[发明专利]一种基于人工智能的细胞荧光图像分类方法和系统

说明书

本发明提供一种基于人工智能的细胞荧光图像分类方法和系统，所述方法包括以下步骤：S1、将阳性细胞荧光图像、阴性细胞荧光图像作为样本输入到人工智能模型中进行训练，得到细胞荧光图像分类模型；S2、将待测细胞荧光图像样本输入到细胞荧光图像分类模型中，获得细胞荧光图像的正确分类。通过人工智能算法，对荧光图像样本进行训练学习，将大量样本作为网络的输入，经过网络对样本的带标签学习，使得网络能够精准对样本做出正确分类，有效避免基于阈值的分类方法所带来的误差，显著提高了细胞荧光图像的分类效率和准确率，降低了时间与人工资源的消耗。

技术领域

本发明涉及细胞学技术领域，更具体地，涉及一种基于人工智能的细胞荧光图像分类方法和系统。

背景技术

免疫荧光技术是在免疫学、生物化学和显微镜技术的基础上建立起来的一项技术。通过抗体分子与一些荧光示踪物质结合，可利用抗原抗体反应进行组织或细胞内抗原物质的定位。由于组织或细胞内抗原物质的表达和分布情况与遗传背景、疾病、细胞分化等存在一定的关联，利用一种或多种免疫荧光对组织或细胞进行共同表征，可以在蛋白水平明确细胞中目标蛋白质的表达状况，从而为药物研究、疾病诊断、细胞亚群分类提供实验依据。

由于实验中可能存在非特异性染色等问题，荧光染色结果判定的客观性不足，如果在实验中同时使用多种荧光染色，对结果判定的难度有较大提高。目前业界通行的解决方法是采集各个荧光通道的细胞图像，对图像加伪彩并做多通道融合后，由人工或软件方法对细胞荧光图像进行分类。

人工识别细胞荧光图像进行分类，对操作人员的知识水平和实践经验有较高要求，并且人眼容易疲劳，人工方法的效率明显较低。而业界目前的软件分析方法主要通过设定各通道图像直观特征的分析阈值，通过多个阈值的组合来对细胞荧光图像进行分类。主要的特征包括：各荧光通道的细胞面积、各荧光通道图像的平均像素值或强度积分值、细胞的圆度、细胞核比例等。但由于组织或全血等复杂样品中细胞亚型较多、杂质组成复杂、染色效果不稳定等诸多干扰因素，基于阈值的图像分类方法往往效果不佳，仍然需要有经验的操作人员付出大量劳动，不断修正软件分类参数，并对结果做人工复核。

为了更进一步提高细胞荧光图像分类的效率，我们提出了一种基于人工智能模型的细胞荧光图像分类算法。其基本思想来源于神经科学的启发：人脑从视网膜(Retina)出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层V4的整个目标(如判定为一张人脸)，以及到更高层的PFC(前额叶皮层)进行分类判断等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化。我们设定了一种人工智能模型，能够提取原始的细胞荧光图像特征，经过多层级的运算，实现对初级特征的抽象、泛化、重建，获得图像高级特征的评分，并对图像进行分类。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于人工智能的细胞荧光图像分类方法和系统，能够基于人工智能模型提取图像特征，提高识别的精度与自动化程度，有效避免基于图像像素阈值识别所带来的误差，显著提高了细胞荧光图像的分类效率，降低了时间与人工资源的消耗。

根据本发明的一个方面，提供一种细胞荧光图像分类方法，包括以下步骤：

S1、将阳性细胞荧光图像、阴性细胞荧光图像作为样本输入到人工智能模型中进行训练，得到细胞荧光图像分类模型；

S2、将待测细胞荧光图像样本输入到已经训练完成的细胞荧光图像分类模型中进行荧光图像分类。

作为优选的，在步骤S1中，还包括将非细胞杂质荧光图像作为样本输入到人工智能模型中进行训练。

作为优选的，在步骤S1中，所述人工智能模型包括卷积计算、池化计算和全连接计算，所述每个卷积计算后都有相应的激活函数；

所述卷积计算用于对细胞荧光图像进行特征提取；