[发明专利]基于细胞荧光图像的细胞分类方法

说明书

本发明提供了基于细胞荧光图像的细胞分类方法，包括：构建细胞分类模型；对细胞分类模型进行训练；采集待测细胞荧光图像，框出待测细胞荧光图像中，每个细胞的细胞核所在的区域，每个细胞的细胞核所在的区域内具有多个荧光信息点；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；根据每个细胞的细胞核轮廓在待测细胞荧光图像的位置，从待测细胞荧光图像中提取出待测细胞核轮廓图像；根据待测细胞核轮廓图像，获取待检测图像；将待检测图像输入已训练的细胞分类模型，输出细胞分类结果。本发明基于细胞荧光图像实现自动细胞分类，提高细胞分类准确率。

技术领域

本发明涉及荧光图像处理技术领域，尤其是涉及一种基于细胞荧光图像的细胞分类方法。

背景技术

荧光原位杂交技术(Fluorescence in situ hybridization，简称FISH)是一种广泛使用的细胞遗传学技术，其基于将荧光探针附接到染色体上来通过检测脱氧核糖核酸(DNA)或核糖核酸(RNA)的特定序列的存在检测、分析并定量核异常。FISH有许多不同的实现方式：组织FISH、多光谱FISH(M-FISH)、点计数FISH、流式FISH(即，在流式细胞仪中进行的FISH)以及微流体辅助FISH(MA-FISH)。FISH的应用包括几种癌症类型的诊断、几种癌症类型的进展分析、以及染色体异常的标识。通常，除了获取FISH探针图像(即，对用于标记感兴趣DNA或RNA的荧光标记敏感的图像)外，还通过使用染色剂(诸如DAPI(4',6-二脒基-2-苯基吲哚))染色核DNA，从而标识样品中核的位置来获取复染剂图像。FISH探针图像和复染剂图像可以存储在一起并进行联合处理，例如，用于分析或显示。

相关技术中，利用FISH技术对细胞进行处理之后，基于细胞核图像中的荧光信号点的数量对细胞进行分类。现有的卷积神经网络(Convolutional Neural Networks，简称CNN)对细胞核图像进行分析以实现荧光染色信号点的识别，进而实现细胞分类。然而，现有的分类方法，识别精度低，分类结果不准确。

发明内容

本发明提供了一种基于细胞荧光图像的细胞分类方法，以解决相关技术中卷积神经网络对细胞荧光图像进行细胞分类的识别精度低，分类结果不准确的技术问题。

本发明的一个方面在于提供一种基于细胞荧光图像的细胞分类方法，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。

进一步地，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；