[发明专利]一种贴壁细胞汇合度的计算方法和系统

权利要求书

1.一种贴壁细胞汇合度的计算方法，其特征在于，包括：

步骤A1，获取待识别的贴壁细胞生长图片作为目标图片；

步骤A2，对所述目标图片进行预处理，所述预处理包括图像增强；

步骤A3，使用预先建立的细胞识别模型对所述目标图片进行处理得到识别结果，所述识别结果包括贴壁细胞部分；

步骤A4，计算所述识别结果的像素点的总数以及贴壁细胞部分的像素点的数目；

步骤A5，基于所述贴壁细胞部分的像素点的数目以及所述识别结果中的像素点的总数得到所述贴壁细胞的汇合度。

2.如权利要求1所述的一种贴壁细胞汇合度的计算方法，其特征在于，在所述步骤A3中的所述细胞识别模型的建立包括如下步骤：

步骤B1，获取若干用于模型训练的贴壁细胞生长图片；

步骤B2，对获取的所述贴壁细胞生长图片进行预处理，并进行贴壁细胞标注，以得到若干样本图片；

步骤B3，对所述样本图片进行分组，形成训练集、验证集以及测试集；

步骤B4，构建初始的细胞识别模型，使用训练集训练所述细胞识别模型，使用验证集调整所述细胞识别模型的超参数，以及采用所述测试集测试所述细胞识别模型，得到最终的所述细胞识别模型。

3.如权利要求2所述的一种贴壁细胞汇合度的计算方法，其特征在于，在所述步骤B2中的所述预处理包括图像增强处理。

4.如权利要求2所述的一种贴壁细胞汇合度的计算方法，其特征在于，所述步骤B3包括：

步骤B31，计算所述样本图片中所述贴壁细胞的汇合度；

步骤B32，将所述贴壁细胞的汇合度不大于预设数值的所述样本图片归类为第一类图片，将所述贴壁细胞的汇合度大于预设数值的所述样本图片归类为第二类图片；

步骤B33，将所述样本图片分组，其中，所述训练集、所述验证集以及所述测试集的每组均包括预定比例的所述第一类图片和所述第二类图片。

5.如权利要求4所述的一种贴壁细胞汇合度的计算方法，其特征在于，所述训练集、所述验证集以及所述测试集的每组中的所述第一类图片的数量和第二类图片的数量的预定比例为3:1。

6.如权利要求2所述的一种贴壁细胞汇合度的计算方法，其特征在于，在所述步骤B4中，采用所述测试集测试所述细胞识别模型的步骤包括：

步骤B41，使用所述细胞识别模型对所述测试集中的样本图片进行处理得到所述样本图片的识别结果；

步骤B42，所述样本图片的所述识别结果生成掩码图，所述掩码图的掩码部分对应所述识别结果中的贴壁细胞部分；

步骤B43，将所述掩码图覆盖在对应的所述样本图片上；

步骤B44，获取覆盖有所述掩码图的所述样本图片中未被所述掩码部分覆盖贴壁细胞部分作为未识别部分；

步骤B45，基于所述未识别部分评估所述细胞识别模型的预测性能。

7.如权利要求6所述的一种贴壁细胞汇合度的计算方法，其特征在于，所述步骤B41包括：

步骤B411，使用所述细胞识别模型对所述测试集中的所述样本图片进行识别得到识别初始结果；

步骤B412，将所述识别初始结果与对应的所述样本图片进行比较，计算所述识别初始结果中贴壁细胞特征数据的置信度；

步骤B413，将所述置信度大于一判定阈值的所述贴壁细胞特征数据确定为贴壁细胞部分；

步骤B414，根据步骤B3中确定的所述贴壁细胞部分对所述识别初始结果进行更新得到所述识别结果；

所述步骤B42中，根据所述识别结果生成所述掩码图。

8.如权利要求2所述的一种贴壁细胞汇合度的计算方法，其特征在于，所述步骤B4中的细胞识别模型包括特征提取子网络和特征融合子网络；

所述特征提取子网络包括卷积层和最大池化层，使用Relu函数作为激活函数，用于进行特征提取形成特征图；

所述特征融合子网络包括反卷积层和全连接层，使用Relu函数作为激活函数，用于融合特征图输出包含贴壁细胞部分和非贴壁细胞部分的二分类的识别结果。