[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

说明书

本申请涉及一种自动化干细胞检测方法、系统、终端以及存储介质。所述方法包括：获取细胞图像，生成细胞图像训练集；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。本申请实施例无需人工标签，训练过程简单，获得了较好的性能，并大大降低了训练的成本，提高了训练效率。

技术领域

本申请属生物医学图像处理技术领域，特别涉及一种自动化干细胞检测方法、系统、终端以及存储介质。

背景技术

通过观察细胞的行为有助于更好地理解其生物学机制，例如组织形成和修复、伤口愈合和肿瘤的产生。在研究细胞行为时，跟踪其运动轨迹十分有用，尤其是对于干细胞而言。以诱导多能干细胞(induced pluripotent stemcells，iPSCs)技术为例，该技术已被应用于治疗血小板不足、脊髓损伤、黄斑变性、帕金森和阿茨海默等疾病。但是这项技术目前仍然存在低效性的问题——大多数重编程方案中的细胞被重编程的比率都很低，极大地限制了诱导多能干细胞在科研和临床领域的研究和应用。

目前，对于干细胞的检测以及追踪主要依赖于人工标记，或是基于人工标记训练深度模型来完成，且训练过程需要大量的数据集，大大增加了训练的难度和代价。

发明内容

本申请提供了一种自动化干细胞检测方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种自动化干细胞检测方法，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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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：