[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

说明书

本发明公开一种基于深度学习的单细胞质谱系统自动聚焦方法。采用Pytorch深度学习框架构建模型，包括区域滤除机制、特征提取网络、分类器、分布式标签编码。采用单张图像作为模型的输入，根据实际需要对图像进行分块处理，在此基础上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，再使用特征提取网络得到高维度的语义特征，这些特征经过分类器、分布式标签编码得到最终预测的散焦距离，即当前位置距离最佳成像位置的距离。本发明方法可以大大提高高分辨率图像输入下系统的实时性。

技术领域

本发明属于仪器科学领域，具体涉及一种基于深度学习的单细胞质谱系统自动聚焦方法。

背景技术

细胞作为生物体的最基本的结构和功能单位，细胞个体之间的异质性对于探索微观声明活动规律至关重要。为了更深层次地探索单细胞并获取更为精准的细胞生物学信息，必须从单细胞水平进行测量研究。目前，单细胞分析技术在近十年来取得了巨大的突破。而质谱分析技术作为一种高灵敏度和高特异性的非标志性检测技术，在细胞代谢物组学分析上得到了广泛的应用。Nano-ESI技术是一种具有高离子化效率和高灵敏度的“软”离子化技术，较传统的电喷雾离子源，其消耗样品更少，具有更高的离子化效率和更充分的离子化时间。在Nano-ESI技术的基础上提出的脉冲直流电纳喷雾离子源技术(Pico-ESI)可以显著延长质谱信号的持续时间。而人们往往采用液滴微萃取取样方法与Pico-ESI相结合的质谱分析方法，这种方法实现了高通量的单细胞代谢物组学分析。

上述方法的关键在于是否能提取到细胞萃取液，一般情况下，只要移液管尖端达到最佳萃取位置就可提取到细胞萃取液。为了充分地提取到细胞萃取液，于是在单细胞质谱系统中引入了视觉伺服控制系统，通过判断成像模块采集来的移液管图像的清晰度来确定移液管尖端是否准确到达了最佳的萃取位置。图像聚集效果越好，图像越清晰，那么移液管距离最佳萃取位置越近，于是这就变成了成像系统自动聚焦的过程。图像的聚焦效果随着移液管的变化而变化。但是移液管的移动是非常耗时的，严重影响了系统运行的效率。早期采用人工进行操作，后来采用传统的数字图像处理技术来计算由伺服系统中成像模块采集来的图像中感兴趣(ROI)区域的品质因数，以此来确定移液管的最佳萃取位置。然而传统的图像处理技术极易受外界光照等环境因素的影响，因此会出现较大的误差，精度较低。同时，图像的ROI区域的确定和品质因数的计算需要较长的计算时间，传统的图像处理技术很难满足单细胞系统近乎实时的响应要求。针对上述的精度差的问题，常用的方法为增加额外的硬件设备，但这无疑增加了系统的成本。

发明内容

本发明的第一个目的是针对现有技术的不足，提出一种基于深度学习的单细胞质谱系统自动聚集方法，该方法基于深度学习的图像处理技术，以提高复杂环境下单细胞质谱系统自动聚焦方法的精度和效率。

一种基于深度学习的单细胞质谱系统自动聚焦方法，在很大程度上解决了复杂、多变环境下系统自动聚焦精度差、效率低的问题。该种方法采用Pytorch深度学习框架构建模型，该模型主要由区域滤除机制、特征提取网络、分布式标签编码三部分构成。采用单张图像作为模型的输入，根据实际需要对图像进行分块处理，在此基础上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，再使用特征提取网络得到高维度的语义特征，这些特征经过分类器、分布式标签编码得到最终预测的散焦距离，即当前位置距离最佳成像位置的距离。为了解决数据之间的差异性和数据分布不均匀的问题，在特征提取网络部分采用CrossNorm机制，这使得模型效果更加稳定。

该方法具体包括以下步骤：

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)整个聚焦过程中每间隔一个固定时间获取对应移液管图像，共获取N张连续时刻的移液管尖端实时运动图像，本发明可以取N＝40。