CN113989496A - 一种癌症类器官识别方法 - Google Patents
一种癌症类器官识别方法 Download PDFInfo
- Publication number
- CN113989496A CN113989496A CN202111385226.4A CN202111385226A CN113989496A CN 113989496 A CN113989496 A CN 113989496A CN 202111385226 A CN202111385226 A CN 202111385226A CN 113989496 A CN113989496 A CN 113989496A
- Authority
- CN
- China
- Prior art keywords
- cancer
- cancer organoid
- organoid
- image information
- organoids
- 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.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 108
- 201000011510 cancer Diseases 0.000 title claims abstract description 108
- 210000002220 organoid Anatomy 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000003814 drug Substances 0.000 claims abstract description 14
- 229940079593 drug Drugs 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 210000000056 organ Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种癌症类器官识别方法，其包括以下步骤：S1、获取培养皿孔位的完整图像信息；S2、从培养皿孔位的完整图像信息中分离得到癌症类器官个体图像信息；S3、根据癌症类器官个体图像信息获取该癌症类器官的类别信息；S4、判断是否结束识别，若是则结束；否则进入步骤S5；S5、重复步骤S1‑S4，获取单个癌症类器官的数据变化差异，完成癌症类器官识别。本发明作为一个完整的技术方案，各个步骤环环紧扣，最终解决了自动化癌症类器官培养过程中对癌症类器官的观测筛选问题，为癌症类器官的药敏性筛选提供依据。
Description
技术领域
本发明涉及癌症类器官识别领域，具体涉及一种癌症类器官识别方法。
背景技术
类器官属于三维(3D)细胞培养物，包含其代表器官的一些关键特性。此类体外培养系统包括一个自我更新干细胞群，可分化为多个器官特异性的细胞类型，与对应的器官拥有类似的空间组织并能够重现对应器官的部分功能，从而提供一个高度生理相关系统。
传统的癌症类器官的观测手段主要是通过显微成像技术，针对的是小区域的单个癌症类器官个体。而在癌症类器官的大规模培育过程中，既需要对培养皿孔位区域(面积相对较大)内的多个癌症类器官进行观测，同时也需要对癌症类器官的个体差异进行关注，这样才能够知道添加的药物对癌症类器官生长的具体影响。传统显微成像的方式仅适用于单个癌症类器官的观测，不适用于大批量培育的情况，且当单个癌症类器官随时间的增加而发生形态变化时，难以对其进行及时的跟踪与识别。
发明内容
针对现有技术中的上述不足，本发明提供的一种癌症类器官识别方法解决了传统显微成像的方式不适用于癌症类器官大批量培育的情况的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种癌症类器官识别方法，其包括以下步骤：
S1、获取培养皿孔位的完整图像信息；
S2、从培养皿孔位的完整图像信息中分离得到癌症类器官个体图像信息；
S3、根据癌症类器官个体图像信息获取该癌症类器官的类别信息；
S4、获取最近两次获得的同一癌症类器官的数据变化差异；
S5、判断是否结束识别，若是则结束；否则返回步骤S1。
进一步地，步骤S1的具体方法为：
采用机械手握持相机，根据相机的视野设置机械手间隔移动的距离，并在每次停留时进行拍照，将每轮拍摄照片进行拼接，得到培养皿孔位的完整图像信息。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、通过限制对比度自适应直方图均衡算法对培养皿孔位的完整图像信息进行预处理，得到预处理后的图像；
S2-2、将预处理后的图像输入Unet模型，得到相应前景背景分类图像；
S2-3、将预处理后的图像和相应前景背景分类图像作为输入，采用条件随机场算法对相应前景背景分类图像进行优化，得到优化图；
S2-4、通过连通域处理算法获取并记录优化图中癌症类器官个体以及相应重心坐标、长和宽信息，得到单个癌症类器官图像信息。
进一步地，步骤S3的具体分类方法包括以下子步骤：
S3-1、将单个癌症类器官图像信息作为Alexnet模型的输入，判断当前癌症类器官与其他癌症类器官的粘连数量是否大于第一阈值，若是则将其类别分类为黏附样本；否则进入步骤S3-2；
S3-2、判断当前癌症类器官的清晰纹路占比是否高于第二阈值，若是则将其类别分类为正样本；否则将其类别分类为负样本。
进一步地，步骤S4的具体方法包括以下子步骤：
S4-1、按照类别采用同一种颜色的方式将所有癌症类器官进行赋色，并对目标癌症类器官进行编号标记；
S4-2、在培养皿中添加药物，每隔设定时间进行一次拍照，获取不同时刻目标癌症类器官在整体上和个体上的各类数据；
S4-3、通过对比不同时刻整体上的类别的数量差异，获取添加的药物对癌症类器官的整体作用趋势；通过对比每个癌症类器官个体的数据变化差异，获取添加的药物对单个癌症类器官的影响趋势。
本发明的有益效果为：
1、本方法解决了自动化癌症类器官培养过程中对癌症类器官的观测筛选问题，为癌症类器官的药敏性筛选提供依据。
2、本方法通过机械手移动拍照的方式，可以准确进行图像拼接，同时准确获取癌症类器官的坐标。
3、本发明解决了相机移动带来的光照条件不均匀，同时解决了明场下癌症类器官图像特征不够明显的问题。
4、本发明解决了Unet模型针对癌症类器官的输出结果通常会存在些许瑕疵，会影响后续进程的问题。
附图说明
图1为本方法的流程示意图；
图2为预处理图像的效果示意图；
图3为本发明采用的unet模型的结构示意图；
图4为相应前景背景分类图像优化前后的对比示意图；
图5为本发明采用的Alexnet模型的结构示意图；
图6为正样本示意图；
图7为负样本示意图；
图8为黏附样本示意图；
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该癌症类器官识别方法包括以下步骤：
S1、获取培养皿孔位的完整图像信息；
S2、从培养皿孔位的完整图像信息中分离得到癌症类器官个体图像信息；
S3、根据癌症类器官个体图像信息获取该癌症类器官的类别信息；
S4、获取最近两次获得的同一癌症类器官的数据变化差异；
S5、判断是否结束识别，若是则结束；否则返回步骤S1。
为了保留癌症类器官个体的细微特征信息，因此将图像分辨率设置较高，图像上一个像素代表实际长度约为0.648微米，在高精度要求下，图像尺度较大，单次拍照是不可能完成的，故步骤S1的具体方法为：采用机械手握持相机，根据相机的视野设置机械手间隔移动的距离，并在每次停留时进行拍照，将每轮拍摄照片进行拼接，得到培养皿孔位的完整图像信息。
由于相机移动会带来一定程度上光照条件的不均匀，同时明场下癌症类器官图像特征不够明显，所以为了使运算结果更准确，需要对图像进行预先处理，步骤S2的具体方法为：
通过限制对比度自适应直方图均衡算法对培养皿孔位的完整图像信息进行预处理，得到预处理后的图像；该步骤使得每一张图像中较暗的区域亮度、对比度都有所提高，这样使得所有图像的亮度能保持在一定的范围，同时癌症类器官的图像特征得到有效突出(纹路更显著)，具体效果如图2所示(图2中左边为原培养皿孔位的完整图像，右边为预处理后的图像)；
将预处理后的图像输入Unet模型，得到相应前景背景分类图像；Unet模型的结构如图3所示；
由于Unet模型输出结果通常会存在些许瑕疵，因此将预处理后的图像和相应前景背景分类图像作为输入，采用条件随机场算法对相应前景背景分类图像进行优化，得到优化图，优化效果如图4所示(左边2个为优化前，右边两个为优化后)；
优化图是一幅二值图像，因此可以通过连通域处理算法获取并记录优化图中癌症类器官个体以及相应重心坐标、长和宽信息，从而能够裁剪出原图中对应的区域，这样便得到单个癌症类器官图像信息。
步骤S3的具体分类方法包括以下子步骤：
S3-1、将单个癌症类器官图像信息作为Alexnet模型的输入，判断当前癌症类器官与其他癌症类器官的粘连数量是否大于第一阈值，若是则将其类别分类为黏附样本；否则进入步骤S3-2；其中Alexnet模型的结构如图5所示；
S3-2、判断当前癌症类器官的清晰纹路占比是否高于第二阈值，若是则将其类别分类为正样本；否则将其类别分类为负样本。图6、图7和图8中从左到右分别包含了癌症类器官的原图、预处理后的图像和优化图，从图6、图7和图8中可以看出，若不通过癌症类器官图像信息对癌症类器官进行分类，则从优化图开始就难以进行类型区分了，故分类有助于后期对癌症类器官的准确识别。同时可以看出，只有进行预处理的图像，才能更好的凸显癌症类器官的纹理，进而才能进行后续的类型识别。
步骤S4的具体方法包括以下子步骤：
S4-1、按照类别采用同一种颜色的方式将所有癌症类器官进行赋色(正样本为绿色，负样本为蓝色，黏附样本为红色)，并对目标癌症类器官进行编号标记，记录它的坐标、形态、类别等信息，用于进行跟踪；
S4-2、在培养皿中添加药物，每隔设定时间进行一次拍照，获取不同时刻目标癌症类器官在整体上和个体上的各类数据；
S4-3、通过对比不同时刻整体上的类别的数量差异，获取添加的药物对癌症类器官的整体作用趋势；通过对比每个癌症类器官个体的数据变化差异，获取添加的药物对单个癌症类器官的影响趋势。
在本发明的一个实施例中，通过以上癌症类器官的识别过程，能够更好地进行癌症类器官的药敏筛选。
综上所述，本发明作为一个完整的技术方案，各个步骤环环紧扣，最终解决了自动化癌症类器官培养过程中对癌症类器官的观测筛选问题，为癌症类器官的药敏性筛选提供依据。
Claims (5)
1.一种癌症类器官识别方法，其特征在于，包括以下步骤：
S1、获取培养皿孔位的完整图像信息；
S2、从培养皿孔位的完整图像信息中分离得到癌症类器官个体图像信息；
S3、根据癌症类器官个体图像信息获取该癌症类器官的类别信息；
S4、获取最近两次获得的同一癌症类器官的数据变化差异；
S5、判断是否结束识别，若是则结束；否则返回步骤S1。
2.根据权利要求1所述的癌症类器官识别方法，其特征在于，步骤S1的具体方法为：
采用机械手握持相机，根据相机的视野设置机械手间隔移动的距离，并在每次停留时进行拍照，将每轮拍摄照片进行拼接，得到培养皿孔位的完整图像信息。
3.根据权利要求1所述的癌症类器官识别方法，其特征在于，步骤S2的具体方法包括以下子步骤：
S2-1、通过限制对比度自适应直方图均衡算法对培养皿孔位的完整图像信息进行预处理，得到预处理后的图像；
S2-2、将预处理后的图像输入Unet模型，得到相应前景背景分类图像；
S2-3、将预处理后的图像和相应前景背景分类图像作为输入，采用条件随机场算法对相应前景背景分类图像进行优化，得到优化图；
S2-4、通过连通域处理算法获取并记录优化图中癌症类器官个体以及相应重心坐标、长和宽信息，得到单个癌症类器官图像信息。
4.根据权利要求3所述的癌症类器官识别方法，其特征在于，步骤S3的具体分类方法包括以下子步骤：
S3-1、将单个癌症类器官图像信息作为Alexnet模型的输入，判断当前癌症类器官与其他癌症类器官的粘连数量是否大于第一阈值，若是则将其类别分类为黏附样本；否则进入步骤S3-2；
S3-2、判断当前癌症类器官的清晰纹路占比是否高于第二阈值，若是则将其类别分类为正样本；否则将其类别分类为负样本。
5.根据权利要求1所述的癌症类器官识别方法，其特征在于，步骤S4的具体方法包括以下子步骤：
S4-1、按照类别采用同一种颜色的方式将所有癌症类器官进行赋色，并对目标癌症类器官进行编号标记；
S4-2、在培养皿中添加药物，每隔设定时间进行一次拍照，获取不同时刻目标癌症类器官在整体上和个体上的各类数据；
S4-3、通过对比不同时刻整体上的类别的数量差异，获取添加的药物对癌症类器官的整体作用趋势；通过对比每个癌症类器官个体的数据变化差异，获取添加的药物对单个癌症类器官的影响趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385226.4A CN113989496B (zh) | 2021-11-22 | 2021-11-22 | 一种癌症类器官识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385226.4A CN113989496B (zh) | 2021-11-22 | 2021-11-22 | 一种癌症类器官识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989496A true CN113989496A (zh) | 2022-01-28 |
| CN113989496B CN113989496B (zh) | 2022-07-12 |
Family
ID=79749748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111385226.4A Active CN113989496B (zh) | 2021-11-22 | 2021-11-22 | 一种癌症类器官识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989496B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPS205202A0 (en) * | 2002-05-02 | 2002-06-06 | Flinders Technologies Pty Ltd | A method and system for computer aided detection of cancer |
| US20170285002A1 (en) * | 2016-03-16 | 2017-10-05 | Public University Corporation Yokohama City University | Method for reconstituting tumor with microenvironment |
| CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
| CN111126162A (zh) * | 2019-11-28 | 2020-05-08 | 东软集团股份有限公司 | 一种识别图像中炎症细胞的方法、装置及存储介质 |
| CN111961591A (zh) * | 2020-09-25 | 2020-11-20 | 北方工业大学 | 一种细胞传代批量培养与检测装置及方法 |
| CN112085059A (zh) * | 2020-08-06 | 2020-12-15 | 温州大学 | 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 |
| CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
-
2021
- 2021-11-22 CN CN202111385226.4A patent/CN113989496B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPS205202A0 (en) * | 2002-05-02 | 2002-06-06 | Flinders Technologies Pty Ltd | A method and system for computer aided detection of cancer |
| US20170285002A1 (en) * | 2016-03-16 | 2017-10-05 | Public University Corporation Yokohama City University | Method for reconstituting tumor with microenvironment |
| CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
| CN111126162A (zh) * | 2019-11-28 | 2020-05-08 | 东软集团股份有限公司 | 一种识别图像中炎症细胞的方法、装置及存储介质 |
| CN112085059A (zh) * | 2020-08-06 | 2020-12-15 | 温州大学 | 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 |
| CN111961591A (zh) * | 2020-09-25 | 2020-11-20 | 北方工业大学 | 一种细胞传代批量培养与检测装置及方法 |
| CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZAOZAO CHEN: "Automated evaluation of tumor spheroid behavior in 3D culture using deep learning-based recognition", 《BIOMATERIALS》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989496B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7149360B2 (ja) | プレート培地上にストリークされた試料からの自動化された微生物コロニーカウントのための方法及びシステム | |
| JP7148581B2 (ja) | コロニーコントラスト収集 | |
| US8068670B2 (en) | Image analysis of biological objects | |
| US20070036436A1 (en) | Method for improved image segmentation | |
| CN113554638A (zh) | 一种芯片表面缺陷检测模型建立方法和系统 | |
| CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
| WO2022089552A1 (zh) | 细胞杀伤效力和/或免疫活性的检测方法、系统及其应用 | |
| 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 | |
| CN113160136B (zh) | 一种基于改进Mask R-CNN的木材缺陷识别和分割方法 | |
| CN113989496B (zh) | 一种癌症类器官识别方法 | |
| WO2021232616A1 (zh) | 目标细胞株的筛选方法、系统、服务器及存储介质 | |
| US20210334514A1 (en) | System and method for monitoring bacterial growth of bacterial colonies and predicting colony biomass | |
| CN113538389B (zh) | 一种鸽蛋品质识别方法 | |
| CN112763506A (zh) | 兼具aoi及ai的瑕疵检测方法及其装置 | |
| US20220012465A1 (en) | Systems and methods for facilitating clone selection | |
| CN112884705A (zh) | 一种二维材料样品位置可视化方法 | |
| Chen et al. | Research on statistical algorithm of microalgae growth status based on computer vision | |
| Chu et al. | U-net structures for segmentation of single mouse embryonic stem cells using three-dimensional confocal microscopy images | |
| TWI712991B (zh) | 兼具自動化光學檢測及人工智慧檢測功能之瑕疵檢測方法及其裝置 | |
| JP2023086104A (ja) | 細胞評価方法および細胞評価装置 | |
| CN115829968A (zh) | 一种口腔黏膜上皮的癌前病变、不典型增生图像检测系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A cancer organoid recognition method Granted publication date: 20220712 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: Hangzhou aiming Medical Technology Co.,Ltd. Registration number: Y2024980015701 |