[发明专利]一种诱导多能干细胞菌落质量自动评估方法及装置

权利要求书

1.一种诱导多能干细胞菌落质量自动评估方法，其特征在于，所述诱导多能干细胞菌落质量自动评估方法包括以下步骤：

采集待测菌落的菌落图像；其中，所述待测菌落包括多个诱导多能干细胞，每个诱导多能干细胞对应菌落图像上一图像像素点；所述采集待测菌落的菌落图像具体包括：

利用多能无血清培养基和多孔板培养待测菌落；其中，所述待测菌落包括多个诱导多能干细胞；

使用活细胞成像系统拍摄所述待测菌落的明场图像，并将显微镜设置

多倍放大倍率以及将通道设置为明场，采用自动聚焦和自动扫描模式扫描多孔板，得到所述待测菌落的明场图像；标记所述待测菌落的明场图像，并对标记后的所述待测菌落的明场图像的图像尺寸做规范化处理，得到所述待测菌落的菌落图像；

获取所述菌落图像上每个图像像素点的灰度值，基于预设灰度参考阈值，修正每个图像像素点的灰度值，得到所述待测菌落的修正图像；

增强所述待测菌落的修正图像，得到待测菌落的增强图像；其中，所述增强图像的数量大于所述修正图像的数量；

所述增强所述待测菌落的修正图像，得到待测菌落的增强图像具体包括：

确定所述修正图像的质量等级；

对不同质量等级的修正图像采用对应的图像变换操作，得到不同质量等级的增强图像；其中，不同质量等级的增强图像的数量相等或相近；

确定所述增强图像的若干特征图并融合所述增强图像的若干特征图，得到所述待测菌落的特征图；

所述确定所述增强图像的若干特征图并融合所述增强图像的若干特征图，得到所述待测菌落的特征图具体包括：

第一深度卷积神经网络通过若干卷积模块、ReLU激活函数和分段卷积方法，捕捉每个增强图像的浅层细节信息，得到每个增强图像的第一一维特征向量；其中，每个卷积模块包含三个卷积层和一个最大池化层；

第二深度卷积神经网络使用ReLU作为激活函数，利用并行卷积来捕捉每个增强图像中的局部细节特征，得到每个增强图像的第二一维特征向量；

深度残差网络利用残差结构来捕获每个增强图像的深度语义特征，得到每个增强图像的第三一维特征向量；

利用传统机器学习中的若干特征描述符提取每个增强图像中对应特征描述符的局部细节特征；

将每个增强图像的第一一维特征向量、第二一维特征向量、第三一维特征向量以及若干局部细节特征构成的若干特征图利用主成分分析算法降维处理后融合，得到所述待测菌落的特征图；

识别所述待测菌落的特征图，得到所述待测菌落的质量等级。

2.根据权利要求1所述的诱导多能干细胞菌落质量自动评估方法，其特征在于，所述获取所述菌落图像上每个图像像素点的灰度值，基于预设灰度参考阈值，修正每个图像像素点的灰度值，得到所述待测菌落的修正图像具体包括：

获取预设灰度参考阈值以及所述菌落图像上所有图像像素点的灰度值；

若某图像像素点的灰度值大于所述预设灰度参考阈值，选取第一伽马变换参数作为目标伽马变换参数，并通过图像伽马变换方法修正该图像像素点的像素值；

若某图像像素点的灰度值小于所述预设灰度参考阈值，选取第二伽马变换参数作为目标伽马变换参数，并通过图像伽马变换方法修正该图像像素点的像素值；

若某图像像素点的灰度值等于所述预设灰度参考阈值，保持该图像像素点的像素值不变；

获取所述待测菌落的修正图像。

3.根据权利要求2所述的诱导多能干细胞菌落质量自动评估方法，其特征在于，所述图像伽马变换方法表示为：

s＝crγ，r∈[0，1]；

其中，s是某图像像素点经伽马变换后的修正像素值，r是某图像像素点的原始像素值，c是常系数，γ是伽马变换参数，该伽马变换参数包括第一伽马变换参数和第二伽马变换参数。

4.根据权利要求1所述的诱导多能干细胞菌落质量自动评估方法，其特征在于，所述图像变换操作包括45°旋转、135°旋转、水平镜像、仿射变换中一种或多种。