[发明专利]基于深度学习的干细胞自动计数方法

权利要求书

1.基于深度学习的干细胞自动计数方法，其特征在于，包括如下步骤：

S1：采用相差显微镜拍摄需要计数的细胞，生成干细胞图像；

S2：通过细胞分割技术对干细胞图像进行分割，得到潜在的多个候选干细胞图像；具体地，S2包括如下步骤：

S21：图像预处理；对干细胞图像进行降噪处理和光照均衡化处理得到光照均匀的干细胞图像；

S22：去除相差显微镜拍摄过程中产生的细胞伪影；

S23：对去除伪影后的干细胞图像进行分割，获取多个候选干细胞图像；

S3：细胞识别；具体地，S3包括如下步骤：

S31：对分割出的多个候选干细胞图像进行手工标记，建立训练集；

S32：将训练集输入CNN进行训练，对每一张候选干细胞图像，CNN都会输出一个结果表示其是否为细胞；

S33：统计所有的多个候选干细胞图像中干细胞数量，得出干细胞计数结果。

2.根据权利要求1所述的基于深度学习的干细胞自动计数方法，其特征在于，S21中，对干细胞图像的降噪处理采用高斯滤波器，光照均衡化处理采用背景减除法。

3.根据权利要求1所述的基于深度学习的干细胞自动计数方法，其特征在于，S22的具体过程为：

设g为成像图像，f为原始图像，H为成像矩阵，C为背景模型，根据相差显微镜成像原理，将成像过程定义为一个线性模型：

g≈Hf+C

若背景已去除，则模型可以简化为：

g≈Hf

去伪影的过程就是从g恢复f的过程，使用一个约束二次函数来对f进行恢复：

O(f)=||Hf-g||22+wsfTLf+wr||Λf||1]]>

其中,L是定义空间像素邻居相似度的拉普拉斯矩阵，Λ是一个正对角矩阵，w_s、w_r是在不同的正则化规则下通过网格搜索学习得到的权重因子(本文实验中取w_s＝1,w_r＝0.01)；

上述公式没有封闭解，只能数值逼近，因此约束恢复函数f有非负解，将公式转化为求优化问题：

O(f)＝f^TQf+2b^Tf+c s.t.f≥0

Q＝H^TH+w_sL+w_t∑

b＝-H^Tg-w_t∑^Tf^(t)+w_rdiag(Λ)/2

其中，c为常数项，w_t为时间一致性正则化的加权因子(本文实验中取w_t＝0.1)，f^(t)为t时刻对应的f；使用非负乘法更新算法得到f，得到去除伪影后的干细胞图像。

4.根据权利要求1所述的基于深度学习的干细胞自动计数方法，其特征在于，S23的具体过程为：

S231：对去除伪影后的干细胞图像进行二值化处理，得到边缘清晰的干细胞图像；

S232：再计算干细胞图像中每个连通域的面积；

S233；舍弃面积低于阈值的部分，剩下的作为候选细胞区域，阈值根据图细胞图像分辨率来设定；

S234：对候选细胞区域进行切割，得到候选干细胞图像。