一種基于深度學習的細胞分裂檢測方法，用于細胞分裂檢測，涉及深度學習、機器視覺、細胞生物學等
技術領域：
。
背景技術：
：細胞生物學是生命科學的一個重要研究方向，其目的在于研究細胞的基本生命活動規(guī)律，研究成果對于癌癥治療，免疫調節(jié)，體外器官培養(yǎng)等關乎人類健康與壽命的問題具有重要意義。細胞生物學的研究一般從細胞功能結構，細胞分化增值，細胞衰老死亡等層面進行展開。細胞分裂作為一個重要研究對象，引起了很多研究者的注意。傳統(tǒng)的細胞分裂檢測大多依靠人工完成，并且對完成檢測工作的人員有較高的背景知識要求，而且人工進行的細胞分裂檢測工作需要耗費極大的人力，同時還容易出錯，導致細胞生物實驗可重復性不高，影響實驗效率。此外，伴隨著電子顯微鏡技術的發(fā)展，顯微鏡的成像分辨率的飛速提高，給人工細胞分裂檢測工作帶來了巨大挑戰(zhàn)。20世紀末，美國及歐洲一些國家對細胞生物實驗分析的自動化開始了先驅性的研究，不管是在成像硬件設備，還是在成像質量、自動化定量分析等方面，都有十分迅猛的進展。近些年的研究發(fā)現(xiàn)，基于深度學習的方法以其獨特的優(yōu)勢逐漸發(fā)展成為了視覺數(shù)據(jù)分析方法的主流。目前的細胞分裂檢測方法中，主要有差分法、圖像特征方法等?？紤]到細胞分裂是一種活動明顯的現(xiàn)象，差分法主要是對顯微鏡圖像序列中的兩幀做差分運算以濾除圖像中的其他相對靜態(tài)的對象的干擾來獲得正在分裂中的細胞的信息。兩幀相減，得到兩幀圖像的亮度差，取這個差的絕對值，以這個絕對值是否大于某一閾值來分析細胞分裂現(xiàn)象。圖像差分法極容易受到噪聲以及光照變化的影響，并且對于某些亮度變化劇烈的成像技術(比如相差顯微鏡)所構成的圖像數(shù)據(jù)處理，應用該方法非常困難。圖像特征方法的基本原理是：對于細胞分裂的圖像區(qū)域進行特征建模，將原圖像進行細分，劃分成指定大小的塊，針對不同的塊可以采用比如LBP,HOG,SIFT構造分裂細胞圖像區(qū)域的特征向量，再將局部的特征向量根據(jù)規(guī)則進行組合或者構造直方圖，從而進一步組成具有全局特征的向量，這些特征向量具有一定的抽象能力與判別能力，可用于細胞分裂現(xiàn)象的判別分析。但是該方法需要人工設計圖像特征，并且在構造這些特征的過程中會丟失大量信息，造成最終的模型判別能力不強，從而影響檢測的準確率。技術實現(xiàn)要素：本發(fā)明針對現(xiàn)有技術的不足之處提供了一種基于深度學習的細胞分裂檢測方法，解決細胞分裂檢測中圖像特征難以設計、模型計算效率低、檢測結果不準確、處理大量數(shù)據(jù)率低、對于圖像的變化不具有抗平移的特性等問題。為了實現(xiàn)上述目的，本發(fā)明采用的技術方案為：一種基于深度學習的細胞分裂檢測方法，其特征在于，包括如下步驟：(1)獲取細胞培養(yǎng)過程中的圖像，并根據(jù)一定時間間隔獲取的圖像構成連續(xù)的圖像序列；(2)對圖像序列中所有的細胞分裂過程進行判定比較，并對細胞分裂中可清晰觀察到父細胞分裂為兩個子細胞膜的位置進行標注，從而構成訓練全卷積神經(jīng)網(wǎng)絡模型所需的標注的數(shù)據(jù)集；(3)構建全卷積神經(jīng)網(wǎng)絡模型，確定全卷積神經(jīng)網(wǎng)絡模型的參數(shù)，在全卷積神經(jīng)網(wǎng)絡模型中載入標注的數(shù)據(jù)集，使用深度學習方法直接從圖像序列上進行特征學習，得到訓練好的全卷積神經(jīng)網(wǎng)絡模型；(4)將訓練好的全卷積神經(jīng)網(wǎng)絡模型進行部署，用于相似類型細胞培養(yǎng)數(shù)據(jù)的細胞分裂的自動檢測。進一步，所述步驟(1)中，獲取細胞培養(yǎng)過程中的圖像包括如下步驟：(11)選取一種待培養(yǎng)的動物組織細胞，分為多個對比組，并且在配備了電子顯微鏡和特定培養(yǎng)液的培養(yǎng)基中進行培養(yǎng)；(12)對不同的組加入會對細胞產(chǎn)生刺激的培養(yǎng)液，用電子顯微鏡觀察細胞在一定周期內的變化，并根據(jù)一定的時間間隔進行圖像拍攝。進一步，所述步驟(2)包括如下步驟：(21)對獲取到的序列圖像數(shù)據(jù)進行觀察分析，找出所有父細胞分裂為兩個子細胞的現(xiàn)象；(22)觀察父細胞分裂為兩個子細胞的現(xiàn)象，在父細胞分裂出來的子細胞剛好可以清晰辨認出細胞膜的特定時間點，對細胞分裂的像素點的位置進行像素點級別的標注；(23)多位生物組織學家進行標注，并對來自不同生物組織學家的標記結果進行統(tǒng)一，構成最后的標注的數(shù)據(jù)集。進一步，所述步驟(3)具體包括如下步驟：(31)構建一個全卷積神經(jīng)網(wǎng)絡模型，整個全卷積神經(jīng)網(wǎng)絡模型的層可以劃分為六個部分，第一部分包含兩個卷積層和一個最大池化層，第二部分包含兩個卷積層和一個最大池化層，第三部分包含三個卷積層和一個最大池化層，第四部分包含三個卷積層和一個池化層，然后連接一個dropout層，第五部分包含三個卷積層，第六部分包含一個上采樣的反卷積層，最后連接一個Sigmoid層和交叉熵誤差函數(shù)層，反卷積層的權重使用雙線性插值方式進行初始化，通過連續(xù)堆疊的卷積層和下采樣池化層構造出的全卷積神經(jīng)網(wǎng)絡模型，可以自動提取到對于輸入圖像數(shù)據(jù)不同大小感受野的、呈層次性的圖像特征，并且通過反卷積層可以精確的定位出檢測目標的位置；(32)取標注的數(shù)據(jù)集進行劃分，一部分作為訓練集，一部分作為測試集，其中測試集中包括驗證集；(33)確定全卷積神經(jīng)網(wǎng)絡模型的參數(shù)，將訓練集中的數(shù)據(jù)隨機載入全卷積神經(jīng)網(wǎng)絡模型，使用深度學習方法直接從圖像序列上進行全卷積神經(jīng)網(wǎng)絡模型訓練；(34)使用多重交叉驗證對于全卷積神經(jīng)網(wǎng)絡模型訓練過程中的誤差值進行記錄，當驗證集的誤差不再下降的時候，停止訓練，保存當前的權重值作為訓練好的全卷積神經(jīng)網(wǎng)絡模型，觀察訓練好的全卷積神經(jīng)網(wǎng)絡模型在測試集上性能的變化，若在測試集上性能差異過大，應該調整學習速率重新訓練直至找到泛化性能較好的模型參數(shù)。進一步，所述步驟(31)中，其中卷積層的卷積運算在二維情況下可由如下述公式表示：ax,y,nl=f(bnl-1+Σc=1oΣi=0pΣj=0qwi,j,c,nl-1·ax+i,y+j,cl-1)]]>上式中，表示l層的第n張?zhí)卣鲌D，O表示前一層輸入的特征圖的數(shù)量，(x，y)表示特征圖上的指定位置，w表示卷積核，即卷積神經(jīng)網(wǎng)絡中的權重參數(shù)，c表示的是[1，O]的下標變量，p、q表示卷積核的高和寬，i表示[0，p]的下標變量、j表示[0，q]的下標變量，表示l-1層的第n個通道的的偏置值，f是局部線性的rectify函數(shù)，其函數(shù)形式可表示如下：y=xx>00otherwise.]]>進一步，所述步驟(22)中，對細胞分裂的像素點的位置，使用以該像素點位置為中心的高斯分布來進行替代表示，并且對使用一種類別平衡的基于加權的交叉熵函數(shù)作為誤差函數(shù)；該誤差函數(shù)形式如下：E=-1N[αΣn∈Y+ynlogPrn+(1-α)Σn∈Y-(1-yn)log(1-Prn)];]]>其中，N表示訓練集中一張圖像上像素點的總數(shù)量，Prn表示全卷積網(wǎng)絡預測出的像素點n處為分裂現(xiàn)象中心點的概率值，yn表示像素點n處為分裂現(xiàn)象中心點的真實值，Y+表示經(jīng)過高斯分布替代以后概率大于0的像素點的集合，即正例集合，Y-表示剩余的像素點的集合，即負例集合，二者存在如下關系：N＝|Y+|+|Y-|；誤差函數(shù)中α表示正例所占的比例，1-α表示負例所占的比例，即有如下關系：α=Y+N;]]>(1-α)=Y-N.]]>進一步，所述步驟(4)包括如下步驟：(41)調整訓練階段所使用的全卷積神經(jīng)網(wǎng)絡模型的結構，將最后的交叉熵誤差函數(shù)層去掉，并替換為Sigmoid層，使用步驟3中得到的全卷積神經(jīng)網(wǎng)絡模型作為參數(shù)來初始化網(wǎng)絡；(42)將初始化后的網(wǎng)絡載入待檢測的細胞序列數(shù)據(jù)進行細胞分裂檢測，然后使用局部極大值抑制來獲取最終的檢測結果。與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于：一、本發(fā)明可以很大程度減緩細胞分裂檢測中梯度消失問題、提高了計算效率，從而實現(xiàn)了細胞分裂特征的學習；二、本發(fā)明對于圖像的變化具有抗平移的特性，對于光照影響具有健壯性，無需手工設計圖像特征，可高效處理大量數(shù)據(jù)；三、本發(fā)明可被擴展到多種類型細胞的自動分裂檢測上，大大減少細胞生物實驗中研究人員對于細胞分裂現(xiàn)象分析所需的細胞生物背景知識的依賴以及人工分析的工作量；四、本發(fā)明具有較高的運行效率和自動檢測準確率，對細胞生物學的探索與研究具有重要意義。附圖說明圖1為本發(fā)明中細胞檢測算法整體流程圖；圖2為本發(fā)明中全卷積神經(jīng)網(wǎng)絡結構圖；圖3為本發(fā)明中局部線性的rectify函數(shù)圖。具體實施方式下面結合附圖和實施例對本發(fā)明作進一步說明。參見圖1，一種基于深度學習的細胞分裂檢測方法，包括如下步驟：(1)獲取細胞培養(yǎng)過程中的圖像，并根據(jù)一定時間間隔獲取的圖像構成連續(xù)的圖像序列；獲取細胞培養(yǎng)過程中的圖像包括如下步驟：(11)選取一種待培養(yǎng)的動物組織細胞，分為多個對比組，并且在配備了電子顯微鏡和特定培養(yǎng)液的培養(yǎng)基中進行培養(yǎng)；(12)根據(jù)生物實驗的需要，對不同的組加入會對細胞產(chǎn)生特定刺激的培養(yǎng)液，用電子顯微鏡觀察細胞在一定周期內的變化，并根據(jù)一定的時間間隔進行圖像拍攝。(2)生物細胞學家對圖像序列進行分析，將圖像序列中所有的細胞分裂過程進行判定比較，并對細胞分裂中可清晰觀察到父細胞分裂為兩個子細胞膜的位置進行標注，從而構成訓練神經(jīng)網(wǎng)絡模型所需的標注的數(shù)據(jù)集；包括如下步驟：(21)對獲取到的序列圖像數(shù)據(jù)進行觀察分析，找出所有父細胞分裂為兩個子細胞的現(xiàn)象；(22)觀察父細胞分裂為兩個子細胞的現(xiàn)象，在父細胞分裂出來的子細胞剛好可以清晰辨認出細胞膜的特定時間點，對細胞分裂的像素點的位置進行像素點級別的標注；對細胞分裂的像素點的位置，使用以該像素點位置為中心的高斯分布來進行替代表示，并且對使用一種類別平衡的基于加權的交叉熵函數(shù)作為誤差函數(shù)；該誤差函數(shù)形式如下：E=-1N[αΣn∈Y+ynlogPrn+(1-α)Σn∈Y-(1-yn)log(1-Prn)];]]>其中，N表示訓練集中一張圖像上像素點的總數(shù)量，Prn表示全卷積網(wǎng)絡預測出的像素點n處為分裂現(xiàn)象中心點的概率值，yn表示像素點n處為分裂現(xiàn)象中心點的真實值，真實的分裂現(xiàn)象中心點通過使用高斯分布以30像素作為半徑進行擴充，從而使得標記的中心點的值為1，在這個半徑范圍內依次衰減表示這些點越來越偏離中心點，其余的為0表示遠離分裂的中心點，Y+表示經(jīng)過高斯分布替代以后概率大于0的像素點的集合，即正例集合，Y-表示剩余的像素點的集合，即負例集合，二者存在如下關系：N＝|Y+|+|Y-|；誤差函數(shù)中α表示正例所占的比例，1-α表示負例所占的比例，即有如下關系：α=Y+N;]]>(1-α)=Y-N.]]>(23)多位生物組織學家進行標注，并對來自不同生物組織學家的標記結果進行統(tǒng)一，構成最后的標注的數(shù)據(jù)集。(3)構建全卷積神經(jīng)網(wǎng)絡訓練模型，確定全卷積神經(jīng)網(wǎng)絡模型的參數(shù)，在全卷積神經(jīng)網(wǎng)絡模型中載入標注的數(shù)據(jù)集，使用深度學習方法直接從圖像序列上進行特征學習，得到訓練好的全卷積神經(jīng)網(wǎng)絡模型；具體包括如下步驟：(31)構建一個全卷積神經(jīng)網(wǎng)絡模型，整個全卷積神經(jīng)網(wǎng)絡模型的層可以劃分為六個部分，第一部分包含兩個卷積層和一個最大池化層，第二部分包含兩個卷積層和一個最大池化層，第三部分包含三個卷積層和一個最大池化層，第四部分包含三個卷積層和一個池化層，然后連接一個dropout層，第五部分包含三個卷積層，第六部分包含一個上采樣的反卷積層，最后連接一個Sigmoid層和交叉熵誤差函數(shù)層，反卷積層的權重使用雙線性插值方式進行初始化，通過連續(xù)堆疊的卷積層和下采樣池化層構造出的全卷積神經(jīng)網(wǎng)絡模型，可以自動提取到對于輸入圖像數(shù)據(jù)不同大小感受野的、呈層次性的圖像特征，并且通過反卷積層可以精確的定位出檢測目標的位置，全卷積神經(jīng)網(wǎng)絡模型中所有的卷積核都使用3x3大小，采用的步長大小為1，使用池化層的大小為2x2，網(wǎng)絡的最后使用反卷積層來對特征圖進行上采樣，從而將特征圖恢復到原圖大小。網(wǎng)絡的訓練使用批大小為1的隨機梯度下降；其中卷積層的卷積運算在二維情況下可由如下述公式表示：ax,y,nl=f(bnl-1+Σc=1oΣi=0pΣj=0qwi,j,c,nl-1·ax+i,y+j,cl-1);]]>上式中，表示l層的第n張?zhí)卣鲌D，O表示前一層輸入的特征圖的數(shù)量，(x，y)表示特征圖上的指定位置，w表示卷積核，即卷積神經(jīng)網(wǎng)絡中的權重參數(shù)，C表示的是[1，o]的下標變量，p、q表示卷積核的高和寬，i表示[0，p]的下標變量、j表示[0，q]的下標變量，表示l-1層的第n個通道的的偏置值，f是局部線性的rectify函數(shù)，其函數(shù)形式可表示如下：y=xx>00otherwise.]]>dropout是增加網(wǎng)絡泛化能力的一個關鍵技術，抽象的神經(jīng)網(wǎng)絡的前向模型計算過程可以如下表示：zi(l+1)=wi(l+1)yl+bil+1;]]>yi(i+1)=f(zi(l+1));]]>使用dropout以后的計算過程可以表示如下：rjl~Bernoulli(p);]]>y~i(l)=r(l)*yl;]]>zi(l+1)=wi(l+1)y~l+bil+1;]]>yi(l+1)=f(zi(l+1)).]]>其中p是一個伯努利隨機變量，表示是1的概率。表示第l+1層第i個隱層神經(jīng)元的凈輸入，w為對應的權重，b是偏置值，y為凈輸出，r偏表示服從伯努利分布，p值取0.5。(32)取標注的數(shù)據(jù)集進行劃分，80％作為訓練集，20％分作為測試集，其中測試集的50％為驗證集；(33)確定全卷積神經(jīng)網(wǎng)絡模型的參數(shù)，參數(shù)包括模型層數(shù)，參數(shù)數(shù)量，激活函數(shù)，參數(shù)初始化方法，學習率，沖量，批大小，權重衰減系數(shù)，誤差函數(shù)參數(shù)優(yōu)化方法等；學習率為1e-10，批大小為1，即每次訓練只在一張圖上進行，將訓練集中的數(shù)據(jù)隨機載入全卷積神經(jīng)網(wǎng)絡模型，使用深度學習方法直接從圖像序列上進行全卷積神經(jīng)網(wǎng)絡模型訓練，對訓練數(shù)據(jù)的載入順序進行隨機打亂，從而使得訓練出來的模型更加魯棒；(34)使用多重交叉驗證對于全卷積神經(jīng)網(wǎng)絡模型訓練過程中的誤差值進行記錄，當驗證集的誤差不再下降的時候，停止訓練，保存當前的權重值作為訓練好的全卷積神經(jīng)網(wǎng)絡模型，觀察訓練好的全卷積神經(jīng)網(wǎng)絡模型在測試集上性能的變化，若在測試集上性能差異過大，應該調整學習速率重新訓練直至找到泛化性能較好的模型參數(shù)。(4)將訓練好的全卷積神經(jīng)網(wǎng)絡模型進行部署，用于相似類型細胞培養(yǎng)數(shù)據(jù)的細胞分裂的自動檢測。將訓練好的模型進行部署，用于相似類型細胞培養(yǎng)數(shù)據(jù)的細胞分裂的自動檢測，包括如下步驟：(41)調整訓練階段所使用的全卷積神經(jīng)網(wǎng)絡模型的結構，將最后的交叉熵誤差函數(shù)層去掉，并替換為Sigmiod層，使用步驟3中得到的全卷積神經(jīng)網(wǎng)絡模型作為參數(shù)來初始化網(wǎng)絡；(42)將初始化后的網(wǎng)絡載入待檢測的細胞序列數(shù)據(jù)進行細胞分裂檢測，然后使用局部極大值抑制來獲取最終的檢測結果。當前第1頁1 2 3