CN114463745A - 目标蛋白快速识别及定量方法 - Google Patents
目标蛋白快速识别及定量方法 Download PDFInfo
- Publication number
- CN114463745A CN114463745A CN202111527218.9A CN202111527218A CN114463745A CN 114463745 A CN114463745 A CN 114463745A CN 202111527218 A CN202111527218 A CN 202111527218A CN 114463745 A CN114463745 A CN 114463745A
- Authority
- CN
- China
- Prior art keywords
- image
- target protein
- data set
- inputting
- counting
- 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
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 78
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000011002 quantification Methods 0.000 title claims description 9
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000003125 immunofluorescent labeling Methods 0.000 claims description 6
- 238000010186 staining Methods 0.000 claims description 6
- 102000007568 Proto-Oncogene Proteins c-fos Human genes 0.000 claims description 4
- 108010071563 Proto-Oncogene Proteins c-fos Proteins 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 210000004556 brain Anatomy 0.000 abstract description 6
- 238000003703 image analysis method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002073 fluorescence micrograph Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 238000010166 immunofluorescence Methods 0.000 description 3
- 238000003364 immunohistochemistry Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 108020001507 fusion proteins Proteins 0.000 description 2
- 102000037865 fusion proteins Human genes 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000012757 fluorescence staining Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003365 immunocytochemistry Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000007898 magnetic cell sorting Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000014493 regulation of gene expression Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005062 synaptic transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请公开了一种目标蛋白快速识别及定量方法、装置、设备及其存储介质，该方法包括：通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；对图像中的目标蛋白进行标注，并统计标注后的数据集；将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。本申请提供的上述方案，采用图像分析方法对目标蛋白进行计数，记录指定区域目标蛋白数量；适应多种倍镜下的图像。同时，采用深度学习网络，学习目标蛋白的特征，从而对目标蛋白的位置进行检测，为计算机辅助计数目标蛋白带来新的思路。通过脑图谱可以定位特定脑区位置，并统计相应区域目标蛋白的数量。
Description
技术领域
本发明涉及医学影像图像诊断和CT医学影像技术领域，具体涉及一种目标蛋白快速识别及定量方法、装置、设备及其存储介质。
背景技术
蛋白质，作为组成机体的重要成分，参与各种形式的生命活动，由于其种类、性质、功能的不同在机体中的分布及作用有明显差异。蛋白质作为在生命活动中起重要作用的生物大分子，是一切揭示生命奥秘科学研究不可忽略的一部分，其参与基因表达的调节，细胞中氧化还原、神经传递、电子传递及学习记忆等多种生命活动。在生物及神经科学领域中，对蛋白的探索必不可少，其中，免疫荧光，免疫组化，光遗传等方法均可以实现对特定目标蛋白进行定位和记录，然而后期对于目标蛋白的识别及统计的工作量巨大。
目前针对荧光细胞计数的方法有以下几种：人工计数。依靠人工经验，通过对图像进行反复对比确认，进行计数统计。或是利用Image J软件进行辅助，对于目标清晰均匀图片此方法便利快捷，然而由于图像之间的质量及目标大小差异与操作人员的主观意识，往往统计的结果差异明显。基于微流控芯片的细胞识别计数。沈鹤柏等在《一种微流控多色荧光细胞计数仪》中提出，利用微流控芯片系统结合荧光光源计数分析计数系统对肿瘤细胞进行分析、计数，实现细胞计数及形态的分析。并将生化反应的若干步骤包括分析、洗涤、检测等集成在一块或几块微流体芯片上。最终结合磁性细胞分选技术和免疫细胞化学染色技术，用于结肠癌外周血循环肿瘤细胞的检测。基于深度学习的细胞计数。刘晓平在《基于深度学习的荧光显微成像中细胞自动计数方法研究》中提出先通过滤除细胞背景来减少干扰信息，将细胞图像分批输入卷积神经网络提取深层特征，然后利用循环神经网络提取方向特征，特征融合后对荧光细胞进行检测，最后通过拟合细胞密度图得到视野中的细胞总数量。基于图像处理方法的细胞计数。在《荧光细胞计数方法、装置、终端设备及存储介质与流程》中提出，先将图像进行二值化处理，预设细胞面积参数，识别出二值化图像的细胞区域，最后根据细胞区域统计荧光图像的数量。
然而人工计数方法中不但增加了样品分析的时间，而且在一定程度上降低了计数的稳定性和一致性。细胞重叠、背景噪声，染色不佳等情况，参数调节有较大影响。存在组内偏差。基于微流控芯片的细胞识别计数的方法对配套硬件要求较多。微流体阻抗计数器具存简易、低成本、低功耗、少样本等独特优势，并能提供现场解决方案不适合测量和处理大样本，还需要阻抗分析仪、锁定放大器以及庞大的流体泵配合工作，这些使得它具有较差的可移植性。微流控光学流式细胞仪提供了一种准确、高通量的细胞计数方法。然而，除微流控芯片以外，现有研究大多还是使用传统的硬件，如激光、探测器、液压泵、大功率光源和电子器件，这使得微流控光学流式细胞仪存在体积人、易受冲击和难校准等缺点，这些缺点阻碍了它的便携性。基于深度学习的细胞计数的方法采用了深度学习相关方法，通过提取图像特征，获取细胞密度对细胞数量进行预测。该方法对数据集的质量要求较高，算法运算速度较慢，计数准确率低，模型泛化性较差。该方法仅仅计算了显微镜下荧光染色细胞数量，不能对目标蛋白和非目标蛋白进行区分及分别识别统计。基于图像处理方法的细胞计数的方法利用传统的图像处理方法计数，可以对图片进行批量处理，通过固定蛋白的大致面积，对目标蛋白进行计数。与人工计数中提到的ImageJ软件计数原理相同。该方法的鲁棒性较差，抗噪性能弱，对于不同蛋白需要调整适当的阈值才能得到合理的结果。对于染色效果较差的图像，该方法容易将噪点也识别为目标进行计数，造成结果偏差。因此，该方法难以移植到实验室环境中。
目前的方法多需人工辅助，因此亟需一种高效、便捷、准确率高的方法来完成对目标蛋白的识别统计工作。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种目标蛋白快速识别及定量方法、装置、设备及其存储介质。
第一方面，本申请实施例提供了一种目标蛋白快速识别及定量方法，该方法包括：通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；对图像中的目标蛋白进行标注，并统计标注后的数据集；将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
在其中一个实施例中，所述通过显微镜采集对应的图像，包括：选择c-Fos染色图像，所述图像中包括有激活的神经元；将对应组织切片免疫荧光染色，当免疫荧光染色成功后，通过显微镜采集图像。
在其中一个实施例中，所述调节背景获得高分辨RGB图像，包括：判断图像的清晰度是否小于阈值，若是，则进行对比度和饱和度的增强，以使得图像的清晰度达到阈值。
在其中一个实施例中，所述对图像中的目标蛋白进行标注，并统计标注后的数据集，包括：将图像输入到Labelme软件中进行标注，其中，标注框与目标细胞边缘相切；采用划窗法将有包含标注框的图像块截取下来作为数据样本制作数据集。
在其中一个实施例中，所述将统计后的数据集输入到人工神经网络进行检测，包括：将统计后的数据集输入到人工神经网络，通过YOLO对测试模型进行检测，所述测试结果包括真正类(True Positive，TP)、假正类(False Positive，FP)、真负类(True Negative，TN)和假负类(False Negative，FN)；通过计算精准率(Precision)、召回率(Recall)、平均精度(Average Precision，AP)对模型的预测结果进行评估，其中精准率代表正确预测为正占全部预测为正的比例；召回率指正确预测为正占全部正样本的比例。
在其中一个实施例中，所述精准率
所述召回率
所述平均精度
在其中一个实施例中，所述将统计后的数据集输入到人工神经网络进行检测之后，该方法还包括：判断输入端为整图还是手动标定区域，若输入整图，则对图像进行划窗处理后依次输入网络模型；若输入端为手动标定区域时，则对多边形区域取最小外接矩形，并对非感兴趣区域像素点置0，同时，通过输出端调整置信度，整合结果，计算对应候选框的个数。
第二方面，本申请实施例还提供了一种目标蛋白快速识别及定量装置，该装置包括：采集单元，用于通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；标注单元，用于对图像中的目标蛋白进行标注，并统计标注后的数据集；输出单元，用于将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
第三方面，本申请实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请实施例描述中任一所述的方法。
第四方面，本申请实施例还提供了一种计算机设备一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：所述计算机程序被处理器执行时实现如本申请实施例描述中任一所述的方法。
本发明的有益效果：
本发明提供的目标蛋白快速识别及定量方法，采用图像分析方法对目标蛋白进行计数，记录指定区域目标蛋白数量；适应多种倍镜下的图像。同时，采用深度学习网络，学习目标蛋白的特征，制作数据集，从而对目标蛋白的位置进行检测，为计算机辅助计数显微荧光图像带来新的思路。通过脑图谱可以定位特定脑区位置，并统计相应区域目标蛋白的数量。本发明不限于免疫荧光的图像，对于免疫组化，免疫胶体金标记，与GFP构建融合基因表达融合蛋白等蛋白测试方式均可以实现目标蛋白的识别及统计。不仅可以识别脑组织图像，也可拓展为外周组织细胞识别；目标检测网络也可扩展为faster-rcnn,cascade-rcnn,ssd等多种类型；图像不局限于光学图像，对于其他影像学图像都可适用；该发明还可以用于对双重或多重染色图像进行处理识别。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了本申请实施例提供的目标蛋白快速识别及定量方法的流程示意图；
图2示出了根据本申请一个实施例的目标蛋白快速识别及定量装置200的示例性结构框图；
图3示出了适于用来实现本申请实施例的终端设备的计算机系统的结构示意图；
图4示出了本申请实施例提供的precision-recall曲线的示意图；
图5示出了本申请实施例提供的测试样本的示意图；
图6示出了本申请实施例提供的蛋白质计数可视化的示意图；
图7示出了本申请实施例提供的yolo v5结构的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
请参考图1，图1示出了本申请实施例提供的目标蛋白快速识别及定量方法的流程示意图。
如图1所示，该方法包括：
步骤110，通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；
步骤120，对图像中的目标蛋白进行标注，并统计标注后的数据集；
步骤130，将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
采用上述技术方案，采用图像分析方法对目标蛋白进行计数，记录指定区域目标蛋白数量；适应多种倍镜下的图像。同时，采用深度学习网络，学习目标蛋白的特征，制作数据集，从而对目标蛋白的位置进行检测，为计算机辅助计数显微荧光图像带来新的思路。通过脑图谱可以定位特定脑区位置，并统计相应区域目标蛋白的数量。本发明不限于免疫荧光的图像，对于免疫组化，免疫胶体金标记，与GFP构建融合基因表达融合蛋白等蛋白测试方式均可以实现目标蛋白的识别及统计。不仅可以识别脑组织图像，也可拓展为外周组织细胞识别；目标检测网络也可扩展为faster-rcnn,cascade-rcnn,ssd等多种类型；图像不局限于光学图像，对于其他影像学图像都可适用；该发明还可以用于对双重或多重染色图像进行处理识别。
在一些实施例中，本申请中的通过显微镜采集对应的图像，包括：选择c-Fos染色图像，所述图像中包括有激活的神经元；将对应组织切片免疫荧光染色，当免疫荧光染色成功后，通过显微镜采集图像。具体地，通过无差别选择c-Fos染色图像，其中，入选的图像需要有激活的神经元，对染色颜色无要求等。
在一些实施例中，本申请中的调节背景获得高分辨RGB图像，包括：判断图像的清晰度是否小于阈值，若是，则进行对比度和饱和度的增强，以使得图像的清晰度达到阈值。
在一些实施例中，本申请中的对图像中的目标蛋白进行标注，并统计标注后的数据集，包括：将图像输入到Labelme软件中进行标注，其中，标注框与目标细胞边缘相切；采用划窗法将有包含标注框的图像块截取下来作为数据样本制作数据集。
具体地，通过将原始数据直接放入Labelme软件中进行标注，标注框与目标细胞边缘相切。该标注选用两个经验丰富的技术人员进行校对。由于原始图像为2048×2048，分辨率过大，不利于模型的参数计算，因此，采用划窗法将有包含标注框的图像块截取下来作为单一数据样本制作数据集。划窗的大小为512×512，步长为50。
在一些实施例中，本申请中的将统计后的数据集输入到人工神经网络进行检测，包括：将统计后的数据集输入到人工神经网络，通过YOLO对测试模型进行检测，所述测试结果包括真正类(True Positive，TP)、假正类(False Positive，FP)、真负类(TrueNegative，TN)和假负类(False Negative，FN)；通过计算精准率(Precision)、召回率(Recall)、平均精度(Average Precision，AP)对模型的预测结果进行评估，其中精准率代表正确预测为正占全部预测为正的比例；召回率指正确预测为正占全部正样本的比例。
具体地，参考图7所示，本申请采用yolo-v5模型进行训练，其中YOLO(you onlylook once)就是one-stage算法系列的代表。它将目标检测任务当做回归问题来处理，直接通过整张图片的所有像素得到bounding box的坐标、box中包含物体的置信度和类别概率。YOLO检测物体非常快，没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。
将测试结果分为真正类(True Positive，TP)、假正类(False Positive，FP)、真负类(True Negative，TN)和假负类(False Negative，FN)，由这四类情况计算精准率(Precision)、召回率(Recall)、平均精度(Average Precision，AP)对模型的预测结果进行评估，其中精准率代表正确预测为正占全部预测为正的比例；召回率指正确预测为正占全部正样本的比例，其中，精准率
召回率
平均精度
进一步地，参考图4、图5以及图6所示，图4中利用划窗采集了512*512大小的图像块共计1839张，训练测试集比例为8:2，在测试集上，到阈值选择为0.5时，AP达到了0.938。图5中给出了测试样本的金标准(左)与预测(右)，图6中给出了蛋白质计数可视化图
在一些实施例中，本申请中的将统计后的数据集输入到人工神经网络进行检测之后，该方法还包括：判断输入端为整图还是手动标定区域，若输入整图，则对图像进行划窗处理后依次输入网络模型；若输入端为手动标定区域时，则对多边形区域取最小外接矩形，并对非感兴趣区域像素点置0，同时，通过输出端调整置信度，整合结果，计算对应候选框的个数。
进一步地，参考图2，图2示出了根据本申请一个实施例的目标蛋白快速识别及定量装置200的示例性结构框图。
如图2所示，该装置包括：
采集单元210，用于通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；
标注单元220，用于对图像中的目标蛋白进行标注，并统计标注后的数据集；
输出单元230，用于将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
应当理解，装置200中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置200及其中包含的单元，在此不再赘述。装置200可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置200中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。
下面参考图3，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统300的结构示意图。
如图3所示，计算机系统300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种目标蛋白快速识别及定量方法，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一子区域生成单元、第二子区域生成单元以及显示区域生成单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，显示区域生成单元还可以被描述为“用于根据第一子区域和第二子区域生成文本的显示区域的单元”。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的应用于透明窗口信封的文本生成方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种目标蛋白快速识别及定量方法，其特征在于，该方法包括：
通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；
对图像中的目标蛋白进行标注，并统计标注后的数据集；
将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
2.根据权利要求1所述的目标蛋白快速识别及定量方法，其特征在于，所述通过显微镜采集对应的图像，包括：
选择c-Fos染色图像，所述图像中包括有激活的神经元；
将对应组织切片免疫荧光染色，当免疫荧光染色成功后，通过显微镜采集图像。
3.根据权利要求1所述的目标蛋白快速识别及定量方法，其特征在于，所述调节背景获得高分辨RGB图像，包括：
判断图像的清晰度是否小于阈值，若是，则进行对比度和饱和度的增强，以使得图像的清晰度达到阈值。
4.根据权利要求1所述的目标蛋白快速识别及定量方法，其特征在于，所述对图像中的目标蛋白进行标注，并统计标注后的数据集，包括：
将图像输入到Labelme软件中进行标注，其中，标注框与目标细胞边缘相切；
采用划窗法将有包含标注框的图像块截取下来作为数据样本制作数据集。
5.根据权利要求1所述的目标蛋白快速识别及定量方法，其特征在于，所述将统计后的数据集输入到人工神经网络进行检测，包括：
将统计后的数据集输入到人工神经网络，通过YOLO对测试模型进行检测，所述测试结果包括真正类(True Positive，TP)、假正类(False Positive，FP)、真负类(TrueNegative，TN)和假负类(False Negative，FN)；
通过计算精准率(Precision)、召回率(Recall)、平均精度(Average Precision，AP)对模型的预测结果进行评估，其中精准率代表正确预测为正占全部预测为正的比例；召回率指正确预测为正占全部正样本的比例。
6.根据权利要求5所述的目标蛋白快速识别及定量方法，其特征在于，
所述精准率
所述召回率
所述平均精度
7.根据权利要求5所述的目标蛋白快速识别及定量方法，其特征在于，所述将统计后的数据集输入到人工神经网络进行检测之后，该方法还包括：
判断输入端为整图还是手动标定区域，若输入整图，则对图像进行划窗处理后依次输入网络模型；若输入端为手动标定区域时，则对多边形区域取最小外接矩形，并对非感兴趣区域像素点置0，同时，通过输出端调整置信度，整合结果，计算对应候选框的个数。
8.一种目标蛋白快速识别及定量装置，其特征在于，该装置包括：
采集单元，用于通过显微镜采集对应的图像，并调节背景获得高分辨RGB图像；
标注单元，用于对图像中的目标蛋白进行标注，并统计标注后的数据集；
输出单元，用于将统计后的数据集输入到人工神经网络进行检测，输出目标蛋白的位置以及对应的置信度，对检测结果进行整合，得到区域内目标蛋白的数量。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：
所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111527218.9A CN114463745A (zh) | 2021-12-14 | 2021-12-14 | 目标蛋白快速识别及定量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111527218.9A CN114463745A (zh) | 2021-12-14 | 2021-12-14 | 目标蛋白快速识别及定量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463745A true CN114463745A (zh) | 2022-05-10 |
Family
ID=81406170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111527218.9A Pending CN114463745A (zh) | 2021-12-14 | 2021-12-14 | 目标蛋白快速识别及定量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463745A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596046A (zh) * | 2018-04-02 | 2018-09-28 | 上海交通大学 | 一种基于深度学习的细胞检测计数方法及系统 |
| CN111242922A (zh) * | 2020-01-13 | 2020-06-05 | 上海极链网络科技有限公司 | 一种蛋白质图像分类方法、装置、设备及介质 |
| CN112784767A (zh) * | 2021-01-27 | 2021-05-11 | 天津理工大学 | 基于白细胞显微图像的细胞实例分割算法 |
| CN113724223A (zh) * | 2021-08-27 | 2021-11-30 | 江南大学 | 基于光学显微镜的YOLOv3数据集制作方法及系统 |
-
2021
- 2021-12-14 CN CN202111527218.9A patent/CN114463745A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596046A (zh) * | 2018-04-02 | 2018-09-28 | 上海交通大学 | 一种基于深度学习的细胞检测计数方法及系统 |
| CN111242922A (zh) * | 2020-01-13 | 2020-06-05 | 上海极链网络科技有限公司 | 一种蛋白质图像分类方法、装置、设备及介质 |
| CN112784767A (zh) * | 2021-01-27 | 2021-05-11 | 天津理工大学 | 基于白细胞显微图像的细胞实例分割算法 |
| CN113724223A (zh) * | 2021-08-27 | 2021-11-30 | 江南大学 | 基于光学显微镜的YOLOv3数据集制作方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0245466B1 (en) | Analysis method and apparatus for biological specimens | |
| US10083340B2 (en) | Automated cell segmentation quality control | |
| DK2973397T3 (en) | Tissue-object-based machine learning system for automated assessment of digital whole-slide glass | |
| RU2690224C2 (ru) | Обследующее устройство для обработки и анализа изображения | |
| JP2022020708A (ja) | 細胞分泌プロファイルの分析およびスクリーニング | |
| Wang | Robust automated tumour segmentation on histological and immunohistochemical tissue images | |
| Wright et al. | The effect of quality control on accuracy of digital pathology image analysis | |
| US20150003716A1 (en) | Histology recognition to automatically score and quantify cancer grades and individual user digital whole histological imaging device | |
| Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
| JP2018512072A (ja) | 自動化スライド全域解析の品質管理 | |
| CN111656393A (zh) | 组织学图像分析 | |
| CN112912923A (zh) | 基于距离的组织状态确定 | |
| US20180040120A1 (en) | Methods for quantitative assessment of mononuclear cells in muscle tissue sections | |
| US9785848B2 (en) | Automated staining and segmentation quality control | |
| WO2023108412A1 (zh) | 目标蛋白快速识别及定量方法 | |
| US20070206845A1 (en) | Granularity analysis in cellular phenotypes | |
| CN110140176B (zh) | 用于检测最优候选化合物的计算机装置及其方法 | |
| EP3922980B1 (en) | Computer-implemented method, computer program product and system for data analysis | |
| CN114152557B (zh) | 基于图像分析的血细胞计数方法和系统 | |
| US11599738B2 (en) | Method for examining distributed objects by segmenting an overview image | |
| CN114463745A (zh) | 目标蛋白快速识别及定量方法 | |
| CN114981895A (zh) | 自适应数据二次采样和计算 | |
| US12031988B2 (en) | Distance-based tissue state determination | |
| CN116868229A (zh) | 用于数字化病理学样本中的生物标志物检测的系统和方法 | |
| Naik et al. | Automated image analysis method to detect and quantify fat cell infiltration in hematoxylin and eosin stained human pancreas histology images |
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 |