[发明专利]基于深度学习的干细胞自动计数方法

说明书

技术领域

本发明涉及细胞计数技术领域，尤其涉及基于深度学习的干细胞自动技术方法。

背景技术

随着人类科学的进步，越来越多的科研人员致力于揭示生命的奥秘。干细胞是可以自我复制增殖的一类细胞，在特定的情况下，可以分化成其他类型的细胞。因此针对干细胞的生长、增值、分化研究是细胞生物学中的一个重要研究方向。

准确的进行细胞计数对细胞的生长和分裂的研究工作有着重要的意义，现有的传统细胞研究方式，主要是由研究人员通过显微镜对细胞样本进行直接观察，不仅消耗大量时间，程序繁复，还存在严重的主观性。除此之外，为了研究干细胞的分裂、增殖以及分化过程，往往会对细胞进行染色以及添加荧光技术，会对细胞活性等造成一定影响。因此，如何保持多能干细胞在人工培育环境下的自然活性状态，使其不经干预的分裂成为了重点研究问题。利用显微观察技术，借助计算机视觉处理技术，使对干细胞图像的定量分析成为可能。

因此，总体说来，现有技术中对细胞计数的方法有三种，下面将对这三类细胞计数法进行缺点说明。

第一种：库尔特计数法。库尔特计数法是在测定管中装入电解质溶液，将粒子群混悬在电解质溶液中，测定管壁上有一细孔，孔电极间有一定电压，悬浮在电解液中的颗粒随电解液通过小孔管时，取代相同体积的电解液，由于电阻发生改变使电流变化并记录在记录器上，最后可将电信号换算成粒径。可用该方法求得粒度分布。库尔特计数法可以将细胞视为粒子，因此被广泛应用在自动化的血细胞计数仪上，在医学上有着重大的意义。但是，此方法对于干细胞研究来说却并不适用。第一，无法使培养基上的干细胞通过计数仪，否则会破环干细胞生长的稳定环境，影响研究的结果。第二，该方法是通过统计手段获得溶液中的细胞总数，而对于干细胞研究来说细胞计数需要精确到个位，因此该方法并不适用。

第二种：人工统计法；通过人工对显微镜下的细胞图像进行计数，有较高的计数准确性。该方法的工作量巨大，消耗大量宝贵的人力资源，数据量较大时该方法几乎没有实现的可能；此外由于人工的主观性，尽管计数相对精准，由于观察者专业水平的不一致，有可能对细胞的状态发生误判。

第三种：通过流式细胞计数仪度细胞进行计数。流式细胞仪是比较早的用于细胞数量定量化分析的仪器。流式细胞仪是在细胞流动的状态下进行计数，首先使这些流动的细胞经过流式细胞仪的检测区域，在细胞经过这个区域的同时，用激光激发有特异性荧光标记的抗体，此时被激发的荧光抗体发射出一定波长的荧光，细胞仪探测到这些激发光并且将这些光信号转化为电信号，同时也测量细胞的一些物理和生化特征参数，根据激发光特征和这些物理和化学特征参数，将不同种类的细胞进行区分，并且分别对不同种类的细胞数量进行统计。但是，进入流式细胞仪的样本的实际空间位置已经被破坏，所以细胞仪的测量缺少空间位置信息，而样本的实际空间位置信息对于细胞的研究具有很重要的意义，这是因为在组织的微环境中，一类细胞从微环境中的一个位置移动到另一个位置很可能会严重的影响到组织或器官的状态。同时在进入细胞仪前的样本准备需要很大的人工参与量。因此，流失细胞计数仪也并不适用于干细胞的计数。

发明内容

本发明的目的在于：根据背景技术中可知，现有技术中存在如下技术问题：(1)尔特计数法会破环培养基上的干细胞生长的稳定环境，影响研究的结果；(2)人工统计法工作量巨大，消耗大量宝贵的人力资源，数据量较大时该方法几乎没有实现的可能，并且人工计数法具有一定的主观性，尽管计数相对精准，由于观察者专业水平的不一致，有可能对细胞的状态发生误判；(3)采用流式细胞计数仪计数会破坏样本的实际空间位置，且在进入细胞仪前的样本准备需要很大的人工参与量。为解决这三个问题，本发明提供一种针对干细胞数字图像的基于深度学习的干细胞计数方法。

本发明的技术方案如下：

一种基于深度学习的干细胞自动计数方法，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：