[发明专利]一种基于DeepLabV3Plus的斑马鱼形态学评分方法

说明书

本发明涉及一种基于DeepLabV3Plus的斑马鱼形态学评分方法，应用于斑马鱼形态学评分领域，针对现有斑马鱼形态学观察方法非常耗时且评价标准不明确的问题，本发明首先获取斑马鱼幼鱼畸形表型图像数据；使用OpenCV进行数据扩增，搭建DeepLabV3Plus语义分割网络对数据集进行训练，将训练好的模型用于斑马鱼幼鱼畸形图像的识别及形态学评分。与现有方法相比，本发明可实现对斑马鱼幼鱼畸形图像的快速识别和分割，完成对斑马鱼幼鱼形态学的自动评价分析，能够有效节约时间成本，帮助降低研究人员的主观判断误差，实用性强、准确率高、普适性强。

技术领域

本发明涉及斑马鱼形态学评分领域，具体涉及一种基于DeepLabV3Plus的斑马鱼形态学评分方法。

背景技术

斑马鱼是一种在毒理学和药理学中广泛使用的模式生物，它一般被用于评估化学物质对胚胎发育的生物学影响。研究人员通过显微镜来观察斑马鱼胚胎的发育情况，并把典型图像保存下来，逐个影像进行人工评估分析。目前已经建立了多种斑马鱼形态学致畸性的评价方法和体系，其基本原理都是通过给不同时间点中容易观察的特定发育终点打分，并分别记录具体的致畸作用，来判断化学物质对胚胎的影响程度。但在现有的斑马鱼形态学评价体系中，如何正确地选择畸形终点进行评估是评分系统的一个难点，观察过程需花费大量的时间和人力成本，且在一些相互独立的研究中，斑马鱼的形态学得分基于不同研究人员的主观判断，在对数据进行平行比较时，很大程度限制了对于所试物质的深度理解。由于要分析的实验图像数据越来越多，且实验结果要求一定的准确性和再现性，因此，需要一种能够实现图像识别及自动化分析的方法。

随着人工智能的兴起，越来越多的基础研究开始尝试利用深度学习技术进行更加高效、准确的数据分析和处理。DeepLab系列卷积神经网络被广泛应用于医学影像分析和自动驾驶领域，在语义分割任务中，连续下采样导致图像信息丢失以及多尺度目标信息捕获准确度难以提升这两大关键问题上，DeepLabV3Plus模型提出了很好的解决方案。

专利CN112418171A公开了一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法，涉及图像识别处理领域，该方法包括：获取斑马鱼幼鱼采样图像制作数据集，对斑马鱼幼鱼采样图像进行关键点标注，构建多层卷积神经网络训练数据集并进一步计算，达到自动化识别在显微镜视野中斑马鱼幼鱼的姿态，通过帧差法对斑马鱼待测图像进行逐帧比较，通过检测斑马鱼心脏的细微变化，得到斑马鱼心脏的具体位置，然而，该专利是针对斑马鱼空间姿态与心脏位置的估计，仅在于帮助操作人员在进行传统显微注射时对斑马鱼心脏位置进行判断，不能实现对斑马鱼幼鱼图像中各器官的形态学自动分析和评价。本发明通过对畸形图像数据进行收集、输入神经网络模型进行训练、对模型预测后的图像进行色彩信息提取和处理，达到对实验后的图像数据进行自动分析的目的。模型训练完成后，可直接输入待预测图像进行使用，无需连接任何附加设备，有效降低了实验成本，节约操作人员的劳动时间，且为斑马鱼幼鱼的形态学分析统一了评价指标。

发明内容

本发明的目的就是针对斑马鱼形态学评价过程耗时且评价标准不明确的问题，基于现有深度学习技术，提供一种基于DeepLabV3Plus的斑马鱼形态学评分方法，以实现对斑马鱼畸形图像的批量处理及形态学自动评分。

本发明的目的通过以下技术方案实现：

一种基于DeepLabV3Plus的斑马鱼形态学评分方法，包含以下步骤：

S1、获取斑马鱼幼鱼畸形表型图像数据，包括含有尾部畸形、心包水肿、背部畸形、卵黄水肿、鱼鳔发育不完全五类常见畸形类型的斑马鱼幼鱼畸形表型图像数据，建立斑马鱼幼鱼畸形表型的图像数据集；

S2、使用OpenCV对数量较少的畸形类型图像做数据增强，对获取的图像数据进行预处理，并将数据集划分为训练数据集、验证数据集和测试数据集；