本發(fā)明屬于基于計算機視覺的類器官細胞檢測，尤其涉及一種類器官細胞微載體檢測方法及其模型搭建方法。

背景技術：

1、細胞微載體檢測技術是提升細胞檢測精度與效率的關鍵，更是滿足現(xiàn)代生物醫(yī)學、基因工程等領域迫切需求的基石。該技術通過微米級控制實現(xiàn)高精度檢測，結合自動化操作，可以顯著降低人為誤差并提高檢測效率。在生物醫(yī)學研究中，細胞微載體檢測技術廣泛應用于細胞培養(yǎng)、藥物篩選及疾病診斷。同時，在基因工程與基因治療領域，該技術確保了微載體的質量和安全性，為基因治療的安全實施保駕護航。此外，細胞微載體檢測技術的發(fā)展還推動了相關技術的創(chuàng)新與產(chǎn)業(yè)鏈的升級。它不僅融合了微納加工、圖像處理、機器學習等前沿技術，還促進了從微載體生產(chǎn)到檢測的全產(chǎn)業(yè)鏈發(fā)展。因此，細胞微載體檢測技術以其智能微型、操作簡便、成本低廉等優(yōu)勢，為疾病診斷與治療提供了新的解決方案，有望改善多種疾病的治療現(xiàn)狀。特別是在個體化診療方面，該技術為單細胞分析提供了有力工具，提高了治療效果。

2、現(xiàn)有的細胞微載體檢測方法主要涵蓋以下兩種：顯微鏡觀察法、熒光染色法。自動化檢測方法。

3、顯微鏡觀察法：

4、顯微鏡觀察法是最直接且常用的細胞微載體檢測方法之一。通過取均勻懸浮的培養(yǎng)樣品，滴于載玻片上，利用顯微鏡觀察細胞的生長情況。這種方法可以直觀地看到細胞在微載體上的形態(tài)、分布和生長狀態(tài)。同時，通過計數(shù)微載體上的細胞數(shù)，可以定量評估細胞的生長情況。然而，這種方法相對耗時且依賴于操作人員的經(jīng)驗和技能。

5、熒光染色法：

6、熒光染色法是一種利用熒光染料對細胞核進行染色，然后通過熒光顯微鏡觀察并計數(shù)細胞的方法。例如，nucleocounting?方法通過熒光染色細胞核，使用熒光染料?dapi標記細胞，該染料高度特異結合?dna，即使在有細胞碎片的情況下也能精確檢測細胞核。這種方法可以顯著提高細胞計數(shù)的準確性和效率，尤其適用于大規(guī)模細胞培養(yǎng)和高通量篩選。

7、自動化檢測方法：

8、利用圖像采集設備對細胞微載體的分布區(qū)域進行圖像采集，將采集到的圖像送入的圖像處理算法中，以檢測出細胞微載體的分布情況。

9、然而，顯微鏡觀察法和熒光染色法需要在人力和時間上耗費大量的資源，同時檢測十分依賴主觀判斷，自動化程度相對較低。而現(xiàn)有的一些自動的檢測方法所使用的檢測模型太過龐大，在實際使用時功耗和計算的資源消耗過多，導致實際可部署的場景受限。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明第一方面提供了一種類器官細胞微載體檢測模型的搭建方法，包括以下過程：

2、s1，采集包含類器官細胞微載體的圖像，構建初始數(shù)據(jù)集；

3、s2，對初始數(shù)據(jù)集圖像進行預處理，構建標準數(shù)據(jù)集；所述預處理包括圖像濾波、圖像歸一化、圖像標準化以及數(shù)據(jù)標定；

4、s3，構建細胞微載體檢測模型，包括多層特征提取模塊、特征融合模塊以及目標檢測模塊；所述多層特征提取模塊為基于可分離卷積操作的細胞微載體特征提取模塊，對圖像進行多層次的特征提取，以囊括細胞微載體圖像的全局特征信息和局部特征信息；所述特征融合模塊對提取到的多層次特征進行有效融合，以充分考慮細胞微載體圖像地全局特征信息以及局部特征信息；所述目標檢測模塊，對特征融合模塊的輸出特征進行檢測并輸出檢測結果；

5、s4，基于標準數(shù)據(jù)集對細胞微載體檢測模型進行訓練，并基于設計得到的通道剪枝和量化操作對模型進行優(yōu)化，以提升模型在內存受限的嵌入式設備中的檢測準確率，獲得最終模型。

6、優(yōu)選的，所述s2中預處理的具體過程包括：

7、s21，圖像濾波：采取高斯濾波器對采集到的細胞微載體圖像進行高斯濾波處理以濾除圖像中存在的噪聲得到去噪后的圖像;

8、

9、其中，表示高斯濾波處理函數(shù)；

10、s22，圖像歸一化：利用最大最小歸一化方法對去噪后的圖像進行歸一化操作，歸一化操作如下所示：

11、

12、將圖像中所有的像素值都歸一化到之間，以得到歸一化操作后的圖像；其中，表示圖像中第行第列的像素點的像素值，表示經(jīng)過歸一化處理后圖像中第行第列的像素點的像素值，分別表示圖像所有像素點中最小的像素值以及最大的像素值；

13、s23，圖像標準化：對歸一化操作后的圖像進行標準化操作已得到標準圖像數(shù)據(jù)集，標準化公式如下式所示：

14、

15、其中，表示經(jīng)標準化操作后圖像中第行第列的像素點的像素值，分別表示圖像中所有像素點的像素平均值，以及所有像素點計算得到的標準差；

16、s24，數(shù)據(jù)標定：基于所得到的標準圖像數(shù)據(jù)，利用圖像標注軟件labelimg對圖像中的細胞微載體進行矩形框標注，得到細胞微載體在圖像中的位置信息包括具體的x,y坐標以及細胞微載體的長s和寬h。

17、優(yōu)選的，所述s2中預處理還包括對圖像進行增強擴充具體過程包括：

18、圖像幾何變換處理：對標準圖像數(shù)據(jù)集中圖像分辨率為800*400的圖像進行圖像縮放操作，將其圖像分辨率統(tǒng)一縮小為400*200；以得到縮放圖像數(shù)據(jù)集，進行圖像縮放操作后，對縮放圖像數(shù)據(jù)集中的圖像進行隨機水平翻轉以及垂直翻轉操作，得到翻轉圖像數(shù)據(jù)集；

19、圖像顏色變換處理：對縮放數(shù)據(jù)集中的圖像進行隨機的亮度，對比度以及色彩飽和度調整，得到色彩變換圖像數(shù)據(jù)集；

20、圖像拼接操作：從縮放圖像數(shù)據(jù)集，翻轉圖像數(shù)據(jù)集以及色彩變換數(shù)據(jù)集這三個數(shù)據(jù)集中隨機選取4張不同的圖像以進行圖像拼接操作，將4張分辨率為400*200的圖像重新拼接為分辨率為800*400的圖像，并將重新拼接的圖像加入到原標準數(shù)據(jù)集中。

21、優(yōu)選的，所述多層特征提取模塊包括通道卷積操作和點卷積操作；

22、所述通道卷積操作首先利用三個大小為3*3的卷積核對輸入數(shù)據(jù)的rgb三通道進行卷積操作，其中每一個3*3的卷積核可得到一個對應的輸出特征，將得到3個不同的特征依次定義為；

23、所述點卷積操作分別對三個不同的通道特征再次進行點卷積操作，即利用1*1的卷積核進一步提取圖像的特征，得到特征；

24、隨后利用一個輸入為三個神經(jīng)元、輸出為一個神經(jīng)元的全連接層，將特征作為此全連接層的輸入，將全連接層的輸出作為提取到的最終的特征：

25、

26、其中，表示全連接層函數(shù)。

27、優(yōu)選的，所述特征融合模塊設計為從深到淺以及從淺到深兩個特征融合操作模塊，充分考慮不同層次特征的信息；

28、其中淺到深特征融合模塊，結構為一個自淺層特征向深層特征逐級傳遞的特征傳遞模塊，淺層次的特征經(jīng)過卷積層后和較深層的特征進行特征融合操作，將淺層次的特征經(jīng)過卷積層后和下一層的特征相加后作為一個向外的輸出特征，此輸出特征經(jīng)一個卷積層處理后作為深到淺特征融合模塊的輸入特征，此融合操作從最淺層次的特征開始，到最深層特征結束；

29、其中深到淺特征融合模塊，其將深層次的特征經(jīng)過池化層后和較淺層的特征進行特征融合操作，此融合操作從最深層的特征開始，到最淺層特征結束，以得到此多尺度特征融合模塊的輸出。

30、優(yōu)選的，所述目標檢測模模塊由3個3*3的卷積層加一個relu激活函數(shù)構成此模塊的前部分，由二個最大池化層以及dropout層和softmax激活函數(shù)構成此目標檢測模塊的后一部分。

31、優(yōu)選的，所述s4中基于設計得到的通道剪枝和量化操作對模型進行優(yōu)化，具體過程為：

32、s41，利用標準圖像數(shù)據(jù)集對細胞微載體檢測模型進行訓練，訓練完畢后，將多層特征提取模塊中q個特征提取模塊的輸出特征向量依次定義為,；

33、

34、其中，表示輸出特征向量中保存的第個元素值，;

35、s42，依次計算每個輸出特征向量中所有元素的均值

36、

37、s43，模型最終輸出特征向量的均值計算：

38、

39、其中，；

40、

41、s44，特征相關值計算：依次計算q個特征提取模型輸出特征向量,和模型最終特征輸出向量的的特征相關值：

42、

43、其中特征相關值，代表每個特征特征提取模塊輸出特征向量和最終模型輸出的相關程度，其特征相關值越大，表明此特征與模型輸出的相關程度越高即此特征重要性也相對更高；保留特征相關值在靠前的特征提取模塊，其余特征提取模塊予以剔除；

44、s45，得到通道剪枝后的細胞微載體檢測模型后，對此模型中的權重值進行進一步量化，將模型中所有的浮點數(shù)據(jù)均量化為定點數(shù)據(jù)，以進一步減小模型的大小。

45、本發(fā)明第二方面提供了一種類器官細胞微載體檢測方法，將第一方面所述的搭建方法所搭建的細胞微載體檢測模型部署于樹莓派當中，并包括以下過程：

46、s1，基于在微流控芯片分選區(qū)域上方部署的高精度圖像傳感器，實時采集微流控芯片分選區(qū)域的圖像；

47、s2，將采集到的初始圖像進行圖像濾波、圖像歸一化和標準化處理；

48、s3，將標準化圖像輸入到細胞微載體檢測模型中；

49、s4，輸出細胞微載體在微流控芯片分選區(qū)域的檢測圖像結果。

50、本發(fā)明第三方面提供了一種類器官細胞微載體檢測設備，所述設備包括至少一個處理器和至少一個存儲器，所述處理器和存儲器相耦合；所述存儲器中存儲有如第一方面所述的搭建方法所搭建的細胞微載體檢測模型的計算機執(zhí)行程序；所述處理器執(zhí)行存儲器中存儲的計算機執(zhí)行程序時，使處理器執(zhí)行一種類器官細胞微載體檢測方法。

51、本發(fā)明第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有如第一方面所述的搭建方法所搭建的細胞微載體檢測模型的計算機程序或指令，所述程序或指令被處理器執(zhí)行時，使處理器執(zhí)行一種類器官細胞微載體檢測方法。

52、與現(xiàn)有技術相比，本發(fā)明具有如下有益效果：

53、（1）提升智能化與實用性：該方法通過神經(jīng)網(wǎng)絡實現(xiàn)對芯片中細胞微載體的自動化識別，顯著提高了檢測效率和智能化水平；同時利用多層次特征提取與融合模塊使模型在應對細胞分布密集或稀疏的情況下，仍能保持高準確率與穩(wěn)定性；此外，最終的輕量化設計確保模型能夠在算力有限的微流控設備上順利部署，從而大大增強了該技術在微流控芯片應用中的實用性；

54、（2）提升模型的輕量化程度：在構建的細胞微載體檢測模型中，使用了基于深度可分離卷積的特征提取模塊。相比于常規(guī)卷積操作，降低了特征提取時所耗費的計算量；同時構建了基于通道剪枝和量化操作的模型輕量化模塊以進一步提升模型的輕量化程度，得到最終的輕量化細胞微載體檢測模型；在進行長時間、多批次的細胞微載體檢測時，使用輕量化的細胞微載體檢測模型可明顯減少電力資源的消耗，降低模型的使用成本；

55、（3）提升檢測準確率：在本發(fā)明所構建的細胞微載體檢測模型中，設計了多層的特征提取模塊提取出在不同層次下的圖像特征，以在進行實際的細胞微載體檢測時提升對細胞微載體的檢出率，最終增強檢測準確性；

56、（4）提升目標檢測的魯棒性：在本發(fā)明中設計了包含自深層向淺層融合以及自淺層向深層融合的多層次特征融合模塊，可以進一步提高目標檢測的魯棒性，無論微流控芯片的細胞分選區(qū)域中細胞微載體密度較高或較低，該方法均能保證對細胞微載體的高檢出率；

57、（5）強泛化能力：設計了數(shù)據(jù)增強模塊提升模型訓練數(shù)據(jù)的多樣性和差異性，以強化細胞微載體檢測模型的泛化能力，在應對在實際的細胞微載體檢測時外界條件（光照、細胞堆疊、細胞液流速）對細胞微載體形態(tài)產(chǎn)生的影響，在外界條件的影響下，依然可以保持較好的檢測能力。