[发明专利]一种诱导性多能干细胞的自动检测方法、存储介质及装置

权利要求书

1.一种诱导性多能干细胞的自动检测方法，其特征在于，包括步骤：

构建基于注意力引导的多分支卷积神经网络模型，基于所述多分支卷积神经网络模型检测iPSCs显微镜图像中iPSCs的位置信息；

构建基于注意力引导的多尺度深监督分类网络模型，所述多尺度深监督分类网络模型包括多尺度残差卷积模块以及注意力模块，所述多尺度残差卷积模块用于对iPSCs显微镜图像进行不同尺度的卷积操作，获得图像特征，所述注意力模块用于对不同通道的图像特征和不同区域的图像特征进行重编码，获得有效分类特征；

基于所述有效分类特征识别出iPSCs显微镜图像中每个iPSCs的健康状况；

所述多分支卷积神经网络模型检测iPSCs显微镜图像中iPSCs的位置信息的步骤包括：以残差网络作为主干网络对iSPCs图像进行特征提取；区域提案网络RPN在所述主干网络提取的特征中获取iSPCs的候选框；多分支分类子网从候选框中筛选出iSPCs并返回其位置信息；

所述注意力模块用于对不同通道的图像特征和不同区域的图像特征进行重编码，获得有效分类特征的步骤包括：对于输入特征图其中w，h，c分别表示特征图的宽度、高度和特征图的通道数，在通道注意力分支中，通过全局平均池化层获取每个通道特征图的特征，然后为每个通道的特征分配一个权重，通过将权重与对应通道的特征相乘，使多尺度深监督分类网络模型在训练过程中自动学习每个类与不同通道特征之间的相关性；在空间注意力分支中，每个通道的特征经过一个1×1卷积层重新映射后，使用Sigmoid函数来获取不同区域特征的权重，通过将权重与特征图相乘，使多尺度深监督分类网络模型在训练过程中自动学习到每个类与不同区域特征之间的相关性；通过结合通道注意力分支和空间注意力分支的特征，得到重编码的有效分类特征。

2.根据权利要求1所述诱导性多能干细胞的自动检测方法，其特征在于，所述多尺度残差卷积模块包括1×1，3×3，5×5三种不同大小的卷积核。

3.根据权利要求1所述诱导性多能干细胞的自动检测方法，其特征在于，还包括步骤：

在所述多尺度深监督分类网络模型的中间层引出分支，将中间层的特征单独映射到一个新的全卷积层中，并接入Softmax函数中进行结果预测。

4.根据权利要求1所述诱导性多能干细胞的自动检测方法，其特征在于，所述构建基于注意力引导的多分支卷积神经网络模型的步骤包括：

以caffe为基础框架构建多分支卷积神经网络模型；

使用VGG16模型作为主干网络，并使用ImageNet与训练参数对所述多分支卷积神经网络模型进行初始化。

5.根据权利要求4所述诱导性多能干细胞的自动检测方法，其特征在于，还包括步骤：

将iPSCs显微镜图像有重叠的裁剪出800×600像素大小的切片；

对所述切片进行旋转、镜像和翻转的操作，制得检测训练数据集；

采用所述检测训练数据集对所述多分支卷积神经网络模型进行训练。

6.根据权利要求1所述诱导性多能干细胞的自动检测方法，其特征在于，所述构建基于注意力引导的多尺度深监督分类网络模型的步骤包括：

以TensorFlow和Keras为基础框架来构建多尺度深监督分类网络模型；

使用ResNet模型作为主干网络，并使用ImageNet预训练参数来对所述多尺度深监督分类网络模型进行初始化处理。

7.根据权利要求6所述诱导性多能干细胞的自动检测方法，其特征在于，还包括步骤：

根据iPSCs显微镜图像中的标注信息，提取出三类诱导性多能干细胞，分别为健康状况良好细胞图像，健康状况中等细胞图像以及健康状况一般细胞图像；

从所述iPSCs显微镜图像中裁剪出非诱导性多能干细胞图像，并将所述非诱导性多能干细胞图像重新缩放到224×224像素大小，得到缩放图像；

对所述缩放图像进行数据扩充，得到分类训练数据集；

采用所述分类训练数据集对所述多尺度深监督分类网络模型进行训练。