一种基于深度学习的细胞微核识别、定位和计数方法

摘要

本发明公开了一种基于深度学习的细胞微核识别、定位和计数方法，涉及细胞微核检测技术领域。本发明包括构建深度学习特征提取网络模型C、构建细胞微核识别定位网络模型D、将C和D串联记为深度学习细胞微核识别定位网络模型E。本发明通过构建深度学习细胞微核识别定位网络模型E，运用了卷积操作、特征图的批归一化操作、非线性映射操作、池化操作以及非极大值抑制算法，省去了人工阅片的繁琐过程，提高了微核检测的效率；提高了微核计数准确率，能更加准确的反应细胞的变异情况。

说明书

技术领域

本发明属于细胞微核检测技术领域，特别是涉及一种基于深度学习的细胞微核识别、定位和计数方法。

背景技术

科技活动带来的有害物理、化学和生物因子会对人的遗传物质造成损害，导致癌症病发率增高，体外微核检测是遗传毒理重要的评价方法之一，广泛用于放射性接触人员辐射效应的健康监护、人群遗传稳定性的健康筛查、药物的临床遗传毒理评价等，具有极高的临床应用价值。传统的微核检测采用人工显微镜阅片，耗时费力，效率低下，准确性也难也保证。微核的自动化检测技术是目前重要的发展方向，智能化的图像分析和结果判断能大大加快检测通量和结果的标准化。目前国内关于智能化图像处理的体外微核检测方法尚属空白。

现有的微核检测方法主要分为三种：(一)人工显微镜阅片；(二)流式细胞仪检测；(三)激光扫描仪检测。

人工显微镜阅片是指采用细胞质阻断方法制备微核检测图片，在显微镜下根据双核、微核、核质桥和树突特征及人工识别标准由工作人员主观判断细胞微核类别。人工显微镜阅片方法虽然程序简单，但存在一些明显的缺陷：

1、人工阅片时间长，费时费力，工作效率较为低下。

2、人工阅片的准确性依赖于检测人员的水平，而在目前需大量进行该试验的情况下，检测人员水平不一，将导致检测结果具有很大的主观性。

3、微核的发生率低，能否检出小的微核升高率的能力受到计数误差以及个体之间差异性的限制，能否检测出小的微核升高率的灵敏度受到低微核数的计数误差的限制。微核实验中需尽可能计数足够数量的细胞，以使计数误差低于个体间微核率的变异性。

流式细胞仪检测是指对待测样本用荧光染色后，以激光束作为光源。把待测样本单个通过喷嘴，激光照射到样本时，就能使荧光染色材料产生荧光，然后光学系统采集这些信号并且转化为电信号，从而能够定量测定待测样本中的细胞数目。工作原理如附图中的图1所示，对细胞进行染色后再由显微镜观察。但流式细胞仪主要用于无核细胞中的微核检测，难以用于双核和多核细胞中的微核检测。

激光扫描仪检测是指细胞培养后，对细胞进行洗涤，低渗、固定、染色；接入激光扫描仪，设置参数，检测核和微核的红色荧光信号强度及绿色荧光信号强度；根据从光电倍增管测量PI的红色荧光的数据设置“阈值”轮廓。然后将“积分”轮廓设置在阈值轮廓之外的零到两个像素之间的范围内。这样，与核的DNA和蛋白质相关的荧光强度以及微核的积分值记录在同一文件中。然后基于核和微核的DNA含量差异来区分核和微核。激光扫描仪仅见报道用于小鼠体内和体外红细胞的微核检测。

发明内容

本发明的目的在于提供一种基于深度学习的细胞微核识别、定位和计数方法，通过构建深度学习细胞微核识别定位网络模型E，解决了现有的微核检测方法费时费力，工作效率低；检测准确率低以及国内关于智能化图像处理的体外微核检测方法尚属空白的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度学习的细胞微核识别、定位和计数方法，包括以下步骤：Step1：输入原始细胞光学显微镜图像A；Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。

进一步地，所述图像B的分辨率为304×304。

进一步地，Step3中的卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上。

进一步地，Step3中的池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2。

进一步地，所述细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；所述特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4。

本发明具有以下有益效果：

1、本发明通过构建深度学习细胞微核识别定位网络模型E，运用了卷积操作、特征图的批归一化操作、非线性映射操作、池化操作以及非极大值抑制算法，省去了人工阅片的繁琐过程，提高了微核检测的效率。

2、节约了采购分析仪器的成本。

3、解决了由于检测人员水平不一致导致检测结果主观性较强的问题，使得微核检测的结果更加客观可靠。

4、提高了微核计数准确率，能更加准确的反应细胞的变异情况。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为流式细胞仪检测微核的工作原理图；

图2为本发明中的一种基于深度学习的细胞微核识别、定位和计数方法的流程图；

图3为本发明中的深度学习特征提取网络模型C的结构图；

图4为本发明中的细胞微核识别定位网络模型D的结构图；

图5为原始细胞的光学显微镜图像(虚线圈出的是细胞中为微核)；

图6为预测的微核定位坐标框的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图2-6所示，本发明为一种基于深度学习的细胞微核识别、定位和计数方法，包括以下步骤：

Step1：输入原始细胞光学显微镜图像A；

Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；图像B的分辨率为304×304；

Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上；池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2；卷积操作的数学原理如式所示：

式中,

批归一化的计算如下：

公式，x为待批归一化数据，μ和σ分别是均值和标准差，ε为无穷小变量，γ和β待学习参数，

非线性映射的计算如下：

每个“池化”均代表仅执行一次池化，特征提取共经历3次池化。在304×304输入分辨率下，输出特征的分辨率为38×38。

Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4；

非极大值抑制算法过滤掉无效或冗余的微核定位坐标框，其原理如下和图4所示：

式中，box

预测的微核定位坐标框的得分为的坐标框内存在细胞微核的概率，是由细胞微核识别和定位网络的识别结果的指数归一化所得，具体如下式：

式中，e为自然数，cl为细胞微核的分类结果，J为识别的类别数加1，本发明仅识别和定位细胞微核，J取值为2；

Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；

深度学习细胞微核识别定位网络模型E，训练时网络损失有两部分构成，分别为分类误差和细胞微核坐标框误差，具体如下：

式中，L(x,c,l,g)、L

Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。