[发明专利]一种基于深度学习的细胞分裂检测方法

摘要

本发明公开了一种基于深度学习的细胞分裂检测方法，涉及细胞生物学等技术领域，解决细胞分裂检测结果不准确的问题。本发明包括获取细胞培养过程中的图像，并根据一定时间间隔获取的图像构成连续的图像序列；对图像序列中所有的细胞分裂过程进行判定比较，并对细胞分裂中可清晰观察到父细胞分裂为两个子细胞膜的位置进行标注，构成标注的数据集；构建全卷积神经网络模型，确定全卷积神经网络模型的参数，在全卷积神经网络模型中载入标注的数据集，使用深度学习方法直接从图像序列上进行特征学习，得到训练好的全卷积神经网络模型；将训练好的全卷积神经网络模型进行部署，用于相似类型细胞培养数据的细胞分裂的自动检测。本发明用于细胞分裂检测。

主权项

1.一种基于深度学习的细胞分裂检测方法，其特征在于，包括如下步骤：(1)获取细胞培养过程中的图像，并根据一定时间间隔获取的图像构成连续的图像序列；(2)对图像序列中所有的细胞分裂过程进行判定比较，并对细胞分裂中可清晰观察到父细胞分裂为两个子细胞膜的位置进行标注，从而构成训练全卷积神经网络模型所需的标注的数据集；(3)构建全卷积神经网络模型，确定全卷积神经网络模型的参数，在全卷积神经网络模型中载入标注的数据集，使用深度学习方法直接从图像序列上进行特征学习，得到训练好的全卷积神经网络模型；(4)将训练好的全卷积神经网络模型进行部署，用于相似类型细胞培养数据的细胞分裂的自动检测；所述步骤(3)具体包括如下步骤：(31)构建一个全卷积神经网络模型，整个全卷积神经网络模型的层可以划分为六个部分，第一部分包含两个卷积层和一个最大池化层，第二部分包含两个卷积层和一个最大池化层，第三部分包含三个卷积层和一个最大池化层，第四部分包含三个卷积层和一个池化层，然后连接一个dropout层，第五部分包含三个卷积层，第六部分包含一个上采样的反卷积层，最后连接一个Sigmoid层和交叉熵误差函数层，反卷积层的权重使用双线性插值方式进行初始化，通过连续堆叠的卷积层和下采样池化层构造出的全卷积神经网络模型，可以自动提取到对于输入图像数据的不同大小感受野的、呈层次性的图像特征，并且通过反卷积层可以精确的定位出检测目标的位置；(32)取标注的数据集进行划分，一部分作为训练集，一部分作为测试集，其中测试集中包括验证集；(33)确定全卷积神经网络模型的参数，将训练集中的数据随机载入全卷积神经网络模型，使用深度学习方法直接从图像序列上进行全卷积神经网络模型训练；(34)使用多重交叉验证对于全卷积神经网络模型训练过程中的误差值进行记录，当验证集的误差不再下降的时候，停止训练，保存当前的权重值作为训练好的全卷积神经网络模型，观察训练好的全卷积神经网络模型在测试集上性能的变化，若在测试集上性能差异过大，应该调整学习速率重新训练直至找到泛化性能较好的模型参数。