CN113283352B - 一种基于显微图像的类器官活力评价方法及系统 - Google Patents

一种基于显微图像的类器官活力评价方法及系统 Download PDF

Info

Publication number
CN113283352B
CN113283352B CN202110601223.3A CN202110601223A CN113283352B CN 113283352 B CN113283352 B CN 113283352B CN 202110601223 A CN202110601223 A CN 202110601223A CN 113283352 B CN113283352 B CN 113283352B
Authority
CN
China
Prior art keywords
organoid
training
microscopic
vitality
evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110601223.3A
Other languages
English (en)
Other versions
CN113283352A (zh
Inventor
李刚
陈泽新
于言
朱宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Accurate International Biotechnology Guangzhou Co ltd
Original Assignee
Accurate International Biotechnology Guangzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Accurate International Biotechnology Guangzhou Co ltd filed Critical Accurate International Biotechnology Guangzhou Co ltd
Priority to CN202110601223.3A priority Critical patent/CN113283352B/zh
Priority to PCT/CN2021/100855 priority patent/WO2022252298A1/zh
Publication of CN113283352A publication Critical patent/CN113283352A/zh
Application granted granted Critical
Publication of CN113283352B publication Critical patent/CN113283352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Abstract

本发明提供一种基于显微图像的类器官活力评价方法及系统。该方法包括：获取一系列类器官的显微图像；对其中的类器官进行人工类型判断，然后进行类器官框选并进行活力逐一评分，将评分结果作为类器官活力评价模型的训练集，并采用该训练集训练所述类器官活力评价模型；利用训练好的类器官活力评价模型对一幅显微图像进行自动活力评分，输出其中每个类器官的分值并汇总加权。该系统包括：显微图像获取装置；类器官活力评价装置，与所述显微图像获取装置连接，所述类器官活力评价装置包括类器官目标检测模块、类器官特征提取器和评分模块；通讯装置。本发明可以大大节约人力物力与时间成本，不受主观评分影响，得到长久统一的、精确的、稳定的评分。

Description

一种基于显微图像的类器官活力评价方法及系统
技术领域
本发明属于生物医药技术领域，具体涉及一种基于显微图像的类器官活力评价方法及系统。
背景技术
类器官(Organoid)是在体外用3D培养技术对干细胞或器官祖细胞进行诱导分化形成的在结构和功能上都类似目标器官或组织的三维细胞复合体，其具有稳定的表型和遗传学特征，能够在体外长期培养，它在形成过程中再现了体内器官发生的两个事件，即同类细胞以黏附的方式分类聚集和空间特异性的细胞谱系定型。与传统2D细胞培养模式相比，3D培养的类器官包含多种细胞类型，突破了细胞间单纯的物理接触联系，形成了更加紧密的细胞间生物通信，细胞间相互影响、诱导、反馈，协作发育并形成具有功能的迷你器官或组织，能更好地用于模拟器官组织的发生过程及生理病理状态，因而在基础研究以及临床诊疗方面具有广阔的应用前景。
现有的类器官评价体系，一般是基于人工观察所得，有人为误差，没有一个系统的评价体系，受主观影响较大，如实验员A认为一个类器官为活性高的，而实验员B则认为此类器官活性一般；仅有的少数评价体系也是建立在毒性或者加药情况下对比前后类器官显著区别的，并没有真正消除人为评价时前后不一的现象。
发明内容
针对现有技术存在的问题，本发明旨在提供一种基于显微图像的类器官活力评价方法及系统。本发明的技术方案为：
第一个方面，本发明提供一种基于显微图像的类器官活力评价方法，包括以下步骤：
步骤1，获取一系列类器官的显微图像；
步骤2，对该系列显微图像中的类器官进行人工类型判断，然后进行类器官框选并进行活力逐一评分，以形成类器官活力评价模型的训练集，并采用该训练集训练所述类器官活力评价模型；
步骤3，利用训练好的类器官活力评价模型对一幅类器官的显微图像进行自动类型判断、框选以及活力评分，输出所框选的每个类器官的分值并汇总加权。
进一步地，所述步骤2中框选为将符合细胞团数量和细胞团质量的类器官选定。
优选地，所述步骤2中类器官活力评价模型为神经网络模型，所述神经网络模型采用监督学习方法训练。
进一步地，所述神经网络模型的具体训练过程包括：
(1)训练类器官检测网络：将获取的一系列类器官的显微图像中的每个类器官进行框选，并用一个4维向量[x,y,w,h]对每个类器官所在的目标框进行位置编码，其中x表示目标框在图像中的横坐标索引，y表示目标框在图像中的纵坐标索引，w和h分别表示目标框的宽和高；采用编码后的所有类器官目标框和显微图像数据共同优化用于框选类器官检测的卷积网络，直至代价函数收敛；
(2)训练评价函数：将步骤(1)获得的所有位置编码和这些位置编码对应的显微图像送入卷积神经网络中训练，训练过程是基于熵最小化原理并采用对比学习策略优化评价函数，训练结束后提取所有图像中每个类器官的显著特征；
(3)拟合聚合函数：利用回归分析方法将所有图像中每个类器官的显著特征进行聚合，并与酶标仪器测定值进行对比，计算回归拟合曲线值，并确定各项特征权重。
进一步地，所述步骤(2)训练评价函数是基于熵最小化原理，其损失函数调用tf.nn包的函数，参数logits为前向网络输出值，labels的格式为[0，0，0，1，0，0，0，0，0，0]，采用运算公式如式I和II所示：
Figure GDA0003431927960000031
Hy‘(y)＝-∑iyilog(yi)， II
式I和II中，y′为labels，x为logits，交叉熵H是一种信息量，而softmax算子实现(0，1)概率映射。熵最小化策略用来去掉输入信息的冗余，明确区分各特征量并可形成分类。
进一步地，所述步骤(2)中对比学习策略优化评价函数是根据人工类型判断结果对损失函数权重进行初步分类，根据初步分类结果在进行聚类分析和对比学习损失，并过滤掉不可靠信息以及确定哪些样本参与训练，该过程所采用的公式如III-VI所示：
Figure GDA0003431927960000041
Figure GDA0003431927960000042
Figure GDA0003431927960000043
Figure GDA0003431927960000044
Figure GDA0003431927960000045
式III中，L代表损失函数，Lcls、Lcluster、Lcomp表示三种不同损失函数，α和β分别表示所占比重的系数；式IV中，Lcls为多头分类器的交叉熵损失函数，G代表抽取出的特征值；Cj代表多头分类器；下标j表示多头分类器编号；xi为输入样本，
Figure GDA0003431927960000046
为xi的评分注释；n和k表示i和j的总值；I(x)表示判断函数，若为真，I(x)＝1，否则为0；式V中，Lcluster为邻近约束损失，pv u代表xv和xu的亲和性，u和v即两个随机不同样本；hu和hv基于邻近约束可以一定程度上反映xv和xu的亲和性，Zu为亲和力的总和，T是表示矩阵转置；式VI中，Lcomp为比较损失函数；M为评分函数，用来输出类器官质量评估；xu和xv为训练样本中的某一样本位置；S表示u和v两样本比较后的评分高低，u>v，S＝1；u＝v，S＝0；u<v，S＝-1。综上，可得损失函数L。
第二个方面，本发明提供一种基于显微图像的类器官活力评价系统，包括：
显微图像获取装置，用于获取类器官的显微图像；
类器官活力评价装置，与所述显微图像获取装置连接，所述类器官活力评价装置包括类器官目标检测模块、类器官特征提取模块和评分模块；
所述类器官目标检测模块用于对所述类器官显微图像中满足条件的类器官进行评估、训练所述类器官活力评价模型及更新所述类器官活力评价模型的训练集；
所述类器官特征提取模块用于提取模型训练完毕后所有图像中每个类器官的显著特征；
所述评分模块在基于所述类器官显著特征的基础上用于对获取的显微图像中的类器官进行活力评分；
通讯装置，用于将所述显微图像获取装置和所述类器官活力评价装置通讯连接。
第三个方面，本发明提供上述类器官活力评价方法及类器官活力评价系统在类器官培养中的应用。
第四个方面，本发明提供一种类器官培养方法，包括以下步骤：
获取待培养组织；
采用本领域常规方法培养类器官；
培养过程中采用上述类器官活力评价方法及类器官活力评价系统进行类器官活力判断。
本发明的有益效果为：本发明以类器官影像为数据，是一种直观的生长状态数据，且建立了以类器官为个体的全自动评价体系。将其应用于类器官培养过程的智能监控，通过系统的全自动框选与评分搭配，可以大大节约人力物力与时间成本，不受主观评分影响，能得到长久统一的、精确的、稳定的评分，可作为质控的标准。
附图说明
图1为本发明实施例1中显微镜下拼接完成后的图像。
图2为本发明实施例1中框选与评分完成后的图像。
图3为本发明实施例2中显微镜下拼接完成后的图像。
图4为本发明实施例2中框选与评分完成后的图像。
图5为本发明实施例2的评分方法与ATP方法的对比图。
具体实施方式
在本发明的描述中，需要说明的是，实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
下面结合附图和具体的实施例对本发明做进一步详细说明，所述是对本发明的解释而不是限定。
具体地，本发明提供一种基于显微图像的类器官活力评价方法，包括以下步骤：
步骤1，获取一系列类器官的显微图像，包括一定时间序列内类器官的影像资料。具体方法为：将类器官孔板放入全自动高通量活细胞成像系统中，设定好各项参数(焦距，层切与拼接数量，拍照间隔时间)，连续记录7-14天拍照获取数据；也可通过显微镜成像拍照获取图像，不过如果要求得到潜力数值，需要视野固定且有时间序列。前述的全自动高通量活细胞成像系统为市售装置，是一种具有高分辨率的成型装置。
步骤2，对该系列显微图像中的类器官进行人工类型判断，然后进行类器官框选(忽略不需要的类器官：直径小于30μm的，外壁松散形状溃散的，透光度差内部坏死的)，并进行活力逐一评分，以形成类器官活力评价模型的训练集，并采用该训练集训练所述类器官活力评价模型。所述类器官活力评价模型为神经网络模型，所述神经网络模型采用监督学习方法训练。具体训练过程包括：
(1)训练类器官检测网络：将获取的一系列类器官的显微图像中的每个类器官进行框选，并用一个4维向量[x,y,w,h]对每个类器官所在的目标框进行位置编码，其中x表示目标框在图像中的横坐标索引，y表示目标框在图像中的纵坐标索引，w和h分别表示目标框的宽和高；采用编码后的所有类器官目标框和显微图像数据共同优化用于框选类器官检测的卷积网络，直至代价函数收敛；
训练评价函数：将步骤(1)获得的所有位置编码和这些位置编码对应的显微图像送入卷积神经网络中训练，训练过程是基于熵最小化原理并采用对比学习策略优化评价函数。其中所述熵最小化原理的损失函数调用tf.nn包的函数，参数logits为前向网络输出值，labels的格式为[0，0，0，1，0，0，0，0，0，0]，采用运算公式如式I和II所示：
Figure GDA0003431927960000081
Hy‘(y)＝-∑iyilog(yi)， II
(1)式I和II中，y′为labels，x为logits，交叉熵H是一种信息量，而softmax算子实现(0，1)概率映射。熵最小化策略用来去掉输入信息的冗余，明确区分各特征量并可形成分类。
(2)所述对比学习策略优化评价函数是根据人工类型判断结果对损失函数权重进行初步分类，根据初步分类结果在进行聚类分析和对比学习损失，并过滤掉不可靠信息以及确定哪些样本参与训练，该过程所采用的公式如III-VI所示：
Figure GDA0003431927960000082
Figure GDA0003431927960000083
Figure GDA0003431927960000084
Figure GDA0003431927960000085
Figure GDA0003431927960000086
式III中，L代表损失函数，Lcls、Lcluster、Lcomp表示三种不同损失函数，α和β分别表示所占比重的系数；式IV中，Lcls为多头分类器的交叉熵损失函数，G代表抽取出的特征值；Cj代表多头分类器；下标j表示多头分类器编号；xi为输入样本，
Figure GDA0003431927960000091
为xi的评分注释；n和k表示i和j的总值；I(x)表示判断函数，若为真，I(x)＝1，否则为0；式V中，Lcluster为邻近约束损失，pv u代表xv和xu的亲和性，u和v即两个随机不同样本；hu和hv基于邻近约束可以一定程度上反映xv和xu的亲和性，Zu为亲和力的总和，T是表示矩阵转置；式VI中，Lcomp为比较损失函数；M为评分函数，用来输出类器官质量评估；xu和xv为训练样本中的某一样本位置；S表示u和v两样本比较后的评分高低，u>v，S＝1；u＝v，S＝0；u<v，S＝-1。综上，可得损失函数L。
(3)拟合聚合函数：利用回归分析方法将所有图像中每个类器官的显著特征进行聚合，并与酶标仪器测定值进行对比，计算回归拟合曲线值，并确定各项特征权重。训练结束后提取所有图像中每个类器官的显著特征。
步骤3，利用训练好的类器官活力评价模型对一幅类器官的显微图像进行自动类型判断、框选以及活力评分，输出所框选的每个类器官的分值并汇总加权。
本发明还提供一种基于显微图像的类器官活力评价系统，包括：
显微图像获取装置，用于获取类器官的显微图像。具体采用型号为Cytation5的全自动高通量活细胞成像系统，先制作类器官孔板，然后放入该活细胞成像系统中，设定好各项参数(焦距，层切与拼接数量，拍照间隔时间)，连续记录7-14天拍照获取数据。也可通过显微镜成像拍照获取图像，不过如果要求得到潜力数值，需要视野固定且有时间序列。
类器官活力评价装置，与所述显微图像获取装置连接，所述类器官活力评价装置包括类器官目标检测模块、类器官特征提取模块和评分模块。所述类器官目标检测模块用于对所述类器官显微图像中满足条件的类器官进行评估、训练所述类器官活力评价模型及更新所述类器官活力评价模型的训练集。类器官目标检测模块具体是一种类器官目标检测器(比如FasterRCNN、YOLO、SSD等)，是基于一种专用目标检测神经网络模型，利用监督学习策略优化，并用于检测高通量影像中的满足条件的类器官样本。所述类器官特征提取模块用于提取模型训练完毕后所有图像中每个类器官的显著特征；通过多任务学习和无监督学习策略，提取对质量评价具高度判别能力的深度特征。所述评分模块在基于所述类器官显著特征的基础上用于对获取的显微图像中的类器官进行活力评分，其评分过程引入对比学习策略，将提取的类器官特征映射到一个标量值，标量值的大小表示输入类器官的发育质量。聚合函数将高通量图像中所有类器官特征进行汇总，得出单张高通量图像即对应孔的活力值评分。
通讯装置，用于将所述显微图像获取装置和所述类器官活力评价装置通讯连接。具体地，采用有线网络连接。
本发明还提供上述类器官活力评价方法及类器官活力评价系统在类器官培养中的应用。
本发明还提供一种类器官培养方法，包括以下步骤：
获取待培养组织；
采用本领域常规方法培养类器官；
培养过程中采用上述类器官活力评价方法及类器官活力评价系统进行类器官活力判断。
实施例1
本实施例提供一种基于显微图像的小鼠肝脏类器官活力评价方法，包括以下步骤：
(1)获取肝类器官影像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像最好包含三维信息(即层切叠加)。
(2)将数据载入类器官活力评价装置，并输入样本类别：肝脏类器官。
(3)将所有图像均一拼接成全景图像，如图1。
(4)筛选图像中符合要求的类器官，忽略不需要的类器官(直径小于30μm的，外壁松散形状溃散的，透光度差内部坏死的)。
(5)对筛选的肝类器官进行框选并逐一评分，如图2。
(6)最后输出每个类器官的分值并汇总加权后，得此视野分数为72分。
实施例2
本实施例提供一种基于显微图像的小鼠肺类器官活力评价方法，包括以下步骤：
(1)获取肺类器官影像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像最好包含三维信息(即层切叠加)
(2)将数据载入“AI类器官评分系统”，并输入样本类别：肺成熟类器官。
(3)将所有图像均一拼接成全景图像，如图3。
(4)筛选图像中符合要求的类器官，忽略不需要的类器官(直径小于30μm的，外壁松散形状溃散的，透光度差内部坏死的)。
(5)对筛选的肺类器官进行框选并逐一评分，如图4。
(6)最后输出每个类器官的分值并汇总加权后，得此视野分数为88分。
实施例3
将实施例2的方法与ATP法活力评价方法进行效果对比，采用小鼠肺类器官，具体操作如下：
(1)取5孔小鼠肺类器官，用实施例2的方法分别进行显微拍照与类器官活力评分；分数分别为1号20分，2号38分，3号57分，4号62分，5号88分。
(2)取5孔小鼠肺类器官，采用ATP法测定细胞活力值，得吸光度值为1号72561，2号165413，3号358941，4号385497，5号635210。ATP法为本领域测定类器官活力的常规方法，这里不做详细描述。
(3)做折线图如图5所示，AI法与ATP法曲线基本吻合，AI活力评价具有准确性。
实施例4
本实施例考察实施例1的类器官活力评价方法的稳定性，具体操作如下：
(1)以实施例1的方法，进行单一孔短时间内多次重复拍照，每次显微镜拍摄参数维持不变，取得10张显微图像(编号为1-10)。
(2)10张图片载入类器官活力评价装置，得出如表1所示评分，CV值为1.29％，证明此评分系统稳定性高。
表1 10张图片的评分值
Figure GDA0003431927960000131
综上，本发明的基于显微图像的类器官活力评价方法及系统可以大大节约人力物力与时间成本，不受主观评分影响，能得到长久统一的、精确的、稳定的评分，可作为质控的标准。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于显微图像的类器官活力评价方法，其特征在于：包括以下步骤：
步骤1，获取一系列类器官的显微图像；步骤2，对该系列显微图像中的类器官进行人工类型判断，然后进行类器官框选并进行活力逐一评分，以形成类器官活力评价模型的训练集，并采用该训练集训练所述类器官活力评价模型；所述类器官活力评价模型为神经网络模型，所述神经网络模型采用监督学习方法训练，具体训练过程包括：
(1)训练类器官检测网络：将获取的一系列类器官的显微图像中的每个类器官进行框选，并用一个4维向量[x,y,w,h]对每个类器官所在的目标框进行位置编码，其中x表示目标框在图像中的横坐标索引，y表示目标框在图像中的纵坐标索引，w和h分别表示目标框的宽和高；采用编码后的所有类器官目标框和显微图像数据共同优化用于框选类器官检测的卷积网络，直至代价函数收敛；
(2)训练评价函数：将步骤(1)获得的所有位置编码和这些位置编码对应的显微图像送入卷积神经网络中训练，训练过程是基于熵最小化原理并采用对比学习策略优化评价函数，训练结束后提取所有图像中每个类器官的显著特征；
(3)拟合聚合函数：利用回归分析方法将所有图像中每个类器官的显著特征进行聚合，并与酶标仪器测定值进行对比，计算回归拟合曲线值，并确定各项特征权重；
步骤3，利用训练好的类器官活力评价模型对一幅类器官的显微图像进行自动类型判断、框选以及活力评分，输出所框选的每个类器官的分值并汇总加权。
2.根据权利要求1所述的一种基于显微图像的类器官活力评价方法，其特征在于：所述步骤(2)中训练评价函数是基于熵最小化原理，其损失函数调用tf.nn包的函数，参数logits为前向网络输出值，labels的格式为[0，0，0，1，0，0，0，0，0，0]，采用运算公式如式I和II所示：
Figure FDA0003431927950000021
Hy‘(y)＝-∑iy‘ilog(yi)， II
式I和II中，y'为labels，x为logits，交叉熵H是一种信息量，而softmax算子实现(0,1)概率映射，熵最小化策略用来去掉输入信息的冗余，明确区分各特征量并可形成分类。
3.根据权利要求2所述的一种基于显微图像的类器官活力评价方法，其特征在于：所述步骤(2)中对比学习策略优化评价函数是根据人工类型判断结果对损失函数权重进行初步分类，根据初步分类结果在进行聚类分析和对比学习损失，并过滤掉不可靠信息以及确定哪些样本参与训练，该过程所采用的公式如III-VI所示：
Figure FDA0003431927950000022
Figure FDA0003431927950000023
Figure FDA0003431927950000024
Figure FDA0003431927950000025
Figure FDA0003431927950000026
式III中，L代表损失函数，Lcls、Lcluster、Lcomp表示三种不同损失函数，α和β分别表示所占比重的系数；式IV中，Lcls为多头分类器的交叉熵损失函数，G代表抽取出的特征值；Cj代表多头分类器；下标j表示多头分类器编号；xi为输入样本，
Figure FDA0003431927950000031
为xi的评分注释；n和k表示i和j的总值；I(x)表示判断函数，若为真，I(x)＝1，否则为0；式V中，Lcluster为邻近约束损失，pv u代表xv和xu的亲和性，u和v即两个随机不同样本；hu和hv基于邻近约束可以一定程度上反映xv和xu的亲和性，Zu为亲和力的总和，T是表示矩阵转置；式VI中，Lcomp为比较损失函数；M为评分函数，用来输出类器官质量评估；xu和xv为训练样本中的某一样本位置；S表示u和v两样本比较后的评分高低，u>v，S＝1；u＝v，S＝0；u<v，S＝-1；综上，可得损失函数L。
4.一种基于显微图像的类器官活力评价系统，其特征在于：所述系统包括：
显微图像获取装置，用于获取类器官的显微图像；
类器官活力评价装置，与所述显微图像获取装置连接，所述类器官活力评价装置包括类器官目标检测模块、类器官特征提取模块和评分模块；
所述类器官目标检测模块用于对所述类器官显微图像中满足条件的类器官进行评估、训练所述类器官活力评价模型及更新所述类器官活力评价模型的训练集；
所述类器官特征提取模块用于提取模型训练完毕后所有图像中每个类器官的显著特征；
所述评分模块在基于所述类器官显著特征的基础上用于对获取的显微图像中的类器官进行活力评分；
其中，所述类器官活力评价模型为神经网络模型，所述神经网络模型采用监督学习方法训练，具体训练过程包括：
(1)训练类器官检测网络：将获取的一系列类器官的显微图像中的每个类器官进行框选，并用一个4维向量[x,y,w,h]对每个类器官所在的目标框进行位置编码，其中x表示目标框在图像中的横坐标索引，y表示目标框在图像中的纵坐标索引，w和h分别表示目标框的宽和高；采用编码后的所有类器官目标框和显微图像数据共同优化用于框选类器官检测的卷积网络，直至代价函数收敛；
(2)训练评价函数：将步骤(1)获得的所有位置编码和这些位置编码对应的显微图像送入卷积神经网络中训练，训练过程是基于熵最小化原理并采用对比学习策略优化评价函数，训练结束后提取所有图像中每个类器官的显著特征；
(3)拟合聚合函数：利用回归分析方法将所有图像中每个类器官的显著特征进行聚合，并与酶标仪器测定值进行对比，计算回归拟合曲线值，并确定各项特征权重；
通讯装置，用于将所述显微图像获取装置和所述类器官活力评价装置通讯连接。
5.权利要求1～3任意一项所述的一种基于显微图像的类器官活力评价方法及权利要求4所述的一种基于显微图像的类器官活力评价系统在类器官培养中的应用。
6.一种类器官培养方法，其特征在于：包括以下步骤：
获取待培养组织；
采用本领域常规方法培养类器官；
培养过程中采用权利要求1～3任意一项所述的一种基于显微图像的类器官活力评价方法结合权利要求4所述的一种基于显微图像的类器官活力评价系统进行类器官活力判断。
CN202110601223.3A 2021-05-31 2021-05-31 一种基于显微图像的类器官活力评价方法及系统 Active CN113283352B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110601223.3A CN113283352B (zh) 2021-05-31 2021-05-31 一种基于显微图像的类器官活力评价方法及系统
PCT/CN2021/100855 WO2022252298A1 (zh) 2021-05-31 2021-06-18 一种基于显微图像的类器官活力评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110601223.3A CN113283352B (zh) 2021-05-31 2021-05-31 一种基于显微图像的类器官活力评价方法及系统

Publications (2)

Publication Number Publication Date
CN113283352A CN113283352A (zh) 2021-08-20
CN113283352B true CN113283352B (zh) 2022-04-12

Family

ID=77282680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110601223.3A Active CN113283352B (zh) 2021-05-31 2021-05-31 一种基于显微图像的类器官活力评价方法及系统

Country Status (2)

Country Link
CN (1) CN113283352B (zh)
WO (1) WO2022252298A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358973B (zh) * 2022-07-22 2023-10-03 创芯国际生物科技(广州)有限公司 一种基于人工智能的类器官atp分析方法及系统
CN116012838B (zh) * 2022-12-30 2023-11-07 创芯国际生物科技(广州)有限公司 基于人工智能的类器官活性识别方法及系统
CN117710828B (zh) * 2024-02-06 2024-04-12 深圳市森歌数据技术有限公司 一种半监督的自然保护地遥感影像场景识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110283724A (zh) * 2019-07-09 2019-09-27 汇芯(北京)科技有限公司 一种高通量类器官表型筛查系统和方法
CN110338843A (zh) * 2019-08-02 2019-10-18 无锡海斯凯尔医学技术有限公司 组织评价方法、装置、设备及计算机可读存储介质
CN110373380A (zh) * 2019-06-14 2019-10-25 中国科学院生态环境研究中心 一种肝脏类器官模型及其建立方法和应用
WO2020072977A1 (en) * 2018-10-04 2020-04-09 The Rockefeller University Systems and methods for identifying bioactive agents utilizing unbiased machine learning
CN113378831A (zh) * 2021-05-07 2021-09-10 太原理工大学 一种小鼠胚胎器官识别与评分方法与系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11067786B2 (en) * 2019-06-07 2021-07-20 Leica Microsystems Inc. Artifact regulation methods in deep model training for image transformation
CN111489833A (zh) * 2019-12-19 2020-08-04 上海杏脉信息科技有限公司 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020072977A1 (en) * 2018-10-04 2020-04-09 The Rockefeller University Systems and methods for identifying bioactive agents utilizing unbiased machine learning
CN110373380A (zh) * 2019-06-14 2019-10-25 中国科学院生态环境研究中心 一种肝脏类器官模型及其建立方法和应用
CN110283724A (zh) * 2019-07-09 2019-09-27 汇芯(北京)科技有限公司 一种高通量类器官表型筛查系统和方法
CN110338843A (zh) * 2019-08-02 2019-10-18 无锡海斯凯尔医学技术有限公司 组织评价方法、装置、设备及计算机可读存储介质
CN113378831A (zh) * 2021-05-07 2021-09-10 太原理工大学 一种小鼠胚胎器官识别与评分方法与系统

Also Published As

Publication number Publication date
CN113283352A (zh) 2021-08-20
WO2022252298A1 (zh) 2022-12-08

Similar Documents

Publication Publication Date Title
CN113283352B (zh) 一种基于显微图像的类器官活力评价方法及系统
CN103907023B (zh) 检测生物学样品中的异常的系统和方法
CN107748256B (zh) 一种循环肿瘤细胞的液体活检检测方法
US7796815B2 (en) Image analysis of biological objects
CN1869996B (zh) 医疗测量数据的后处理
CN108288506A (zh) 一种基于人工智能技术的癌症病理辅助诊断方法
CN114359899B (zh) 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质
JP5439096B2 (ja) 細菌分類装置および細菌検査前処理装置
WO2013030175A2 (en) Systems and methods for tissue classification
CN109416313A (zh) 图像地图集系统和方法
JP5524974B2 (ja) 生物全体から、高含量（ｈｉｇｈ−ｃｏｎｔｅｎｔ）の情報を自動的に抽出するためのシステムおよび方法。
CN113283353B (zh) 一种基于显微图像的类器官细胞计数方法及系统
CN110728666B (zh) 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统
CN112001315A (zh) 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法
Wanner et al. Methods for mapping neuronal activity to synaptic connectivity: lessons from larval zebrafish
CN109406506B (zh) 一种共享式自测健康终端及测试方法
CN112540039A (zh) 一种可用于直接计算贴壁活细胞数量的方法
CN112883770A (zh) 一种基于深度学习的pd-1/pd-l1病理图片识别方法和装置
CN105765074A (zh) 细胞判定方法、细胞判定装置及细胞判定程序
Liu et al. TSDLPP: a novel two-stage deep learning framework for prognosis prediction based on whole slide histopathological images
CN114463290A (zh) 一种基于显微图像的类器官类型智能识别方法及系统
Reissig et al. Artefacts in volume data generated with high resolution episcopic microscopy (HREM)
CN112750493B (zh) 基于巴氏染色方式的dna倍体定量分析方法及系统
CN115358973A (zh) 一种基于人工智能的类器官atp分析方法及系统
CN110598561A (zh) 基于机器学习的细胞玻片分析方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Chen Zexin

Inventor after: Yu Yan

Inventor after: Zhu Yu

Inventor after: Qiu Pei

Inventor before: Li Gang

Inventor before: Chen Zexin

Inventor before: Yu Yan

Inventor before: Zhu Yu

CB03 Change of inventor or designer information