【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于隐空间特征的细胞分裂状态分类方法及系统。
技术介绍
1、细胞分裂是指活细胞增殖的过程，即一个细胞分裂为两个细胞。分裂前的细胞称为母细胞，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。细胞分裂特征是评估细胞分裂方式的重要指标，可以反映不同分裂方式之间的差异。通过识别不同细胞分裂方式的特征，可以实现对细胞分裂方式的分类。培养箱技术不仅能够为细胞组织生长提供稳定的环境，还能周期性地监控细胞的生长过程，并将这些图像上传至服务器。细胞学家可以利用这些周期性的图像数据来监控细胞组织的发育情况，并据此判断细胞分裂的方式。随着人工智能和计算机视觉技术的发展，自动化判别和监控培养箱中细胞分裂方式的问题变得日益重要。
2、目前，细胞分裂的检测主要依赖于专家的手动判断，或者先识别出培养皿中的感兴趣区域（roi），然后对这些区域进行进一步的分析和判断。随着技术进步，也可以直接把整个图像送入卷积神经网络进行分类判断。
3、尽管现有技术在细胞分裂检测方面取得了一些成果，但仍存在一些局限性：很多细胞分裂图片带有颗粒细胞，碎片等与细胞分裂方式无关的信息，直接用深度学习方法可能会提取这些干扰信息，影响特征提取的准确性，干扰最后的结果。同时直接提取特征进行分辨的方法可能未能准确提取细胞分裂的本质特征，有时仅因偶然分类正确，这影响了算法的准确性。>
技术实现思路
1、本专利技术提出了一种基于隐空间特征的细胞分裂状态分类方法及系统，解决了现有技术在细胞分裂检测中的效率较低、准确性较差的问题。
2、为解决上述技术问题，本专利技术提供了一种基于隐空间特征的细胞分裂状态分类方法，包括以下步骤：
3、步骤s1：构建分类预测网络，所述分类预测网络包括编码器和生成器，所述生成器包括逆分裂图像生成器、异常分裂图像生成器和正常分裂图像生成器；
4、步骤s2：分别采集多张逆分裂图像、异常分裂图像和正常分裂图像作为三种生成器的训练集；
5、步骤s3：固定所述编码器，将多个随机向量分别输入三种图像生成器生成多张虚拟图像，得到三种生成器的虚拟图像集，利用所述训练集和对应的虚拟图像集对每种生成器进行独立训练；
6、步骤s4：固定所述生成器，利用所述编码器对所述训练集进行隐空间特征提取，将提取得到的隐空间特征分别输入对应的生成器得到生成图像集，利用所述训练集和对应的生成图像集训练所述编码器；
7、步骤s5：将待检测细胞的多张图像输入所述分类预测网络，得到待检测细胞的分裂状态的分类结果。
8、优选地，步骤s3中所述利用所述训练集和对应的虚拟图像集分别训练每种生成器，包括以下步骤：
9、步骤s31：去除训练集中所有细胞图像上的颗粒细胞和碎片，对去除部分进行修复，得到去噪图像集；
10、步骤s32：分别对所述去噪图像集和对应的虚拟图像集进行隐空间特征提取和特征融合，得到第一融合特征和第二融合特征；
11、步骤s33：计算所述第一融合特征和第二融合特征之间的分类交叉熵函数，利用所述分类交叉熵函数对生成器的参数进行更新。
12、优选地，步骤s4中所述利用所述训练集和对应的生成图像集训练所述编码器包括以下步骤：
13、步骤s41：将所述去噪图像集和对应的生成图像集输入判别器，所述判别器用于判断输入的图像是否为生成图像，若为生成图像则输出0，否则输出1；
14、步骤s42：利用反向传播算法更新所述编码器的参数；
15、步骤s43：利用更新后的编码器对所述训练集进行隐空间特征提取，将提取得到的隐空间特征分别输入对应的生成器，更新生成图像集；
16、步骤s44：重复步骤s41至步骤s43，直到所述判别器输出0的概率小于设定的概率阈值。
17、优选地，步骤s41中所述二分类神经网络包括若干全连接层、一个隐藏层和一个输出层，所述隐藏层采用非线性激活函数 leaky relu，所述输出层采用激活函数sigmoid。
18、本专利技术还提供了一种基于隐空间特征的细胞分裂状态分类系统，基于上述的一种基于隐空间特征的细胞分裂状态分类方法实现，所述系统包括数据采集模块、生成器训练模块、编码器训练模块和分类预测模块；所述生成器训练模块包括逆分裂图像生成器训练模块、异常分裂图像生成器训练模块和正常分裂图像生成器训练模块；
19、所述数据采集模块：分别采集多张逆分裂图像、异常分裂图像和正常分裂图像作为三种生成器的训练集；
20、所述生成器训练模块：通过固定编码器，将多个随机向量分别输入三种生成器生成多张虚拟图像作为虚拟图像集，利用所述训练集和所述虚拟图像集训练生成器；
21、所述编码器训练模块：通过固定生成器，利用编码器对所述训练集进行隐空间特征提取，将提取得到的隐空间特征分别输入对应的生成器得到生成图像集，利用所述训练集和所述生成图像集训练所述编码器；
22、所述分类预测模块：利用训练后的编码器提取待检测细胞的细胞图像的特征，输出待检测细胞的分裂状态的分类结果。
23、优选地，所述分类预测模块采用残差神经网络resnet。
24、优选地，所述生成器训练模块通过计算所述训练集和所述虚拟图像集之间的分类交叉熵损失，对生成器的参数进行更新。
25、优选地，所述编码器训练模块采用判别器判断所述生成图像集中的图像为真实图像的概率，利用反向传播算法更新所述编码器的参数，直到所述生成图像集中的图像为真实图像的平均概率大于设定的概率阈值。
26、本专利技术还提供了一种电子设备，包括至少一个处理器和与所述处理器连接的存储器，所述存储器用于存储计算机程序或指令；所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现上述的一种基于隐空间特征的细胞分裂状态分类方法。
27、本专利技术另外提供了一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被所述电子设备执行时，能够使得所述电子设备实现上述的一种基于隐空间特征的细胞分裂状态分类方法。
28、本专利技术的有益之处至少包括：
29、1、通过编码器自动提取图像特征，减少了对专家手动分析的依赖，提高了分类效率；通过隐空间特征的学习和融合，提高了对不同细胞分裂状态的识别能力，即使图像中的细胞位置不同、图像中存在碎片和颗粒细胞等不同的影响因素下，也能保持较高的分类准确率；
30、2、通过单独训练生成器和编码器，避免了训练过程中提取的特征不是原本的图像特征只是恰好分类正确的问题，提升了算法的精度；
31、3、针对不同的细胞分裂状态分别设置三种生成器，每种细胞分裂状态都有其独特的特征，通过为每种分裂状态设计独立本文档来自技高网...
【技术保护点】
1.一种基于隐空间特征的细胞分裂状态分类方法，特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤S3中所述利用所述训练集和对应的虚拟图像集分别训练每种生成器，包括以下步骤：
3.根据权利要求2所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤S4中所述利用所述训练集和对应的生成图像集训练所述编码器包括以下步骤：
4.根据权利要求3所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤S41中所述二分类神经网络包括若干全连接层、一个隐藏层和一个输出层，所述隐藏层采用非线性激活函数 Leaky ReLU，所述输出层采用激活函数Sigmoid。
5.一种基于隐空间特征的细胞分裂状态分类系统，基于如权利要求1至4任一项所述的一种基于隐空间特征的细胞分裂状态分类方法实现，其特征在于：所述系统包括数据采集模块、生成器训练模块、编码器训练模块和分类预测模块；所述生成器训练模块包括逆分裂图像生成器训练模块、异常分裂图像生成器训练模块和正常分裂图像生成器训练模块；>
6.根据权利要求5所述的一种基于隐空间特征的细胞分裂状态分类统，其特征在于：所述分类预测模块采用残差神经网络ResNet。
7.根据权利要求5所述的一种基于隐空间特征的细胞分裂状态分类系统，其特征在于：所述生成器训练模块通过计算所述训练集和所述虚拟图像集之间的分类交叉熵损失，对生成器的参数进行更新。
8.根据权利要求5所述的一种基于隐空间特征的细胞分裂状态分类系统，其特征在于：所述编码器训练模块采用判别器判断所述生成图像集中的图像为真实图像的概率，利用反向传播算法更新所述编码器的参数，直到所述生成图像集中的图像为真实图像的平均概率大于设定的概率阈值。
9.一种电子设备，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，所述存储器用于存储计算机程序或指令；所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～4任一项所述的一种基于隐空间特征的细胞分裂状态分类方法。
10.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被所述电子设备执行时，能够使得所述电子设备实现如权利要求1～4任一项所述的一种基于隐空间特征的细胞分裂状态分类方法。
...【技术特征摘要】
1.一种基于隐空间特征的细胞分裂状态分类方法，特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤s3中所述利用所述训练集和对应的虚拟图像集分别训练每种生成器，包括以下步骤：
3.根据权利要求2所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤s4中所述利用所述训练集和对应的生成图像集训练所述编码器包括以下步骤：
4.根据权利要求3所述的一种基于隐空间特征的细胞分裂状态分类方法，其特征在于：步骤s41中所述二分类神经网络包括若干全连接层、一个隐藏层和一个输出层，所述隐藏层采用非线性激活函数 leaky relu，所述输出层采用激活函数sigmoid。
5.一种基于隐空间特征的细胞分裂状态分类系统，基于如权利要求1至4任一项所述的一种基于隐空间特征的细胞分裂状态分类方法实现，其特征在于：所述系统包括数据采集模块、生成器训练模块、编码器训练模块和分类预测模块；所述生成器训练模块包括逆分裂图像生成器训练模块、异常分裂图像生成器训练模块和正常分裂图像生成器训练模块；
6.根据权利要求5所述的一种基于隐空间特...
【专利技术属性】
技术研发人员：王殷飞，谭威，陈长胜，彭松林，熊祥，
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。