[发明专利]一种基于深度学习的外泌体电镜图片判断系统及判断方法

说明书

本发明提出一种基于深度学习的外泌体电镜图片判断系统及判断方法，可以实现对外泌体TEM照片简单并且可靠的鉴定，并且通过接收用户的反馈信息，对训练单元的训练集进行不断的完善，能让大部分用户可以轻松并且直观的对获得的TEM图片进行判定，无需专业的培训，大大减少了专业难度以及投入的人工成本。

技术领域

本发明涉及外泌体判断技术领域，尤其涉及一种基于深度学习的外泌体电镜图片判断系统及判断方法。

背景技术

外泌体(Exosomes)是一种细胞来源的直径为30-150nm的细胞外囊泡(Extracellular vesicles)。近年来，外泌体在疾病发病机制、液体活检和组织再生领域取得了大量的突破性进展，有望成为一种新的理解疾病发生发展规律、疾病早期诊断和再生医学领域的新工具。

目前外泌体的鉴定方法有粒径分布测定、电子显微镜观察和免疫学标志物检测。其中电子显微镜观察，尤其是透射电子显微镜(Transmission electron microscope，TEM)观察是所有方法中最直观的方法。但是，通过TEM拍摄的照片就能够识别外泌体，并且与其他粒径大小类似的颗粒相鉴别，需要是该领域的专家。想要在一些小的实验室或者是临床中推广外泌体技术，需要对大量工作人员进行系统和全面的培训，并进行相应资质考核才能保证他们对TEM照片中外泌体的判断的准确性。事实上，组织这样规模的培训和考核需要耗费巨大的人力物力，这势必会对将外泌体技术推向临床造成较大的阻力。因此，找到一种易推广的技术简便快捷的鉴定TEM照片中的颗粒/囊泡是否为外泌体是非常重要的。

在深度学习中，卷积神经网络(convolutional neural network，ConvNet)是一类深度神经网络，最常用于分析视觉图像。“卷积”神经网络表示该网络采用称为卷积的数学运算。卷积是一种特殊的线性运算。而卷积网络是指在神经网络中，其至少一层中使用卷积代替通用矩阵乘法来实现。ConvNet受到生物学的启发，其神经元之间的连接方式类似于动物视觉皮层的组织。单个皮质神经元仅在被称为感受野的视野受限区域内对刺激做出反应。不同神经元的感受野部分重叠，因此它们覆盖了整个视野。与其他图像分类算法相比，ConvNet使用的预处理相对较少。

发明内容

本发明提出一种利用卷积神经网络能够简单并且可靠的对外泌体TEM照片进行鉴定，并且可以实现系统自身不断完善的判断系统及判断方法。

为达上述目的，本发明提出一种基于深度学习的外泌体电镜图片判断系统，包括客户端模块、判断模块、反馈模块、专家模块和训练模块；

其中，所述客户端模块用于用户传输图片至所述判断模块，以及用于接收和反馈所述判断模块输出的图片判断结果；

所述判断模块用于对图片是否为外泌体图片做出判断，并将判断结果反馈给所述客户端模块；

所述反馈模块用于接收所述客户端模块反馈的图片数据；

所述专家模块用于专家从所述反馈模块调取用户反馈的图片数据，并且针对图片是否为外泌体图片，向所述训练模块提供专家判定结果以及图片数据；

所述训练模块用于针对专家模块提供的图片以及对该图片的判定结果，从而对所述判断模块进行训练，完善所述判断模块的神经网络权值矩阵。

优选的，所述客户端模块为客户端APP软件，用户可以通过网络移动设备下载APP实现图片的导入。

优选的，所述判断模块为卷积神经网络；所述卷积神经网络包括一个输出层、一个输入层和多个隐藏层；

所述输入层将用户输入的图片转化为图像矩阵，并且将所述矩阵传输至所述隐藏层；

多层所述隐藏层对所述图像矩阵进行卷积运算，最后一层的所述隐藏层将运算数据结果传输至所述输出层；