一种基于迁移学习的病毒中和抗体检测方法及装置制造方法及图纸

本公开提供一种基于迁移学习的病毒中和抗体自动检测方法及装置，包括采集多个不同病毒浓度梯度侵染细胞的多孔板样本的全孔板细胞图像；将各个孔洞内所采集的完整细胞图像划分成若干块细胞图像，对细胞图像的类别进行标注；划分成训练集、验证集和测试集；选取多个网络模型，对多个网络模型进行预训练；利用训练集分别对多个网络模型的后端分类器进行训练；分别计算模型参数调整后的多个网络模型在测试集上的预测结果与金标准之间的差异，并选取正确率最高的网络模型作为目标网络模型；利用目标网络模型，对实际获取的细胞图像进行检测，以确定受损细胞和正常细胞所占面积的比例。本公开的检测方法具有高速度、全自动、高正确率等优点。确率等优点。确率等优点。

【技术实现步骤摘要】
一种基于迁移学习的病毒中和抗体检测方法及装置


[0001]本公开属于病毒检测
，具体涉及一种基于迁移学习的病毒中和抗体自动检测方法及装置。

技术介绍

[0002]病毒检测是病毒实验中不可缺少的一个步骤，其指标表明了该种病毒引起组织培养物（细胞）半数致死的剂量。一种普遍做法是在96孔板的每个孔洞中种植相近数量的细胞，而后在其中滴加浓度梯度的病毒。待病毒侵染细胞一段时间后，实验人员使用显微镜对每个孔内选取的视野进行人工观察，判断各个孔内的细胞是否产生致细胞病变效应（CytopathicEffect，CPE），而后通过Reed
‑
Muench法计算病毒的。
[0003]该方法有以下几个缺点：1、观测工作量大，效率低：由于需要人工对孔板的各个孔洞进行观测，需要多次调整显微镜镜头的焦距与位置，耗时较长；2、判断的主观性强：受限于显微镜的放大倍数，实验人员需要在各个孔洞内选取小片区域进行观测。然而由于病毒侵染细胞的不均匀性，所取视野的结果无法代表该孔洞的最终结果。同时对于细胞产生CPE与否的判断也比较主观，容易产生误差而影响结果；3、实验危险性大：由于需要当场对各个孔洞的数据进行观测与判断，实验人员会长时间处于样本旁，增加了意外感染病毒的几率和风险。

技术实现思路

[0004]本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于迁移学习的病毒中和抗体自动检测方法及装置。
[0005]本公开的一个方面，提供一种基于迁移学习的病毒中和抗体自动检测方法，所述方法包括以下步骤：采集多个不同病毒浓度梯度侵染细胞的多孔板样本的全孔板细胞图像；将各个孔洞内所采集的完整细胞图像划分成若干块细胞图像，并对每块所述细胞图像进行预处理；分别对所述预处理后的每块细胞图像，根据是否产生CPE现象对所述细胞图像的类别进行标注，获得细胞标注图像集合；将所述细胞标注图像集合划分成训练集、验证集和测试集；选取预设的多个网络模型，并使用预设的图像数据集分别对所述多个网络模型进行预训练，以优化所述多个网络模型的前部特征提取阶段的模型参数；冻结所述预训练后的多个网络模型的特征提取阶段的模型参数，并利用所述训练集分别对所述多个网络模型的后端分类器进行训练，并利用所述验证集分别对所述多个网络模型进行模型参数调整；分别计算所述模型参数调整后的多个网络模型在所述测试集上的预测结果与金
标准之间的差异，并选取正确率最高的网络模型作为目标网络模型；利用所述目标网络模型，对实际获取的细胞图像进行检测，以确定受损细胞和正常细胞所占面积的比例。
[0006]在一些可选地实施方式中，所述对每块所述细胞图像进行预处理，包括：对每块所述细胞图像进行灰度化处理，并使用高斯滤波去除每块所述细胞图像中的部分噪声，使用旋转、水平翻转和垂直翻转的方法扩充细胞图像。
[0007]在一些可选地实施方式中，所述选取预设的多个网络模型，并使用预设的图像数据集分别对所述多个网络模型进行预训练，包括：使用Pytorch构建VGG
‑
19网络模型、DenseNet
‑
121网络模型和ResNet
‑
34网络模型，使用ImageNet分别对所述VGG
‑
19网络模型、DenseNet
‑
121网络模型和ResNet
‑
34网络模型进行预训练。
[0008]在一些可选地实施方式中，在利用所述训练集分别对所述多个网络模型的后端分类器进行训练的过程中，优化器使用Adam，损失函数使用BinaryCrossEntropy。
[0009]在一些可选地实施方式中，所述利用所述目标网络模型，对获取的实际细胞图像进行检测，包括：采集不同病毒浓度梯度侵染细胞的多孔板样本的实际全孔板图像；将各个孔洞内所采集的完整实际细胞图像划分成若干块实际细胞图像，并对每块所述实际细胞图像进行预处理；分别将所述预处理后的每块所述实际细胞图像输入至所述目标网络模型，利用所述目标网络模型对输入的实际细胞图像的类别进行判断，得到每块实际细胞的预测结果；对每个孔洞内的实际细胞图像，将所分成的各块实际细胞图像的结果进行融合，取预测类别较多的类别作为该孔洞的最终检测结果。
[0010]在一些可选地实施方式中，所述方法还包括：根据下述关系式计算：：。
[0011]本公开的另一方面，提供一种基于迁移学习的病毒中和抗体自动检测装置，所述装置包括：采集模块，用于采集多个不同病毒浓度梯度侵染细胞的多孔板样本的全孔板细胞图像；分割模块，用于将各个孔洞内所采集的完整细胞图像划分成若干块细胞图像，并对每块所述细胞图像进行预处理；标注模块，用于分别对所述预处理后的每块细胞图像，根据是否产生CPE现象对所述细胞图像的类别进行标注，获得细胞标注图像集合；所述分割模块，还用于将所述细胞标注图像集合划分成训练集、验证集和测试集；
第一训练模块，用于选取预设的多个网络模型，并使用预设的图像数据集分别对所述多个网络模型进行预训练，以优化所述多个网络模型的前部特征提取阶段的模型参数；第二训练模块，用于冻结所述预训练后的多个网络模型的特征提取阶段的模型参数，并利用所述训练集分别对所述多个网络模型的后端分类器进行训练，并利用所述验证集分别对所述多个网络模型进行模型参数调整；选取模块，用于分别计算所述模型参数调整后的多个网络模型在所述测试集上的预测结果与金标准之间的差异，并选取正确率最高的网络模型作为目标网络模型；检测模块，用于利用所述目标网络模型，对实际获取的细胞图像进行检测，以确定受损细胞和正常细胞所占面积的比例。
[0012]在一些可选地实施方式中，所述检测模块包括：采集子模块，用于采集不同病毒浓度梯度侵染细胞的多孔板样本的实际全孔板图像；分割子模块，用于将各个孔洞内所采集的完整实际细胞图像划分成若干块实际细胞图像，并对每块所述实际细胞图像进行预处理；检测子模块，用于分别将所述预处理后的每块所述实际细胞图像输入至所述目标网络模型，利用所述目标网络模型对输入的实际细胞图像的类别进行判断，得到每块实际细胞的预测结果；融合子模块，用于对每个孔洞内的实际细胞图像，将所分成的各块实际细胞图像的结果进行融合，取预测类别较多的类别作为该孔洞的最终检测结果。
[0013]本公开的另一个方面，提供一种电子设备，包括：一个或多个处理器；一个存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
[0014]本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
[0015]本公开实施例的基于迁移学习的病毒中和抗体自动检测方法及装置，具有以下优点：1、高速度、全自动：相比于传统方案，本公开对多孔板的全图像进行采集，同时利用深度学习的方法代替人工判断，实现了病毒中和实验的指标全自动测量；2、高正确率：相比于传统方案的对每个孔洞仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的病毒中和抗体自动检测方法，其特征在于，所述方法包括以下步骤：采集多个不同病毒浓度梯度侵染细胞的多孔板样本的全孔板细胞图像；将各个孔洞内所采集的完整细胞图像划分成若干块细胞图像，并对每块所述细胞图像进行预处理；分别对所述预处理后的每块细胞图像，根据是否产生CPE现象对所述细胞图像的类别进行标注，获得细胞标注图像集合；将所述细胞标注图像集合划分成训练集、验证集和测试集；选取预设的多个网络模型，并使用预设的图像数据集分别对所述多个网络模型进行预训练，以优化所述多个网络模型的前部特征提取阶段的模型参数；冻结所述预训练后的多个网络模型的特征提取阶段的模型参数，并利用所述训练集分别对所述多个网络模型的后端分类器进行训练，并利用所述验证集分别对所述多个网络模型进行模型参数调整；分别计算所述模型参数调整后的多个网络模型在所述测试集上的预测结果与金标准之间的差异，并选取正确率最高的网络模型作为目标网络模型；利用所述目标网络模型，对实际获取的细胞图像进行检测，以确定受损细胞和正常细胞所占面积的比例。2.根据权利要求1所述的方法，其特征在于，所述对每块所述细胞图像进行预处理，包括：对每块所述细胞图像进行灰度化处理，并使用高斯滤波去除每块所述细胞图像中的部分噪声，使用旋转、水平翻转和垂直翻转的方法扩充细胞图像。3.根据权利要求1所述的方法，其特征在于，所述选取预设的多个网络模型，并使用预设的图像数据集分别对所述多个网络模型进行预训练，包括：使用Pytorch构建VGG
‑
19网络模型、DenseNet
‑
121网络模型和ResNet
‑
34网络模型，使用ImageNet分别对所述VGG
‑
19网络模型、DenseNet
‑
121网络模型和ResNet
‑
34网络模型进行预训练。4.根据权利要求1至3任一项所述的方法，其特征在于，在利用所述训练集分别对所述多个网络模型的后端分类器进行训练的过程中，优化器使用Adam，损失函数使用BinaryCrossEntropy。5.根据权利要求1至3任一项所述的方法，其特征在于，所述利用所述目标网络模型，对获取的实际细胞图像进行检测，包括：采集不同病毒浓度梯度侵染细胞的多孔板样本的实际全孔板图像；将各个孔洞内所采集的完整实际细胞图像划分成若干块实际细胞图像，并对每块所述实际细胞图像进行预处理；分别将所述预处理后的每块所述实际细胞图像输入至所述目标网络模型，利用所述目标网络模型对...

【专利技术属性】
技术研发人员：顾忠泽，朱凤才，陈早早，郭喜玲，李奇维，葛健军，
申请(专利权)人：江苏省疾病预防控制中心江苏省公共卫生研究院，
类型：发明
国别省市：