[发明专利]一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法

说明书

本发明公开了一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法，涉及图像识别处理领域，该方法包括：获取斑马鱼幼鱼采样图像制作数据集，对斑马鱼幼鱼采样图像进行关键点标注，构建多层卷积神经网络训练数据集并进一步计算，达到自动化识别在显微镜视野中斑马鱼幼鱼的姿态，通过帧差法对斑马鱼待测图像进行逐帧比较，通过检测斑马鱼心脏的细微变化，得到斑马鱼心脏的具体位置。该方法成本较低，操作简单，能够有效提高准确率，解决了传统注射方法中由操作人员人为判断引起的操作误差。

技术领域

本发明涉及图像识别处理领域，尤其是一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法。

背景技术

斑马鱼是一种热带淡水硬骨鱼，是目前世界上重要的模式动物之一。其繁殖速度极快，可以为研究节省大量时间。其胚胎以及幼鱼期间通体透明，可以便于观察体内的器官发育情况。且斑马鱼的基因组在测序后，结果与人类的基因有着很高的相似度。这使得斑马鱼在多种学科及研究领域均具备极高的研究价值，也使斑马鱼成为近几十年生物医学等领域最受欢迎的研究模型之一。

在斑马鱼的研究实验中，注射是最常用的一项技术。传统的注射技术一般是通过人工寻找斑马鱼的心脏进行注射操作，需要事先对操作人员进行一系列培训，费时费力，且实际操作中存在多种环境因素影响，导致注射成功率偏低，且容易引入外界污染，因此如何确定斑马鱼的心脏位置是研究实验的关键。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法，解决了传统注射方法中由操作人员人为判断心脏位置引起的操作误差。

本发明的技术方案如下：

一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法，包括如下步骤：

获取斑马鱼幼鱼采样图像，建立斑马鱼的深度学习数据集；

建立多层卷积神经网络，用深度学习数据集对多层卷积神经网络进行训练优化，得到斑马鱼幼鱼的最优深度学习算法模型；

获取斑马鱼幼鱼待测图像并输入至最优深度学习算法模型，得到实时状态下的待测斑马鱼幼鱼的关键点坐标，关键点包括头、尾、双眼、身体凹陷点和鱼鳔；

根据各个关键点坐标确定待测斑马鱼幼鱼的心脏区域，通过帧差法检测心脏区域，根据待测斑马鱼幼鱼的心脏跳动检测出待测斑马鱼幼鱼心脏的准确位置。

其进一步的技术方案为，获取斑马鱼幼鱼采样图像，建立斑马鱼的深度学习数据集，包括：

使用MS-222对斑马鱼幼鱼进行麻醉处理，将麻醉后的斑马鱼幼鱼放在显微镜下，利用显微镜下的CCD相机进行拍摄得到斑马鱼幼鱼采样图像，并建立斑马鱼的深度学习数据集；使用labelme标注工具对斑马鱼幼鱼采样图像的各个关键点进行标注；将所有标注后的斑马鱼幼鱼采样图像随机划分为数据集对应的训练集以及测试集。

其进一步的技术方案为，用深度学习数据集对多层卷积神经网络进行训练优化，得到斑马鱼幼鱼的最优深度学习算法模型，包括：

训练采用pytorch进行开发，并采用NVIDIA GPU对训练进行加速，训练集训练完成后，用测试集对训练结果进行测试，通过调节学习率以及损失函数得出最优深度学习算法模型。

其进一步的技术方案为，多层卷积神经网络为CPM网络，CPM网络包括六个阶段，六个阶段顺次相连，则获取斑马鱼幼鱼待测图像并输入至最优深度学习算法模型，得到实时状态下的待测斑马鱼幼鱼的关键点，包括：

对斑马鱼幼鱼待测图像进行缩放得到尺寸变换后的斑马鱼幼鱼待测图像；尺寸变换后的斑马鱼幼鱼待测图像依次经过CPM网络的六个阶段后输出实时状态下的待测斑马鱼幼鱼的关键点；

其中，第一阶段包括依次相连的第一卷积网络、卷积核为1的卷积层以及卷积层输出的第一阶段置信图；