CN113421221A - 一种检测早期iPSCs质量的方法、存储介质及装置 - Google Patents
一种检测早期iPSCs质量的方法、存储介质及装置 Download PDFInfo
- Publication number
- CN113421221A CN113421221A CN202110553855.7A CN202110553855A CN113421221A CN 113421221 A CN113421221 A CN 113421221A CN 202110553855 A CN202110553855 A CN 202110553855A CN 113421221 A CN113421221 A CN 113421221A
- Authority
- CN
- China
- Prior art keywords
- ipscs
- colony
- quality
- bright field
- early
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开一种检测早期iPSCs质量的方法、存储介质及装置,其中,所述方法包括步骤:获取iPSCs菌落明场显微图像,并根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记,得到标记后iPSCs菌落明场显微图像;采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型;将待测iPSCs菌落明场显微图像样本输入所述已训练目标检测模型,输出带有预测类别和边界框的图像。本发明提供的方法对早期iPSCs质量好坏的检测效率高、耗时低、速度快,能比较准确的在早期判断iPSCs菌落的质量。
Description
技术领域
本发明涉及多功能干细胞检测技术领域,特别涉及一种检测早期iPSCs质量的方法、存储介质及装置。
背景技术
诱导性多能干细胞(induced pluripotent stem cells,iPSCs)的疾病模型和细胞替代治疗方法已被证明是非常强大的,在再生医学生物医学研究中具有广阔的发展前景。能够重新编程的诱导性多能干细胞提供了一个机会来生成多能不同的细胞系,可以用于帮助建成人类疾病模型、药物发现和细胞移植疗法。实现多能性状态在大多数重编程的研究是受到严重的限制,如重编程效率低和缓慢的动力学。这些限制主要是由于当成熟细胞被诱导达到多能状态时,重编程过程中存在强大的屏障。几项研究表明,这些障碍的内在因素包括,诸如重编程因子的非最佳化学计量、特定的信号通路、细胞衰老、多能性抑制转录因子和微小核糖核酸等。此外,体细胞的表观遗传状态和特殊的表观遗传变化时产生的重组也显著阻碍iPSCs的生成。
目前,研究人员提出了许多诱导多能干细胞(iPSCs)的制备方法,尽管随着技术的进步,iPSCs的制备变得越来越方便,转录成功率也极大提高,但由于环境和制备条件的不同,目前获得的iPSCs在基因表达、细胞分化等方面存在一定的差异,制备的iPSCs是一组健康质量不同的细胞群体。由于未分化iPSCs的健康质量是进一步实验和治疗的必要条件,因此寻找一种快速有效的评价iPSCs健康质量的方法对iPSCs的应用和发展具有重要意义。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种检测早期iPSCs质量的方法、存储介质及装置,旨在解决现有技术无法高效准确地检测早期iPSCs质量好坏的问题。
本发明的技术方案如下:
一种检测早期iPSCs质量的方法,其中,包括步骤:
获取iPSCs菌落明场显微图像,并根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记,得到标记后iPSCs菌落明场显微图像;
采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型;
将待测iPSCs菌落明场显微图像样本输入所述已训练目标检测模型,输出带有预测类别和边界框的图像。
所述检测早期iPSCs质量的方法,其中,根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记的步骤包括:
人工观察iPSCs菌落明场显微图像,并在第13天质量评价标准中根据iPSCs菌落的生长情况进行标记;
对iPSCs培养过程中,若在第13天的iPSCs菌落明场显微图像中目标位置无菌落形成,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量差;若在第13天的iPSCs菌落明场显微图像中目标位置形成菌落,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量佳。
所述检测早期iPSCs质量的方法,其中,采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型的步骤包括:
将标记后iPSCs菌落明场显微图像划分为训练集图像和测试集图像,其中,训练集图像和测试集图像的数量比为7:3;
采用训练集图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型。
所述检测早期iPSCs质量的方法,其中,采用训练集图像对基于EfficientDet的目标检测模型进行训练之前包括步骤:
手动筛选和过滤出跨界单元区域小于预设区域的细胞。
所述检测早期iPSCs质量的方法,其中,采用训练集图像对基于EfficientDet的目标检测模型进行训练的步骤中,通过对所述训练集图像进行旋转角度、调整饱和度、调整曝光或调整色调生成更多训练集图像。
所述检测早期iPSCs质量的方法,其中,所述基于EfficientDet的目标检测模型包括EfficientNets主干网络、双向特征金字塔网络BiFPN以及类/边界框网络。
所述检测早期iPSCs质量的方法,其中,所述双向特征金字塔网络BiFPN集成了双向跨尺度连接和快速归一化融合,其输出公式为:和其中,w1为学习权重,是自上而下路径中,第6级的中间特征,而是自下而上路径中,第六级的输出特征。
一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现本发明任意一项所述检测早期iPSCs质量的方法中的步骤。
一种检测早期iPSCs质量的装置,其中,包括处理器,适于实现各指令;以及存储介质,适于存储多条指令,所述指令适于由处理器加载并执行本发明所述检测早期iPSCs质量的方法中的步骤。
有益效果:与现有技术相比,本发明使用基于EfficientDet的目标检测模型来检测iPSC的位置和质量好坏,EfficientDet是一种复合缩放方法,其网络在各种资源限制下持续获得比现有技术高得多的效率,EfficientDet具有同时将所有骨干网络、特征网络、边界框和类预测网络的分辨率、深度和宽度统一缩放的功能。本发明还在EfficientNet的基础之上,新增了集成了双向跨尺度连接和快速归一化特征融合的双向特征金字塔网络,极大的提高了早期iPSCs质量检测精度和效率。
附图说明
图1为本发明一种检测早期iPSCs质量的方法较佳实施例的流程图。
图2为本发明检测早期iPSCs质量的方法较佳实施例的示意图。
图3为本发明中基于EfficientDet的目标检测模型结构组成图。
图4为本发明一种检测早期iPSCs质量的装置原理图。
具体实施方式
本发明提供一种检测早期iPSCs质量的方法、存储介质及装置,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
诱导性多能干细胞(iPSCs)在基因表达、蛋白质转录和分化能力方面与胚胎干细胞相似,因此在开发药物或治疗疾病等方面有巨大的潜力。但由于环境和制备条件的不同,目前获得的iPSCs在基因表达、细胞分化等方面存在一定的差异,制备的iPSCs是一组健康质量不同的细胞群体,未分化的iPSCs的健康质量好坏是进一步实验和治疗的必要条件,在传统方法当中,医生基于协议来判别细胞的健康质量,这不但耗时,而且十分主观。
基于此,本发明提供了一种检测早期iPSCs质量的方法,如图1所示,其包括步骤:
S10、获取iPSCs菌落明场显微图像,并根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记,得到标记后iPSCs菌落明场显微图像;
S20、采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型;
S30、将待测iPSCs菌落明场显微图像样本输入所述已训练目标检测模型,输出带有预测类别和边界框的图像。
本实施例使用基于EfficientDet的目标检测模型来检测iPSC的位置和质量好坏,EfficientDet是一种复合缩放方法,其网络在各种资源限制下持续获得比现有技术高得多的效率,EfficientDet具有同时将所有骨干网络、特征网络、边界框和类预测网络的分辨率、深度和宽度统一缩放的功能。本发明还在EfficientNet的基础之上,新增了集成了双向跨尺度连接和快速归一化特征融合的双向特征金字塔网络,极大的提高了早期iPSCs质量检测精度和效率。
具体来讲,通过实验技术手段可以逆转未分化细胞的分化进程,从一种基因表达谱转换成另一套表达谱,这种实现细胞类型转化的方法称为“重编程”。2006年,日本山中伸弥团队利用慢性病毒载体将Oct4、Scx2、c-Myc、Klf4四种转录因子转入小鼠成体细胞中,将小鼠成体细胞成功转化为诱导性多能干细胞(iPSCs)。本实施例iPSCs的重编程过程采用的方法为CytoTune-iPS 2.0Sendai Reprogramming Kit(0.01%-1%重编程效率),iPSCs重新编程过程如图2中的A所示,在第20天使用到的生物标志有CD44、Tra-1-60,对iPSCs菌落进行染色。本实施例获取的iPSCs菌落明场显微图像数据是在第8天转皿后开始采集,一直追踪到第20天,取第13天、第12天、第11天、第10天和第9天的数据进行对比观察,再在第9天的数据上进行标注,如图2中的B所示,人工观察iPSCs菌落明场显微图像,并在第13天质量评价标准中根据iPSCs菌落的生长情况进行标记;对iPSCs培养过程中,若在第13天的iPSCs菌落明场显微图像中目标位置无菌落形成,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量差;若在第13天的iPSCs菌落明场显微图像中目标位置形成菌落,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量佳。
在一些具体的实施方式中,本实施例使用的是深圳大学医学部医学中心提供的iPSCs显微镜图像数据集。该实验的目的是检测iPSCs在显微镜图像中的位置,并鉴定它们是否是高质量的细胞克隆。该数据集总共包含310张iPSCs显微镜图像。其中150张用于训练,65张用于测试。它们被标记有iPSCs坐标信息。总共6750个干细胞样本被包括在150张训练集图像中。共有2700个干细胞样本被包括在65张测试集图像中。
目前,iPSCs的生物学鉴定大多时间较长,会对细胞造成不可逆的损伤。比如免疫荧光需要固定细胞。Q-PCR需要消耗细胞,周期过长,不能立竿见影,不稳定。因此,最合适的方法是活细胞的免疫荧光染色。事实上,科研机构或企业使用活细胞染色的成本非常高。采集的训练样本和测试样本数据的标记均依靠人工观察iPSCs菌落的明场图像,并在第13天质量评价标准中根据iPSCs菌落的生长情况进行标记。质量较差的细胞将缓慢死亡,第13天无菌落形成。第8天,我们更换废培养基,如图2中的B所示。在第九天,对能追溯到13天的iPSCs菌落进行标注。由于部分细胞菌落重叠比较严重,对于边界框重叠率超过30%的,本实施例进行了边界框的合并。
在一些实施方式中,采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型的步骤包括:将标记后iPSCs菌落明场显微图像划分为训练集图像和测试集图像,其中,训练集图像和测试集图像的数量比为7:3;采用训练集图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型。
在本实施例中,使用滑动窗口从原始图像中存在重叠的地方裁剪出1024×1024像素的切片。在原始数据中,iPSCs菌落的大小差异很大,如果跨界细胞区域的面积太小,就会影响模型的训练。因此,本实施例将手动筛选和过滤出跨界单元区域小于预设区域的细胞。在训练过程中,通过旋转角度、调整饱和度、调整曝光、调整色调来生成更多的训练样本。
在本实施例中,如图2和图3所示,所述基于EfficientDet的目标检测模型包括EfficientNets主干网络、双向特征金字塔网络BiFPN以及类/边界框网络。本实施例提供的基于EfficientDet的目标检测模型在EfficientNets主干网络的基础之上,新增了集成了双向跨尺度连接和快速归一化特征融合的双向特征金字塔网络BiFPN,极大的提高了早期iPSCs质量检测精度和效率。
具体来讲,同时优化精度和效率的关键难点在于如何放大基准EfficientDet模型。以往的方法当中大多是通过采用更大的骨干网络来放大基准检测器,诸如ResNeXt和AmoebaNet,或者使用更大的输入图像,堆叠更多的FPN(Feature Pyramid Networks,FPN)层,但通常都是以牺牲计算效率为代价。EfficientDet通过联合放大网络宽度、深度和输入分辨率的所有维度的方式进行在图像分类上表现出显著的性能。
双向跨尺度连接特征提取网络结合了传统的自上而下的FPN与跨尺度连接,获得了更高的精确度和更高的效率。在传统的自上而下FPN的基础上增加一个自底向上的路径聚合网络,可提高了算法的准确性。最近在跨尺度连接方向也取得了不错的成果,但由于其需要更多的参数和更高的硬件要求,使得发展受到限制。在EfficientDet当中提出得双向跨尺度连接,它去除了那些只有一条输入边而没有特征融合的节(这是因为它对以融合不同特征为目的的特征网络的贡献较小),这就简化了双向网络。如果这些节点处于同一水平,则在原始输入到输出节点之间增加一条额外的边,从而在不增加太多代价的情况下融合更多的特征。每个特征网络层都有一条自上而下的路径和一条自下而上的路径,称为双向路径,以获得更高层次的特征融合。
特征融合的通用方法是首先将它们调整到相同的分辨率,然后对它们进行求和。以往的方法都认为所有输入特征是是等价贡献的,实际上,不同的特征输入有着不同的分辨率,对输出结果的贡献也是不尽相同的,为此对不同的特征输入分配不同的权重系数来缓解这个问题。为了达到高效的目标,这里选择快速归一化的特征融合方式,见公式(1)所示。BiFPN集成了双向跨尺度连接和快速归一化融合,其输出见公式(2)(3)所示。
这里使用Relu激活函数来保证wi的非负性质,同时加上常数ε以确保分母不为0,每一个归一化权重的值在[0,1]之间。
在本实施例中,EfficientNets主干网络使用ImageNet先进行预训练,使用BiFPN从EfficientNets主干网络中提取特征,进行双向特征融合,融合后的特征送到类/边界框网络进行预测,输出带有预测类别和边界框的图像。本实施例提供的检测早期iPSCs质量的方法对早期iPSCs质量好坏的检测效率高、耗时低、速度快,能比较准确的在早期判断iPSCs菌落的质量。
在一些实施方式中,还提供一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现本发明任意一项所述检测早期iPSCs质量的方法中的步骤。
在一些实施方式中,如图4所示,还提供一种检测早期iPSCs质量的装置,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
综上所述,本发明使用基于EfficientDet的目标检测模型来检测iPSC的位置和质量好坏,EfficientDet是一种复合缩放方法,其网络在各种资源限制下持续获得比现有技术高得多的效率,EfficientDet具有同时将所有骨干网络、特征网络、边界框和类预测网络的分辨率、深度和宽度统一缩放的功能。本发明还在EfficientNet的基础之上,新增了集成了双向跨尺度连接和快速归一化特征融合的双向特征金字塔网络,极大的提高了早期iPSCs质量检测精度和效率。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种检测早期iPSCs质量的方法,其特征在于,包括步骤:
获取iPSCs菌落明场显微图像,并根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记,得到标记后iPSCs菌落明场显微图像;
采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型;
将待测iPSCs菌落明场显微图像样本输入所述已训练目标检测模型,输出带有预测类别和边界框的图像。
2.根据权利要求1所述检测早期iPSCs质量的方法,其特征在于,根据iPSCs菌落的生长情况对iPSCs菌落明场显微图像进行标记的步骤包括:
人工观察iPSCs菌落明场显微图像,并在第13天质量评价标准中根据iPSCs菌落的生长情况进行标记;
对iPSCs培养过程中,若在第13天的iPSCs菌落明场显微图像中目标位置无菌落形成,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量差;若在第13天的iPSCs菌落明场显微图像中目标位置形成菌落,则在第9天的iPSCs菌落明场显微图像中对应位置标记质量佳。
3.根据权利要求1所述检测早期iPSCs质量的方法,其特征在于,采用所述标记后iPSCs菌落明场显微图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型的步骤包括:
将标记后iPSCs菌落明场显微图像划分为训练集图像和测试集图像,其中,训练集图像和测试集图像的数量比为7:3;
采用训练集图像对基于EfficientDet的目标检测模型进行训练,得到已训练目标检测模型。
4.根据权利要求3所述检测早期iPSCs质量的方法,其特征在于,采用训练集图像对基于EfficientDet的目标检测模型进行训练之前包括步骤:
手动筛选和过滤出跨界单元区域小于预设区域的细胞。
5.根据权利要求3所述检测早期iPSCs质量的方法,其特征在于,采用训练集图像对基于EfficientDet的目标检测模型进行训练的步骤中,通过对所述训练集图像进行旋转角度、调整饱和度、调整曝光或调整色调生成更多训练集图像。
6.根据权利要求1所述检测早期iPSCs质量的方法,其特征在于,所述基于EfficientDet的目标检测模型包括EfficientNets主干网络、双向特征金字塔网络BiFPN以及类/边界框网络。
8.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-7任意一项所述检测早期iPSCs质量的方法中的步骤。
9.一种检测早期iPSCs质量的装置,其特征在于,包括处理器,适于实现各指令;以及存储介质,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7任意一项所述检测早期iPSCs质量的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553855.7A CN113421221A (zh) | 2021-05-20 | 2021-05-20 | 一种检测早期iPSCs质量的方法、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553855.7A CN113421221A (zh) | 2021-05-20 | 2021-05-20 | 一种检测早期iPSCs质量的方法、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113421221A true CN113421221A (zh) | 2021-09-21 |
Family
ID=77712667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553855.7A Pending CN113421221A (zh) | 2021-05-20 | 2021-05-20 | 一种检测早期iPSCs质量的方法、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421221A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035119A (zh) * | 2022-08-12 | 2022-09-09 | 山东省计算中心(国家超级计算济南中心) | 一种玻璃瓶底瑕疵图像检测剔除装置、系统及方法 |
US20230235295A1 (en) * | 2021-03-07 | 2023-07-27 | Cellino Biotech, Inc. | Platforms and systems for automated cell culture |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563494A (zh) * | 2020-07-16 | 2020-08-21 | 平安国际智慧城市科技股份有限公司 | 基于目标检测的行为识别方法、装置和计算机设备 |
CN112132001A (zh) * | 2020-09-18 | 2020-12-25 | 深圳大学 | 一种用于iPSC的自动追踪和质量控制方法及终端设备 |
-
2021
- 2021-05-20 CN CN202110553855.7A patent/CN113421221A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563494A (zh) * | 2020-07-16 | 2020-08-21 | 平安国际智慧城市科技股份有限公司 | 基于目标检测的行为识别方法、装置和计算机设备 |
CN112132001A (zh) * | 2020-09-18 | 2020-12-25 | 深圳大学 | 一种用于iPSC的自动追踪和质量控制方法及终端设备 |
Non-Patent Citations (1)
Title |
---|
MINGXING TAN ET AL: "EfficientDet: Scalable and Efficient Object Detection", 《IEEE XPLORE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230235295A1 (en) * | 2021-03-07 | 2023-07-27 | Cellino Biotech, Inc. | Platforms and systems for automated cell culture |
CN115035119A (zh) * | 2022-08-12 | 2022-09-09 | 山东省计算中心(国家超级计算济南中心) | 一种玻璃瓶底瑕疵图像检测剔除装置、系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stylianidou et al. | SuperSegger: robust image segmentation, analysis and lineage tracking of bacterial cells | |
Versari et al. | Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform | |
Meijering et al. | Tracking in cell and developmental biology | |
Yang Yu et al. | Image processing and classification algorithm for yeast cell morphology in a microfluidic chip | |
CN113421221A (zh) | 一种检测早期iPSCs质量的方法、存储介质及装置 | |
CN112132001B (zh) | 一种用于iPSC的自动追踪和质量控制方法及终端设备 | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
CN113283352B (zh) | 一种基于显微图像的类器官活力评价方法及系统 | |
Fero et al. | Automated quantitative live cell fluorescence microscopy | |
Wang et al. | Biological image analysis using deep learning-based methods: literature review | |
Luo et al. | Detection and quantification of cotton trichomes by deep learning algorithm | |
Du et al. | Organoids revealed: morphological analysis of the profound next generation in-vitro model with artificial intelligence | |
Yang et al. | A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems | |
Zhu et al. | Development of a novel noninvasive quantitative method to monitor Siraitia grosvenorii cell growth and browning degree using an integrated computer‐aided vision technology and machine learning | |
Wang et al. | Segmentation of yeast cell’s bright-field image with an edge-tracing algorithm | |
CN106874712B (zh) | 一种基于池化时间序列特征表示的细胞分裂事件识别方法 | |
Liu et al. | The analysis of yeast cell morphology features in exponential and stationary Phase | |
Robitaille et al. | A self-supervised machine learning approach for objective live cell segmentation and analysis | |
CN107194319A (zh) | 基于支持向量机排序的有丝分裂定位和识别的方法 | |
CN113221761B (zh) | 基于集成式Yolo网络的iPSCs群落检测方法、存储介质及装置 | |
Yue et al. | Quality evaluation of induced pluripotent stem cell colonies by fusing multi-source features | |
CN115482229A (zh) | 常规超声和超声造影图像乳腺肿瘤识别方法及装置 | |
Kaur et al. | A novel methodology for automatic bacterial colony counter | |
JP2024515512A (ja) | 迅速で自動化された画像ベースのウイルスプラークおよびポテンシーアッセイ |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |