【技术实现步骤摘要】
基于深度学习的细胞自噬免疫荧光图像分析系统和方法
[0001]本专利技术属于数字化细胞自噬荧光图像分析领域,尤其涉及一种基于深度学习的细胞自噬免疫荧光图像分析系统和方法。
技术介绍
[0002]细胞自噬是真核生物细胞内的一种机械性的自我降解过程,能够帮助细胞清除细胞内部错误的折叠蛋白和受损的细胞器。细胞自噬对维持细胞内的稳态起着关键作用,对肿瘤发生、胚胎发育、细胞凋亡和免疫应答等方面的研究具有重要的意义。细胞自噬可以通过在荧光显微镜下观察GFP
‑
LC3融合蛋白的产生来监测。当以GFP为探针的细胞中有自噬发生时,表现为GFP
‑
LC3亮斑的增加。虽然计量免疫荧光斑点并不能反映自噬通量的大小,但是对荧光显微图像中发生自噬的细胞进行计数或者对单个细胞内的GFP
‑
LC3亮斑的数量、荧光强度等定量分析仍可量化细胞中的自噬活性,是细胞自噬检测的标准之一。
[0003]当前生物医学领域研究人员在使用免疫荧光技术对细胞自噬进行研究时,大多采取对每组实验选取2
‑
3张免疫荧光图像,再在图像中选取几个发生自噬的细胞,对细胞中的GFP
‑
LC3阳性亮斑进行人工计数并取平均值的方法,或是通过肉眼观察图像中的GFP
‑
LC3阳性亮斑是否有明显的增减的方法。两种人工方法均耗时费力,且分析结果带有研究人员的主观性。
技术实现思路
[0004]本专利技术的目的是针对现有技术的不足,提供一种基于深度学习的细胞自噬免疫 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,包括:细胞分割模块,用来对细胞自噬免疫荧光图像中的细胞区域进行分割;GFP
‑
LC3阳性亮斑分割模块,用来对细胞自噬免疫荧光图像中的GFP
‑
LC3阳性亮斑区域进行分割;定量分析模块,用来分别对分割后的细胞区域和分割后的GFP
‑
LC3阳性亮斑区域进行数量、面积和荧光强度的统计和计算;并结合细胞区域的分割结果和GFP
‑
LC3阳性亮斑区域的分割结果判断细胞是否发生自噬。2.根据权利要求1所述的基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,细胞分割模块实现细胞自噬免疫荧光图像中细胞区域的分割,具体过程为:首先对细胞自噬免疫荧光图像中的目标分割通道进行选择,将所述细胞自噬免疫荧光图像转化为二通道图像,二通道内容分别为细胞核和细胞质;然后,对转化为二通道图像的细胞自噬免疫荧光图像依次进行图像增强处理和数据归一化处理;再选择二通道图像中细胞区域的直径大小,对经过图像增强处理和数据归一化处理的二通道图像的尺寸进行缩放处理;最后将缩放后的二通道图像输入深度学习模型中,得到细胞区域的分割结果。3.根据权利要求2所述的基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,在使用深度学习模型之前,对深度学习模型进行训练和测试,具体为:从细胞自噬免疫荧光图像中分出训练集和数据集;对训练集和测试集中的细胞区域进行像素级的标注,使得不同细胞区域有不同的标签值;将标注后的训练集用于对深度学习模型的训练,标注后的测试集用于对深度学习模型的测试,得到所述深度学习模型。4.根据权利要求2所述的基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,图像的尺寸进行缩放的公式为:其中,size
output
为缩放后图像的尺寸大小,diam为选择的二通道图像中细胞区域的平均直径大小,size
input
为缩放前图像的尺寸大小。5.根据权利要求2所述的基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,所述图像增强处理,具体过程为:首先备份二通道图像,提取备份的二通道图像的细胞质通道;再使用IQR离群值检测方法对细胞质通道进行阈值计算,取上须为阈值,将细胞质通道中大于上须的像素阈值化处理,去除GFP
‑
LC3阳性亮斑;最后使用自适应直方图均衡化方法对细胞质通道进行亮度和对比度的自适应增强。6.根据权利要求1所述的基于深度学习的细胞自噬免疫荧光图像分析系统,其特征在于,所述GFP
‑
LC3阳性亮斑分割模块实现GFP
‑
LC3阳性亮斑区域的分割,具体过程为:首先输入转化为二通道图像的细胞自噬免疫荧光图像;之后选择阈值化方法和/或手动选择阈值的方法分割GFP
‑
LC3阳性亮斑,得到初步的GFP
‑
LC3阳性亮斑区域分割结果;然后再调节亮斑面积阈值,对初步的GFP
‑
LC3阳性亮斑区域分割结果进行筛选,得到进一步的GFP
‑
LC3阳性亮斑区域分割结果;接着对进一步的GFP
‑
LC3阳性亮斑区域分割结果进行种子提取;接着询问分割结果是否准确,若不准确,则人工标记亮斑中心点;最后使用基于种子的分水岭算法,完成GFP
‑
LC3阳性亮斑区域分割;所述阈值化方法为最大熵或雷尼熵。7.根据权利要求1所述的基于深度学习的细胞自噬免...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。