本发明涉及荧光图像处理,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:
1、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。
2、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。
技术实现思路
1、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。
2、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:
3、s101、构建细胞分类模型;
4、s102、对所述细胞分类模型进行训练;
5、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;
6、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;
7、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;
8、s106、根据所述待测细胞核轮廓图像,获取待检测图像;
9、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。
10、进一步地,在步骤s101中,所述细胞分类模型的构建方法包括:
11、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;
12、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,
13、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;
14、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,
15、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。
16、进一步地,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:
17、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;
18、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;
19、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;
20、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,
21、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;
22、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;
23、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;
24、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。
25、进一步地,对所述细胞分类模型进行训练还包括如下方法步骤:
26、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。
27、进一步地,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。
28、进一步地,在步骤s204中,通过如下方法获取多幅训练图像;
29、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;
30、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。
31、进一步地,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。
32、进一步地,在步骤s206中
33、将正常细胞类数据集,按照8:2的比例的分为第一训练集与第一测试集;
34、将异常细胞类数据集,按照8:2的比例的分为第二训练集与第二测试集。
35、进一步地,在步骤s207中,所述细胞分类模型进行训练之前,对所述第一训练集和所述第二训练集进行预处理,包括:降噪、锐化、平滑和/或二值化。
36、进一步地,在步骤s207中,对所述细胞分类模型进行训练的过程中,采用随机梯度下降法迭代细胞分类模型的参数,直至损失函数的值不再下降。
37、进一步地,在步骤s103中,通过目标检测算法对待测细胞荧光图像进行目标检测,采用目标框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。
38、进一步地,在步骤s106中,获取待检测图像之前,对所述待测细胞核轮廓图像进行预处理,包括:降噪、锐化、平滑和/或二值化。
39、进一步地,在步骤s106中,通过如下方法获取获取待检测图像:
40、在待测细胞核轮廓图像中,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;
41、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,得到待检测图像。
42、与现有技术相比,本发明具有以下有益效果:
43、本发明提供的一种基于细胞荧光图像的细胞分类方法,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。
44、本发明提供的一种基于细胞荧光图像的细胞分类方法,细胞分类模型包括图神经网络、注意力卷积神经网络、卷积神经网络以及全链接神经网络,图神经网络的输出端与注意力卷积神经网络的输出端分别与卷积神经网络的输入端连接,卷积神经网络的输出端与全链接神经网络的输入端连接,图神经网络用于提取空间特征,注意力卷积神经网络用于提取荧光信号点的数量,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,融合特征包括细胞中荧光信号点的数量特征,全链接神经网络用于根据融合特征对细胞进行分类,能够实现对荧光信号点的准确识别,并对每个细胞核中的荧光信号点进行准确计数,进而实现对细胞进行准确分类。