CN115700799A - 基于深度学习的类器官质量控制方法、存储介质 - Google Patents
基于深度学习的类器官质量控制方法、存储介质 Download PDFInfo
- Publication number
- CN115700799A CN115700799A CN202110795932.XA CN202110795932A CN115700799A CN 115700799 A CN115700799 A CN 115700799A CN 202110795932 A CN202110795932 A CN 202110795932A CN 115700799 A CN115700799 A CN 115700799A
- Authority
- CN
- China
- Prior art keywords
- organoid
- drug
- neural network
- microscopic image
- quality
- 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
- 210000002220 organoid Anatomy 0.000 title claims abstract description 199
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000003908 quality control method Methods 0.000 title claims abstract description 14
- 239000003814 drug Substances 0.000 claims abstract description 62
- 229940079593 drug Drugs 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013441 quality evaluation Methods 0.000 claims abstract description 17
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000009432 framing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001647 drug administration Methods 0.000 description 3
- 230000000857 drug effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003255 drug test Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012606 in vitro cell culture Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的类器官质量控制方法、存储介质，方法包括：在药前类器官显微影像和药后类器官显微影像中框选出每个类器官；构建一包括卷积神经网络和多任务学习神经网络的模型；依据框选出每个类器官的药前类器官显微影像和药后类器官显微影像，基于anchor策略对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力；依据对类器官质量评估有判别性的有效特征，对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力；获取训练所述模型后得到的评估模型。本发明能够规避ATP法对测定时间敏感的弊端，提高类器官质量评价的准确度。
Description
技术领域
本发明涉及细胞质量监控技术领域，特别涉及一种基于深度学习的类器官质量控制方法和一种计算机可读存储介质。
背景技术
类器官是一种3D体外细胞培养物，它与来源细胞或组织具有较高的结构相似性，是一种代替患者进行药物试验的理想模型，从而实现个性化药物测试，帮助医生和患者提高治疗效果。但是，现阶段主要依靠ATP法统计用药后类器官的存活率以作为药效的评价指标，该方法具体通过分别测定不同药物以及不同浓度的药物下的细胞存活量，生成每种药物在不同浓度下的细胞存活量曲线，取50％存活率对应浓度作为药效评价指标。可见，ATP法为终点法，测定时间会影响细胞存活量的测定值，继而影响最终药效评价结果。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于深度学习的类器官质量控制方法，能够规避ATP法对测定时间敏感的弊端，实现精准评估类器官用药后的发育质量，以提高评估类器官对特定药物反应的准确性。
本发明的第二个目的在于提出一种计算机可读存储介质，其上存储的计算机程序能够实现规避ATP法对测定时间敏感的弊端，精准评估类器官用药后的发育质量，提高评估类器官对特定药物反应的准确性。
为达到上述目的，本发明第一方面实施例提出了一种基于深度学习的类器官质量控制方法，包括以下步骤：
在药前类器官显微影像和药后类器官显微影像中框选出每个类器官；
构建一包括卷积神经网络和多任务学习神经网络的模型；
依据框选出每个类器官的药前类器官显微影像和药后类器官显微影像，基于anchor策略对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力；
依据对类器官质量评估有判别性的有效特征，对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力；
获取训练所述模型后得到的评估模型。
根据本发明实施例的基于深度学习的类器官质量控制方法，以类器官用药前后的显微影像作为训练数据，基于anchor策略和多任务学习神经网络进行深度学习，训练得到能够从图像中识别每个类器官的能力以及评估类器官发育质量能力的评估模型，以准确评估类器官用药后的活力值，从而评价类器官对特定药物的反应。本发明的方法具备重复测试的能力，规避了ATP法对测定时间敏感的弊端，以此提高对药效评估的准确性。
另外，根据本发明上述实施例提出的基于深度学习的类器官质量控制方法，还可以具有如下附加的技术特征：
可选地，所述在药前类器官显微影像和药后类器官显微影像中框选出每个类器官，包括：
分别获取原始的药前类器官显微影像和原始的药后类器官显微影像；
对所述原始的药前类器官显微影像和所述原始的药后类器官显微影像分别进行预处理，获取对应的高通量的药前类器官显微影像和高通量的药后类器官显微影像。
可选地，所述依据框选出每个类器官的药前类器官显微影像和药后类器官显微影像，基于anchor策略对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力，包括：
依据框选出的类器官大小预设anchor；
分别框定药前类器官显微影像和药后类器官显微影像中的各细胞团，获取各细胞团的边界框；
将所述边界框相对于anchor编码，以提取类器官特征，获取对应类器官的位置；
依据所获取的类器官的位置，以及所述框选出的每个类器官的位置，使用反向误差传播方法对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力。
可选地，所述依据对类器官质量评估有判别性的有效特征，对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力，包括：
基于多头分类器从框选出的每个类器官中提取对类器官质量评估具有高度判别性的有效特征；
提升所述有效特征的表示能力；
基于对比学习策略学习类器官发育质量评估函数；
依据所述有效特征、提升后的有效特征以及所述类器官发育质量评估函数，使用反向误差传播方法对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力。
可选地，所述方法还包括：
分别采集不同发育时间或不同药物浓度下类器官的显微影像；
将采集到的显微影像分别通过所述评估模型，获取对应显微影像中类器官的发育质量；
依据显微影像中类器官的数目和发育质量，评估显微影像中类器官样本的发育质量。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行时，能够实现上述基于深度学习的类器官质量控制方法。
附图说明
图1为根据本发明实施例的一种基于深度学习的类器官质量控制方法的流程示意图；
图2为本发明实施例的一种基于深度学习的类器官质量控制方法中进行目标框编码的示意图；
图3为本发明实施例的一种基于深度学习的类器官质量控制方法中进行多任务学习神经网络训练的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明基于深度学习技术，根据类器官用药前后的显微影像数据，捕捉用药前后的形态变化特征，准确评估类器官用药后的活力值，从而提高评估类器官对特定药物反应的准确度。由于本发明可以重复测算，因此解决了ATP法对测定时间敏感的弊端。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为本发明一种基于深度学习的类器官质量控制方法的流程示意图。
如图1所示，本发明实施例的一种基于深度学习的类器官质量控制方法，包括：
S1：对影像数据进行预处理，提高数据清晰度。
在一具体实施例中，可以通过以下步骤实现：
S101：选取特定来源的类器官，分别采集其用药前和用药后的类器官显微影像，记为原始的药前类器官显微影像和原始的药后类器官显微影像；
S102：将原始的类器官显微影像经过拼接、景深合成等方法合成高通量的影像数据，以能够对单孔内的不同焦距的类器官清晰成像，得到高通量的药前类器官显微影像和高通量的药后类器官显微影像。
S2：分别在药前类器官显微影像和药后类器官显微影像中框选出每个类器官，并根据类器官的形态特征对每个框选的类器官进行打分。优选分值在0-5之间。该步骤中用于框选出每个类器官的“框”在本实施例中被定义为真实标注框(Ground Truth)。
S3：构建一包括卷积神经网络和多任务学习神经网络的模型；
S4：基于Anchor策略对卷积神经网络进行训练，使其具备自动检测图像中的每个类器官的能力。
所述Anchor策略中的anchor为算法预定义若干边框的位置信息，由四个参数[xanchor，yanchor，wanchor，hanchor]表示，参数分别表示Anchor的x轴坐标、y轴坐标、宽度和高度。也可以简单理解为在图像上预设好的不同大小、不同长宽比的参照框。在本实施例中，想要训练得到的卷积神经网络能够实现：首先通过将输入神经网络的显微影像进行特征图采样，如64、128或256倍下采样，产生4*4、2*2、1*1大小的特征图。然后在每个特征图上都设置预设数量的不同大小的anchor，例如三个大小、长宽比不同的框；然后判断每个anchor是否包含(或者说与类器官有较大重叠)类器官，以及类器官相对本anchor的中心点偏移以及长宽比例；最后输出每个anchor认为自己是否含有类器官的概率，类器官中心点与anchor自身的中心点位置的偏移量，以及相对于anchor宽高的比例。由于anchor的位置是固定的，因此很容易换算出类器官的位置。
在一具体实施例中，上述S4可以通过以下步骤实现：
S401：依据框选出的类器官的尺寸，预设anchor的大小和长宽比；
S402：分别框定药前类器官显微影像和药后类器官显微影像中的各细胞团，获取各细胞团的边界框；
S403：将所述边界框相对于anchor编码，得到候选框，如果候选框与某个真实标注框(Ground Truth)的IoU较大，则认为是正样本，标记为预测框；否则为负样本。
如图2所示，对应图中的类器官，图中的白色框为Anchor，由四个参数[xanchor，yanchor，wanchor，hanchor]表示，分别表示Anchor的x轴坐标、y轴坐标、宽度和高度；算法模型会预测与锚数目相同的候选框，即图中的黑色框，候选框的编码格式用[σx，σy，σw，σh]表示，实际与每个锚(即Anchor)对应的候选框的位置为[xanchor+δx，yanchor+δy，wanchor+δw，hanchor+δ_h]。即图2中，黑色框为白色框(Anchor)对应的候选框，若算法性能完美，则候选框将与真实标注框完美重合。这也是本步骤的训练目标。
S404：提取正样本中类器官特征；
可选地，可以通过公式：hi＝F(xi)进行类器官特征提取，其中，hi表示每个类器官的特征，F表示特征提取模块，xi表示类器官图像块。
S405：输出类器官目标位置。
可选地，可以通过公式：[pi，ti]＝D(F(xi))获取类器官的位置，其中，[pi，ti]表示预测的图像中所有的类器官概率和位置，D表示特征到位置的映射，由一系列卷积层构成。
S406：依据所获取的类器官的位置，以及所述框选出的每个类器官的位置，使用反向误差传播方法对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力。
在一具体实施例中，可以通过与标签值(即框选出的类器官的实际位置)进行比较，求出损失值，通过下述公式进行反向误差传播，对模型中的卷积神经网络进行训练。
公式为：
其中，
表示图像xi中的第j个类器官的置信度和位置，BCE表示二元交叉熵函数，λ表示损失函数两项的权重系数。
S5：基于多任务学习的神经网络进行训练，使其具备评估类器官发育质量的能力。
在一具体实施例中，请参阅图3，上述步骤可以通过下述过程实现：
S501：基于多头分类器从框选出的每个类器官中提取对类器官质量评估具有高度判别性的有效特征。
可选地，通过公式
进行提取。其中，
表示分类损失函数，
表示第j个专家对第i个类器官细胞团的标注，Cj表示第j个分类器，G(xi)表示特征提取器。
S502：提升所述有效特征的表示能力。
在一具体实例中，基于邻域约束提升类器官特征的表示能力。具体地，通过公式：
提升有效特征的表示能力。其中，
表示聚类损失，
表示第j个分类器对第i个细胞团的预测值，puv表示第u个类器官和第v个类器官的相似度，hu表示第u个类器官的特征，
表示第v个类器官的特征表示的转置，Zu表示归一化系数。
S503：基于对比学习策略学习类器官发育质量评估函数；
在一具体实例中，可以通过下述公式：
其中，
表示对比损失函数，S表示指数函数，根据给定条件返回特定值，(xu，xv)表示类器官样本对，
表示第j个专家对第u个类器官的标注值，
表示第j个专家对第v个类器官的标注值，
表示任一专家对样本v的标注，
表示任一专家对样本u的标注，M表示打分函数。
S504：依据所述有效特征、提升后的有效特征以及所述类器官发育质量评估函数，使用反向误差传播方法对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力。具体实施参见图3模型。
在一具体实例中，可以通过与标签值(即框选出的类器官的实际位置)进行比较，求出损失值，通过下述公式进行反向误差传播，对模型中的多任务学习神经网络进行训练。
公式为：
其中，α表示权重系数，β表示权重系数。
S6：获取训练得到的类器官发育质量评估模型。
基于该类器官发育质量评估模型，能够捕捉类器官的形态变化，从而有利于对类器官的用药效果进行更准确地评估。
在一具体实施例中，所述方法还包括：
S7：通过训练得到的类器官发育质量评估模型对类器官的发育质量进行评估。
在一具体实例中，具体评估过程包括：
S701：将所需评估的药物加入装有类器官的培养皿，分别采集不同药物浓度或不同发育时间下类器官的显微影像；
S702：将采集到的各个显微影像分别通过所述评估模型，预测输入的显微影像中类器官的发育质量；
S703：依据该显微影像中类器官的数目和每个类器官的发育质量，综合评估显微影像中类器官样本的发育质量。
综上所述，根据本实施例提供的基于深度学习的类器官质量控制方法，以类器官用药前后的显微影像作为训练数据，基于anchor策略和多任务学习神经网络进行深度学习，训练得到能够从图像中识别每个类器官的能力以及评估类器官发育质量能力的评估模型，以准确评估类器官用药后的活力值，从而评价类器官对特定药物的反应。本发明的方法具备重复测试的能力，规避了ATP法对测定时间敏感的弊端，以此提高对药效评估的准确性。
另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行时，能够实现上述基于深度学习的类器官质量控制方法。
根据本发明实施例的计算机可读存储介质，通过存储有评估模型的计算机程序，这样基于该程序被处理器执行时能够实现上述的基于深度学习的类器官质量控制方法，由此，基于评估模型，能够准确评估类器官用药后的活力值，从而评价类器官对特定药物的反应。由于具备重复测试的能力，规避了ATP法对测定时间敏感的弊端，以此提高对药效评估的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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。
在本发明的描述中，需要理解的是，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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，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。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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于深度学习的类器官质量控制方法，其特征在于，包括以下步骤：
在药前类器官显微影像和药后类器官显微影像中框选出每个类器官；
构建一包括卷积神经网络和多任务学习神经网络的模型；
依据框选出每个类器官的药前类器官显微影像和药后类器官显微影像，基于anchor策略对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力；
依据对类器官质量评估有判别性的有效特征，对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力；
获取训练所述模型后得到的评估模型。
2.如权利要求1所述的一种基于深度学习的类器官质量控制方法，其特征在于，所述在药前类器官显微影像和药后类器官显微影像中框选出每个类器官，包括：
分别获取原始的药前类器官显微影像和原始的药后类器官显微影像；
对所述原始的药前类器官显微影像和所述原始的药后类器官显微影像分别进行预处理，获取对应的高通量的药前类器官显微影像和高通量的药后类器官显微影像。
3.如权利要求1所述的一种基于深度学习的类器官质量控制方法，其特征在于，所述依据框选出每个类器官的药前类器官显微影像和药后类器官显微影像，基于anchor策略对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力，包括：
依据框选出的类器官大小预设anchor；
分别框定药前类器官显微影像和药后类器官显微影像中的各细胞团，获取各细胞团的边界框；
将所述边界框相对于anchor编码，以提取类器官特征，获取对应类器官的位置；
依据所获取的类器官的位置，以及所述框选出的每个类器官的位置，使用反向误差传播方法对所述卷积神经网络进行训练，使得所述卷积神经网络具备从图像中识别每个类器官的能力。
4.如权利要求1所述的一种基于深度学习的类器官质量控制方法，其特征在于，所述依据对类器官质量评估有判别性的有效特征，对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力，包括：
基于多头分类器从框选出的每个类器官中提取对类器官质量评估具有高度判别性的有效特征；
提升所述有效特征的表示能力；
基于对比学习策略学习类器官发育质量评估函数；
依据所述有效特征、提升后的有效特征以及所述类器官发育质量评估函数，使用反向误差传播方法对所述多任务学习神经网络进行训练，使得所述多任务学习神经网络具备评估类器官发育质量的能力。
5.如权利要求1所述的一种基于深度学习的类器官质量控制方法，其特征在于，所述方法还包括：
分别采集不同发育时间或不同药物浓度下类器官的显微影像；
将采集到的显微影像分别通过所述评估模型，获取对应显微影像中类器官的发育质量；
依据显微影像中类器官的数目和发育质量，评估显微影像中类器官样本的发育质量。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序在被处理器执行时，能够实现上述权利要求1-5任意一项所述的基于深度学习的类器官质量控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110795932.XA CN115700799A (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的类器官质量控制方法、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110795932.XA CN115700799A (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的类器官质量控制方法、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115700799A true CN115700799A (zh) | 2023-02-07 |
Family
ID=85120358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110795932.XA Pending CN115700799A (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的类器官质量控制方法、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115700799A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129193A (zh) * | 2023-02-27 | 2023-05-16 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
| CN116129193B (zh) * | 2023-02-27 | 2024-06-11 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
-
2021
- 2021-07-14 CN CN202110795932.XA patent/CN115700799A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129193A (zh) * | 2023-02-27 | 2023-05-16 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
| CN116129193B (zh) * | 2023-02-27 | 2024-06-11 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | A deep convolutional neural network for classification of red blood cells in sickle cell anemia | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
| CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
| CN112819821B (zh) | 一种细胞核图像检测方法 | |
| Ferlaino et al. | Towards deep cellular phenotyping in placental histology | |
| CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
| CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
| CN113705570A (zh) | 一种基于深度学习的少样本目标检测方法 | |
| WO2023159527A1 (zh) | 检测器训练方法、装置及存储介质 | |
| JP4985480B2 (ja) | がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム | |
| CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
| Kim et al. | Hair follicle classification and hair loss severity estimation using Mask R-CNN | |
| CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
| Hu et al. | Automatic placenta abnormality detection using convolutional neural networks on ultrasound texture | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| CN113052236A (zh) | 一种基于NASNet的肺炎图像分类方法 | |
| CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
| CN115700799A (zh) | 基于深度学习的类器官质量控制方法、存储介质 | |
| CN116309459A (zh) | 基于改进网络的肺结节检测方法、装置、设备和存储介质 | |
| CN113111879B (zh) | 一种细胞检测的方法和系统 | |
| CN115861284A (zh) | 印刷制品线状缺陷检测方法、装置、电子设备和存储介质 | |
| CN115659221A (zh) | 一种教学质量的评估方法、装置及计算机可读存储介质 | |
| CN115689981A (zh) | 基于信息融合的肺部图像检测方法、装置及存储介质 | |
| CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 |
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 |