[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

说明书

本发明公开了一种诱导性多能干细胞的自动检测方法、存储介质及装置，方法包括步骤：基于构建的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，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，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；基于有效分类特征识别出iPSCs显微镜图像中每个iPSCs的健康状况。本发明实现了自动从iPSCs的显微镜图像中检测出细胞的位置并识别出其健康状况，提高了检测效率和检测准确率。

技术领域

本发明涉及细胞培养检测领域，特别涉及一种诱导性多能干细胞的自动检测方法、存储介质及装置。

背景技术

诱导性多能干细胞(iPSCs)在基因表达、蛋白质转录和细胞分化等都与胚胎干细胞十分相似，可以分化成人体器官所需的各种不同类型的细胞，而且由于iPSCs可以由体细胞转化而来，从而在来源方面也避免了社会伦理问题，因此iPSCs在医学上有极大地应用空间。而在iPSCs的培养过程中，其健康状况对于后续的实验和治疗有着重要的意义

目前，研究人员还在探索并寻找更有效的iPSCs特征表示方法，在培养过程中，现有技术还需要医生根据协议来寻找细胞的位置并判断其健康状况。而在iPSCs的显微镜图像中，由于制备条件和设备的不同，图像中存在光照不均匀、细胞粘连等情况，这也为人工检测增加了更大的难度。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种诱导性多能干细胞的自动检测方法、存储介质及装置，旨在解决现有技术无法有效在显微镜图像中找出每个iPSCs的位置信息以及对应健康状况信息的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种诱导性多能干细胞的自动检测方法，其中，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。

所述诱导性多能干细胞的自动检测方法，其中，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。

所述诱导性多能干细胞的自动检测方法，其中，所述注意力模块包括通道注意力分支和空间注意力分支，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；

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控制注意力分支的特征，得到重编码的有效分类特征。