CN116858752A - 一种压缩域智能成像流式细胞分析装置及方法 - Google Patents
一种压缩域智能成像流式细胞分析装置及方法 Download PDFInfo
- Publication number
- CN116858752A CN116858752A CN202310470767.XA CN202310470767A CN116858752A CN 116858752 A CN116858752 A CN 116858752A CN 202310470767 A CN202310470767 A CN 202310470767A CN 116858752 A CN116858752 A CN 116858752A
- Authority
- CN
- China
- Prior art keywords
- compressed
- signal
- flow cytometry
- optical signal
- sampling
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000000684 flow cytometry Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 87
- 238000005070 sampling Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 239000006185 dispersion Substances 0.000 claims description 33
- 230000006835 compression Effects 0.000 claims description 22
- 238000007906 compression Methods 0.000 claims description 22
- 239000000835 fiber Substances 0.000 claims description 17
- 239000013307 optical fiber Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910052691 Erbium Inorganic materials 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1434—Optical arrangements
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于细胞流式检测技术领域,公开了一种压缩域智能成像流式细胞分析装置及方法。本发明通过光源调制模块产生原始光信号,并对原始光信号进行调制生成编码结构光信号;通过信号采集模块利用编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;通过智能分析模块利用训练好的神经网络模型对压缩采样电信号进行分析,得到细胞类别信息。本发明能够解决现有技术中的流式细胞分析仪的数据存储、实时处理的压力较大的问题,能够实现对细胞的无图像高速智能分类。
Description
技术领域
本发明属于细胞流式检测技术领域,更具体地,涉及一种压缩域智能成像流式细胞分析装置及方法。
背景技术
流式细胞术以其高通量的细胞分析能力为临床和科学研究提供了强有力的工具。特别是成像流式细胞术(IFC)的出现,实现了对细胞形态、结构、细胞间相互作用等信息的捕捉,填补了传统流式细胞术的空白,并被广泛应用。但IFC的高通量带来的海量数据对数据的采集、传输和实时处理造成了巨大的压力,阻碍了其在临床的实际应用。此外现有的结合智能分析的成像流式细胞仪,存在计算量大且耗费时间长的问题。所以当前急需能够有效减少数据量,加快数据分析速度,降低后端处理设备的压力和花费的成像流式细胞仪。
近年来,压缩感知(CS)已成功应用于许多成像系统中,显著减少了数据采样量,缓解了数据处理的压力。将该方法用于流式细胞术,能够直接从源头上解决现有的数据量过大的问题。然而,在信号重建过程中,迭代优化过程的计算极其耗时,且恢复后的图像也会产生存储和处理压力,若需在尽可能短的采样时间内获取并处理数据目前仍存在很大挑战。
发明内容
本发明通过提供一种压缩域智能成像流式细胞分析装置及方法,解决现有技术中的流式细胞分析仪的数据存储、实时处理的压力较大的问题。
本发明提供一种压缩域智能成像流式细胞分析装置,包括:
光源调制模块,用于产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
信号采集模块,用于利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
智能分析模块,用于利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
优选的,所述光源调制模块的编码频率与所述信号采集模块的采样频率同步。
优选的,所述光源调制模块利用电光调制器或数字微镜器件对所述原始光信号进行调制;所述信号采集模块利用第一聚焦单元将所述编码结构光信号聚焦于检测细胞上,利用微流控芯片控制细胞流速,利用第二聚焦单元将压缩采样后的脉冲入射至光电探测器。
优选的,所述光源调制模块包括:飞秒激光器、色散光纤、电光调制器、低通滤波器和任意波形发生器;所述信号采集模块包括:掺铒光纤激光放大器、第一准直器、第一衍射光栅、第一4f透镜系统、第一物镜、微流控芯片、第二物镜、第二4f透镜系统、第二衍射光栅、第二准直器、色散补偿光纤和光电探测器;
所述飞秒激光器的光信号输出端、所述色散光纤、所述电光调制器的光信号输入端依次连接,所述飞秒激光器的射频信号输出端、所述低通滤波器、所述任意波形发生器的外部时钟信道依次连接,所述任意波形发生器的编码信号输出端连接所述电光调制器的电信号输入端,所述电光调制器输出所述编码结构光信号;所述编码结构光信号经所述掺铒光纤激光放大器放大后依次经过所述第一准直器、所述第一衍射光栅,所述第一衍射光栅用于将准直后的编码结构光信号在空间色散形成一维色散脉冲;一维色散脉冲依次经过所述第一4f透镜系统和所述第一物镜后聚焦于所述微流控芯片上,对检测细胞进行压缩采样;携带检测细胞信息的一维色散脉冲依次经过所述第二物镜和所述第二4f透镜系统后入射至所述第二衍射光栅,所述第二衍射光栅用于将一维色散脉冲还原为单脉冲,单脉冲经所述第二准直器后耦合至所述色散补偿光纤,所述色散补偿光纤用于进行光脉冲压缩得到压缩采样光信号,所述压缩采样光信号输入至所述光电探测器,所述光电探测器输出所述压缩采样电信号。
优选的,所述光源调制模块包括:LED光源、第一4f透镜系统和数字微镜器件;所述信号采集模块包括:第二4f透镜系统、第一物镜、微流控芯片、第二物镜、第三4f透镜系统和光电探测器;
所述LED光源产生的原始光信号通过所述第一4f透镜系统后聚焦于所述数字微镜器件上,所述数字微镜器件输出所述编码结构光信号;所述编码结构光信号经依次经所述第二4f透镜系统和所述第一物镜后聚焦于所述微流控芯片上,对检测细胞进行压缩采样;携带检测细胞信息的光信号依次经过所述第二物镜和所述第三4f透镜系统后聚焦于所述光电探测器,所述光电探测器输出所述压缩采样电信号。
优选的,所述智能分析模块包括计算机;所述计算机对所述压缩采样电信号进行截取与保存,得到细胞压缩信息;利用训练好的神经网络模型对所述细胞压缩信息进行分析,实现对检测细胞的直接分类。
优选的,基于若干的细胞压缩信息及其对应的细胞类别信息构建训练集、验证集和测试集,利用所述训练集、所述验证集和所述测试集依次对构建的原始神经网络模型进行训练、验证和测试后得到所述训练好的神经网络模型。
优选的,所述原始神经网络模型包括输入层、特征提取层、全连接层和输出层;所述特征提取层包括卷积层和池化层;采用GoogLeNet的Inception模块作为所述卷积层提取多尺度特征,所述卷积层包含1×1、3×3和5×5卷积核分支。
优选的,所述原始神经网络模型使用softmax函数进行细胞分类。
另一方面,本发明提供一种压缩域智能成像流式细胞分析方法,利用上述的压缩域智能成像流式细胞分析装置实现,所述方法包括以下步骤:
步骤1、通过光源调制模块,产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
步骤2、通过信号采集模块,利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
步骤3、通过智能分析模块,利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明结合压缩感知的低采样带宽和卷积神经网络的分类优势,基于压缩感知原理和机器学习,提出的分析装置及对应的分析方法无需将压缩采样的数据恢复成图像而是直接进行分类,同时保证细胞的分类准确率,实现对细胞的无图像高速智能分类,本发明结构简单,且易于调整,可以有效减少大规模单细胞分析的数据量,能够解决现有流式细胞术受制于电子器件存储能力的问题,实现快速分类的目标。
附图说明
图1为本发明提供的一种压缩域智能成像流式细胞分析装置的框架示意图;
图2为本发明实施例1提供的一种压缩域智能成像流式细胞分析装置的示意图;
图3为本发明实施例2提供的一种压缩域智能成像流式细胞分析装置的示意图。
具体实施方式
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。
考虑到对于实际应用中的大规模单细胞分析,细胞图像的获取与恢复过程只是一个中间环节,并不是最终目的,本发明将压缩感知和机器学习直接结合,设计了一种既能压缩信号又能精准分类的装置,对采集的压缩信号直接分析判断细胞类别,无需进行图像重建,本发明能够大幅降低数据量,实现分析速度更快的无图像智能细胞分类。
参见图1,本发明提供一种压缩域智能成像流式细胞分析装置,包括:
光源调制模块,用于产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
信号采集模块,用于利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
智能分析模块,用于利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
其中,所述光源调制模块的编码频率与所述信号采集模块的采样频率同步。
所述光源调制模块利用电光调制器或数字微镜器件对所述原始光信号进行调制,将编码加载于所述原始光信号上,生成所述编码结构光信号。
所述信号采集模块主要包括聚焦器件、微流控芯片和光电探测器。所述信号采集模块利用第一聚焦单元将所述编码结构光信号聚焦于检测细胞上,利用所述微流控芯片控制细胞流速,利用第二聚焦单元将压缩采样后的脉冲入射至所述光电探测器。
所述智能分析模块包括计算机;所述计算机对所述压缩采样电信号进行截取与保存(即实时自动截取单个细胞的压缩信号并进行保存),得到细胞压缩信息;利用训练好的神经网络模型对所述细胞压缩信息进行分析,实现对检测细胞的直接分类,无需将其恢复为细胞图片。
具体的,基于若干的细胞压缩信息及其对应的细胞类别信息(即利用不同细胞的压缩数据)构建训练集、验证集和测试集,利用所述训练集、所述验证集和所述测试集依次对构建的原始神经网络模型进行训练、验证和测试后得到所述训练好的神经网络模型。所述智能分析模块能够使不同的压缩数据对应神经网络的不同通道(即模型中对应不同压缩比连接对应的分析通道),实现快速分析。
所述原始神经网络模型包括输入层、特征提取层、全连接层和输出层;所述特征提取层包括卷积层和池化层;采用GoogLeNet的Inception模块作为所述卷积层提取多尺度特征,所述卷积层包含1×1、3×3和5×5卷积核分支。所述原始神经网络模型使用softmax函数进行细胞分类。
本发明在接收到压缩采样的数据后,神经网络通过卷积与池化实现对压缩采样数据的特征提取与特征挑选。然后送入GoogLeNet的Inception模块中,Inception将多个卷积或池化操作,放在一起组成一个网络模块。在多个尺寸上进行卷积再聚合提取不同尺度的特征,再通过降维,降低了计算复杂度,进而输出特征矩阵。Inception模块将特征矩阵传递给后续的全连接层,从而将特征矩阵转换为一维的特征向量,最后使用softmax函数实现细胞的分类。
综上,本发明能够直接对细胞的压缩信号进行分析,成功实现了细胞的高速高精度无图像分类。
与上述装置相对应,本发明还提供一种压缩域智能成像流式细胞分析方法,包括以下步骤:
步骤1、通过光源调制模块,产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
步骤2、通过信号采集模块,利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
步骤3、通过智能分析模块,利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
下面结合具体器件对本发明作进一步的说明。
实施例1:
实施例1提供一种压缩域智能成像流式细胞分析装置,参见图2,所述光源调制模块包括:飞秒激光器101、色散光纤102、电光调制器104、低通滤波器和任意波形发生器103;所述信号采集模块包括:掺铒光纤激光放大器、第一准直器105、第一衍射光栅107、第一4f透镜系统108、第一物镜109、微流控芯片110、第二物镜111、第二4f透镜系统112、第二衍射光栅113、第二准直器114、色散补偿光纤115和光电探测器116;所述智能分析模块包括计算机117。此外,还可通过设置反射镜106调节光路。
所述飞秒激光器101的光信号输出端、所述色散光纤102、所述电光调制器104的光信号输入端依次连接,所述飞秒激光器101的射频信号输出端、所述低通滤波器、所述任意波形发生器103的外部时钟信道依次连接,所述任意波形发生器103的编码信号输出端连接所述电光调制器104的电信号输入端,所述电光调制器104输出所述编码结构光信号;所述编码结构光信号经所述掺铒光纤激光放大器放大后依次经过所述第一准直器105、所述反射镜106、所述第一衍射光栅107,所述第一衍射光栅107用于将准直后的编码结构光信号在空间色散形成一维色散脉冲;一维色散脉冲依次经过所述第一4f透镜系统108和所述第一物镜109后聚焦于所述微流控芯片110上,对检测细胞进行压缩采样;携带检测细胞信息的一维色散脉冲依次经过所述第二物镜111和所述第二4f透镜系统112后入射至所述第二衍射光栅113,所述第二衍射光栅113用于将一维色散脉冲还原为单脉冲,单脉冲经所述第二准直器114后耦合至所述色散补偿光纤115,所述色散补偿光纤115用于进行光脉冲压缩得到压缩采样光信号,所述压缩采样光信号输入至所述光电探测器116,所述光电探测器116输出所述压缩采样电信号至所述计算机117。
例如,所述掺铒光纤激光放大器与所述第一准直器105连接;所述反射镜106以一定距离(例如d1=100mm)和角度(例如θ1=45°)置于所述第一准直器105的出射光路上;所述第一衍射光栅107以一定距离(例如d2=100mm)和角度(例如θ2=60°)置于所述反射镜106的出射光路上;所述第一4f透镜系统108以一定距离(例如d3=105mm)和角度(例如θ3=15°)置于所述第一衍射光栅107的出射光路上;所述第一物镜109以一定的距离(例如d4=25mm)平行置于所述4f透镜系统108的出射光路上;所述微流控芯片110以一定的距离(例如d5=8.5mm)平行置于第一物镜109的出射光路上;所述第二物镜111以一定的距离(例如d6=8.5mm)平行置于所述微流控芯片110的出射光路上;所述第二4f透镜系统112以一定的距离(例如d7=25mm)平行置于所述第二物镜111的出射光路上;所述第二衍射光栅113以一定距离(例如d8=105mm)和角度(例如θ4=15°)置于所述第二4f透镜系统112的出射光路上;所述第二准直器114以一定距离(例如d9=100m)和角度(例如θ5=45°)置于所述第二衍射光栅113的出射光路上;所述色散补偿光纤115的输入端与所述第二准直器114相连,所述色散补偿光纤115的输出端与所述光电探测器116相连,最后将信号传输至所述计算机117。
具体的,所述飞秒激光器101的选型为中心波长1550nm、谱宽为30nm、脉宽100fs、重复频率101.7MHz的脉冲激光器;所述色散光纤102为群速度色散为300ps/nm的单模光纤;所述电光调制器104为1550nm波段的40Gbps的马赫-曾德尔调制器;所述任意波形发生器(AWG)103的选型为M8195A;所述第一准直器105的选型为Thorlabs的F260FC-1550;所述第一衍射光栅107的选型为刻线密度600/mm;所述第一4f透镜系统108的选型为焦距f=100mm、焦距f=50mm;所述第一物镜109的选型为Thorlabs的MY50X-825,数值孔径0.42,放大倍率50x;所述第二物镜111的选型为Thorlabs的MY50X-825,数值孔径0.42,放大倍率50x;所述第二4f透镜系统112的选型为焦距f=100mm、焦距f=50mm;所述第二衍射光栅113的选型为刻线密度600/mm;所述第二准直器114的选型为Thorlabs的F260FC-1550;所述光电探测器116采用PD10A-200M。
下面将结合图2,对实施例1的具体实施方案作进一步的说明如下。
1)所述飞秒激光器101产生飞秒脉冲,其中心波长为1550nm,带宽为30nm,脉宽为100fs,重复频率为101.7MHz,成像的帧速率等于脉冲的重复频率,实现101.7MHz的成像速度;
2)所述色散光纤102将脉冲在时域拉伸至脉冲宽度5ns,所述色散光纤102输出端连接所述电光调制器104的光信号输入端;
3)所述低通滤波器对所述飞秒激光器101输出电信号做低通滤波,所述低通滤波器输出端一端连接所述任意波形发生器103的外部参考时钟信道,作为触发信号;
4)所述任意波形发生器103接收所述低通滤波器的触发信号后,产生与触发信号相同频率的随机二进制编码信号,并传输给所述电光调制器104;
5)所述电光调制器104根据所述任意波形发生器103的随机二进制编码信号对脉冲进行调制,所述掺铒光纤激光放大器将调制脉冲信号放大;
6)所述第一准直器105将放大了的调制脉冲通过所述反射镜106从一定角度以空间光形式入射到所述第一衍射光栅107上,在空间域色散形成一维色散脉冲,实现时域至频域的映射;
7)所述第一4f透镜系统108和所述第一物镜109将一维色散脉冲聚焦于所述微流控芯片110通道上,对细胞进行压缩采样。
8)成功对细胞进行压缩采样后的光信号再经过所述第二物镜111和所述4f透镜系统112入射至所述第二衍射光栅113,所述第二衍射光栅113将空间色散的脉冲还原为单脉冲;所述第二准直器114将还原的单脉冲耦合至所述色散补偿光纤115;所述色散补偿光纤115实现光脉冲压缩,所述光电探测器116进行光电转换并传输至所述计算机117。
9)所述计算机117利用MATLAB软件,基于神经网络模型,将采集的细胞压缩信号进行细胞分类并进行存储,实现基于压缩感知的无图像高速智能细胞分类。
实施例2:
实施例2提供一种压缩域智能成像流式细胞分析装置,参见图3,所述光源调制模块包括:LED光源201、第一4f透镜系统202和数字微镜器件203;所述信号采集模块包括:第二4f透镜系统204、第一物镜205、微流控芯片206、第二物镜207、第三4f透镜系统208和光电探测器209;所述智能分析模块包括计算机210。
所述LED光源201产生的原始光信号通过所述第一4f透镜系统202后聚焦于所述数字微镜器件203上,所述数字微镜器件203输出所述编码结构光信号;所述编码结构光信号经依次经所述第二4f透镜系统204和所述第一物镜205后聚焦于所述微流控芯片206上,对检测细胞进行压缩采样;携带检测细胞信息的光信号依次经过所述第二物镜207和所述第三4f透镜系统208后聚焦于所述光电探测器209,所述光电探测器209输出所述压缩采样电信号至所述计算机210。
例如,所述第一4f透镜系统202以一定的距离(例如d1=105mm)平行置于所述LED光源201的出射光路上;所述数字微镜器件203以一定距离(例如d2=100mm)和角度(例如θ1=24°)置于所述第一4f透镜系统202的出射光路上;所述第二4f透镜系统204以一定距离(例如d3=105mm)和角度(例如θ2=15°)置于所述数字微镜器件203的出射光路上;所述第一物镜205以一定的距离(例如d4=25mm)平行置于所述第二4f透镜系统204的出射光路上;所述微流控芯片206以一定的距离(例如d5=8.5mm)平行置于所述第一物镜205的出射光路上;所述第二物镜207以一定的距离(例如d6=8.5mm)平行置于所述微流控芯片206的出射光路上;所述第三4f透镜系统208以一定的距离(例如d7=25mm)平行置于所述第二物镜207的出射光路上;所述光电探测器209以一定距离(例如d8=105m)和角度(例如θ3=15°)置于所述第三4f透镜系统208的出射光路上,最后将信号传输至所述计算机210。
具体的,所述数字微镜器件(DMD)202的选型为ViALUX GmbH;所述第一物镜205的选型为Thorlabs的MY50X-825,数值孔径0.42,放大倍率50x;所述第二物镜207的选型为Thorlabs的MY50X-825,数值孔径0.42,放大倍率50x;所述光电探测器209采用FPD510-NIR-500M。
下面将结合图3,对实施例2的具体实施方案作进一步的说明如下。
1)所述LED光源201产生原始光信号,并通过所述第一4f透镜系统202聚焦于所述数字微镜器件203。
2)所述数字微镜器件203对传递的光信号进行调制,并将调制后的光信号传入所述第二4f透镜系统204。
3)调制后的光信号通过所述第二4f透镜系统204和所述第一物镜205后聚焦于所述微流控芯片206通道上,对细胞进行压缩采样。
4)实现压缩采样后的光信号再经过所述第二物镜207和所述第三4f透镜系统208聚焦于所述光电探测器209。
5)所述光电探测器209将光信号转换为电信号并传输至所述计算机210。
6)所述计算机210利用MATLAB软件,基于神经网络模型,将采集的细胞压缩信号进行细胞分类并进行存储,实现基于压缩感知的无图像高速智能细胞分类。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种压缩域智能成像流式细胞分析装置,其特征在于,包括:
光源调制模块,用于产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
信号采集模块,用于利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
智能分析模块,用于利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
2.根据权利要求1所述的压缩域智能成像流式细胞分析装置,其特征在于,所述光源调制模块的编码频率与所述信号采集模块的采样频率同步。
3.根据权利要求1所述的压缩域智能成像流式细胞分析装置,其特征在于,所述光源调制模块利用电光调制器或数字微镜器件对所述原始光信号进行调制;所述信号采集模块利用第一聚焦单元将所述编码结构光信号聚焦于检测细胞上,利用微流控芯片控制细胞流速,利用第二聚焦单元将压缩采样后的脉冲入射至光电探测器。
4.根据权利要求3所述的压缩域智能成像流式细胞分析装置,其特征在于,所述光源调制模块包括:飞秒激光器、色散光纤、电光调制器、低通滤波器和任意波形发生器;所述信号采集模块包括:掺铒光纤激光放大器、第一准直器、第一衍射光栅、第一4f透镜系统、第一物镜、微流控芯片、第二物镜、第二4f透镜系统、第二衍射光栅、第二准直器、色散补偿光纤和光电探测器;
所述飞秒激光器的光信号输出端、所述色散光纤、所述电光调制器的光信号输入端依次连接,所述飞秒激光器的射频信号输出端、所述低通滤波器、所述任意波形发生器的外部时钟信道依次连接,所述任意波形发生器的编码信号输出端连接所述电光调制器的电信号输入端,所述电光调制器输出所述编码结构光信号;所述编码结构光信号经所述掺铒光纤激光放大器放大后依次经过所述第一准直器、所述第一衍射光栅,所述第一衍射光栅用于将准直后的编码结构光信号在空间色散形成一维色散脉冲;一维色散脉冲依次经过所述第一4f透镜系统和所述第一物镜后聚焦于所述微流控芯片上,对检测细胞进行压缩采样;携带检测细胞信息的一维色散脉冲依次经过所述第二物镜和所述第二4f透镜系统后入射至所述第二衍射光栅,所述第二衍射光栅用于将一维色散脉冲还原为单脉冲,单脉冲经所述第二准直器后耦合至所述色散补偿光纤,所述色散补偿光纤用于进行光脉冲压缩得到压缩采样光信号,所述压缩采样光信号输入至所述光电探测器,所述光电探测器输出所述压缩采样电信号。
5.根据权利要求3所述的压缩域智能成像流式细胞分析装置,其特征在于,所述光源调制模块包括:LED光源、第一4f透镜系统和数字微镜器件;所述信号采集模块包括:第二4f透镜系统、第一物镜、微流控芯片、第二物镜、第三4f透镜系统和光电探测器;
所述LED光源产生的原始光信号通过所述第一4f透镜系统后聚焦于所述数字微镜器件上,所述数字微镜器件输出所述编码结构光信号;所述编码结构光信号经依次经所述第二4f透镜系统和所述第一物镜后聚焦于所述微流控芯片上,对检测细胞进行压缩采样;携带检测细胞信息的光信号依次经过所述第二物镜和所述第三4f透镜系统后聚焦于所述光电探测器,所述光电探测器输出所述压缩采样电信号。
6.根据权利要求1所述的压缩域智能成像流式细胞分析装置,其特征在于,所述智能分析模块包括计算机;所述计算机对所述压缩采样电信号进行截取与保存,得到细胞压缩信息;利用训练好的神经网络模型对所述细胞压缩信息进行分析,实现对检测细胞的直接分类。
7.根据权利要求6所述的压缩域智能成像流式细胞分析装置,其特征在于,基于若干的细胞压缩信息及其对应的细胞类别信息构建训练集、验证集和测试集,利用所述训练集、所述验证集和所述测试集依次对构建的原始神经网络模型进行训练、验证和测试后得到所述训练好的神经网络模型。
8.根据权利要求7所述的压缩域智能成像流式细胞分析装置,其特征在于,所述原始神经网络模型包括输入层、特征提取层、全连接层和输出层;所述特征提取层包括卷积层和池化层;采用GoogLeNet的Inception模块作为所述卷积层提取多尺度特征,所述卷积层包含1×1、3×3和5×5卷积核分支。
9.根据权利要求7所述的压缩域智能成像流式细胞分析装置,其特征在于,所述原始神经网络模型使用softmax函数进行细胞分类。
10.一种压缩域智能成像流式细胞分析方法,其特征在于,利用如权利要求1-9中任一项所述的压缩域智能成像流式细胞分析装置实现,所述方法包括以下步骤:
步骤1、通过光源调制模块,产生原始光信号,并对所述原始光信号进行调制生成编码结构光信号;
步骤2、通过信号采集模块,利用所述编码结构光信号对检测细胞进行压缩采样,并将得到的压缩采样光信号转换为压缩采样电信号;
步骤3、通过智能分析模块,利用训练好的神经网络模型对所述压缩采样电信号进行分析,得到细胞类别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470767.XA CN116858752A (zh) | 2023-04-27 | 2023-04-27 | 一种压缩域智能成像流式细胞分析装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470767.XA CN116858752A (zh) | 2023-04-27 | 2023-04-27 | 一种压缩域智能成像流式细胞分析装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116858752A true CN116858752A (zh) | 2023-10-10 |
Family
ID=88220447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310470767.XA Pending CN116858752A (zh) | 2023-04-27 | 2023-04-27 | 一种压缩域智能成像流式细胞分析装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116858752A (zh) |
-
2023
- 2023-04-27 CN CN202310470767.XA patent/CN116858752A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334804B (zh) | 基于空间部分相干光的全光深度衍射神经网络系统及方法 | |
CN108956432B (zh) | 一种基于结构光的流式高速超分辨成像装置及方法 | |
CN110186559A (zh) | 一种涡旋光束轨道角动量模态的检测方法及装置 | |
CN105897344A (zh) | 一种采用光频域随机混频的单像素二维成像系统及方法 | |
CN115169542B (zh) | 一种面向卷积神经网络的二维光子卷积加速系统和装置 | |
CN107817641A (zh) | 基于多模光纤的单像素相机系统 | |
CN112465137A (zh) | 一种基于光子神经网络的涡旋光束模态识别系统及方法 | |
CN106788714A (zh) | 一种基于光学计算的稀疏解混方法 | |
CN114819132A (zh) | 一种基于时间-波长交织的光子二维卷积加速方法及系统 | |
WO2022148423A1 (zh) | 运动物体检测方法和装置 | |
CN108156399A (zh) | 基于压缩感知理论的单像素相机视频成像系统 | |
CN107948461A (zh) | 基于压缩感知和正交调制实现多图像在qr码中的隐藏 | |
Zhang et al. | Single-shot compressed ultrafast photography based on U-net network | |
CN116858752A (zh) | 一种压缩域智能成像流式细胞分析装置及方法 | |
CN117749275A (zh) | 一种基于达曼光栅的多通道轨道角动量光通信系统及方法 | |
Mrozek | Simultaneous monitoring of chromatic dispersion and optical signal to noise ratio in optical network using asynchronous delay tap sampling and convolutional neural network (deep learning) | |
CN113890801B (zh) | 采用频域编码混频的压缩感知信号获取系统及方法 | |
CN116091640B (zh) | 一种基于光谱自注意力机制的遥感高光谱重建方法及系统 | |
CN112179506A (zh) | 一种混合阶或分数阶涡旋光束模态识别装置及方法 | |
CN110631703A (zh) | 一种基于可调谐滤光片的单像素光谱成像系统 | |
CN108366195B (zh) | 一种基于led阵列的高速空间光调制方法及其成像系统 | |
CN115695674A (zh) | 数字图像加密传输系统 | |
Peng et al. | Auto-encoders for compressed sensing | |
Gao et al. | Modulation format and baud-rate identification using asynchronous single channel sampling based on CNN | |
CN114358270A (zh) | 一种多维复用技术的光子神经网络及实现方法 |
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 |