誤差，有待進一步提高改進。

發明內容

有鑒于此，本發明提供了一種基于深度學習的衰老細胞顯微圖像識別方法、系統、計算機設備及存儲介質，其采用端到端的方式，并通過深度學習方式構建基于顯微圖像的衰老細胞識別網絡模型，實現了輸入明場圖像或核通道圖像，輸出對應圖像的衰老細胞概率圖以及衰老細胞占比。

本發明的第一個目的在于提供一種基于深度學習的衰老細胞顯微圖像識別方法。

本發明的第二個目的在于提供一種基于深度學習的衰老細胞顯微圖像識別系統。

本發明的第三個目的在于提供一種計算機設備。

本發明的第四個目的在于提供一種存儲介質。