【技术实现步骤摘要】
本专利技术涉及图像处理，更具体涉及一种基于深度学习的细胞自噬图像分析方法、系统及存储介质。
技术介绍
1、细胞自噬是细胞内部物质循环和降解的重要机制，对于维持细胞稳态和响应应激具有关键作用，传统的细胞自噬图像分析方法主要依赖于人工观察和定量，存在效率低下和主观性强的问题。随着深度学习技术的发展，特别是卷积神经网络(cnn)在图像识别领域的突破性进展，为细胞自噬图像的自动分析提供了新的技术手段。
2、类似有公开号为cn116228706a的中国专利申请文件，公开了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，包括细胞分割模块、gfp-lc3阳性亮斑分割模块、定量分析模块。细胞分割模块对细胞自噬免疫荧光图像中的细胞区域进行分割；gfp-lc3阳性亮斑分割模块对细胞自噬免疫荧光图像中的gfp-lc3阳性亮斑进行分割；定量分析模块分别对细胞自噬免疫荧光图像中的细胞区域和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，并判断细胞是否发生自噬。还类似有公开号为cn109191467a的中国专利申请文件，公开了一种细胞自噬表型的预测方法与装置，该方法包括：采集细胞图像，对细胞图像进行预处理，提高图像质量利于批量操作，得到分析图像。根据分析图像中细胞的位置，将分析图像分割为单细胞图像，实现对单个细胞图像的准确识别。将单细胞图像放入经过训练的卷积神经网络模型进行计算，得到自噬概率，再将自噬概率大于预设分类阈值的单细胞图像所对应的细胞确定为自噬细胞。
3、然而，以上两项申请文件中都没有涉及对细胞图像中
技术实现思路
1、随着深度学习技术的发展，特别是卷积神经网络(cnn)在图像识别领域的突破性进展，为细胞自噬图像的自动分析提供了新的技术手段。然而，现有技术中没有涉及对细胞图像中自噬体、溶酶体和线粒体之间区别的识别，更没有考虑到其识别准确性的问题。
2、因此，为了更好的解决上述问题，本专利技术提供一种基于深度学习的细胞自噬图像分析方法，通过光学显微镜和荧光显微镜，获取多张细胞图像，所述方法包括：
3、步骤s1：收集多张包含清晰标记细胞器的正常细胞图像、第一细胞自噬图像、第二细胞自噬图像和第三细胞自噬图像作为基准细胞图像，并在所述基准细胞图像上创建注释数据，所述注释数据包括所述基准细胞图像中每个细胞器的位置和边界，其中，所述第一细胞自噬图像、所述第二细胞自噬图像和所述第三细胞自噬图像分别表示不同自噬阶段的细胞图像，所述细胞器包括自噬体、溶酶体和线粒体三个类别；
4、步骤s2：基于所述基准细胞图像及所述注释数据，提取所述基准细胞图像中每个细胞器的结构学特征，基于所述细胞器的结构学特征和深度学习算法构建所述细胞器的识别模型，并基于所述细胞器的识别模型，识别目标细胞图像中每个区域的结构学特征作为目标区域特征；
5、步骤s3：基于所述基准细胞图像中细胞器的结构学特征和所述注释数据，分别获取每一类别所述细胞器的范例，还基于所述细胞器的范例计算不同类别所述细胞器的范例之间的距离，并获取不同类别所述细胞器之间的相似度，同时在所述细胞器的识别模型训练过程中，还基于不同类别所述细胞器的范例之间的距离，对每个类别所述细胞器的范例都进行归一化处理；
6、步骤s4：分别计算所述目标细胞图像中每个所述目标区域特征的范例，并分别计算所述目标区域特征的范例与不同类别所述细胞器的范例之间的相似度，基于所述相似度，识别所述目标区域特征所对应的细胞器及所述目标区域特征所在的位置，并统计每个类别所述细胞器的数量、大小及分布位置，获取统计结果，基于所述统计结果，评估所述目标细胞图像中细胞自噬活性，并将分析结果以图形和数值形式输出。
7、作为本专利技术的一种优选技术方案，所述步骤s2中提取所述基准细胞图像中每个细胞器的结构学特征，包括：
8、步骤s21：对所述基准细胞图像进行预处理，并获取预处理后的基准细胞图像；
9、步骤s22：基于所述自噬体的特点，选择所述自噬体的结构学特征类型，使用阈值分割技术识别所述自噬体的区域，并为所述自噬体生成特征描述符，将所述自噬体的特征描述符转换为所述自噬体的特征向量，对所述特征向量进行归一化处理，将归一化处理后的所述特征向量输入到深度学习算法中进行学习，并构建所述自噬体的识别模型； 步骤s23：重复所述步骤s22，构建所述溶酶体的识别模型和所述线粒体的识别模型。
10、作为本专利技术的一种优选技术方案，所述步骤s3中计算每一类别所述细胞器的范例，包括：
11、步骤s31：基于所述基准细胞图像上的所述注释数据和所述细胞器的结构学特征，识别每个所述细胞器的实例，并从所述细胞器的实例中提取每个类别所述细胞器的特征，生成每个类别所述细胞器的特征向量，将同一类别所述细胞器的特征向量汇总在一起，形成三个细胞器特征池，其中，三个所述细胞器特征池包括自噬体特征池、溶酶体特征池和线粒体特征池；
12、步骤s32：基于所述自噬体特征池中所有实例的特征向量，计算所述自噬体特征池中所有实例的特征向量的均值向量，并将所述自噬体的均值向量作为所述自噬体的范例，其中，所述自噬体的均值向量的每个维度是该维度上所有实例的特征向量对应值的均值；
13、步骤s33：重复所述步骤s32，获取所述溶酶体的范例和所述线粒体的范例，其中，所述细胞器的范例包括所述自噬体的范例、所述溶酶体的范例和所述线粒体的范例。
14、作为本专利技术的一种优选技术方案，所述步骤s32还包括：
15、若所述自噬体的内部还存在子细胞器，则使用聚类算法分析所述自噬体的内在结构，并将每个聚类中心视为一个单独的细胞器的范例，根据不同类别所述细胞器的范例特点，判断所述自噬体内部的子细胞器所属的细胞器类别。
16、作为本专利技术的一种优选技术方案，所述步骤s4中识别所述目标区域特征所对应的细胞器及所述目标区域特征所在的位置，包括：
17、计算所述目标细胞图像中每个所述目标区域特征的范例与所述自噬体的范例的相似度，获取第一相似度图，计算所述目标细胞图像中每个所述目标区域特征的范例与所述溶酶体的范例的相似度，获取第二相似度图，计算所述目标细胞图像中每个所述目标区域特征的范例与所述线粒体的范例的相似度，获取第三相似度图，其中，所述第一相似度图、所述第二相似度图和所述第三相似度图是一种将所述目标细胞图像中每个所述目标区域特征的范例与已知所述细胞器的范例之间的相似度进行可视化的结果；
18、基于所述第一相似度图、所述第二相似度图和所述第三相似度图，获取所述目标细胞图像中每个所述目标区域特征的范例对应的最高相似度值及其对应的范例；
19、设置相似度第一阈值，在所述目标区域特征的范例与其中一个类别细胞器的范例的相似度本文档来自技高网...
【技术保护点】
1.一种基于深度学习的细胞自噬图像分析方法，通过光学显微镜和荧光显微镜，获取多张细胞图像，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤S2中提取所述基准细胞图像中每个细胞器的结构学特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤S3中计算每一类别所述细胞器的范例，包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤S32还包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤S4中识别所述目标区域特征所对应的细胞器及所述目标区域特征所在的位置，包括：
6.根据权利要求5所述的方法，其特征在于，设置相似度第一阈值之后，还包括：
7.根据权利要求5所述的方法，其特征在于，对所述目标区域特征对应的区域进一步进行识别，还包括：
8.一种基于深度学习的细胞自噬图像分析系统，通过光学显微镜和荧光显微镜，获取多张细胞图像，用于实现如权利要求1-7任一项所述的方法，其特征在于，所述系统包括如下模块：
9.一种计算机存储介质，其特征在于，所述存
...【技术特征摘要】
1.一种基于深度学习的细胞自噬图像分析方法，通过光学显微镜和荧光显微镜，获取多张细胞图像，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤s2中提取所述基准细胞图像中每个细胞器的结构学特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤s3中计算每一类别所述细胞器的范例，包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤s32还包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤s4中识别所述目标区域特征所对应的细胞器及所述目标区域特征所在的位置，包括：
【专利技术属性】
技术研发人员：李晓宇，杨清清，郝峻烽，刘泳瀚，陈勇明，
申请(专利权)人：广东医科大学附属医院，
类型：发明
国别省市：
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。