[发明专利]一种基于深度学习的单细胞质谱系统自动聚焦方法在审

专利信息
申请号: 202210271869.4 申请日: 2022-03-18
公开(公告)号: CN114764787A 公开(公告)日: 2022-07-19
发明(设计)人: 薛凌云;许洋洋;刘亦安;徐平;祝磊;严明 申请(专利权)人: 杭州电子科技大学
主分类号: G06T7/00 分类号: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
代理公司: 杭州君度专利代理事务所(特殊普通合伙) 33240 代理人: 朱亚冠
地址: 310018 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 细胞质 谱系 自动 聚焦 方法
【权利要求书】:

1.一种基于深度学习的单细胞质谱系统自动聚焦方法,其特征在于包括以下步骤:

步骤1、获取单细胞质谱系统中移液管尖端的实时运动图像,并进行人工打标签,构建数据集;将数据集一部分作为训练集,另一部分作为测试集;

所述标签采用以下方法获得:

(1)整个聚焦过程中间隔固定时间获取N张连续时刻的移液管尖端实时运动图像;

(2)从图像中人工筛选出移液管尖端聚焦效果最佳的一张图像,记为图像x0,并将该图像x0中移液管尖端位置作为最佳萃取成像位置;

(3)将上述图像x0作为参照图像,并计算根据以下公式计算各图像的散焦距离;

其中dn表示图像xn的散焦距离,表示图像x0的时刻,表示图像xn的时刻,n∈{1,2,3,...,N},T表示固定间隔时长;

步骤2、搭建Pytorch深度学习模型,并利用训练集进行训练,然后利用测试集进行测试;

所述Pytorch深度学习模型包括区域滤除机制模块、特征提取网络、分类器、分布式标签编码模块;

所述区域滤除机制模块采用通道注意力机制对感兴趣区域进行筛选,滤除背景信息;具体是:

(1)将单细胞质谱系统中移液管尖端实时运动图像按照中心裁剪的方式裁剪为规定的图像块尺寸的整数倍大小,并将裁剪后的图像进行灰度处理,得到灰度图;

(2)将上述灰度图进行分块处理,且每一图像块均为相同的尺寸;再将图像块沿通道方向堆叠,得到一个多通道样本数据;

(3)使用通道注意力机制对上述得到的多通道样本数据进行处理,得到一个通道掩膜;

(4)使用上述通道掩膜与多通道样本数据沿通道方向进行点乘,得到滤除背景后数据;

所述特征提取网络用于根据区域滤除机制模块输出的滤除背景后数据提取高维度的语义特征;

所述分类器用于根据特征提取网络输出的语义特征进行分类;

所述分布式标签编码模块用于对分类器输出的分类信息进行编码得到输入图像的散焦距离预测值

步骤3、利用训练测试好的Pytorch深度学习模型实现对单细胞质谱系统中移液管尖端实时运动图像的散焦距离预测,进而实现对单细胞质谱系统进行自动聚焦。

2.如权利要求1所述的方法,其特征在于所述特征提取网络以MobileNetV2为基础架构,在基础架构中的每一个bottleneck块后加入CrossNorm机制。

3.如权利要求2所述的方法,其特征在于所述MobileNetV2由卷积块、bottleneck块和池化层堆叠而成。

4.如权利要求3所述的方法,其特征在于所述MobileNetV2中卷积块由卷积操作、BatchNorm操作和Relu操作构成;bottleneck块使用的是一个倒残差结构:采用1x1卷积升维,3x3的深度可分离卷积和1x1卷积降维。

5.如权利要求1所述的方法,其特征在于散焦距离表示为分布式标签预测值与编码刻度的点乘,即:

式中的表示样本数据xn的散焦距离预测值,Pn表示样本数据xn对应的K维编码刻度,Pn={pj},j∈{1,2,3,...,K},表示分布式标签预测值,N表示样本数量。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210271869.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top