CN115565170A - 一种细胞培养状态的图像采集处理方法及系统 - Google Patents
一种细胞培养状态的图像采集处理方法及系统 Download PDFInfo
- Publication number
- CN115565170A CN115565170A CN202211560637.7A CN202211560637A CN115565170A CN 115565170 A CN115565170 A CN 115565170A CN 202211560637 A CN202211560637 A CN 202211560637A CN 115565170 A CN115565170 A CN 115565170A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- target
- state
- dynamic image
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
Abstract
本发明涉及图像处理技术领域,提供了一种细胞培养状态的图像采集处理方法及系统,包括构建细胞状态分析模型;在细胞培养皿中采集第一动态图像,并基于识别因子在第一动态图像中对目标细胞进行追踪并标记;根据标记结果在第一动态图像中拆分第二动态图像,同时,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像;将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态。通过构建的细胞状态分析模型对细胞培养皿中的目标细胞的动态图像进行分析,实现对目标细胞的培养状态进行准确有效的确认,便于对目标细胞的培养过程进行监控,确保可以对其进行安全可靠的培养。
Description
技术领域
本发明涉及生物检测中的图像数据处理技术领域,特别涉及一种细胞培养状态的图像采集处理方法及系统。
背景技术
目前,传统细胞培养状态主要通过光学显微镜,对细胞形态和数量进行初步判定,然后再通过生物标记的手段获得细胞状态更多的生理状态。但生物标记的方法属于一种侵入式的检测方法。
现在市面上常用的实施方案主要基于现有细胞培养皿,即在细胞培养皿底部集成两电极系统,但现有的电阻抗细胞监测装置,还主要依靠人工进行细胞培养液体的更替操作,操作不便,同时,也有对培养皿进行图像采集,并对采集后的图像进行分析,在对采集到的图像进行分析时,并不能确保采集到的图像准确可靠,同时也并不能对培养皿内细胞的生长环境进行监测,正如公开号为CN101127839A的中国专利申请中,对采集到的图像进行分析,只能监测细胞当前的生长状态,并不能对细胞的生长环境进行同步监测,从而导致对细胞状态的监测效果大大降低。
发明内容
本发明提供一种细胞培养状态的图像采集处理方法及系统,用以通过构建的细胞状态分析模型对细胞培养皿中的目标细胞的动态图像进行分析,实现对细胞培养皿中目标细胞的培养状态进行准确有效的确认,从而便于对目标细胞的培养过程进行实时监控,确保可以对目标细胞进行安全可靠的培养。
本发明提供了一种细胞培养状态的图像采集处理方法,包括:
步骤1:构建细胞状态分析模型;
步骤2:在细胞培养皿中采集第一动态图像,并基于识别因子在第一动态图像中对目标细胞进行追踪并标记;
步骤3:根据标记结果在第一动态图像中拆分第二动态图像,同时,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像;
步骤4:将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态。
优选的,一种细胞培养状态的图像采集处理方法,步骤1中,构建细胞状态分析模型,包括:
读取目标细胞的细胞信息,确定目标细胞的细胞类型以及目标细胞的细胞培养特征;
根据目标细胞的细胞类型以及目标细胞的细胞培养特征在预设细胞管理数据库中爬取目标细胞在细胞培养皿中不同培养时期的细胞图像,并确定细胞图像中目标细胞的状态数据;
对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,构建细胞状态识别网络,同时,基于目标细胞在细胞培养皿中不同培养时期的状态数据以及细胞状态识别网络确定细胞状态分析模型。
优选的,一种细胞培养状态的图像采集处理方法,对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,包括:
分别确定目标细胞在每个培养时期的状态数据,并将培养时期作为数据标签,同时,基于数据标签构建细胞状态数据包;
对细胞状态数据包中的状态数据进行读取,确定状态数据的取值范围,同时,确定数据标签对应培养时期的时间间隔,并将状态数据的取值范围以及培养时期的时间间隔作为数据分析区间;
根据数据分析区间设置数据分析坐标系,并将状态数据在数据分析坐标系中进行对应标记;
基于标记结果确定状态数据在数据分析坐标系中的变化曲线,同时,确定变化曲线的曲线特征点以及状态数据的变化趋势;
基于变化曲线的曲线特征点以及状态数据的变化趋势,模拟状态数据的数据变化包络;
将数据变化包络作为细胞状态数据包的数据特征,并基于每个细胞状态数据包的数据特征确定每个细胞状态数据包间的数据联系;
根据每个细胞状态数据包间的数据联系,完成对目标细胞在细胞培养皿中不同培养时期的状态数据的学习;
基于学习结果,将细胞状态数据包作为网络节点,同时,将每个细胞状态数据包间的数据联系作为网络路径构建细胞状态识别网络。
优选的,一种细胞培养状态的图像采集处理方法,步骤2中,在细胞培养皿中采集第一动态图像,包括:
基于第一采集装置对细胞培养皿的拍照位置进行定位,并基于定位结果确定细胞培养皿所在的环境信息;
根据环境信息确定细胞培养皿的环境光;
基于环境光调节第二采集装置的曝光时间,使得第二采集装置的采集光与环境光一致;
基于调节后的第二采集装置实时采集细胞培养皿的动态图像,生成第一动态图像。
优选的,一种细胞培养状态的图像采集处理方法,步骤2中,基于识别因子在第一动态图像中对目标细胞进行追踪并标记,具体步骤包括:
S201:提取第一动态图像的图像帧,并根据第一动态图像的图像帧,确定第一动态图像的多个帧图像;
S202:提取每个帧图像的图像像素点以及帧图像的图像画面尺寸,并根据图像像素点以及帧图像的图像画面尺寸,确定每个帧图像所对应的图像分辨率;
S203:在多个帧图像中选取图像分辨率最大的帧图像作为目标图像;
S204:基于识别因子确定细胞模拟图,并获取细胞模拟图的像素点特征,同时,将像素点特征与目标图像进行重叠映射;
S205:基于重叠映射结果确定目标图像中的目标像素点,同时,将目标像素点在目标图像中进行标注,并根据标注结果确定标注形态;
S206:将标注形态进行三维模拟,获得三维模拟图,将三维模拟度与细胞模拟图进行匹配,获得三维模拟图与细胞模拟图的相似度;
S207:将相似度与预设相似度阈值进行比较,判断三维模拟图与细胞模拟图是否一致;
S208:当相似度等于或大于预设相似度阈值,则判定三维模拟图与细胞模拟图一致,并基于三维模拟图对第一动态图像中的目标细胞的细胞形态进行记忆,并根据记忆结果,追踪在第一动态图像中每一帧图像中的目标细胞,并进行标记;
S209:否则,则判定三维模拟图与细胞模拟图不一致,并重复步骤S204-S209。
优选的,一种细胞培养状态的图像采集处理方法,步骤3中,根据标记结果在第一动态图像中拆分第二动态图像,包括:
基于标记结果确定第一动态图像中每一帧目标图像的目标细胞图像,并获取每一帧目标图像中目标细胞图像所对应的细胞边缘像素点;
将细胞边缘像素点作为划分界限,对每一帧目标图像中的目标细胞图像进行拆分;
基于拆分结果将每一帧目标细胞图像进行拼接,同时,根据拼接结果获得第二动态图像。
优选的,一种细胞培养状态的图像采集处理方法,步骤3中,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像,包括:
对细胞状态分析模型进行读取,确定细胞状态分析模型中对细胞进行分析的分析模板;
读取分析模板,确定分析模板中动态图像的图像格式,并将分析模板中动态图像的图像格式作为识别条件;
基于识别条件生成图像调整指令,并基于图像调整指令对第二动态图像进行调整;
基于调整结果获得第三动态图像。
优选的,一种细胞培养状态的图像采集处理方法,步骤4中,将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态,包括:
在细胞状态分析模型中将第三动态图像与细胞状态识别网络进行关联,确定第三动态图像在细胞状态识别网络中的目标网络节点;
确定目标网络节点在细胞状态识别网络中的目标路径;
对目标网络节点以及目标路径进行分析,并基于分析结果确定第三动态图像中的目标细胞的培养状态,同时,基于细胞状态分析模型输出细胞培养皿中目标细胞的培养状态。
优选的,一种细胞培养状态的图像采集处理方法,还包括:
实时监测细胞培养皿内部的第一温度值;
将细胞培养皿内部的第一温度值与设定温度阈值进行比较,判断细胞培养皿的温度环境是否达标;
当第一温度值等于温度设定阈值时,则判定细胞培养皿内部的环境温度达标;
否则,则判定细胞培养皿的环境温度不达标,并进行第一报警操作;
同时,获取细胞培养皿外界的第二温度值;
确定细胞培养皿的内部环境温度与细胞培养皿的外界环境温度的关联关系;
基于关联关系并根据细胞培养皿外界的第二温度值,对细胞培养皿内部的第一温度值进行调节,并当第一温度值等于温度设定阈值时,进行第二报警操作。
优选的,一种细胞培养状态的图像采集处理系统,包括:
模型构建模块,用于构建细胞状态分析模型;
标记模块,用于在细胞培养皿中采集第一动态图像,并基于识别因子在第一动态图像中对目标细胞进行追踪并标记;
图像处理模块,用于根据标记结果在第一动态图像中拆分第二动态图像,同时,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像;
细胞状态分析模块,用于将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态。
通过上述技术方案,本发明可以取得以下有益效果:
1)通过构建的细胞状态分析模型对细胞培养皿中的目标细胞的动态图像进行分析,实现对细胞培养皿中目标细胞的培养状态进行准确有效的确认,从而便于对目标细胞的培养过程进行实时监控,确保可以对目标细胞进行安全可靠的培养。
2)通过确定目标细胞在不同培养时期的细胞图像,从而便于确定目标细胞在不同细胞培养时期的状态数据,从而实现根据状态数据构建细胞状态分析模型,确保细胞状态分析模型构建的准确率,从而便于对目标细胞的状态进行准确可靠的分析。
3)通过对目标细胞在培养皿中不同培养时期的状态数据进行获取,并将状态数据在坐标系中进行呈现,实现对目标细胞的在不同培养时期的状态特征进行准确判断,最后,根据分析得到的细胞状态特征实现对细胞状态识别网络进行准确可靠的构建,为实现对细胞状态分析模型的构建提供了便利与保障。
4)通过第一采集装置确定培养皿所处的环境信息,并根据确定的环境信息对第二采集装置的曝光时间进行确认,从而实现通过第二采集装置对培养皿的动态图像进行采集,确保采集得到的动态图像准确可靠,为准确观察目标细胞的培养状态提供了便利与保障。
5)通过对采集到的培养皿中目标细胞的第一动态图像处理,确保第一动态图像的合格性,其次,通过对第一动态图像进行分析,实现根据二维图像对目标细胞构建三维模拟图像,从而实现根据三维模拟图像对第一动态图像中目标细胞的细胞形态进行追踪与标记,从而便于通过动态图像对目标细胞的状态进行准确可靠的分析,保障了分析结果的准确率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种细胞培养状态的图像采集处理方法的流程图;
图2为本发明实施例中一种细胞培养状态的图像采集处理方法中步骤1的流程图;
图3为本发明实施例中一种细胞培养状态的图像采集处理系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
目前,传统细胞培养状态主要通过光学显微镜,对细胞形态和数量进行初步判定,然后再通过生物标记的手段获得细胞状态更多的生理状态。但生物标记的方法属于一种侵入式的检测方法。
现在市面上常用的实施方案主要基于现有细胞培养皿,即在细胞培养皿底部集成两电极系统,但现有的电阻抗细胞监测装置,还主要依靠人工进行细胞培养液体的更替操作,操作不便,同时,也有对培养皿进行图像采集,并对采集后的图像进行分析,在对采集到的图像进行分析时,并不能确保采集到的图像准确可靠,同时也并不能对培养皿内细胞的生长环境进行监测,正如公开号为CN101127839A的中国专利申请,对采集到的图像进行分析,只能监测细胞当前的生长状态,并不能对细胞的生长环境进行同步监测,从而导致对细胞状态的监测效果大大降低。为了解决上述问题,本实施例公开了一种细胞培养状态的图像采集处理方法。
一种细胞培养状态的图像采集处理方法,如图1所示,包括以下步骤:
步骤1:构建细胞状态分析模型;
步骤2:在细胞培养皿中采集第一动态图像,并基于识别因子在第一动态图像中对目标细胞进行追踪并标记;
步骤3:根据标记结果在第一动态图像中拆分第二动态图像,同时,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像;
步骤4:将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态。
该实施例中,细胞状态分析模型可以是用来对细胞培养皿中的细胞状态进行分析的模型;
该实施例中,第一动态图像可以是基于预设图像采集装置采集到的细胞培养皿内部的动态图像,其中,预设图像采集摄像机或者照相机等;
该实施例中,第二动态图像可以是在第一动态图像中对目标细胞进行识别后进行拆分出来的关于目标细胞的动态图像;
该实施例中,第三动态图像可以是基于识别条件将第二动态图像进行调整后的动态图像,为了使得细胞状态分析模型更好的对目标细胞的细胞状态进行分析;
该实施例中,细胞状态可以是包括细胞的大小、形状以及细胞的分裂状态等;
该实施例中,识别条件可以是基于细胞状态分析模型对第二动态图像进行分析时对图像的格式、亮度以及分辨率等的要求;
该实施例中,识别因子可以是第一动态图像的数据特征,用于区分第一动态图像与其他图像区别的关键信息;
该实施例中,目标细胞可以是需要在培养皿中进行培养的细胞。
上述技术方案的工作原理为:构建细胞状态分析模型,同时,采集细胞培养皿内部的第一动态图像,目的是为了确定细胞培养皿内部的空间特征以及细胞培养皿内包含的目标细胞,并对采集到的第一动态图像中的目标细胞进行最终和标记,实现对第一动态图像中的目标细胞进行定位,其次,根据标记结果对第一动态图像进行拆分,并根据拆分结果提取第一动态图像中的目标细胞图像,最后对构建的细胞状态分析模型设置识别条件,并通过识别条件对第二动态图像进行处理,从而得到第三动态图像,最终将得到的第三动态图像输入构建好的细胞状态分析模型进行分析处理,从而完成对细胞培养皿内目标细胞状态的获取。
上述技术方案的有益效果为:通过构建的细胞状态分析模型对细胞培养皿中的目标细胞的动态图像进行分析,实现对细胞培养皿中目标细胞的培养状态进行准确有效的确认,从而便于对目标细胞的培养过程进行实时监控,确保可以对目标细胞进行安全可靠的培养。
在一个实施例中,如图2所示,步骤1中,构建细胞状态分析模型,包括:
步骤101、读取目标细胞的细胞信息,确定目标细胞的细胞类型以及目标细胞的细胞培养特征;
步骤102、根据目标细胞的细胞类型以及目标细胞的细胞培养特征在预设细胞管理数据库中爬取目标细胞在细胞培养皿中不同培养时期的细胞图像,并确定细胞图像中目标细胞的状态数据;
步骤103、对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,构建细胞状态识别网络,同时,基于目标细胞在细胞培养皿中不同培养时期的状态数据以及细胞状态识别网络确定细胞状态分析模型。
该实施例中,细胞培养特征可以是目标细胞在培养过程中需要的温度以及湿度等;
该实施例中,预设细胞管理数据库时提前设定好的,用于存储目标细胞在细胞培养皿中不同培养时期的细胞图像;
该实施例中,状态数据可以是表征目标细胞在培养皿中不同时期的细胞数量以及分裂状态等;
该实施例中,细胞状态识别网络是用来构建细胞状态分析模型的工具,目的是为了确保构建出的细胞状态分析模型准确可靠。
上述技术方案的有益效果为:通过确定目标细胞在不同培养时期的细胞图像,从而便于确定目标细胞在不同细胞培养时期的状态数据,从而实现根据状态数据构建细胞状态分析模型,确保细胞状态分析模型构建的准确率,从而便于对目标细胞的状态进行准确可靠的分析。
在一个实施中,对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,包括:
分别确定目标细胞在每个培养时期的状态数据,并将培养时期作为数据标签,同时,基于数据标签构建细胞状态数据包;
对细胞状态数据包中的状态数据进行读取,确定状态数据的取值范围,同时,确定数据标签对应培养时期的时间间隔,并将状态数据的取值范围以及培养时期的时间间隔作为数据分析区间;
根据数据分析区间设置数据分析坐标系,并将状态数据在数据分析坐标系中进行对应标记;
基于标记结果确定状态数据在数据分析坐标系中的变化曲线,同时,确定变化曲线的曲线特征点以及状态数据的变化趋势;
基于变化曲线的曲线特征点以及状态数据的变化趋势,模拟状态数据的数据变化包络;
将数据变化包络作为细胞状态数据包的数据特征,并基于每个细胞状态数据包的数据特征确定每个细胞状态数据包间的数据联系;
根据每个细胞状态数据包间的数据联系,完成对目标细胞在细胞培养皿中不同培养时期的状态数据的学习;
基于学习结果,将细胞状态数据包作为网络节点,同时,将每个细胞状态数据包间的数据联系作为网络路径构建细胞状态识别网络。
该实施例中,数据标签可以是用于表征不同目标细胞在不同的培养时期,从而便于根据数据标签将培养时间进行有效区分;
该实施例中,细胞状态数据包可以是将不同培养时期的状态数据进行封包后得到的数据包;
该实施例中,数据分析区间可以是表征需要对状态数据进行分析的数据量以及需要进行具体分析的培养时间段。
该实施例中,变化曲线可以是不同培养时间段内目标细胞的状态数据的在坐标系中对应的连线;
该实施例中,曲线特征点可以是变化曲线中的关键点,具体可以是取值突变点等;
该实施例中,变化趋势可以是变化曲线呈现的波动情况;
该实施例中,数据变化包络可以是目标细胞在分析时间段内的变化曲线的波形状态以及波形形状等;
该实施例中,数据联系可以是细胞状态数据包之间的关联关系或是相互作用关系等;
该实施例中,网络节点可以是将细胞状态数据包作为网络中的关键训练点,从而实现对细胞状态识别网络进行准确可靠的构建。
上述技术方案的有益效果为:通过对目标细胞在培养皿中不同培养时期的状态数据进行获取,并将状态数据在坐标系中进行呈现,实现对目标细胞的在不同培养时期的状态特征进行准确判断,最后,根据分析得到的细胞状态特征实现对细胞状态识别网络进行准确可靠的构建,为实现对细胞状态分析模型的构建提供了便利与保障。
在一个实施例中,步骤2中,在细胞培养皿中采集第一动态图像,包括:
基于第一采集装置对所述细胞培养皿的拍照位置进行定位,并基于定位结果确定细胞培养皿所在的环境信息;
根据环境信息确定所述细胞培养皿的环境光;
基于环境光调节第二采集装置的曝光时间,使得第二采集装置的采集光与环境光一致;
基于调节后的第二采集装置实时采集细胞培养皿的动态图像,生成第一动态图像。
该实施例中,第一采集装置是提前设定好的,用于对细胞培养皿的环境信息进行采集;
该实施例中,环境光可以是细胞培养皿所在环境的光亮强度;
该实施例中,第二采集装置是提前设定好的。
上述技术方案的有益效果为:通过第一采集装置确定培养皿所处的环境信息,并根据确定的环境信息对第二采集装置的曝光时间进行确认,从而实现通过第二采集装置对培养皿的动态图像进行采集,确保采集得到的动态图像准确可靠,为准确观察目标细胞的培养状态提供了便利与保障。
在一个实施例中,步骤2中,基于识别因子在第一动态图像中对目标细胞进行追踪并标记,具体步骤包括:
S201:提取第一动态图像的图像帧,并根据第一动态图像的图像帧,确定第一动态图像的多个帧图像;
S202:提取每个帧图像的图像像素点以及帧图像的图像画面尺寸,并根据图像像素点以及帧图像的图像画面尺寸,确定每个帧图像所对应的图像分辨率;
S203:在多个帧图像中选取图像分辨率最大的帧图像作为目标图像;
S204:基于识别因子确定细胞模拟图,并获取细胞模拟图的像素点特征,同时,将像素点特征与目标图像进行重叠映射;
S205:基于重叠映射结果确定目标图像中的目标像素点,同时,将目标像素点在目标图像中进行标注,并根据标注结果确定标注形态;
S206:将标注形态进行三维模拟,获得三维模拟图,将三维模拟度与细胞模拟图进行匹配,获得三维模拟图与细胞模拟图的相似度;
S207:将相似度与预设相似度阈值进行比较,判断三维模拟图与所胞模拟图是否一致;
S208:当相似度等于或大于预设相似度阈值,则判定三维模拟图与细胞模拟图一致,并基于三维模拟图对第一动态图像中的目标细胞的细胞形态进行记忆,并根据记忆结果,追踪在第一动态图像中每一帧图像中的目标细胞,并进行标记;
S209:否则,则判定三维模拟图与细胞模拟图不一致,并重复步骤S204-S209。
该实施例中,图像帧可以是第一动态图像中包含的多个静态图像,每一帧对应一张静态图像;
该实施例中,图像画面尺寸可以是帧图像的长度、宽度等;
该实施例中,目标图像可以是多张帧图像中图像分辨率最大的帧图像;
该实施例中,细胞模拟图可以是表征细胞状态的模拟图像;
该实施例中,像素点特征可以是细胞模拟图像中不同像素点的亮度值以及像素点的色彩值等;
该实施例中,重叠映射可以是将像素点在目标图像中进行投影,从而便于确保目标图像的可靠性;
该实施例中,目标像素点可以是重叠映射后,目标图像的像素点情况;
该实施例中,三维模型可以是根据目标图像的目标像素点确定目标图像对应的三维图像;
该实施例中,三维模拟图可以是对目标图像中的目标像素点进行三维模拟后得到的三维图像;
该实施例中,预设相似度阈值是提前设定好的,用于衡量三维模拟图与细胞模拟图是否达到相似的要求。
上述技术方案的有益效果为:通过对采集到的培养皿中目标细胞的第一动态图像处理,确保第一动态图像的合格性,其次,通过对第一动态图像进行分析,实现根据二维图像对目标细胞构建三维模拟图像,从而实现根据三维模拟图像对第一动态图像中目标细胞的细胞形态进行追踪与标记,从而便于通过动态图像对目标细胞的状态进行准确可靠的分析,保障了分析结果的准确率。
在一个实施例中,步骤3中,根据标记结果在第一动态图像中拆分第二动态图像,包括:
基于标记结果确定第一动态图像中每一帧目标图像的目标细胞图像,并获取每一帧目标图像中目标细胞图像所对应的细胞边缘像素点;
将细胞边缘像素点作为划分界限,对每一帧目标图像中的目标细胞图像进行拆分;
基于拆分结果将每一帧目标细胞图像进行拼接,同时,根据拼接结果获得第二动态图像。
该实施例中,每一帧目标图像可以是动态图像中每一帧对应的静态图像;
该实施例中,细胞边缘像素点可以是目标细胞图像中处于图像边缘的像素点信息。
上述技术方案的有益效果为:通过对第一动态图像进行拆分,从而便于根据拆分结果获取第二动态图像,便于对培养皿中目标细胞的当前状态进行进一步的观察,提高了对培养皿中细胞状态监控的准确率以及严谨性。
在一个实施例中,步骤3中,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像,包括:
对细胞状态分析模型进行读取,确定细胞状态分析模型中对细胞进行分析的分析模板;
读取分析模板,确定分析模板中动态图像的图像格式,并将分析模板中动态图像的图像格式作为识别条件;
基于识别条件生成图像调整指令,并基于图像调整指令对第二动态图像进行调整;
基于调整结果获得第三动态图像。
该实施例中,分析模板是用于对培养皿中的细胞进行状态分析的工具;
该实施例中,图像调整指令是控制相应的设备对动态图像的图像格式进行调整。
上述技术方案的有益效果为:通过确定细胞状态分析模型对动态图像的格式要求,并根据格式要求对动态图像的格式进行调整,确保动态图像格式的合格性,从而便于细胞状态分析模型对动态图像进行准确有效的分析,保障了对细胞状态获取的准确可靠性。
在一个实施例中,步骤4中,将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态,包括:
在细胞状态分析模型中将第三动态图像与细胞状态识别网络进行关联,确定第三动态图像在细胞状态识别网络中的目标网络节点;
确定目标网络节点在所述细胞状态识别网络中的目标路径;
对目标网络节点以及目标路径进行分析,并基于分析结果确定第三动态图像中的目标细胞的培养状态,同时,基于细胞状态分析模型输出细胞培养皿中目标细胞的培养状态。
该实施例中,目标网络节点可以是细胞状态识别网络中适用于对第三动态图像进行分析的节点,至少为一个;
该实施例中,目标路径可以是用于表征目标网络节点在细胞状态识别网络中的具体位置。
上述技术方案的有益效果为:通过将第三动态图像与细胞状态分析模型中的细胞状态识别网络进行关联,从而便于通过细胞状态分析模型对第三动态图像进行准确有效的分析,保障了对目标细胞在培养皿中的细胞状态进行有效获取,从而便于实时账务目标细胞的当前状态。
在一个实施例中,上述方法还包括:
实时监测细胞培养皿内部的第一温度值;
将细胞培养皿内部的第一温度值与设定温度阈值进行比较,判断细胞培养皿的温度环境是否达标;
当第一温度值等于温度设定阈值时,则判定细胞培养皿内部的环境温度达标;
否则,则判定细胞培养皿的环境温度不达标,并进行第一报警操作;
同时,获取细胞培养皿外界的第二温度值;
确定细胞培养皿的内部环境温度与细胞培养皿的外界环境温度的关联关系;
基于关联关系并根据细胞培养皿外界的第二温度值,对细胞培养皿内部的第一温度值进行调节,并当第一温度值等于温度设定阈值时,进行第二报警操作。
该实施例中,第一温度值可以是细胞培养皿内的温度值;
该实施例中,设定温度阈值是提前设定好的,用于衡量细胞培养皿内的环境温度是否合格,是可以进行调整的;
该实施例中,第一报警操作可以是当细胞培养皿内的温度与设定温度阈值不一致时进行的报警操作;
该实施例中,第二温度值是细胞培养皿外部的温度取值;
该实施例中,第二报警操作可以是当细胞培养皿内的温度与设定温度阈值不一致时,根据外界温度对细胞培养皿内的温度进行调整后,使得细胞培养皿内的温度与温度设定阈值一致后进行的报警操作。
上述技术方案的有益效果为:通过对细胞培养皿内的温度以及外界环境温度进行监控,确保对细胞培养皿内部的环境温度进行准确严谨的把握,确保细胞培养皿内部的温度适合目标细胞状态生长,从而便于对目标细胞的状态进行严格的把控,确保目标细胞的状态正常。
本实施例还公开了一种细胞培养状态的图像采集处理系统,如图3所示,包括:
模型构建模块301,用于构建细胞状态分析模型;
标记模块302,用于在细胞培养皿中采集第一动态图像,并基于识别因子在第一动态图像中对目标细胞进行追踪并标记;
图像处理模块303,用于根据标记结果在第一动态图像中拆分第二动态图像,同时,获取细胞状态分析模型的识别条件,并基于识别条件对第二动态图像进行处理,获得第三动态图像;
细胞状态分析模块304,用于将第三动态图像输入至细胞状态分析模型中进行分析,确定在细胞培养皿中目标细胞的培养状态。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种细胞培养状态的图像采集处理方法,其特征在于,包括:
步骤1:构建细胞状态分析模型;
步骤2:在细胞培养皿中采集第一动态图像,并基于识别因子在所述第一动态图像中对目标细胞进行追踪并标记;
步骤3:根据标记结果在所述第一动态图像中拆分第二动态图像,同时,获取所述细胞状态分析模型的识别条件,并基于所述识别条件对所述第二动态图像进行处理,获得第三动态图像;
步骤4:将所述第三动态图像输入至所述细胞状态分析模型中进行分析,确定在所述细胞培养皿中所述目标细胞的培养状态。
2.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤1中,构建细胞状态分析模型,包括:
读取目标细胞的细胞信息,确定所述目标细胞的细胞类型以及所述目标细胞的细胞培养特征;
根据所述目标细胞的细胞类型以及所述目标细胞的细胞培养特征在预设细胞管理数据库中爬取所述目标细胞在细胞培养皿中不同培养时期的细胞图像,并确定细胞图像中所述目标细胞的状态数据;
对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,构建细胞状态识别网络,同时,基于所述目标细胞在细胞培养皿中不同培养时期的状态数据以及所述细胞状态识别网络确定所述细胞状态分析模型。
3.根据权利要求2所述的一种细胞培养状态的图像采集处理方法,其特征在于,对目标细胞在细胞培养皿中不同培养时期的状态数据进行学习,包括:
分别确定目标细胞在每个培养时期的状态数据,并将所述培养时期作为数据标签,同时,基于所述数据标签构建细胞状态数据包;
对所述细胞状态数据包中的所述状态数据进行读取,确定所述状态数据的取值范围,同时,确定所述数据标签对应培养时期的时间间隔,并将所述状态数据的取值范围以及培养时期的时间间隔作为数据分析区间;
根据所述数据分析区间设置数据分析坐标系,并将所述状态数据在所述数据分析坐标系中进行对应标记;
基于标记结果确定所述状态数据在所述数据分析坐标系中的变化曲线,同时,确定所述变化曲线的曲线特征点以及所述状态数据的变化趋势;
基于所述变化曲线的曲线特征点以及所述状态数据的变化趋势,模拟所述状态数据的数据变化包络;
将所述数据变化包络作为所述细胞状态数据包的数据特征,并基于每个细胞状态数据包的数据特征确定每个细胞状态数据包间的数据联系;
根据所述每个细胞状态数据包间的数据联系,完成对目标细胞在细胞培养皿中不同培养时期的状态数据的学习;
基于学习结果,将所述细胞状态数据包作为网络节点,同时,将所述每个细胞状态数据包间的数据联系作为网络路径构建所述细胞状态识别网络。
4.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤2中,在细胞培养皿中采集第一动态图像,包括:
基于第一采集装置对所述细胞培养皿的拍照位置进行定位,并基于定位结果确定所述细胞培养皿所在的环境信息;
根据所述环境信息确定所述细胞培养皿的环境光;
基于所述环境光调节第二采集装置的曝光时间,使得所述第二采集装置的采集光与所述环境光一致;
基于调节后的所述第二采集装置实时采集所述细胞培养皿的动态图像,生成所述第一动态图像。
5.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤2中,基于识别因子在所述第一动态图像中对目标细胞进行追踪并标记,具体步骤包括:
S201:提取所述第一动态图像的图像帧,并根据所述第一动态图像的图像帧,确定所述第一动态图像的多个帧图像;
S202:提取每个帧图像的图像像素点以及所述帧图像的图像画面尺寸,并根据所述图像像素点以及所述帧图像的图像画面尺寸,确定每个帧图像所对应的图像分辨率;
S203:在所述多个帧图像中选取图像分辨率最大的帧图像作为目标图像;
S204:基于所述识别因子确定细胞模拟图,并获取所述细胞模拟图的像素点特征,同时,将所述像素点特征与所述目标图像进行重叠映射;
S205:基于重叠映射结果确定所述目标图像中的目标像素点,同时,将所述目标像素点在所述目标图像中进行标注,并根据标注结果确定标注形态;
S206:将所述标注形态进行三维模拟,获得三维模拟图,将所述三维模拟度与所述细胞模拟图进行匹配,获得所述三维模拟图与所述细胞模拟图的相似度;
S207:将所述相似度与预设相似度阈值进行比较,判断所述三维模拟图与所述细胞模拟图是否一致;
S208:当所述相似度等于或大于所述预设相似度阈值,则判定所述三维模拟图与所述细胞模拟图一致,并基于所述三维模拟图对所述第一动态图像中的目标细胞的细胞形态进行记忆,并根据记忆结果,追踪在所述第一动态图像中每一帧图像中的目标细胞,并进行标记;
S209:否则,则判定所述三维模拟图与所述细胞模拟图不一致,并重复步骤S204-S209。
6.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤3中,根据标记结果在所述第一动态图像中拆分第二动态图像,包括:
基于标记结果确定所述第一动态图像中每一帧目标图像的目标细胞图像,并获取所述每一帧目标图像中目标细胞图像所对应的细胞边缘像素点;
将所述细胞边缘像素点作为划分界限,对所述每一帧目标图像中的目标细胞图像进行拆分;
基于拆分结果将每一帧目标细胞图像进行拼接,同时,根据拼接结果获得所述第二动态图像。
7.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤3中,获取所述细胞状态分析模型的识别条件,并基于所述识别条件对所述第二动态图像进行处理,获得第三动态图像,包括:
对所述细胞状态分析模型进行读取,确定所述细胞状态分析模型中对细胞进行分析的分析模板;
读取所述分析模板,确定所述分析模板中动态图像的图像格式,并将所述分析模板中动态图像的图像格式作为所述识别条件;
基于所述识别条件生成图像调整指令,并基于所述图像调整指令对所述第二动态图像进行调整;
基于调整结果获得所述第三动态图像。
8.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,步骤4中,将所述第三动态图像输入至所述细胞状态分析模型中进行分析,确定在所述细胞培养皿中所述目标细胞的培养状态,包括:
在所述细胞状态分析模型中将所述第三动态图像与细胞状态识别网络进行关联,确定所述第三动态图像在所述细胞状态识别网络中的目标网络节点;
确定所述目标网络节点在所述细胞状态识别网络中的目标路径;
对所述目标网络节点以及所述目标路径进行分析,并基于分析结果确定所述第三动态图像中的目标细胞的培养状态,同时,基于所述细胞状态分析模型输出所述细胞培养皿中所述目标细胞的培养状态。
9.根据权利要求1所述的一种细胞培养状态的图像采集处理方法,其特征在于,还包括:
实时监测细胞培养皿内部的第一温度值;
将所述细胞培养皿内部的第一温度值与设定温度阈值进行比较,判断所述细胞培养皿的温度环境是否达标;
当所述第一温度值等于所述温度设定阈值时,则判定所述细胞培养皿内部的环境温度达标;
否则,则判定所述细胞培养皿的环境温度不达标,并进行第一报警操作;
同时,获取细胞培养皿外界的第二温度值;
确定所述细胞培养皿的内部环境温度与所述细胞培养皿的外界环境温度的关联关系;
基于所述关联关系并根据所述细胞培养皿外界的第二温度值,对所述细胞培养皿内部的第一温度值进行调节,并当所述第一温度值等于所述温度设定阈值时,进行第二报警操作。
10.一种细胞培养状态的图像采集处理系统,其特征在于,包括:
模型构建模块,用于构建细胞状态分析模型;
标记模块,用于在细胞培养皿中采集第一动态图像,并基于识别因子在所述第一动态图像中对目标细胞进行追踪并标记;
图像处理模块,用于根据标记结果在所述第一动态图像中拆分第二动态图像,同时,获取所述细胞状态分析模型的识别条件,并基于所述识别条件对所述第二动态图像进行处理,获得第三动态图像;
细胞状态分析模块,用于将所述第三动态图像输入至所述细胞状态分析模型中进行分析,确定在所述细胞培养皿中所述目标细胞的培养状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560637.7A CN115565170B (zh) | 2022-12-07 | 2022-12-07 | 一种细胞培养状态的图像采集处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560637.7A CN115565170B (zh) | 2022-12-07 | 2022-12-07 | 一种细胞培养状态的图像采集处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565170A true CN115565170A (zh) | 2023-01-03 |
CN115565170B CN115565170B (zh) | 2023-03-17 |
Family
ID=84770792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211560637.7A Active CN115565170B (zh) | 2022-12-07 | 2022-12-07 | 一种细胞培养状态的图像采集处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565170B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229375A (zh) * | 2023-05-06 | 2023-06-06 | 山东卫肤药业有限公司 | 一种基于无光源培育箱内部环境成像方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109069870A (zh) * | 2016-02-24 | 2018-12-21 | 洛克菲勒大学 | 基于胚胎细胞的用于亨廷顿氏病的治疗候选物筛选系统、模型及它们的应用 |
CN112419294A (zh) * | 2020-12-01 | 2021-02-26 | 杭州市第一人民医院 | 一种细胞计数方法、装置、设备及存储介质 |
CN113774106A (zh) * | 2021-04-27 | 2021-12-10 | 上海益诺思生物技术股份有限公司 | 一种利用3d肝细胞体外微核细胞组学检测遗传毒性的方法 |
CN114359899A (zh) * | 2021-12-09 | 2022-04-15 | 首都医科大学附属北京天坛医院 | 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 |
CN114600172A (zh) * | 2019-08-30 | 2022-06-07 | 朱诺治疗学股份有限公司 | 用于将细胞分类的机器学习方法 |
US20220261990A1 (en) * | 2021-02-05 | 2022-08-18 | Viqi, Inc. | Machine learning for early detection of cellular morphological changes |
-
2022
- 2022-12-07 CN CN202211560637.7A patent/CN115565170B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109069870A (zh) * | 2016-02-24 | 2018-12-21 | 洛克菲勒大学 | 基于胚胎细胞的用于亨廷顿氏病的治疗候选物筛选系统、模型及它们的应用 |
CN114600172A (zh) * | 2019-08-30 | 2022-06-07 | 朱诺治疗学股份有限公司 | 用于将细胞分类的机器学习方法 |
CN112419294A (zh) * | 2020-12-01 | 2021-02-26 | 杭州市第一人民医院 | 一种细胞计数方法、装置、设备及存储介质 |
US20220261990A1 (en) * | 2021-02-05 | 2022-08-18 | Viqi, Inc. | Machine learning for early detection of cellular morphological changes |
CN113774106A (zh) * | 2021-04-27 | 2021-12-10 | 上海益诺思生物技术股份有限公司 | 一种利用3d肝细胞体外微核细胞组学检测遗传毒性的方法 |
CN114359899A (zh) * | 2021-12-09 | 2022-04-15 | 首都医科大学附属北京天坛医院 | 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 |
CN115273077A (zh) * | 2021-12-09 | 2022-11-01 | 首都医科大学附属北京天坛医院 | 细胞模型构建方法、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
WALEED A FARAHAT 等: "Ensemble Analysis of Angiogenic Growth in Three-Dimensional Microfluidic Cell Cultures", 《PLOS ONE》 * |
李翔: "基于计算机视觉的干细胞培养装置智能检测方法研究", 《工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229375A (zh) * | 2023-05-06 | 2023-06-06 | 山东卫肤药业有限公司 | 一种基于无光源培育箱内部环境成像方法 |
CN116229375B (zh) * | 2023-05-06 | 2023-08-25 | 山东卫肤药业有限公司 | 一种基于无光源培育箱内部环境成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115565170B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324937B (zh) | 标注目标的方法和装置 | |
CN108831228B (zh) | 基于dis的实验操作测评方法及系统 | |
CN115565170B (zh) | 一种细胞培养状态的图像采集处理方法及系统 | |
KR20220111634A (ko) | 온라인 오프라인 결합형 다차원 교육 ai 학교 시스템 | |
CN105825189A (zh) | 一种用于大学生到课率及上课专注度自动分析的装置 | |
CN103679591A (zh) | 一种远程学习状态监测系统及方法 | |
CN111091538A (zh) | 一种管道焊缝自动识别、缺陷检测方法及装置 | |
CN109743547A (zh) | 一种人工智能安全监控管理系统 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN109857878B (zh) | 物品标注方法及装置、电子设备及存储介质 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN111144749A (zh) | 电网图像智能标注众包平台及工作方法 | |
CN116935447A (zh) | 基于自适应师生结构的无监督域行人重识别方法及系统 | |
CN114120094A (zh) | 一种基于人工智能的水污染识别方法及系统 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN113420109B (zh) | 一种街道界面渗透率的测量方法、计算机及存储介质 | |
CN110070051A (zh) | 基于计算机视觉技术的牛发情监测方法及系统 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN111680569B (zh) | 基于图像分析的出勤率检测方法、装置、设备及存储介质 | |
CN110941976A (zh) | 一种基于卷积神经网络的学生课堂行为识别方法 | |
CN109492573A (zh) | 一种指针读取方法及装置 | |
CN112966780A (zh) | 一种动物行为识别方法及系统 | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
CN109633113B (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
CN114529898A (zh) | 一种基于人工智能的大数据类器官图像识别的方法 |
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 |