[go: up one dir, main page]

CN116386038B - 一种dc细胞检测方法及系统 - Google Patents

一种dc细胞检测方法及系统 Download PDF

Info

Publication number
CN116386038B
CN116386038B CN202310376762.0A CN202310376762A CN116386038B CN 116386038 B CN116386038 B CN 116386038B CN 202310376762 A CN202310376762 A CN 202310376762A CN 116386038 B CN116386038 B CN 116386038B
Authority
CN
China
Prior art keywords
image
cell
cells
immature
mature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310376762.0A
Other languages
English (en)
Other versions
CN116386038A (zh
Inventor
聂宵
田国忠
张鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Watson Click Beijing Biotechnology Co ltd
Original Assignee
Watson Click Beijing Biotechnology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Watson Click Beijing Biotechnology Co ltd filed Critical Watson Click Beijing Biotechnology Co ltd
Priority to CN202310376762.0A priority Critical patent/CN116386038B/zh
Publication of CN116386038A publication Critical patent/CN116386038A/zh
Application granted granted Critical
Publication of CN116386038B publication Critical patent/CN116386038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种DC细胞检测方法及系统，通过第一采集频次F1获取细胞培养图像，依次分离出选定区域图像，并基于支持向量机依次对选定区域图像进行不成熟DC细胞检测；通过第二采集频次F2获取DC细胞培养图像，并进行增强处理，得到待识别图像集合P1；通过基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测；获取检测出成熟DC细胞的原始DC细胞培养图像。本发明实施例的方法中提出了DC细胞检测方法，借助人工智能实现对DC细胞培育的监测，避免了人力浪费和不准确性，能够精准对DC细胞状态进行分类，对DC细胞生长过程的定量分析提高了准确的数据支撑。

Description

一种DC细胞检测方法及系统
【技术领域】
本发明涉及细胞生物学技术领域，尤其涉及一种DC细胞检测方法及系统。
【背景技术】
在生物学研究中，常借助体外培养细胞的方法来实现对细胞生长过程的监控，从而来分析细胞的生长规律与外界环境因素的关系，挖掘和计算不同时刻与细胞生长相关的生物学参数，用于对细胞生长过程的定量分析。
成熟DC细胞是目前为止发现的机体免疫系统中功能最强大的专职抗原递呈细胞，在免疫应答的启动、调控上起着关键的作用，因此，促进和研究不成熟DC细胞转化为成熟DC细胞为DC细胞体外培养的关键。
由于DC细胞在组织中含量少，因此，需要通过单核细胞和外周血细胞进行体外诱导，但DC细胞是否成熟往往需要流式细胞仪检测DC表面分子变化，检测增加了实验负担且费时费力，而且该方法忽视了全局细胞的观察；而由于DC细胞体外培养过程中细胞数目庞大和行为复杂等因素，借助人力长时间监控不成熟DC细胞转化为成熟DC细胞过程并进行主观判断是不现实的。
【发明内容】
有鉴于此，本发明实施例提供了一种DC细胞检测方法及系统。
第一方面，本发明实施例提供了DC细胞检测方法，所述方法包括：
S1、通过第一采集频次F1获取细胞培养图像，依次分离出选定区域图像，并基于支持向量机依次对选定区域图像进行不成熟DC细胞检测；
S2、当检测到不成熟DC细胞，通过第二采集频次F2获取DC细胞培养图像，并进行增强处理，得到待识别图像集合P1；
S3、构建基于DC细胞检测的深度学习模型，并通过基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测；
S4、获取检测出成熟DC细胞的原始DC细胞培养图像，添加时间标识后，得到成熟DC细胞图像集合P2。
作为优选的，所述S1中分离出选定区域图像，具体包括：
将获取的细胞培养图像按时间顺序进行排序，并根据细胞培养图像大小建立基准坐标系；
在基准坐标系上选择一个动态矩形区域S，并使动态矩形区域S与细胞培养图像进行中心点对齐；
以动态矩形区域S作为分割模板，依次对细胞培养图像进行分割；
S[Rec(x′1,y′1)，(x′2,y′2)]＝w*S0[Rec(x1,y1)，(x2,y2)]，
其中，S表示动态矩形区域的面积，(x′1,y′1)表示动态矩形区域左上角位置坐标，(x′2,y′2)表示动态矩形区域右下角位置坐标，w表示缩放比例，0<w<1，S0表示细胞培养图像的面积，(x1,y1)表示细胞培养图像左上角位置坐标，(x2,y2)表示细胞培养图像右下角位置坐标；
其中，w0表示最终缩放比例，为指定的常数，e表示自然对数，n表示分割次数；
依次分离出选定区域图像并按时间顺序进行排序。
作为优选的，所述S1中基于支持向量机依次对选定区域图像进行不成熟DC细胞检测，具体包括：
读取预选作为样本的选定区域图像并进行分类，其中，所述选定区域图像包括未诱导出不成熟DC细胞和诱导出不成熟DC细胞并被人为标定位置的细胞培养图像；
对选定区域图像采用局部二值模式进行特征提取，将图像转换为整数值矩阵；
基于整数值矩阵获取LBP直方图；
利用LBP直方图对支持向量机模型进行训练，输出目标类和非目标类；
基于训练好的支持向量机模型，对待检测的选定区域图像进行目标类和非目标类判别，完成对不成熟DC细胞检测。
作为优选的，所述第二采集频次F2大于第一采集频次F1。
作为优选的，所述S2中进行增强处理，具体包括：
利用高斯低通滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作。
作为优选的，所述S2中进行增强处理，具体包括：
基于改进的双边滤波算法构建双边滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作。
作为优选的，所述基于改进的双边滤波算法构建双边滤波器如下：
f(x)＝h(x)+d(x)，
g(x)＝h(x)+Kd(x)，
其中，f(x)表示原始图像，g(x)表示降噪图像，h(x)表示原始图像的基本层，d(x)表示原始图像的细节层，K表示调节因子；
基本层计算如下：
其中，x表示像素位置，y表示x的邻域像素值位置，Ω＝[-p,p]2表示以(0,0)为中心的滤波窗口，σ表示尺度参数，范围为[0,255]，||·||表示欧几里得范数；
进行显著图特征计算：
S(x)＝||fG(x)-μ||2，
其中，S(x)表示显著图，μ表示CIE-Lab空间输入图像的平均像素值，fG(x)表示f(x)的高斯滤波，滤波后，将滤波结果转换为CIE-Lab空间；
将显著图线性归一化为[0，1]；
设定阈值T，若S(x)>T则并将一个像素识别为显著性，从而将图像划分为显著区域和非显著区域，进行范围映射：
σ(x)＝Ψλ,T(S(x))，
其中，Ψλ,T(t)表示映射函数，λ表示sigmoid的斜率参数，T表示sigmoid的位移参数，用于区分高显著性区域和低显著性区域；
最后调整如下：
设定T∈[0.2,0.5]和σ∈[50,80]。
作为优选的，所述S3具体包括：
获取图像数据，对不成熟DC细胞图像添加类别以及对成熟DC细胞图像添加类别及位置的数据标签，得到数据集；
构建基于DC细胞检测的深度学习模型，并通过所述数据集进行训练；
通过训练好的基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测，输出检测结果。
作为优选的，所述获取图像数据，具体包括：
通过电子显微镜获取DC细胞体外培养过程中的不成熟DC细胞图像，作为第一原始图像，所述不成熟DC细胞图像中具有不成熟DC细胞且不具有成熟DC细胞，所述不成熟DC细胞具有不成熟DC细胞的形态并通过流式细胞仪验证为不成熟DC表型；
通过电子显微镜获取DC细胞体外培养过程中的成熟DC细胞图像，作为第二原始图像，所述成熟DC细胞图像中具有成熟DC细胞，所述成熟DC细胞具有成熟DC细胞的形态并通过流式细胞仪验证为成熟DC表型；
通过对第一原始图像和第二原始图像围绕其中心点进行从0°到270°旋转，获取旋转图像；
根据T∈[0.2,0.5]和σ∈[50,80]，T和σ选取不同值，基于改进的双边滤波算法构建双边滤波器对第一原始图像、第二原始和旋转图像进行滤波，从而对原始图像实现不同程度的增强，获取增强图像；
将两个同类的第一原始图像、第二原始、旋转图像或增强图像分别输入到编码器Vencoder中，得到两个服从正态分布；
将两个正态分布进行随机采集和处理得到一个100维特征向量，并将100维特征向量输入到解码器Vdecoder，融合得到细胞叠加图像；
将第一原始图像、第二原始、旋转图像、增强图像和细胞叠加图像按比例组成训练集、验证集、测试集。
第二方面，本发明实施例提供了一种DC细胞检测系统，所述系统包括存储器和处理器，所述存储器和所述处理器耦合，所述存储器用于存储能够在处理器上运行的计算机程序，所述处理器用于运行所述计算机程序时，执行上述DC细胞检测方法。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的方法中提出了DC细胞检测方法，借助人工智能实现对DC细胞培育的监测，避免了人力浪费和不准确性，能够精准对DC细胞状态进行分类，对DC细胞生长过程的定量分析提高了准确的数据支撑。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中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性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例所提供的DC细胞检测方法的S1-S4的流程示意图；
图2为本发明实施例所提供的DC细胞检测系统的构架图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，其为图1是本发明实施例提供的DC细胞检测方法S1-S4的流程示意图。如图1所示，本发明实施例的DC细胞检测方法包括：
S1、通过第一采集频次F1获取细胞培养图像，依次分离出选定区域图像，并基于支持向量机依次对选定区域图像进行不成熟DC细胞检测；
S2、当检测到不成熟DC细胞，通过第二采集频次F2获取DC细胞培养图像，并进行增强处理，得到待识别图像集合P1；
S3、构建基于DC细胞检测的深度学习模型，并通过基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测；
S4、获取检测出成熟DC细胞的原始DC细胞培养图像，添加时间标识后，得到成熟DC细胞图像集合P2。
采用以上技术方案，通过第一采集频次F1获取细胞培养图像，依次分离出选定区域图像，并基于支持向量机依次对选定区域图像进行不成熟DC细胞检测，分离选定区域图像进行检测可以加快处理速度，减少处理时间，增加精度，利用支持向量机可以快速对不成熟DC细胞检测；当检测到不成熟DC细胞，为了实现更准确对DC细胞监测，通过第二采集频次F2获取DC细胞培养图像，并进行增强处理以提高分类的准确性，得到待识别图像集合P1；构建基于DC细胞检测的深度学习模型，并通过基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测，可以更加准确实现对成熟DC细胞检测；获取检测出成熟DC细胞的原始DC细胞培养图像，添加时间标识后，得到成熟DC细胞图像集合P2，从而完成对成熟DC细胞培育完整的监测过程；本发明借助人工智能实现对DC细胞培育的监测，避免了人力浪费和不准确性，能够精准对DC细胞状态进行分类，对DC细胞生长过程的定量分析提高了准确的数据支撑。
针对一些可能的设计思路而言，上述S1中分离出选定区域图像，具体包括：
将获取的细胞培养图像按时间顺序进行排序，并根据细胞培养图像大小建立基准坐标系；
在基准坐标系上选择一个动态矩形区域S，并使动态矩形区域S与细胞培养图像进行中心点对齐；
以动态矩形区域S作为分割模板，依次对细胞培养图像进行分割；
S[Rec(x′1,y′1)，(x′2,y′2)]＝w*S0[Rec(x1,y1)，(x2,y2)]，
其中，S表示动态矩形区域的面积，(x′1,y′1)表示动态矩形区域左上角位置坐标，(x′2,y′2)表示动态矩形区域右下角位置坐标，w表示缩放比例，0＜w＜1，S0表示细胞培养图像的面积，(x1,y1)表示细胞培养图像左上角位置坐标，(x2,y2)表示细胞培养图像右下角位置坐标；
其中，w0表示最终缩放比例，为指定的常数，e表示自然对数，n表示分割次数；
依次分离出选定区域图像并按时间顺序进行排序。
需要说明的是，随着培养的进行，单核细胞和外周血细胞诱导成不成熟DC细胞的概率越大，同时，也无需对不成熟DC细胞进行全面检测。因此，分离的选定区域图像随着分割次数不断增加面积，这样设计一方面加快处理和检测速度，另一方面，避免了后期遗漏检测不成熟DC细胞。
针对一些可能的设计思路而言，上述S1中基于支持向量机依次对选定区域图像进行不成熟DC细胞检测，具体包括：
读取预选作为样本的选定区域图像并进行分类，其中，所述选定区域图像包括未诱导出不成熟DC细胞和诱导出不成熟DC细胞并被人为标定位置的细胞培养图像；
对选定区域图像采用局部二值模式进行特征提取，将图像转换为整数值矩阵；
基于整数值矩阵获取LBP直方图；
利用LBP直方图对支持向量机模型进行训练，输出目标类和非目标类；
基于训练好的支持向量机模型，对待检测的选定区域图像进行目标类和非目标类判别，完成对不成熟DC细胞检测。
针对一些可能的设计思路而言，上述支持向量机模型构建如下：
建立样本集{xi；i＝1,…,N}，N表示样本总数；
引入松弛因子ξ，约束如下:
(xi-a)(xi-a)T≤R2+ξl，
ξl≥0，
其中，R表示目标值，ξ表示松弛因子，T表示表示转置；
通过以下函数求最小极值：
式中，C表示设定的惩罚因子，建立如下拉格朗日方程:
其中，ξi表示第i个松弛因子，ai和γi表示拉格朗日乘子且ai≥0和γi≥0，xi表示输入的数据；
当偏导数为零时，支持向量机模型满足约束条件：
∑lai＝1，
0≤ai≤C，
在考虑限制条件的情况下，对al进行最大化：
当z小于目标值，则样本z满足要求:
训练集由上式描述，支持对象是al≠0，在C≤1且支持对象等于C的情况下，样本被视为非目标类。
由于单核细胞和外周血细胞诱导成不成熟DC细胞，使得细胞形状产生变化，细胞形成树突样突起，因此，细胞外形的不规则性增加导致了纹理的改变，改变被LBP直方图记录，反应为像素浓度，因此，利用LBP直方图对支持向量机模型进行训练，可以快速的检测到这种变化，从而完成对不成熟DC细胞检测，利用支持向量机可以快速对不成熟DC细胞检测。
需要说明的是，本发明支持向量机模型可以采用本发明上述设计的模型，检测速度更快，但也可以根据需要采用现有的其他支持向量机模型。
针对一些可能的设计思路而言，上述第二采集频次F2大于第一采集频次F1。
针对一些可能的设计思路而言，上述S2中进行增强处理，具体包括：
利用高斯低通滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作。
本发明利用高斯低通滤波器有效去除噪声，同时，保留了纹理信息，生成一个降噪图像，另外，考虑到图像对比度或亮度可能不同，为了弥补这种潜在的负面影响，通过应用直方图方程方法来规范化图像，从而实现图像增强。
针对一些可能的设计思路而言，上述S2中进行增强处理，具体包括：
基于改进的双边滤波算法构建双边滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作；
其中，基于改进的双边滤波算法构建双边滤波器如下：
f(x)＝h(x)+d(x)，
g(x)＝h(x)+Kd(x)，
其中，f(x)表示原始图像，g(x)表示降噪图像，h(x)表示原始图像的基本层，d(x)表示原始图像的细节层，K表示调节因子；
基本层计算如下：
其中，x表示像素位置，y表示x的邻域像素值位置，Ω＝[-p,p]2表示以(0,0)为中心的滤波窗口，σ表示尺度参数，范围为[0,255]，||·||表示欧几里得范数；
进行显著图特征计算：
S(x)＝||fG(x)-μ||2，
其中，S(x)表示显著图，μ表示CIE-Lab空间输入图像的平均像素值，fG(x)表示f(x)的高斯滤波，滤波后，将滤波结果转换为CIE-Lab空间；
将显著图线性归一化为[0，1]；
设定阈值T，若S(x)>T则并将一个像素识别为显著性，从而将图像划分为显著区域和非显著区域，进行范围映射：
σ(x)＝Ψλ,T(S(x))，
其中，Ψλ,T(t)表示映射函数，λ表示sigmoid的斜率参数，T表示sigmoid的位移参数，用于区分高显著性区域和低显著性区域；
最后调整如下：
设定T∈[0.2,0.5]和σ∈[50,80]。
本发明基于改进的双边滤波算法构建双边滤波器对DC细胞培养图像进行滤波，使用显著图来快速实现增强，去除噪声，不会放大非显著区域的细节，保留了纹理信息。
针对一些可能的设计思路而言，上述S3具体包括：
获取图像数据，对不成熟DC细胞图像添加类别以及对成熟DC细胞图像添加类别及位置的数据标签，得到数据集；
构建基于DC细胞检测的深度学习模型，并通过所述数据集进行训练；
通过训练好的基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测，输出检测结果；
其中，所述基于DC细胞检测的深度学习模型为基于AlexNet的深度卷积神经网络模型，依次包括输入层、卷积层1、最大池化层1、卷积层2、最大池化层2、卷积层3、卷积层4、卷积层5、最大池化层3、全连接层1、全连接层2和输出层；输入层的输入图像大小为227*227*3，卷积层1包括96个卷积核，每个卷积核大小为为11*11*3，步幅为4，卷积之后进行批处理归一化，形成55*55的特征图；卷积层2包括256个卷积核，每个卷积核大小为为5*5*96，步幅为1，卷积之后进行批处理归一化，形成27*27的特征图；卷积层3和卷积层4共包括384个卷积核，每个卷积核大小为为3*3*256，步幅为1，形成13*13的特征图；卷积层5包括256个卷积核，每个卷积核大小为为3*3*192，步幅为1，卷积之后进行批处理归一化，形成13*13的特征图；最大池化层1、最大池化层2和最大池化层3均采用步幅为2、大小为3*3的最大池化；全连接层1和全连接层2层均包括4096个神经元，并进行Dropout操作，输出层为Softmax分类器，输出类别为2。
通过训练好的基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测，准确率高，深度学习模型鲁棒性好。成熟DC细胞为典型的树突状细胞形态，即表面可见较多伸展的毛刺状突起，由于不成熟DC细胞发展为成熟DC细胞，很容易被忽略，利用计算机辅助检测方法可以通过自动检测成熟DC细胞，准确，且可以帮助减少人员的疏忽和负担。
需要说明的是，本发明深度学习模型可以采用本发明上述设计的模型，检测速度更准确，但也可以根据需要采用现有的其他深度学习模型。
针对一些可能的设计思路而言，上述获取图像数据，具体包括：
通过电子显微镜获取DC细胞体外培养过程中的不成熟DC细胞图像，作为第一原始图像，所述不成熟DC细胞图像中具有不成熟DC细胞且不具有成熟DC细胞，所述不成熟DC细胞具有不成熟DC细胞的形态并通过流式细胞仪验证为不成熟DC表型；
其中，不成熟DC细胞的形态为细胞形成树突样突起，不成熟DC表型为CD40、CD80、CD86、HLA-DR阳性率高表达，CD83低表达；
通过电子显微镜获取DC细胞体外培养过程中的成熟DC细胞图像，作为第二原始图像，所述成熟DC细胞图像中具有成熟DC细胞，所述成熟DC细胞具有成熟DC细胞的形态并通过流式细胞仪验证为成熟DC表型；
其中，成熟DC细胞的形态为表面可见较多伸展的毛刺状突起，成熟DC表型为CD40、、CD80、CD83、CD86和HLA-DR阳性率均为显著高表达；
通过对第一原始图像和第二原始图像围绕其中心点进行从0°到270°旋转，获取旋转图像；
根据T∈[0.2,0.5]和σ∈[50,80]，T和σ选取不同值，基于改进的双边滤波算法构建双边滤波器对第一原始图像、第二原始和旋转图像进行滤波，从而对原始图像实现不同程度的增强，获取增强图像；
将两个同类的第一原始图像、第二原始、旋转图像或增强图像分别输入到编码器Vencoder中，得到两个服从正态分布；
将两个正态分布进行随机采集和处理得到一个100维特征向量，并将100维特征向量输入到解码器Vdecoder，融合得到细胞叠加图像；
将第一原始图像、第二原始、旋转图像、增强图像和细胞叠加图像按比例组成训练集、验证集、测试集；
通过训练集训练模型并在训练过程中通过验证集对模型进行验证；
通过测试集测试模型的性能。
本发明通过上述操作实现增加数据集，从而增加深度学习模型训练条件，提高检测的准确性。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的系统实施例。
请参考图2，其为本发明实施例所提供的DC细胞检测系统的构架图，所述DC细胞检测系统100可包括处理器110、机器可读存储介质120(储存器)、总线130以及通信单元140。
处理器110可以基于存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的DC细胞检测方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。
特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。
本发明又一实施例还提供了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执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的DC细胞检测方法。
其中，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(LAM)、只读存储器(LOM)、可擦式可编程只读存储器(EPLOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-LOM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、LM(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的DC细胞检测方法。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及它们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种DC细胞检测方法，其特征在于，所述方法包括：
S1、通过第一采集频次F1获取细胞培养图像，依次分离出选定区域图像，并基于支持向量机依次对选定区域图像进行不成熟DC细胞检测；
S2、当检测到不成熟DC细胞，通过第二采集频次F2获取DC细胞培养图像，并进行增强处理，得到待识别图像集合P1；
S3、构建基于DC细胞检测的深度学习模型，并通过基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测；
S4、获取检测出成熟DC细胞的原始DC细胞培养图像，添加时间标识后，得到成熟DC细胞图像集合P2；
所述S1中基于支持向量机依次对选定区域图像进行不成熟DC细胞检测，具体包括：
读取预选作为样本的选定区域图像并进行分类，其中，所述选定区域图像包括未诱导出不成熟DC细胞和诱导出不成熟DC细胞并被人为标定位置的细胞培养图像；
对选定区域图像采用局部二值模式进行特征提取，将图像转换为整数值矩阵；
基于整数值矩阵获取LBP直方图；
利用LBP直方图对支持向量机模型进行训练，输出目标类和非目标类；
基于训练好的支持向量机模型，对待检测的选定区域图像进行目标类和非目标类判别，完成对不成熟DC细胞检测。
2.根据权利要求1所述的DC细胞检测方法，其特征在于，所述S1中分离出选定区域图像，具体包括：
将获取的细胞培养图像按时间顺序进行排序，并根据细胞培养图像大小建立基准坐标系；
在基准坐标系上选择一个动态矩形区域S，并使动态矩形区域S与细胞培养图像进行中心点对齐；
以动态矩形区域S作为分割模板，依次对细胞培养图像进行分割；
S[Rec(x′1,y′1)，(x′2,y′2)]＝w*S0[Rec(x1,y1)，(x2,y2)]，
其中，S表示动态矩形区域的面积，(x′1,y′1)表示动态矩形区域左上角位置坐标，(x′2,y′2)表示动态矩形区域右下角位置坐标，w表示缩放比例，0＜w＜1，S0表示细胞培养图像的面积，(x1,y1)表示细胞培养图像左上角位置坐标，(x2,y2)表示细胞培养图像右下角位置坐标；
其中，w0表示最终缩放比例，为指定的常数，e表示自然对数，n表示分割次数；
依次分离出选定区域图像并按时间顺序进行排序。
3.根据权利要求1所述的DC细胞检测方法，其特征在于，所述第二采集频次F2大于第一采集频次F1。
4.根据权利要求1所述的DC细胞检测方法，其特征在于，所述S2中进行增强处理，具体包括：
利用高斯低通滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作。
5.根据权利要求1所述的DC细胞检测方法，其特征在于，所述S2中进行增强处理，具体包括：
基于改进的双边滤波算法构建双边滤波器对DC细胞培养图像进行滤波，生成降噪图像；
对降噪图像使用进行直方图均衡操作。
6.根据权利要求5所述的DC细胞检测方法，其特征在于，所述基于改进的双边滤波算法构建双边滤波器如下：
f(x)＝h(x)+d(x)，
g(x)＝h(x)+Kd(x)，
其中，f(x)表示原始图像，g(x)表示降噪图像，h(x)表示原始图像的基本层，d(x)表示原始图像的细节层，K表示调节因子；
基本层计算如下：
其中，x表示像素位置，y表示x的邻域像素值位置，Ω＝[-p,p]2表示以(0,0)为中心的滤波窗口，σ表示尺度参数，范围为[0,255]，||·||表示欧几里得范数；
进行显著图特征计算：
S(x)＝||fG(x)-μ||2，
其中，S(x)表示显著图，μ表示CIE-Lab空间输入图像的平均像素值，fG(x)表示f(x)的高斯滤波，滤波后，将滤波结果转换为CIE-Lab空间；
将显著图线性归一化为[0，1]；
设定阈值T，若S(x)>T则并将一个像素识别为显著性，从而将图像划分为显著区域和非显著区域，进行范围映射：
σ(x)＝Ψλ,T(S(x))，
其中，Ψλ,T(t)表示映射函数，λ表示sigmoid的斜率参数，T表示sigmoid的位移参数，用于区分高显著性区域和低显著性区域；
最后调整如下：
设定T∈[0.2,0.5]和σ∈[50,80]。
7.根据权利要求5或6任一项所述的DC细胞检测方法，其特征在于，所述S3具体包括：
获取图像数据，对不成熟DC细胞图像添加类别以及对成熟DC细胞图像添加类别及位置的数据标签，得到数据集；
构建基于DC细胞检测的深度学习模型，并通过所述数据集进行训练；
通过训练好的基于DC细胞检测的深度学习模型对待识别图像集合P1的待识别图像进行成熟DC细胞检测，输出检测结果。
8.根据权利要求7所述的DC细胞检测方法，其特征在于，所述获取图像数据，具体包括：
通过电子显微镜获取DC细胞体外培养过程中的不成熟DC细胞图像，作为第一原始图像，所述不成熟DC细胞图像中具有不成熟DC细胞且不具有成熟DC细胞，所述不成熟DC细胞具有不成熟DC细胞的形态并通过流式细胞仪验证为不成熟DC表型；
通过电子显微镜获取DC细胞体外培养过程中的成熟DC细胞图像，作为第二原始图像，所述成熟DC细胞图像中具有成熟DC细胞，所述成熟DC细胞具有成熟DC细胞的形态并通过流式细胞仪验证为成熟DC表型；
通过对第一原始图像和第二原始图像围绕其中心点进行从0°到270°旋转，获取旋转图像；
根据T∈[0.2,0.5]和σ∈[50,80]，T和σ选取不同值，基于改进的双边滤波算法构建双边滤波器对第一原始图像、第二原始和旋转图像进行滤波，从而对原始图像实现不同程度的增强，获取增强图像；
将两个同类的第一原始图像、第二原始、旋转图像或增强图像分别输入到编码器Vencoder中，得到两个服从正态分布；
将两个正态分布进行随机采集和处理得到一个100维特征向量，并将100维特征向量输入到解码器Vdecoder，融合得到细胞叠加图像；
将第一原始图像、第二原始、旋转图像、增强图像和细胞叠加图像按比例组成训练集、验证集、测试集。
9.一种DC细胞检测系统，其特征在于，所述系统包括存储器和处理器，所述存储器和所述处理器耦合，所述存储器用于存储能够在处理器上运行的计算机程序，所述处理器用于运行所述计算机程序时，执行权利要求1-8中任意一项的DC细胞检测方法。
CN202310376762.0A 2023-04-11 2023-04-11 一种dc细胞检测方法及系统 Active CN116386038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310376762.0A CN116386038B (zh) 2023-04-11 2023-04-11 一种dc细胞检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310376762.0A CN116386038B (zh) 2023-04-11 2023-04-11 一种dc细胞检测方法及系统

Publications (2)

Publication Number Publication Date
CN116386038A CN116386038A (zh) 2023-07-04
CN116386038B true CN116386038B (zh) 2023-10-24

Family

ID=86976600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310376762.0A Active CN116386038B (zh) 2023-04-11 2023-04-11 一种dc细胞检测方法及系统

Country Status (1)

Country Link
CN (1) CN116386038B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622238A (zh) * 2017-09-19 2018-01-23 北京瑞格瑞特生物科技有限公司 一种免疫细胞状态图像采集监控装置、方法
CN112017208A (zh) * 2020-10-26 2020-12-01 南京英瀚斯生物科技有限公司 一种基于深度学习的多细胞球识别与分类方法
WO2023281016A1 (en) * 2021-07-07 2023-01-12 Sartorius Stedim Data Analytics Ab Monitoring, simulation and control of bioprocesses

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130183707A1 (en) * 2012-01-13 2013-07-18 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Stem cell bioinformatics
WO2020261555A1 (ja) * 2019-06-28 2020-12-30 オリンパス株式会社 画像生成システムおよび画像生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622238A (zh) * 2017-09-19 2018-01-23 北京瑞格瑞特生物科技有限公司 一种免疫细胞状态图像采集监控装置、方法
CN112017208A (zh) * 2020-10-26 2020-12-01 南京英瀚斯生物科技有限公司 一种基于深度学习的多细胞球识别与分类方法
WO2023281016A1 (en) * 2021-07-07 2023-01-12 Sartorius Stedim Data Analytics Ab Monitoring, simulation and control of bioprocesses

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
七氟醚对树突状细胞成熟及成熟树突状细胞活力的影响;邢玉英;李伟靖;赵雪莲;刘淑香;;疑难病杂志(第11期);全文 *
肝癌细胞微环境对不同分化阶段树突状细胞功能状态的影响;曾柱;龙金华;陈琳;;重庆医科大学学报(第12期);全文 *

Also Published As

Publication number Publication date
CN116386038A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN111539942B (zh) 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
CN103164692B (zh) 一种基于计算机视觉的特种车辆仪表自动识别系统及方法
CN108388874B (zh) 基于图像识别与级联分类器的对虾形态参数自动测量方法
Yang et al. Cell image segmentation with kernel-based dynamic clustering and an ellipsoidal cell shape model
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN114358249A (zh) 目标识别模型训练、目标识别方法及装置
CN119399559B (zh) 一种基于机器视觉的图像分类方法及系统
CN118429981A (zh) 一种基于改进YOLOv5的智能电表示数识别方法及装置
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN114821229A (zh) 基于条件生成对抗网络的水下声学数据集增广方法及系统
CN118379316B (zh) 基于熵分析与边缘密度的图像边缘检测方法、系统及设备
Wu et al. Intelligent crater detection on planetary surface using convolutional neural network
CN110443790B (zh) 一种医学影像中软骨识别方法和识别系统
CN116386038B (zh) 一种dc细胞检测方法及系统
Dewan et al. A method for automatic segmentation of nuclei in phase-contrast images based on intensity, convexity and texture
Nguyen et al. Pavement crack detection and segmentation based on deep neural network
WO2013049312A2 (en) Segmenting biological structures from microscopy images
CN114863189A (zh) 一种基于大数据的图像智能识别方法
Tikkanen et al. Training based cell detection from bright-field microscope images
CN112396648B (zh) 一种可定位目标物质心的目标识别方法和系统
CN114494687B (zh) 基于ti-rads多任务神经网络的甲状腺结节良恶性分类方法
Maximili et al. Hybrid salient object extraction approach with automatic estimation of visual attention scale
CN119850612B (zh) 一种皱纹检测方法、装置及计算机可读存储介质
Bhattacharjee et al. An object localization optimization technique in medical images using plant growth simulation algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 123/125, 1st Floor, Building 1, No. 538 Yongfengtun, Haidian District, Beijing, 100094

Applicant after: WATSON CLICK (BEIJING) BIOTECHNOLOGY Co.,Ltd.

Address before: 106, 1st Floor, Incubation Building, No. 7 Fengxian Middle Road, Haidian District, Beijing, 100094

Applicant before: WATSON CLICK (BEIJING) BIOTECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant