[发明专利]基于卷积神经网络的细胞筛选方法和装置

权利要求书

1.一种基于卷积神经网络的细胞筛选方法，其特征在于，所述方法包括：

获取训练细胞灰度图及其对应的训练细胞荧光图；

根据所述训练细胞荧光图，确定对应的训练细胞灰度图中细胞的真实蛋白表达量，基于所述真实蛋白表达量得到所述训练细胞灰度图对应的表达量标签；

将所述训练细胞灰度图输入卷积神经网络模型，确定所述训练细胞灰度图对应的蛋白表达量；

根据所述训练细胞灰度图对应的蛋白表达量和所述表达量标签，确定训练误差；

根据所述训练误差，通过减小误差对所述卷积神经网络模型的网络参数进行调整，以得到最优网络参数，并采用所述最优网络参数生成目标卷积神经网络模型；

获取细胞培养池中多个待测细胞分别对应的待测细胞灰度图；

将多个待测细胞对应的多张待测细胞灰度图输入目标卷积神经网络模型；所述目标卷积神经网络模型用于检测输入模型的待测细胞灰度图中细胞的蛋白表达量；

根据所述目标卷积神经网络模型的输出，得到所述多个待测细胞分别对应的蛋白表达量；

根据多个待测细胞对应的蛋白表达量，从所述多个待测细胞中确定出蛋白表达量满足设定条件的目标细胞；

所述训练细胞灰度图为经过转染技术处理后训练集的细胞的灰度图，基于转染的目的基因所生成的蛋白质，在特定波长下产生荧光；所述表达量标签基于所述训练细胞灰度图对应的训练细胞荧光图中绿色通道的数值确定，所述细胞荧光图中绿色通道的数值与所述蛋白质对应的真实蛋白表达量正相关，所述真实蛋白表达量用于确定训练细胞灰度图中细胞对目的基因的表达情况。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练细胞荧光图，确定对应的训练细胞灰度图中细胞的真实蛋白表达量，基于所述真实蛋白表达量得到所述训练细胞灰度图对应的表达量标签，包括：

确定所述训练细胞荧光图中绿色通道的数值；

根据所述训练细胞荧光图中绿色通道的数值，确定对应的训练细胞灰度图中细胞的真实蛋白表达量；

将所述真实蛋白表达量确定为所述训练细胞灰度图对应的表达量标签。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括多层，所述根据所述训练误差，通过减小误差对所述卷积神经网络模型的网络参数进行调整，以得到最优网络参数，包括：

判断所述训练误差是否收敛且小于预设误差阈值；

若是，确定当前的卷积神经网络模型的网络参数为最优网络参数；

若否，采用所述训练误差从所述卷积神经网络模型的最后一层反向传播，通过减小误差对所述卷积神经网络模型各层的网络参数进行调整，并返回将所述训练细胞灰度图输入所述卷积神经网络模型，确定所述训练细胞灰度图对应的蛋白表达量的步骤。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括第一网络结构、第二网络结构、第三网络结构、第四网络结构和全连接层；所述训练细胞灰度图为多张训练细胞灰度图；

所述将所述训练细胞灰度图输入所述卷积神经网络模型，确定所述训练细胞灰度图对应的蛋白表达量，包括：

将多张训练细胞灰度图输入所述卷积神经网络模型；

针对每张训练细胞灰度图，通过所述第一网络结构获取对应的训练细胞特征；将所述训练细胞特征输入所述第二网络结构、第三网络结构和第四网络结构，得到对应的第一细胞特征、第二细胞特征和第三细胞特征；

对所述第一细胞特征、第二细胞特征和第三细胞特征进行并行连接，得到每张训练细胞灰度图对应的特征融合结果；其中，所述第一细胞特征、第二细胞特征和第三细胞特征具有不同的抽象表达层次；

将多张训练细胞灰度图分别对应的特征融合结果输入至所述全连接层，根据所述全连接层的输出结果确定多张训练细胞灰度图分别对应的蛋白表达量。

5.根据权利要求1所述的方法，其特征在于，所述根据多个待测细胞对应的蛋白表达量，从所述多个待测细胞中确定出蛋白表达量满足设定条件的目标细胞，包括：

对多个待测细胞对应的蛋白表达量进行排序，并从排序后的多个待测细胞对应的蛋白表达量中，将排序最前的预设数量的蛋白表达量确定为目标表达量；

确定所述目标表达量对应的待测细胞灰度图，并将所述待测细胞灰度图对应的待测细胞确定为目标细胞。