【技术实现步骤摘要】
本专利技术属于人工智能领域，具体涉及一种基于时空特征融合的细胞状态检测方法、设备及存储介质。
技术介绍
1、细胞分裂是指活细胞增殖的过程，即由一个细胞分裂为两个细胞。分裂前的细胞成为母细胞，分裂后形成的新细胞称为子细胞。在某些情况下细胞会进行异常分裂，即一个细胞分裂得到的子细胞数量大于两个。另一种情况为逆分裂，即两个细胞合并为一个细胞。通过检测细胞分裂状态有利于理解细胞生长与繁殖的规律。
2、通过时差培养箱可以周期性地记录细胞的增殖过程，细胞学家可以通过观察细胞的时序图像并结合自身经验判断细胞分裂是否正常。随着人工智能的发展，采用图像特征学习方法判断细胞的分裂状态成为了一种可行的方法。采用图像特征学习方法时，首先通过目标检测网络检测出图像中细胞的位置和细胞数量，然后通过不同时间下图像中细胞数量的变化判断细胞是否出现异常分裂或者逆分裂。
3、然而，现有的图像特征学习方法采用的图像处理模型往往针对单个图像的不同空间区域进行特征提取，然而不同时间细胞图像之间的关联同样重要，因为某些细胞可能是由前一时间的细胞分裂而成，如果忽略了这一部分信息可能导致细胞状态的识别精度降低。
技术实现思路
1、本专利技术提出了一种基于时空特征融合的细胞状态检测方法、设备及存储介质，解决了现有的图像特征学习方法忽略了不同细胞图像之间的时序信息的问题。
2、为解决上述技术问题，本专利技术提供了一种基于时空特征融合的细胞状态检测方法，包括以下步骤：
3、步骤s1：在设
4、步骤s2：按照细胞图像在采集时间段内的采集顺序，为每张细胞图像中的所有细胞特征赋予相同的时间编码；
5、步骤s3：将带有时间编码的细胞特征输入自注意力网络transformer中，将所述时间编码作为细胞特征在transformer网络中的位置编码，得到采集时间段内细胞所处分裂状态的预测概率。
6、优选地，步骤s1所述提取所有单个细胞的细胞特征包括以下步骤：
7、步骤s11：提取每张细胞图像的特征，得到若干张全局特征图；
8、步骤s12：通过目标检测网络识别每张全局特征图中的单个细胞，提取所有单个细胞的细胞特征；
9、步骤s13：将每个所述细胞特征与对应的所述全局特征进行融合，得到所有单个细胞的融合特征。
10、优选地，步骤s12中所述通过目标检测网络识别每张全局特征图中的单个细胞包括以下步骤：
11、步骤s121：将所述全局特征图划分为若干个大小相等的网格，目标检测网络计算每个网格包含目标的置信度得分，并预测可能包含细胞的边界框位置；
12、步骤s122：将所述置信度得分低于设定阈值的边界框删除，从剩余边界框中随机选择两个边界框a和b，计算边界框a和b的交并比，如果所述交并比超过设定的交并比阈值则去掉a和b 中置信度较低的边界框，重复上述操作，输出剩余的边界框。
13、优选地，步骤s13利用多层感知机将每个所述细胞特征与对应的所述全局特征进行融合，融合过程的表达式为：
14、；
15、式中，为第 i个细胞特征的融合特征；为多层感知机的权重；为融合函数；为第 i个细胞特征；为全局特征。
16、优选地，步骤s3中采用基于多头注意力机制的transformer网络输出采集时间段内的细胞分裂状态，包括以下步骤：
17、步骤s31：将所有融合特征分别输入 n个权重不同的transformer网络，得到 n个头head，分别计算每个head的注意力权重；
18、步骤s32：拼接所有head的注意力权重，对拼接后的注意力权重进行线性变换，得到综合的特征表示；
19、步骤s33：对所述特征表示进行进一步的处理，输出采集时间段内的细胞分裂状态的预测值。
20、优选地，步骤s31包括以下步骤：
21、步骤s311：将每个head中的融合特征输入三个权重不同的线性层，得到每个head的输入向量，所述输入向量包括查询向量 q、键向量 k和值向量 v；
22、步骤s312：将每个head的输入向量填充到相同的长度；
23、步骤s312：计算每个head的注意力权重：
24、；
25、式中，为第 j个head；为自注意力函数；、、分别为第 j个head的查询向量、键向量和值向量；为激活函数；为键向量的长度。
26、优选地，步骤s32将拼接后的注意力权重输入线性层，得到综合的特征表示，所述特征表示的表达式为：
27、；
28、式中，为多头注意力机制；为融合函数；为第 h个head， h为head的总数；为线性层的权重。
29、优选地，步骤s1中所述目标检测网络为卷积神经网络cnn。
30、本专利技术还提供一种电子设备，包括：存储器、处理器和计算机程序，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述的一种基于时空特征融合的细胞状态检测方法。
31、本专利技术另外提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现上述的一种基于时空特征融合的细胞状态检测方法。
32、本专利技术的有益之处至少包括：
33、1、本专利技术在细胞检测的基础上提取完整的目标级的特征，避免了特征提取过程中目标被割裂的问题，并且将细胞的局部特征与图像的全局特征相结合，通过特征融合增强了网络对细胞状态的完整、综合理解；
34、2、本专利技术将细胞的时序特征和空间特征相结合，提供了更全面的细胞状态信息，可以更精确地预测细胞的时序动态分裂状态变化，例如从正常分裂到异常分裂的转变；
35、3、在处理细胞图像序列时使用时间编码代替原有transformer网络的位置编码，能够更好地模拟和分析时间序列数据中的模式和趋势，简化了模型设计和训练过程。
本文档来自技高网...【技术保护点】
1.一种基于时空特征融合的细胞状态检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S1所述提取所有单个细胞的细胞特征包括以下步骤：
3.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S12中所述通过目标检测网络识别每张全局特征图中的单个细胞包括以下步骤：
4.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S13利用多层感知机将每个所述细胞特征与对应的所述全局特征进行融合，融合过程的表达式为：
5.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S3中采用基于多头注意力机制的Transformer网络输出采集时间段内的细胞分裂状态，包括以下步骤：
6.根据权利要求5所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S31包括以下步骤：
7.根据权利要求6所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S32将拼接后的注意力权重输入
8.根据权利要求1所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤S1中所述目标检测网络为卷积神经网络CNN。
9.一种电子设备，包括：存储器、处理器和计算机程序，其特征在于：所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现权利要求1~8任一项所述的一种基于时空特征融合的细胞状态检测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1~8任一项所述的一种基于时空特征融合的细胞状态检测方法。
...【技术特征摘要】
1.一种基于时空特征融合的细胞状态检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤s1所述提取所有单个细胞的细胞特征包括以下步骤：
3.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤s12中所述通过目标检测网络识别每张全局特征图中的单个细胞包括以下步骤：
4.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤s13利用多层感知机将每个所述细胞特征与对应的所述全局特征进行融合，融合过程的表达式为：
5.根据权利要求2所述的一种基于时空特征融合的细胞状态检测方法，其特征在于：步骤s3中采用基于多头注意力机制的transformer网络输出采集时间段内的细胞分裂状态，包括以下步骤：
6.根据权利要求5所述的一...
【专利技术属性】
技术研发人员：石德利，谭威，陈长胜，云新，彭松林，
申请(专利权)人：武汉互创联合科技有限公司，
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。