一种诱导多能干细胞菌落质量自动评估方法及装置转让专利
申请号 : CN202010760565.5
文献号 : CN112102232B
文献日 : 2021-11-02
发明人 : 汪天富 , 雷柏英 , 周光前 , 岳广辉 , 王永军 , 廖进齐
申请人 : 深圳大学
摘要 :
权利要求 :
1.一种诱导多能干细胞菌落质量自动评估方法,其特征在于,所述诱导多能干细胞菌落质量自动评估方法包括以下步骤:采集待测菌落的菌落图像;其中,所述待测菌落包括多个诱导多能干细胞,每个诱导多能干细胞对应菌落图像上一图像像素点;所述采集待测菌落的菌落图像具体包括:利用多能无血清培养基和多孔板培养待测菌落;其中,所述待测菌落包括多个诱导多能干细胞;
使用活细胞成像系统拍摄所述待测菌落的明场图像,并将显微镜设置多倍放大倍率以及将通道设置为明场,采用自动聚焦和自动扫描模式扫描多孔板,得到所述待测菌落的明场图像;标记所述待测菌落的明场图像,并对标记后的所述待测菌落的明场图像的图像尺寸做规范化处理,得到所述待测菌落的菌落图像;
获取所述菌落图像上每个图像像素点的灰度值,基于预设灰度参考阈值,修正每个图像像素点的灰度值,得到所述待测菌落的修正图像;
增强所述待测菌落的修正图像,得到待测菌落的增强图像;其中,所述增强图像的数量大于所述修正图像的数量;
所述增强所述待测菌落的修正图像,得到待测菌落的增强图像具体包括:确定所述修正图像的质量等级;
对不同质量等级的修正图像采用对应的图像变换操作,得到不同质量等级的增强图像;其中,不同质量等级的增强图像的数量相等或相近;
确定所述增强图像的若干特征图并融合所述增强图像的若干特征图,得到所述待测菌落的特征图;
所述确定所述增强图像的若干特征图并融合所述增强图像的若干特征图,得到所述待测菌落的特征图具体包括:
第一深度卷积神经网络通过若干卷积模块、ReLU激活函数和分段卷积方法,捕捉每个增强图像的浅层细节信息,得到每个增强图像的第一一维特征向量;其中,每个卷积模块包含三个卷积层和一个最大池化层;
第二深度卷积神经网络使用ReLU作为激活函数,利用并行卷积来捕捉每个增强图像中的局部细节特征,得到每个增强图像的第二一维特征向量;
深度残差网络利用残差结构来捕获每个增强图像的深度语义特征,得到每个增强图像的第三一维特征向量;
利用传统机器学习中的若干特征描述符提取每个增强图像中对应特征描述符的局部细节特征;
将每个增强图像的第一一维特征向量、第二一维特征向量、第三一维特征向量以及若干局部细节特征构成的若干特征图利用主成分分析算法降维处理后融合,得到所述待测菌落的特征图;
识别所述待测菌落的特征图,得到所述待测菌落的质量等级。
2.根据权利要求1所述的诱导多能干细胞菌落质量自动评估方法,其特征在于,所述获取所述菌落图像上每个图像像素点的灰度值,基于预设灰度参考阈值,修正每个图像像素点的灰度值,得到所述待测菌落的修正图像具体包括:获取预设灰度参考阈值以及所述菌落图像上所有图像像素点的灰度值;
若某图像像素点的灰度值大于所述预设灰度参考阈值,选取第一伽马变换参数作为目标伽马变换参数,并通过图像伽马变换方法修正该图像像素点的像素值;
若某图像像素点的灰度值小于所述预设灰度参考阈值,选取第二伽马变换参数作为目标伽马变换参数,并通过图像伽马变换方法修正该图像像素点的像素值;
若某图像像素点的灰度值等于所述预设灰度参考阈值,保持该图像像素点的像素值不变;
获取所述待测菌落的修正图像。
3.根据权利要求2所述的诱导多能干细胞菌落质量自动评估方法,其特征在于,所述图像伽马变换方法表示为:
s=crγ,r∈[0,1];
其中,s是某图像像素点经伽马变换后的修正像素值,r是某图像像素点的原始像素值,c是常系数,γ是伽马变换参数,该伽马变换参数包括第一伽马变换参数和第二伽马变换参数。
4.根据权利要求1所述的诱导多能干细胞菌落质量自动评估方法,其特征在于,所述图像变换操作包括45°旋转、135°旋转、水平镜像、仿射变换中一种或多种。
5.根据权利要求4所述的诱导多能干细胞菌落质量自动评估方法,其特征在于,所述对不同质量等级的修正图像采用对应的图像变换操作,得到不同质量等级的所述待测菌落的增强图像具体包括:
若某修正图像的质量等级为良好,则对该修正图像依次执行45°旋转、135°旋转、水平镜像、仿射变换四种图像变换操作,得到第一增强图像;
若某修正图像的质量等级为中等,则对该修正图像依次执行45°旋转、135°旋转、水平镜像三种图像变换操作,得到第二增强图像;
若某修正图像的质量等级为差,则对该修正图像只执行一次仿射变换的图像变换操作,得到第三增强图像;
其中,所述第一增强图像、第二增强图像以及第三增强图像的数量相等或相近。
6.根据权利要求1所述的诱导多能干细胞菌落质量自动评估方法,其特征在于,所述识别所述待测菌落的特征图,得到所述待测菌落的质量等级具体包括:利用SVM分类器识别所述待测菌落的特征图,确定所述待测菌落的质量等级为良好、中等以及差中一种。
7.一种实现权利要求1‑6任一项所述的诱导多能干细胞菌落质量自动评估方法的诱导多能干细胞菌落质量自动评估装置,其特征在于,所述诱导多能干细胞菌落质量自动评估装置包括:
图像修正模块用于获取待测菌落的菌落图像上每个图像像素点的灰度值,基于预设灰度参考阈值,修正每个图像像素点的灰度值,得到所述待测菌落的修正图像;
图像增强模块用于增强所述待测菌落的修正图像,得到待测菌落的增强图像;其中,所述增强图像的数量大于所述修正图像的数量;
图像多源特征提取模块用于确定所述增强图像的若干特征图并融合所述增强图像的若干特征图,得到所述待测菌落的特征图;
分类器用于识别所述待测菌落的特征图,得到所述待测菌落的质量等级。
说明书 :
一种诱导多能干细胞菌落质量自动评估方法及装置
技术领域
背景技术
在“好”,“坏”差异,但要通过形态学方法实现高效率的自动评估将面临以下挑战:差异小区
分困难、对比度亮度不均衡、人工评估成本高等。
发明内容
置。
的明场图像;
包括:
变换参数。
块包含三个卷积层和一个最大池化层;
测菌落的特征图。
包括:
的菌落图像;其中,所述待测菌落包括多个诱导多能干细胞,每个诱导多能干细胞对应菌落
图像上一图像像素点;获取所述菌落图像上每个图像像素点的灰度值,基于预设灰度参考
阈值,修正每个图像像素点的灰度值,得到所述待测菌落的修正图像;增强所述待测菌落的
修正图像,得到待测菌落的增强图像;其中,所述增强图像的数量大于所述修正图像的数
量;确定所述增强图像的若干特征图并融合所述增强图像的若干特征图,得到所述待测菌
落的特征图;识别所述待测菌落的特征图,得到所述待测菌落的质量等级。本申请通过自适
应伽马变换进行图像预处理,解决图像采集过程中由于客观原因导致的图像亮度、对比度
不佳的问题,并且基于iPSCs菌落的旋转不变性,利用图像旋转、镜像、仿射变换进行数据集
扩增,且通过融合7种不同来源的特征信息以获得更加全面的iPSCs菌落图像的特征值信息
提高分类性能,提高菌落质量评估准确性,并降维算法执行特征学习,节约了成本,便于推
广应用。
附图说明
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加
一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元
件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在
中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措
辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的
意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义
来解释。
色方法辅助工作人员进行iPSCs质量评估。但是,这一方法是不可逆的会破坏细胞多能性和
生长状态。目前,可以克服AP染色等方法的不足之处的有效方法是活细胞免疫荧光染色,快
速且大大减少对细胞造成的伤害。另外,利用计算机图像分析技术也可以定性分析细胞的
多能性,而且这一过程是较为客观、快速、准确的,对于干细胞的产业化具有重要意义。
多相关研究,目前所采用的iPSCs菌落质量评估方法有利用形态学特征提出一个无创自动
化的质量评估系统,有利用iPSCs菌落图像的灰度直方图特征实现分类任务以自动评估
iPSCs菌落质量或通过利用局部特征实现不同质量iPSCs菌落的自动检测,但这些方法只是
针对单一培养体系的iPSCs数据,使得模型的迁移性、鲁邦性较差而无法达到干细胞产业化
的要求。与此同时,由于不同质量的iPSCs菌落差异小区分困难,存在图像对比度和亮度不
均衡问题,这严重影响了iPSCs菌落质量评估方法的识别性能。
像亮度、对比度不佳的问题,并且基于iPSCs菌落的旋转不变性,利用图像旋转、镜像、仿射
变换进行数据集扩增,且通过融合7种不同来源的特征信息以获得更加全面的iPSCs菌落图
像的特征值信息提高提高菌落质量评估性能,这样,更有利于提升深圳市生物和新药物技
术含量和国际竞争力,具有重要的产业化前景,有望为我国生物和新医药技术发展贡献自
己的力量。
及顺序,根据不同的需求,流程图中的步骤可以增加、移除或者改变顺序。如图1所示,本申
请提供的一种诱导多能干细胞菌落质量自动评估方法包括以下步骤:
干细胞。
扫描全孔范围的iPSCs菌落的明场图像。所述明场图像指的是只允许透射束通过物镜光栏
所成的图像。具体实施时,将显微镜的放大倍率设置为多倍,同时设置所述显微镜的通道为
明场,采用自动聚焦和自动扫描模式扫描多孔板,得到多孔菌落的明场图像。然后对每孔菌
落的明场图像的图像尺寸做规范化处理,得到多孔菌落的多个菌落图像。
计培养68孔,培养到第4天(96小时)时采集图像。利用将显微镜的放大倍率设置为4倍,同时
设置所述显微镜的通道为明场,采用自动聚焦和自动扫描模式扫描6孔板,然后使用自动聚
焦和自动扫描模式扫描6孔板,采集到68孔的iPSCs菌落的明场图像。接着,使用LabelMe图
像标记工具标记68个iPSCs菌落的明场图像,并对图像尺寸做规范化处理,最后获得了
15700个iPSC菌落图像,大小为512×512像素,如图2‑图4所示。
细胞成像系统会重新聚焦,这将导致不同孔的明场图像在亮度、对比度方面存在不均匀的
情况,这将影响iPSCs菌落质量的影像学评估。因此,需要对所采集到的菌落图像进行预处
理,以使得iPSCs菌落质量评估准确,减少无效样本评估,提高效率,提升整体iPSCs菌落质
量评估性能。
图像增强,这样解决数据采集过程中出现的对比度、亮度并不均匀等问题。图像伽马变换可
以表示为公式(1):
胞的图像像素点的亮度和对比度均衡,不会随拉伸或压缩变化;γ<1会拉伸图像中灰度级
较低的区域,同时会压缩灰度级较高的部分,亮度增强,对比度降低;γ>1会拉伸图像中灰
度级较高的区域,同时会压缩灰度级较低的部分,亮度降低,对比度增强,也就是说处于γ
<1和γ>1区域的iPSCs细胞的图像像素点的对比度和亮度存在不均衡现象,其对比度和
亮度会随拉伸和压缩操作而改变。因此,需要对处于γ<1和γ>1区域的iPSCs细胞的图像
像素点进行自适应伽马变换以使得处于γ<1和γ>1区域的iPSCs细胞的图像像素点的对
比度和亮度达到均衡。在实际应用中,菌落图像中每个图像像素点的分布如图6所示,基于
伽马变换曲线其分布区域主要集中在A、B、C、D区域,像素点灰度值集中分布在A、C区域时具
有较高的对比度和亮度,而B、D区域时对比度和亮度存在不均衡现象。因此,自适应伽马变
换就是将像素值分布集中在B和D区域的图像利用伽马变换映射到A和C区域实现图像增强。
伽马变换参数作为目标伽马变换参数通过图像伽马变换方法即公式(1)自动修正该图像像
素点的像素值;若某图像像素点的灰度值小于所述预设灰度参考阈值即γ<1,选取第二伽
马变换参数作为目标伽马变换参数通过图像伽马变换方法即公式(1)自动修正该图像像素
点的像素值;若某图像像素点的灰度值等于所述预设灰度参考阈值,保持该图像像素点的
像素值不变。自动修正灰度值属于大于和小于所述预设灰度参考阈值的图像像素点,更正
为新的修正图像像素值,最终得到多孔菌落的多个修正图像。需要说明的是,第一伽马变换
参数和第二伽马变换参数不同。所述预设灰度参考阈值较佳为256*3/4。
度和对比度质量。
据量均衡,比如相等或相近。菌落的质量等级可分为良好、中等以及差三个等级,良好质量
等级的菌落对应的形态为:iPSCs菌落扁平质地密集且均匀、高核质比、边缘清晰、细胞周围
呈白色光晕;中等质量等级的菌落对应的形态为:iPSCs菌落的部分形态良好、部分边缘清
晰、另外部分边缘模糊,细胞中间的白色裂缝不再密集,边缘可见部分细胞体积增大向外延
伸;差质量等级的菌落对应的形态为:iPSCs菌落的中心有空隙,细胞完全分化,边缘模糊,
分化细胞的轮廓和细胞核清晰。基于上述每个质量等级的形态分析确定每个修正图像的质
量等级。经试验观测,通常质量等级为良好的修正图像的数量远远少于质量等级为差的修
正图像的数量,因此,针对不同质量等级的修正图像采用对应的图像变化操作,从而使得质
量等级为良好的修正图像、质量等级为中等的修正图像以及质量等级为差的修正图像不同
程度增量且增量后的各质量等级的增强图像的数据量处于均衡,即达到相等或相近的程
度,这样,用以解决iPSCs菌落图像数据集存在样本不均衡情况,从而提升整体iPSCs菌落质
量评估性能。
像具体包括:若某修正图像的质量等级为良好,则对该修正图像依次执行45°旋转、135°旋
转、水平镜像、仿射变换四种图像变换操作,得到第一增强图像;若某修正图像的质量等级
为中等,则对该修正图像依次执行45°旋转、135°旋转、水平镜像三种图像变换操作,得到第
二增强图像;若某修正图像的质量等级为差,则对该修正图像只执行一次仿射变换的图像
变换操作,得到第三增强图像。
种变换后的图像;针对中等质量的iPSCs菌落的每个修正图像,执行45°旋转、水平镜像、仿
射变换,从而得到第二增强图像为如表1中15600张(即5200×3);针对差质量的iPSCs菌落
的每个修正图像只执行一次仿射变换,因为差质量的iPSCs菌落的修正图像概率最大,因
此,仅需要执行一次图像变化操作即可达到均衡数量,最终得到第三增强图像为如表1中
14400张(及7200×2)。表1为数据集数据。
纹理信息等,得到第一一维特征向量,其长度为512。其中,每个卷积模块包含三个卷积层和
一个最大池化层。
的捕捉每个增强图像中的局部细节特征,得到每个增强图像的第二一维特征向量,其长度
为2048。该第二深度卷积神经网络包括11个卷积模块。
络退化问题。
换(scale invariant feature transform,SIFT)、方向梯度直方图(histogram of
oriented gradient,HOG)),这些特征描述符可以有针对性的提取每个增强图像中的边界、
纹理等局部图像特征。其中,HOG特征可以很好的描述局部目标区域的细节特征。GLCM特征
可反映图像灰度像素间的方向、相邻间隔、变化幅度等综合信息。LBP特征可以描述图像的
局部纹理特征,具有旋转不变性和灰度不变性。SIFT特征对平移、旋转、尺度缩放、亮度变
化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性。
中的像素间方向、相邻间隔、变化幅度等细节信息。其次,由于细胞具有旋转不变性,需要提
取图像的LBP特征。最后,利用SIFT描述符克服iPSCs菌落图像的亮度、对比度不均匀问题,
以此提取iPSCs菌落图像的SIFT特征。最终,分别提取了长度为1764、16、512的HOG、GLCM和
LBP,与包含4096个关键点的SIFT等纹理特征(这里对SIFT关键点特征不做编码处理,后期
直接利用PCA算法进行降维)。
升质量评估性能。
图像特征的同时也会包含更多冗余和噪声特征,导致特征维度过大,最终会影响分类器的
性能,因此,在多源特征融合前需要利用主成分分析算法即PCA算法降维处理、去冗余处理、
去噪声处理,从而提供模型的性能,提高处理效率,减少分离器错误分类概率。在多源特征
完成降维处理、去冗余处理、去噪声处理后进行融合,得到每个菌落的特征图,如图15所示。
(specificity,Spe),ROC曲线下的面积(area under the receiver operating
characteristic,AUC),召回率(recall rate,RR)、F1评分(F1‑scores)。每个指标定义如下
公式(2)‑(8):
之和,M是正样本个数,N是负样本个数。
进行特征数据降维,特征维度与分类器的准确性的关系如图13所示;执行PCA降维后的特征
维度分别为:64、64、64、32、64、32和16,更加详细的实验结果见表4,多源特征融合对比实验
结果见表5,单独验证三种DCNN特征和四种传统机器学习特征描述符对分类性能的影响,实
验结果如表6和表7所示,表8示例了图像预处理和数据增强后的多源特征融合对比的实验
结果。
InceptionV3 89.14 81.16 80.99 92.07 80.83 80.99 81.8 2048
VGG‑16 88.86 81.38 80.31 91.75 80.29 80.31 81.3 512
SIFT 64.52 43.63 43.15 71.67 43.07 43.15 51.08 4096
LBP 80.79 72.43 66.95 85.35 64.89 66.95 69.43 512
HOG 74.52 65.3 58.29 80.36 54.46 58.29 62.87 1764
GLCM 66.44 48.91 42.11 71.46 36.35 42.11 49.96 16
InceptionV3 87.65 80.66 77.37 90.74 77.1 77.37 78.33 64
VGG‑16 86.61 78.58 76.52 89.99 76.01 76.52 77.74 64
SIFT 73.17 61.88 49.01 75.83 46.93 49.01 54.66 32
LBP 80.62 67.46 65.9 84.8 66.32 65.9 68.85 64
HOG 69.44 51.18 46.27 71.13 45.44 46.27 52.1 32
GLCM 66.44 48.91 42.11 71.46 36.35 42.11 49.96 16
ResNet‑50+SVM(our) 88.19
InceptionV3+SVM(our) 87.65
VGG‑16+SVM 86.61
ResNet‑18(end to end) 86.88
ResNet‑34(end to end) 87.45
ResNet‑50(end to end) 87.77
VGG‑16(end to end) 45.86
HGSL‑V 91.86 85.9 85.98 93.97 85.85 85.7 86.72
HGSL‑I 92.02 86.29 86.25 94.08 86.18 86.25 87.03
HGSL‑R 92.83 87.47 87.41 94.73 87.35 87.41 88.31
RIV 86.71 82.24 76.22 90.45 73.11 76.22 76.5
RIV‑S 90.42 85.86 82.11 92.98 80.65 82.11 82.51
RIV‑L 89 81.64 80.09 91.98 78.91 80.09 80.68
RIV‑H 87.1 81.45 77.73 90.83 75.04 77.73 78.02
RIV‑G 90.5 83.38 83.02 93.02 83.06 83.02 83.65
图像预处理 91.59 85.25 85.27 93.84 85.17 93.89 85.27
数据增强 95.55 93.54 93.5 96.63 93.49 93.5 94.13
器的性能优于DCNN模型中是softmax分类层,也反应了SVM执行分类任务的必要性和有效
性。同时,ResNet网络的准确性随着网络的深度略有增加但不明显,由于DCNN模型只是作为
特征提取器而不进行训练使得时间成本随着网络深度的增加差别不是很大。因此,在MsFEL
方法中选择ResNet‑50而非ResNet‑18网络来获得更抽象的深度语义特征。
进行融合,最终模型获得了95.55%的最佳分类准确性。
确性、且模型的鲁棒性和稳定性也相对较好。
括图像修正模块1、图像增强模块2、图像多源特征提取模块3以及分类器4,图像修正模块1
获取待测菌落的菌落图像上每个图像像素点的灰度值,基于预设灰度参考阈值,修正所述
菌落图像对应的图像像素点的灰度值,得到所述待测菌落的修正图像;图像增强模块2用于
增强所述待测菌落的修正图像,得到待测菌落的增强图像;其中,所述增强图像的数量大于
所述修正图像的数量;图像多源特征提取模块3用于确定所述增强图像的若干特征图并融
合所述增强图像的若干特征图,得到所述待测菌落的特征图;分类器4用于识别所述待测菌
落的特征图,得到所述待测菌落的质量等级;具体如上述诱导多能干细胞菌落质量自动评
估方法所述。
的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更
少的组件。
另一些实施例中也可以是所述诱导多能干细胞菌落质量自动评估装置的外部存储设备,例
如所述诱导多能干细胞菌落质量自动评估装置上配备的插接式U盘,智能存储卡(Smart
Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,
所述存储器22还可以既包括所述诱导多能干细胞菌落质量自动评估装置的内部存储单元
也包括外部存储设备。所述存储器22用于存储安装于所述诱导多能干细胞菌落质量自动评
估装置的应用软件及各类数据,例如所述诱导多能干细胞菌落质量自动评估程序代码等。
所述存储器22还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储
器22上存储有诱导多能干细胞菌落质量自动评估程序,该诱导多能干细胞菌落质量自动评
估程序可被处理器11所执行,从而实现本申请中诱导多能干细胞菌落质量自动评估方法,
具体如上述方法所述。
序代码或处理数据,例如执行所述诱导多能干细胞菌落质量自动评估方法等,具体如上述
方法所述。
所述待测菌落包括多个诱导多能干细胞,每个诱导多能干细胞对应菌落图像上一图像像素
点;获取所述菌落图像上每个图像像素点的灰度值,基于预设灰度参考阈值,修正每个图像
像素点的灰度值,得到所述待测菌落的修正图像;增强所述待测菌落的修正图像,得到待测
菌落的增强图像;其中,所述增强图像的数量大于所述修正图像的数量;确定所述增强图像
的若干特征图并融合所述增强图像的若干特征图,得到所述待测菌落的特征图;识别所述
待测菌落的特征图,得到所述待测菌落的质量等级。本申请通过自适应伽马变换进行图像
预处理,解决图像采集过程中由于客观原因导致的图像亮度、对比度不佳的问题,并且基于
iPSCs菌落的旋转不变性,利用图像旋转、镜像、仿射变换进行数据集扩增,且通过融合7种
不同来源的特征信息以获得更加全面的iPSCs菌落图像的特征值信息提高分类性能,提高
菌落质量评估准确性,并降维算法执行特征学习,节约了成本,便于推广应用。
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申请各实施例技术方案的精神和
范围。