[发明专利]基于细胞荧光图像的细胞分类方法

权利要求书

1.基于细胞荧光图像的细胞分类方法，其特征在于，所述方法包括如下方法步骤：

S101、构建细胞分类模型；

S102、对所述细胞分类模型进行训练；

S103、采集待测细胞荧光图像，框出所述待测细胞荧光图像中，每个细胞的细胞核所在的区域，其中，每个细胞的细胞核所在的区域内具有多个荧光信息点；

S104、在每个细胞的细胞核所在的区域，通过边缘检测算法获取每个细胞的细胞核轮廓；

S105、根据每个细胞的细胞核轮廓在所述待测细胞荧光图像的位置，从所述待测细胞荧光图像中提取出待测细胞核轮廓图像；

S106、根据所述待测细胞核轮廓图像，获取待检测图像；

S107、将所述待检测图像输入已训练的所述细胞分类模型，输出细胞分类结果。

2.根据权利要求1所述的细胞分类方法，其特征在于，在步骤S101中，所述细胞分类模型的构建方法包括：

创建一个图神经网络和一个注意力卷积神经网络，其中，所述图神经网络，用于提取空间特征，所述注意力卷积神经网络，用于提取荧光信号点的数量；

创建一个卷积神经网络，并将所述图神经网络的输出端、所述注意力卷积神经网络的输出端分别与所述卷积神经网络的输入端连接，

其中，所述卷积神经网络，用于提取空间特征与荧光信号点的数量的高维特征，并进行融合，得到融合特征；

创建一个多层全链接神经网络，并将所述卷积神经网络的输出端与所述多层全链接神经网络的输入端连接，

其中，所述全链接神经网络，用于根据融合特征对细胞进行分类。

3.根据权利要求1所述的细胞分类方法，其特征在于，在步骤S102中，对所述细胞分类模型进行训练包括如下方法步骤：

S201、获取多幅细胞荧光图像，框出每一幅所述细胞荧光图像中，每个细胞的细胞核所在的区域，其中，每个细胞的细胞核所在的区域内具有多个荧光信息点；

S202、在每个细胞的细胞核所在的区域，通过边缘检测算法获取每个细胞的细胞核轮廓；

S203、在每一幅所述细胞荧光图像中，根据每个细胞的细胞核轮廓在所述细胞荧光图像的位置，从所述细胞荧光图像中提取出细胞核轮廓图像，得到多幅所述细胞核轮廓图像，其中，每一幅所述细胞核轮廓图像中具有多个细胞核轮廓；

S204、根据多幅所述细胞核轮廓图像，获取多幅训练图像，其中，每一幅训练图像包括：最小正方形图像，

所述最小正方形图像为：细胞核轮廓与该细胞核轮廓的最小外接正方形之间进行填充得到的图像；

S205、将每一幅训练图像中的最小正方形图像分为，正常细胞类和异常细胞类，并建立数据集；

S206、将正常细胞类数据集分为第一训练集与第一测试集，将异常细胞类数据集分为第二训练集与第二测试集；

S207、利用第一训练集和第二训练集对所述细胞分类模型进行训练。

4.根据权利要求3所述的细胞分类方法，其特征在于，对所述细胞分类模型进行训练还包括如下方法步骤：

S208、采用第一测试集中的正常细胞类数据，和第二测试集中的异常细胞类数据对训练后的所述细胞分类模型进行测试。

5.根据权利要求3所述的细胞分类方法，其特征在于，在步骤S201中，通过目标检测算法对每一幅细胞荧光图像进行目标检测，采用目标框框出每一幅所述细胞荧光图像中，每个细胞的细胞核所在的区域。

6.根据权利要求3所述的细胞分类方法，其特征在于，在步骤S204中，通过如下方法获取多幅训练图像；

在每一幅细胞核轮廓图像中，根据每个细胞核轮廓的位置，获取该细胞核轮廓的最小外接正方形；

在每个细胞核轮廓与该细胞核轮廓的最小外接正方形之间，填充像素值为0的像素，得到多幅训练图像。

7.根据权利要求3所述的细胞分类方法，其特征在于，在步骤S206中，第一训练集或第二训练集中的数据进行增强，包括：多角度旋转和/或水分垂直翻转。