[发明专利]一种自动化干细胞检测方法、系统、终端以及存储介质

权利要求书

1.一种自动化干细胞检测方法，其特征在于，包括：

获取细胞图像，生成细胞图像训练集，并将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签；

将所述细胞图像训练集输入深度学习模型进行第一轮模型训练，通过所述深度学习模型输出细胞图像训练集的第一轮细胞预测结果；

根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新，并根据所述更新的细胞标记对细胞图像进行细胞追踪，得到细胞追踪结果；

根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新，并将更新后的细胞图像训练集输入深度学习模型进行迭代训练，得到训练好的细胞检测模型；

根据所述训练好的细胞预测模型对待检测细胞图像进行细胞检测与追踪。

2.根据权利要求1所述的自动化干细胞检测方法，其特征在于，所述获取细胞图像还包括：

分别对每张细胞图像依次进行亮度、对比度、缩放、旋转、裁切以及镜像填充操作，获取每张细胞图像的n张增强图像；

分别对每张细胞图像的初始细胞标记依次进行缩放、旋转、裁切以及镜像填充操作，生成每张增强图像的细胞标记。

3.根据权利要求1或2所述的自动化干细胞检测方法，其特征在于，所述将所述细胞图像的初始细胞标记作为所述细胞图像训练集的初始训练标签还包括：

对所述细胞图像对应的荧光图像进行处理，获取所述细胞图像的初始细胞标记；

或基于细胞检测器对所述细胞图像进行细胞检测，获取所述细胞图像的初始细胞标记。

4.根据权利要求1所述的自动化干细胞检测方法，其特征在于，所述深度学习模型为U-Net模型，所述U-Net模型采用二进制交叉熵作为损失函数。

5.根据权利要求2所述的自动化干细胞检测方法，其特征在于，所述根据所述细胞预测结果对所述细胞图像的初始细胞标记进行更新具体为：

将每张细胞图像的n张增强图像的细胞预测结果进行加权求和；

将每张细胞图像的加权求和结果与该细胞图像的初始细胞标记相加，作为每张细胞图像的新的细胞标记。

6.根据权利要求5所述的自动化干细胞检测方法，其特征在于，所述根据所述更新的细胞标记对细胞图像进行细胞追踪具体为：

分别计算某一细胞标记在第t帧以及第t+1帧中的面积；

计算该细胞标记在第t帧与第t+1帧中的重叠面积；

判断所述重叠面积与所述细胞标记在第t帧中的面积之间的比值是否大于设定阈值，如果大于设定阈值，则判定所述第t帧与第t+1帧中的细胞标记为同一细胞，得到细胞追踪结果。

7.根据权利要求6所述的自动化干细胞检测方法，其特征在于，所述根据所述细胞追踪结果对所述细胞图像训练集的初始训练标签进行更新还包括：

对所述细胞追踪结果进行错误追踪对象检测，并将检测出的错误追踪对象的细胞标记消除后，生成用于下一轮模型训练的训练标签；

所述对所述细胞追踪结果进行错误追踪对象检测具体为：判断所述细胞追踪结果中的追踪对象的连续帧数是否大于设定帧数α，如果大于α，则判定该追踪对象为细胞；反之，则对该追踪对象重新进行追踪，并判断在接下来的连续β帧中是否均存在与该追踪对象相关联的对象，如果存在，则判定该追踪对象为细胞；如果不存在，则判断该追踪对象为错误追踪对象，将所述错误追踪对象的细胞标记从细胞图像中清除。