一种基于ATP酶染色的肌纤维细胞图像分类识别方法及系统

一种基于atp酶染色的肌纤维细胞图像分类识别方法及系统
技术领域
1.本发明涉及细胞图像优化处理技术领域，尤其涉及一种基于atp酶染色的肌纤维细胞图像分类识别方法及系统。


背景技术：

2.随着人民生活水平的不断提升以及对美好生活的更高向往，广大人民不再满足于有饭吃有菜吃，而追求更健康、更美味和营养价值更高的高品质食物，例如牲畜肉类食物。目前牲畜肉类消费中，猪肉占据最主要的部分，高达60％以上。要获得更健康、美味猪肉的前体是需要对要其肉质表型进行全面精准的测定，衡量肉质表型的性状主要有ph值、滴水、肉色、大理石纹以及肌肉切片中肌纤维类型和数目等指标。
3.但是要明确牲畜肉类肌纤维类型和数目，则需要对肌细胞切片染色后观察统计，现有技术中多采用采集样品切片置于显微镜下观察统计，为了提高显微镜下细胞计数的精准性，每个样本需要重复计数3次，每张切片在显微镜下的显微视野要重复5次，人工统计极其耗时耗力，且容易出错，极大地限制了该领域的发展。
4.现有技术中也存在个别利用卷积神经网络技术实现细胞图像识别，但是其需要海量的细胞图像样本，结合理论数学计算，无法实现精确的细胞特性表征，可靠性有待提升。
5.公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成己为本领域技术人员所公知的现有技术。


技术实现要素：

6.为解决上述问题，本发明提供了一种基于atp酶染色的肌纤维细胞图像分类识别方法，在一个实施例中，所述方法包括：
7.样本采集步骤、收集满足形态完整要求的肌纤维组织，将所述肌纤维组织按照设定的标准进行一次切割，并对一次切割后的肌纤维组织进行冷冻处理；
8.样本染色步骤、在恒温环境中对冷冻后得到的肌纤维组织进行二次切割，并利用atp酶对二次切割后的肌纤维组织进行染色，保存染色后的图像作为肌纤维样本图像；
9.一级分类步骤、利用基于随机森林算法预先构建的基础分类模型对样本图像中的所有细胞和i型细胞进行标识及划分，基于标识划分后的样本图像构建对应的全细胞数据库，通过全细胞剔除i型细胞从而提取出ii型细胞图像，针对i型细胞识别的结果图像则置入设置的i型细胞数据库中；
10.自动质控步骤、先基于形态学的分水岭方法对ii型细胞的样本图像实现优化分割，进而对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，得到待计算的ii型细胞样本图像；
11.二级分类步骤、针对待计算的ii型细胞样本图像，结合色彩空间描述技术和样本聚类方法将ii型细胞细化分为两类并标识。
12.优选地，一个实施例中，所述自动质控步骤中，包括以下操作：
13.步骤a1、考虑拓扑学理论，利用分水岭方法基于区域将ii型细胞样本图像中细胞之间的链接分割开；
14.步骤a2、利用四点采样法分区域对ii型细胞样本图像中的冰晶进行识别，当冰晶总数量超过设定条件时，采用设定的规则进行冰晶尺寸划分，并将符合设定尺条件的大冰晶剔除。
15.进一步地，一个实施例中，所述自动质控步骤中，在所述步骤a2之前还包括：
16.步骤b、采用五点采样法分区域计算ii型细胞样本图像的细胞数量的差值，用于表征样本图像中细胞分布的均匀程度，并剔除均匀程度不满足条件的样本图像。
17.可选地，一个实施例中，在所述样本采集步骤中，收集死亡30分钟之内生物体最后一根肋骨背最长肌的肌纤维组织作为样本。
18.进一步地，一个实施例中，所述样本采集步骤中，对一次切割后的肌纤维组织进行冷冻操作的过程包括：
19.将一次切割后的肌纤维组织置入管壁设有若干均匀小孔的塑料新型采样管中进行处理；
20.在液氮中，采用多孔塑料新型采样管装载的肌纤维组织进行冷冻，以控制冰晶产生的概率。
21.一个优选的实施例中，所述样本染色步骤中，进行染色之前，在-20℃的温度环境中利用低温恒温切片机切取肌纤维组织的横切面切片，所述横截面切面须满足设定的尺寸要求。
22.具体地，一个实施例中，一级分类步骤中所利用的基础分类模型是预先按照以下操作构建的：
23.步骤c1、将设定规模已具备基本分类标签的细胞图像样本分为分割训练样本和分割测试样本，分别建立分割训练数据库和分割测试数据库；
24.步骤c2、选取训练数据库中的样本图像和既有分类结果数据输入ilastik系统中，采用随机森林算法迭代训练细胞分类模型；
25.步骤c3、并将分割测试数据库中的样本图像输入最新的模型，评估所得标识结果与既有的真实分类标签结果匹配度，若不满足设定条件，实时更新并返回步骤c2；若满足设定条件，将最终得到的细胞分类模型作为目标基础分类模型。
26.其中，一个实施例中，二级分类步骤中，分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的rgb色彩空间特性，计算细胞内和细胞边缘处r值、g值、b值的均值，进而求差值以表征当前细胞，再基于所得差值利用聚类算法将ii型细胞分为iia型和iib型两类。
27.可选地，一个实施例中，二级分类步骤中，分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的hsv(hue，saturation，value)色彩空间特性，计算细胞内h值与细胞边缘处h值之差与整个细胞s值的比值数据表征当前细胞，再基于所得数据利用聚类算法将ii型细胞分为iia型和iib型两类。
28.基于上述任意一个或多个实施例中所述方法的其他方面，本发明还提供一种基于atp酶染色的肌纤维细胞图像分类识别系统，其特征在于，所述系统执行上述任意一个或多
个实施例中所述的方法。
29.与最接近的现有技术相比，本发明还具有如下有益效果：
30.本发明提供的一种基于atp酶染色的肌纤维细胞图像分类识别方法及系统，该方法收集满足形态完整要求的肌纤维组织后按照设定的冷冻操作处理，进而对肌纤维组织切片进行atp酶染色作为用于识别的肌纤维细胞图像；按照设定的策略实现冷冻处理能够从根本上控制样本图像中冰晶干扰的比例，另外的，对于atp酶染色的肌纤维细胞切片图像仅需要一次染色，且失误概率低不会导致样本浪费，节省了染色的成本与时间；
31.进一步地，借助预先构建的基础分类模型提取出肌纤维细胞图像中i型细胞，利用随机森林算法仅需要通过小样本量数据即可达到较好的识别结果建立可靠的基础分类模型，不需要预设海量的训练样本，在保障基础分类模型可靠性的前提下，节省了训练样本的准备时间消耗；
32.另外，本发明进而针对排除i型细胞干扰后的细胞图像进行自动化质控处理，分割细胞间连接关系并剔除冰晶的干扰，进而结合色彩空间描述技术和样本聚类方法将ii型细胞进行细化分类。克服了现有肌纤维细胞识别技术操作繁杂、精确度不足的问题，排除细胞链接以及冰晶的干扰影响，配合细胞图像处理以及聚类运算识别，通过聚类算法将无监督学习与细胞的色彩空间特征类型完全结合，找到了一种可以代表每个细胞类型的量化色彩特征值，通过这样的值通过聚类的方式将两类细胞完全区分，针对肌纤维细胞图像分类这一技术提供了实质的改进，提高了肌纤维细胞分析和识别的精确度和效率，显著改善了科研人员需要人工计数和识别的流程。
33.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
34.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
35.图1是本发明一实施例所提供基于atp酶染色的肌纤维细胞图像分类识别方法的流程示意图；
36.图2是本发明另一实施例中肌纤维细胞图像分类识别方法的实施原理明细图；
37.图3是本发明实施例中肌纤维细胞图像分类识别方法的细胞分类结果示例图；
38.图4是本发明一实施例中肌纤维细胞图像分类识别方法的执行流程明细示意图；
39.图5是本发明又一实施例所提供肌纤维细胞图像分类识别方法的执行流程明细示意图；
40.图6是本发明实施例提供的基于atp酶染色的肌纤维细胞图像分类识别系统的结构示意图。
具体实施方式
41.以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依
据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
42.虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
43.这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
44.要明确牲畜肉类肌纤维类型和数目，则需要对肌细胞切片染色后观察统计，现有技术中多采用采集样品切片置于显微镜下观察统计，为了提高显微镜下细胞计数的精准性，每个样本需要重复计数3次，每张切片在显微镜下的显微视野要重复5次，人工统计极其耗时耗力，且容易出错，极大地限制了该领域的发展。
45.另外，虽然现有技术中也存在个别利用卷积神经网络技术实现细胞图像识别，但是其需要海量的细胞图像样本，结合理论数学计算，无法实现精确的细胞特性表征，可靠性有待提升。
46.为了解决上述技术问题，本发明研究人员考虑到基于机器学习方法构建的图像分型系统可以快速分割图像区域并统计不同区域的面积或其他特征数据，能够适合于肌纤维切片后不同肌细胞的识别和计数，基于此，项目组设计了一系列的细胞图像处理手段和分类识别运算操作，构成了本发明中基于atp酶染色的肌纤维细胞图像分类识别方案。
47.本发明的肌纤维细胞图像分类识别方案首先准备atp酶染色的肌纤维细胞图像作为训练样本，之后通过ilastik软件的随机森林方法构建训练模型，将训练样本输入该模型中进行训练，当训练的样本基本准确时停止标签输入，完成分割。
48.进一步通过图像传统学处理方法将细胞边缘链接处分割，获取每个单独的细胞并按照设定的策略滤除冰晶。
49.最终计算每一个细胞的色彩空间特征值，通过随机森林算法将其分为i型细胞与全细胞，通过无监督学习方法将提取出的ii型细胞图像分类为iia型以及iib型细胞。这种方法提高了肌纤维细胞图像细胞数目识别计算的精确度及效率，将繁杂、耗时的诊断流程进行优化，大大减少医学细胞识别研究以及肌纤维研究相关的其他工作的负担。
50.接下来基于附图详细描述本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
51.实施例一
52.图1示出了本发明实施例一提供的基于atp酶染色的肌纤维细胞图像分类识别方法的流程示意图，参照图1可知，该方法包括如下步骤。
53.样本采集步骤、收集满足形态完整要求的肌纤维组织，将所述肌纤维组织按照设
定的标准进行一次切割，并对一次切割后的肌纤维组织进行冷冻操作；
54.样本染色步骤、在特定的环境中对冷冻后得到的肌纤维组织进行二次切割，并利用atp酶对二次切割后的肌纤维组织进行染色，保存染色后的图像作为肌纤维样本图像；
55.一级分类步骤、利用基于随机森林算法预先构建的基础分类模型对样本图像中的i型细胞和所有细胞进行标识及划分，通过全细胞剔除i型细胞从而提取出ii型细胞图像，基于提取后的样本图像构建对应的全细胞数据库，另外针对i型细胞识别的样本图像及结果图像则置入设置的i型细胞数据库中；
56.自动质控步骤、先基于形态学的分水岭方法对ii型细胞的样本图像实现优化分割，进而对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，得到待计算的ii型细胞样本图像；
57.二级分类步骤、针对待计算的ii型细胞样本图像，结合色彩空间描述技术和样本聚类方法将ii型细胞细化分为两类并标识。
58.实际应用中，肌纤维图像包括i型细胞以及ii型细胞。ii型细胞又可分为iia型细胞以及iib型细胞。全细胞数据库代表着整张图像的识别数据库，i型细胞数据库则代表着当前图像中i型细胞的识别数据库。ii型细胞的得来则代表着采用全细胞识别数据库识别的结果减i型细胞数据库识别的结果。首先识别全细胞，将整张图像的所有细胞分割开来。其次通过提取识别i型细胞，将全细胞-i型细胞＝ii型细胞。ii型细胞通过无监督学习分类为iia型细胞以及iib型细胞。
59.基于上述实施例中的逻辑，对按照设定要求切割并在设定的环境下进行冷冻处理后，进行再次精细切割利用atp酶对细胞样本进行染色处理，保存染色后细胞的图像作为投入分类运算的细胞图像样本，这样仅需要一次染色，克服了现有技术中需要多次染色的缺陷，有效节省了染色的成本与时间。
60.进一步地，图2示出了本发明实施例所提供肌纤维细胞图像分类识别方法的实施原理示意图，如图2所示，利用基于随机森林算法预先构建的基础分类模型对样本图像中的i型细胞和所有细胞(全细胞)进行标识及划分，通过随机森林机器学习算法可以将小样本量细胞图像样本的价值发挥到最大，不需要海量的训练样本就可以训练创建出基础识别数据库用于未知的肌纤维细胞图像的i型细胞和全细胞识别。
61.另外的，考虑到在细胞图像有着小冰晶时，会影响细胞图像识别分类的精确度，基于此，上述实施例中，本发明对ii型细胞的样本图像实现优化分割后，还对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，通过不同区域不同大小的情况，去除冰晶，增加了细胞分类识别的准确度。
62.且本发明在二次分类步骤中，通过分类算法将无监督学习技术与细胞的色彩空间特征结合分析，找到了一种可以代替每个细胞的色彩特征值，基于这样的值通过聚类的方式将两类ii型细胞完全区分。由此可见，上述实施例方案针对atp酶染色的肌纤维细胞图像分类这一技术进行改进，提高了肌纤维细胞计数正确率和效率，改善了科研人员需要人工计数的流程。
63.进一步地，实际应用时，一个实施例中，在所述样本采集步骤中，收集死亡30分钟之内生物体最后一根肋骨背最长肌的肌纤维组织作为样本。
64.具体地，一个可选的实施例中，所述样本采集步骤中，对一次切割后的肌纤维组织
进行冷冻操作的过程包括：
65.将一次切割后的肌纤维组织置入管壁设有若干均匀小孔的塑料新型采样管中；
66.在液氮中对肌纤维组织进行冷冻，以控制冰晶产生的概率。
67.实际应用时，要采集的肌纤维组织来源于猪死后30分钟内从最后一根肋骨收集的背最长肌，并将样品切成约0.5
×
0.5
×
1cm的立方体，完成一次切割。将其放置于塑料样品垫片，然后将它们放入带有16个大小一致的圆孔且底部也有一个相同大小的圆孔的塑料新型采样管中，置于-196℃液氮液面下停留15秒～20秒，使其与液氮充分接触，防止冰晶产生，置于液氮罐中长时间冷冻保存。
68.进一步地，所述样本染色步骤中，进行染色之前，在-20℃的温度环境中利用低温恒温切片机切取肌纤维组织的横切面切片，所述横截面切面须满足设定的尺寸要求。其中，在低温恒温切片机中于-20℃切下12um的横切面切片，完成精细的二次切割，然后利用atp酶(肌球蛋白atpase)酸染色法对二次切割后得到的肌纤维横截面切面进行染色，通过电子显微镜观察，采集质量较好且冰晶较少的画面，通过拍照将其保存，进而获取染色后肌纤维切面的高清图像，作为肌纤维细胞图像样本数据。实际识别时，对需要检测的肌纤维组织，通过电子显微镜观察，提取出具有较少冰晶且清晰的观察出每一个细胞的3～5个部分用作切片图像即可。
69.为了先识别剔除整体肌纤维细胞样本图像中的i型细胞部分，本发明先准备设定数量被atp酶染色的肌纤维细胞图像，其中一部分作为训练样本，一部分作为测试样本。基于训练样本通过随机森林算法训练构建基础分类模型，利用测试样本对得到的基础分类模型进行核验并实时更新，直至核验结果满足设定的精确度要求，将得到的基础分类模型投入到实现未知标签细胞样本图像识别的实际应用中，以将所有细胞样本图像中的i细胞和全细胞进行识别和标识，分为i型细胞、全细胞两类样本，分别构建i型细胞数据库以及全细胞数据库，基于上述操作能够剔除i型细胞的干扰获得ii型细胞。
70.具体地，在一级分类步骤中所利用的基础分类模型是利用已知i类细胞和全细胞分类标签结果的训练样本预先训练构建的，一个实施例中，按照以下操作构建：
71.步骤c1、将设定规模已具备基本分类标签的细胞图像样本分为分割训练样本和分割测试样本，分别建立分割训练数据库和分割测试数据库；
72.步骤c2、选取训练数据库中的样本图像和既有分类结果数据输入ilastik系统中，采用随机森林算法迭代训练细胞分类模型；
73.步骤c3、并将分割测试数据库中的样本图像输入最新的模型，评估所得标识结果与既有的真实分类标签结果匹配度，若不满足设定条件，实时更新并返回步骤c2；若满足设定条件，将最终得到的细胞分类模型作为目标基础分类模型。其中，分割训练样本和测试样本可以根据需求由专业人员进行手动标签设置。
74.基于上述策略得到目标基础分类模型后，将需要识别的细胞样本图像输入该基础分类模型，能够得到带有i型细胞标识和全细胞标识的细胞样本图像，进一步地，按照细胞标识对细胞样本图像进行划分，分别得到仅有i型细胞的样本图像和仅有全细胞的样本图像，其中所述i型细胞图像置入预设的i型细胞数据库中，全细胞置入全细胞数据库中，同时作为进一步分类识别操作的待识别细胞样本图像，基于上述操作能够有效剔除i型细胞的干扰获得ii型细胞。
75.实际应用中，手动标签的形式将i型细胞与所有细胞分别标记，标记分别为i型细胞、细胞边缘和所有细胞，按照与之相同的位置设定标签，使其开始训练直到程序可以精确地识别扫描图像中的片段，并识别出i型纤维细胞以及全细胞。通过“live update”功能来检查训练是否足够，即可构建出i型细胞数据库与全细胞数据库，用于预测待分类识别的肌纤维细胞图像。
76.具体地，利用ilastik软件中的pixel classification与object classification共同完成基本分类模块的构建，首先将训练集细胞图像通过添加图像的方式将图像放入到ilastik软件中，通过标记的形式，将图像中的细胞与边缘分别标记从而搭建出全细胞识别数据库，再次将同样的图像数据以i型细胞作为标记，将其他细胞与边缘作为另一种标记，通过“live update”功能来检查训练是否足够，标准定为所标记的地方完全识别。
77.具体地，在进一步执行分类识别处理之前，基于设计的自动质控步骤对得到的全细胞样本图像进行不合格因素筛滤处理，一个优选的实施例中，所述自动质控步骤中，具体包括以下操作：
78.步骤a1、考虑拓扑学理论，利用分水岭方法基于区域将ii型细胞样本图像中细胞之间的链接分割开；
79.步骤a2、利用四点采样法分区域对ii型细胞样本图像中的冰晶进行识别，当冰晶总数量超过设定条件时，采用设定的规则进行冰晶尺寸划分，并将符合设定尺条件的大冰晶剔除。
80.其中，通过步骤a1能够有效地将样本图像中各个相连的全细胞(i，ii型细胞)彼此之间的链接分割开，得到彼此独立的细胞，进一步地，采用步骤a2的操作，将整张全细胞样本图像均分成四块，对于每个区域中封闭的椭圆形图案则认为是冰晶，计算其数目为冰晶数，分区域计算出这四块图像的冰晶数目，若冰晶的总数目小于1200时，跳转到输出；当所有冰晶数目大于1200时，则需要剔除冰晶的影响，计算出每个冰晶的面积(封闭区域)，计算出四块区域中每个区域的冰晶面积均值，以及标准差值，将每个面积小于面积均值加面积标准差值的冰晶将其置黑，从而相当于删除了该冰晶，公式为：mean
area
+std
area
。四个区域需要按照该要求剔除冰晶，转到输出。
81.采用上述逻辑首先在全细胞识别的过程中剔除i型细胞的干扰，获得精细处理后的ii型细胞图像，其次通过聚类方法将ii型细胞分型为iia、iib型细胞。通过色彩空间的数值将每个细胞计算代表类型的数值，再通过聚类方式将数值分为两类，从而代表iia型细胞与iib细胞，即可得到分类结果。
82.进一步地，本发明通过聚类方法将ii型细胞分型为iia、iib型细胞。通过色彩空间的特征计算代表每个细胞类型的数值，再通过聚类方式将数值分为两类，从而代表iia型细胞与iib细胞，即可得到分类结果。
83.在获得了i型细胞与全细胞的基础上，我们可以得到ii型细胞，ii型细胞可以分类为iia型细胞与iib型细胞，例如，在图像大小为1920*2560像素时，这两类细胞最大的差别是在细胞10像素边缘处颜色不同，因此一个实施例中，在二级分类步骤中，分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的rgb色彩空间特性，通过数组计算的方法提取出图像中的r值(red)、g值(green)、b值(blue)，并计算细胞内和细胞边缘处r值、g值、b值的均值，进而求差值以表征当前细胞，再基于所得差值利用聚类算法
将ii型细胞分为iia型和iib型两类。
84.实际应用时，可按照下式所述的函数计算表征当前细胞的rgb特征值：
85.δmean
r，g，b
＝|mean
r，g，b(inner)-mean
r，g，b(edge)
|
ꢀꢀꢀ
(1)
86.式中，mean
r，g，b(inner)
表示样本图像中细胞内部r值、g值、b值的均值，mean
r，g，b(edge)
表示样本图像中细胞边缘处r值、g值、b值的均值。
87.进一步地，基于计算得到的rgb特征值利用贝叶斯高斯混合模型、高斯混合模型或k均值三种聚类方法从而将ii型细胞分类为iia型细胞与iib型细胞，将其输出。
88.基于上述实施例的方案，第一、先将所需要预测的图像首先通过训练数据库提取出i型细胞以及全细胞，第二，通过自动化质量控制的方案检测细胞图像是否满足要求并调整，而且可以将细小的冰晶去除。第三，通过分类算法提取出每一个细胞在每个细胞上给予一个特定的色彩空间相关的量化特征值，用于代表细胞类型，基于量化的数据通过聚类的方法将所有的ii型细胞分为两类，从而可以获得iia型细胞与iib型细胞，从而完成分型操作，如附图3所示。
89.这提供了一种直接对于细胞操作的思路，以像素为特征值对每个细胞在颜色上处理给予细胞不同的属性。通过聚类的方法可以降低误差，从而提高细胞分类的准确性，一切通过自动化操作增加效率，使肌肉适应性评估更加全面、敏感和定量。
90.采用上述任意一个或多个实施例中的方法和步骤，能够及时有效地实现肌纤维细胞的精细识别和分类，与业内现有的细胞识别技术相比，至少存在以下优势：
91.1)本发明利用随机森林算法仅需要通过小样本量数据即可达到较好的识别结果建立可靠的基础分类模型，不需要预设海量的训练样本，在保障基础分类模型可靠性的前提下，节省了训练样本的准备时间消耗；
92.2)对于atp酶染色的肌纤维细胞切片图像仅需要一次染色，节省了染色的成本与时间；
93.3)本发明设置自动化基础分类手段，大大的提高了细胞数目测定以及类型判别的效率，与人工计数相比，人为误差大大降低，提高了测量的精度；
94.4)通过自动化质量控制方案将样本图像中影响识别精确度的冰晶元素剔除，相比于人工剔除提升了处理效率，同时进一步保障了最终细胞识别的可靠性；
95.基于本发明任意一个或多个实施例中所设计的细胞类型识别算法，不仅仅能够应用于肌纤维细胞的品质识别，还能够为生物学领域或医学领域中其他细胞识别奠定算法的基础，通过无监督学习自动化地将细胞类型区分，有效降低错误率，为细胞特征的分析优化提供支持。
96.实施例二
97.图4中示出了本发明另实施例二中所提供基于atp酶染色的肌纤维细胞图像分类识别方法的执行流程明细图，如图4所示，本发明的肌纤维细胞图像分类方法可以概括为三大核心阶段，分别是细胞图像分割处理、自动化质量控制和细胞分类，在进行细胞图像分割之前需要利用atp酶对目标肌纤维细胞切片进行染色并得到相应的图像，因此，本发明中基于atp酶染色的肌纤维细胞图像分类识别方法总体包括以下步骤：
98.样本采集步骤、收集满足形态完整要求的肌纤维组织，将所述肌纤维组织按照设定的标准进行一次切割，并对一次切割后的肌纤维组织进行冷冻操作；
99.样本染色步骤、在特定的环境中对冷冻后得到的肌纤维组织进行二次切割，并利用atp酶酸染色法对二次切割后的肌纤维组织进行染色，保存染色后的图像作为肌纤维样本图像；
100.一级分类步骤、利用基于随机森林算法预先构建的基础分类模型对样本图像中的i型细胞和所有细胞进行标识及划分，通过全细胞剔除i型细胞从而提取出ii型细胞图像，基于提取后的样本图像构建对应的全细胞数据库，另外针对i型细胞识别的样本图像及结果图像则置入设置的i型细胞数据库中；
101.自动质控步骤、先基于形态学的分水岭方法对ii型细胞的样本图像实现优化分割，进而对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，得到待计算的ii型细胞样本图像；
102.二级分类步骤、针对待计算的ii型细胞样本图像，结合色彩空间描述技术和样本聚类方法将ii型细胞细化分为两类并标识。
103.关于与上述实施例中相同的操作该处不在过多赘述，以下仅结合附图针对存在区别的技术手段进行详细说明。
104.具体地，在进一步执行二级分类识别处理之前，基于设计的自动质控步骤对得到的全细胞样本图像进行不合格因素筛滤处理，一个优选的实施例中，所述自动质控步骤中，具体包括以下操作：
105.步骤a1、考虑拓扑学理论，利用分水岭方法基于区域将ii型细胞样本图像中细胞之间的链接分割开；
106.步骤a2、利用四点采样法分区域对ii型细胞样本图像中的冰晶进行识别，当冰晶总数量超过设定条件时，采用设定的规则进行冰晶尺寸划分，并将符合设定尺条件的大冰晶剔除。
107.其中，通过步骤a1能够有效地将样本图像中各个相连的全细胞(i，ii型细胞)彼此之间的链接分割开，得到彼此独立的细胞，进一步地，采用步骤a2的操作，将整张全细胞样本图像均分成四块，对于每个区域中封闭的椭圆形图案则认为是冰晶，计算其数目为冰晶数，分区域计算出这四块图像的冰晶数目，若冰晶的总数目小于1200时，跳转到输出；当所有冰晶数目大于1200时，则需要剔除冰晶的影响，计算出每个冰晶的面积(封闭区域)，计算出四块区域中每个区域的冰晶面积均值，以及标准差值，将每个面积小于面积均值加面积标准差值的冰晶将其置黑，从而相当于删除了该冰晶，公式为：mean
area
+std
area
。四个区域需要按照该要求剔除冰晶，转到输出。
108.在传统学图像的分割处理上基于形态学的分水岭方法是一种较为高效的方法，是一种基于区域的图像分割算法，其提出是基于拓扑学的理论。进一步地，本发明研究人员考虑到尽管可以通过当前数据库训练的形式将图像区分，但是仍然有部分细胞边缘存在链接问题，依然可能存在分割率未达百分之百的情况，或者因为肌纤维组织样本的其他因素导致样本图像中细胞分布不均匀的现象，这样的肌纤维细胞样本图像并不适合用于进一步的细胞类型识别，为了将影响细胞精细分类的因素控制到最少，最大程度地保障细胞分类识别的精确性，本发明提供了针对样本图像中细胞分布均匀程度的判识方案，以筛除均匀程度不满度要求的极端细胞样本图像。
109.基于此，本发明设计所述自动质控步骤中，在所述步骤a2之前还包括：
110.步骤b、采用五点采样法分区域计算ii型细胞样本图像的细胞数量的差值，用于表征样本图像中细胞分布的均匀程度，并剔除均匀程度不满足条件的样本图像。
111.具体地，实际应用时，可以将整体的细胞样本图像均分成四块，并从位于正中心的一处提取出与这四块图像大小相同的作为第五块图像，分别计算每一块中所含细胞的数目，计算5块图像细胞数目两两相减差值作为当前样本图像的均匀程度系数，当数目差值相差小于70时，则为均匀图像。利用该均匀程度系数表征每张图像的均匀程度，剔除均匀程度不满足设定要求的图像。具体地，可以利用预设的均匀程度阈值与的均匀程度系数进行比较确定当前样本图像是否满足设定的要求，其中均匀程度阈值可以由工作人员根据细胞识别的需求和分析应用进行灵活设置；通过自动化质量控制方案将预测较差的图像剔除，克服了人工剔除样本效率低及误差概率高的问题。
112.基于上述实施例的操作，利用五点采样法可以快速地识别出样本中细胞均匀程度不佳的细胞样本图片，从而排除细胞分割不足以及其他因素导致的细胞分布不均匀对细胞图像识别结果的干扰，提升运算时输入样本的质量，进一步提升本发明细胞图像分类的精确性。
113.实施例三
114.图5中示出了本发明实施例三中所提供基于atp酶染色的肌纤维细胞图像分类识别方法的执行流程明细示意图，如图5所示，本发明的肌纤维细胞图像分类方法可以概括为三大核心阶段，分别是细胞图像分割处理、自动化质量控制和细胞分类，在进行细胞图像分割之前需要利用atp酶对目标肌纤维细胞切片进行染色并得到相应的图像，因此，本发明中基于atp酶染色的肌纤维细胞图像分类识别方法总体包括以下步骤：
115.样本采集步骤、收集满足形态完整要求的肌纤维组织，将所述肌纤维组织按照设定的标准进行一次切割，并对一次切割后的肌纤维组织进行冷冻操作；
116.样本染色步骤、在特定的环境中对冷冻后得到的肌纤维组织进行二次切割，并利用atp酶对二次切割后的肌纤维组织进行染色，保存染色后的图像作为肌纤维样本图像；
117.一级分类步骤、利用基于随机森林算法预先构建的基础分类模型对样本图像中的i型细胞和所有细胞进行标识及划分，通过全细胞剔除i型细胞从而提取出ii型细胞图像，基于提取后的样本图像构建对应的全细胞数据库，另外针对i型细胞识别的样本图像及结果图像则置入设置的i型细胞数据库中；
118.自动质控步骤、先基于形态学的分水岭方法对ii型细胞的样本图像实现优化分割，进而对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，得到待计算的ii型细胞样本图像；
119.二级分类步骤、针对待计算的ii型细胞样本图像，结合色彩空间描述技术和样本聚类方法将ii型细胞细化分为两类并标识。
120.关于与上述实施例中相同的操作该处不在过多赘述，以下仅结合附图针对存在区别的技术手段进行详细说明。
121.本发明搭建自动化的质量控制方案，自动识别筛选极端的细胞样本切片图像，通过质量控制方法去除。应用时，可设置质量控制方法包括图像分水岭法、五点采样法以及四点采样法去除冰晶法组成，分水岭方法可以将相连接的细胞分割开，通过五点采样法可以判断图像中细胞的均匀程度，从而判断图像中的细胞是否分割足够，通过四点采样法分区
域的去除细胞内部的冰晶影响元素。
122.实际应用时，在获得了i型细胞与全细胞的基础上，我们可以得到ii型细胞，ii型细胞可以分类为iia型细胞与iib型细胞，这两类细胞最大的差别是在细胞10像素边缘处颜色不同，根据这个特性，同时为了更好地消除细胞色差的影响，本发明研究人员发现还可以采用hsv色彩空间的算法实现细胞色彩空间特征的表征。
123.因此，一个可选的实施例中，在二级分类步骤中，通过分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的hsv色彩空间特性，计算细胞内h值与细胞边缘处h值之差与整个细胞s值的比值数据表征当前细胞，再基于所得数据利用聚类算法将ii型细胞分为iia型和iib型两类。
124.具体地，按照下式所述的函数计算表征当前细胞类型的hsv特征值：
[0125][0126]
式中，h
inner
表示细胞内的h值，h
edge
表示细胞边缘处的h值，s
cell
表示整个细胞图像的s值。
[0127]
进而基于计算得到的数值利用聚类的方法将所有的ii型细胞分为两类，例如，可以利用贝叶斯高斯混合模型、高斯混合模型、k均值三种聚类方法从而将ii型细胞分类为iia型细胞与iib型细胞，将其输出。
[0128]
采用上述实施例中的手段，以细胞像素的色彩属性为特征值对每个细胞在颜色上识别给予细胞不同的量化属性，基于量化属相利用聚类的方法实现细胞图像的二级精细分类，通过聚类的方法可以降低误差，从而提高细胞分类的准确性，且通过自动化操作实现，能够有效提成细胞识别的效率，使肌纤维组织适应性评估更加全面、敏感和定量(直观)。
[0129]
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0130]
需要指出的是，在本发明的其他实施例中，该方法还可以通过将上述实施例中的某一个或某几个进行结合来得到新的细胞图像分类识别，以实现对细胞组织评估的优化。
[0131]
需要说明的是，基于本发明上述任意一个或多个实施例中的方法，本发明还提供一种存储介质，该存储介质上存储有可实现如述任意一个或多个实施例中所述方法的程序代码，该代码被操作系统执行时能够实现如上所述的基于atp酶染色的肌纤维细胞图像分类识别方法。
[0132]
实施例四
[0133]
上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置或系统实现，因此基于上述任意一个或多个实施例中所述方法的其他方面，本发明还提供一种基于atp酶染色的肌纤维细胞图像分类识别系统，该系统用于执行上述任意一个或多个实施例中所述的基于atp酶染色的肌纤维细胞图像分类识别方法。下面给出具体的实施例进行详细说明。
[0134]
具体地，图6中示出了本发明实施例中提供的基于atp酶染色的肌纤维细胞图像分类识别系统的结构示意图，如图6所示，该系统包括：
[0135]
样本采集模块，其配置为收集满足形态完整要求的肌纤维组织，将所述肌纤维组织按照设定的标准进行一次切割，并对一次切割后的肌纤维组织进行冷冻操作；
[0136]
样本染色模块，其配置为在特定的环境中对冷冻后得到的肌纤维组织进行二次切割，并利用atp酶对二次切割后的肌纤维组织进行染色，保存染色后的图像作为肌纤维样本图像；
[0137]
一级分类模块，其配置为利用基于随机森林算法预先构建的基础分类模型对样本图像中的i型细胞和所有细胞进行标识及划分，通过全细胞剔除i型细胞从而提取出ii型细胞图像，基于提取后的样本图像构建对应的全细胞数据库，另外针对i型细胞识别的样本图像及结果图像则置入设置的i型细胞数据库中；
[0138]
自动质控模块，其配置为先基于形态学的分水岭方法对ii型细胞的样本图像实现优化分割，进而对分割后的ii型细胞样本图像进行冰晶识别及冰晶筛除处理，得到待计算的ii型细胞样本图像；
[0139]
二级分类模块，其配置为针对待计算的ii型细胞样本图像，结合色彩空间描述技术和样本聚类方法将ii型细胞细化分为两类并标识。
[0140]
进一步地，一个实施例中，所述样本采集模块配置为收集死亡30分钟之内生物体最后一根肋骨背最长肌的肌纤维组织作为样本。
[0141]
一个优选的实施例中，所述样本采集模块按照以下规则对一次切割后的肌纤维组织进行冷冻操作：
[0142]
将一次切割后的肌纤维组织置入管壁设有若干均匀小孔的塑料新型采样管中；
[0143]
在液氮中对肌纤维组织进行冷冻，以控制冰晶产生的概率。
[0144]
另外的，实际应用时，所述样本染色模块配置为：进行染色之前，在-20℃的温度环境中利用低温恒温切片机切取肌纤维组织的横切面切片，所述横截面切面须满足设定的尺寸要求。
[0145]
一个具体的实施例中，所述一级分类模块按照以下操作构建所述基础分类模型：
[0146]
步骤c1、将设定规模已具备基本分类标签的细胞图像样本分为分割训练样本和分割测试样本，分别建立分割训练数据库和分割测试数据库；
[0147]
步骤c2、选取训练数据库中的样本图像和既有分类结果数据输入ilastik系统中，采用随机森林算法迭代训练细胞分类模型；
[0148]
步骤c3、并将分割测试数据库中的样本图像输入最新的模型，评估所得标识结果与既有的真实分类标签结果匹配度，若不满足设定条件，实时更新并返回步骤c2；若满足设定条件，将最终得到的细胞分类模型作为目标基础分类模型。
[0149]
一个优选的实施例中，所述自动质控模块通过执行以下操作对ii型细胞样本图像进行处理：
[0150]
步骤a1、考虑拓扑学理论，利用分水岭方法基于区域将ii型细胞样本图像中细胞之间的链接分割开；
[0151]
步骤a2、利用四点采样法分区域对ii型细胞样本图像中的冰晶进行识别，当冰晶总数量超过设定条件时，采用设定的规则进行冰晶尺寸划分，并将符合设定尺条件的大冰晶剔除。
[0152]
进一步地，一个实施例中，所述自动质控模块在执行所述步骤a2之前还执行以下
操作：
[0153]
步骤b、采用五点采样法分区域计算ii型细胞样本图像的细胞数量的差值，用于表征样本图像中细胞分布的均匀程度，并剔除均匀程度不满足条件的样本图像。
[0154]
一个实施例中，所述二级分类模块执行以下操作以实现ii型细胞的精细分类：分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的rgb色彩空间特性，计算细胞内和细胞边缘处r值、g值、b值的均值，进而求差值以表征当前细胞，再基于所得差值利用聚类算法将ii型细胞分为iia型和iib型两类。
[0155]
另一个实施例中，所述二级分类模块还可以执行以下操作以实现ii型细胞的精细分类：二级分类步骤中，分别提取出ii型样本图像中细胞内部和细胞边缘处的图像色彩数据，利用细胞图像的hsv(hue，saturation，value)色彩空间特性，计算细胞内h值与细胞边缘处h值之差与整个细胞s值的比值数据表征当前细胞，再基于所得数据利用聚类算法将ii型细胞分为iia型和iib型两类。
[0156]
本发明实施例提供的基于atp酶染色的肌纤维细胞图像分类识别系统中，各个模块或单元结构可以根据实际识别和运算需求独立运行或组合运行，以实现相应的技术效果。
[0157]
另外，需要说明的是，根据实际的应用需求，为了方便用户的使用，我们可以搭建一个包含上述实施例中所有功能模块的网站或平台，可以大大的降低用户的使用成本以及计算成本。且本发明方法分类速度快，易用于工程实践当中，具有广阔的应用价值和市场前景。
[0158]
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而不意味着限制。
[0159]
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
[0160]
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。