CN117315655B - 神经干细胞培养的早期识别方法及系统 - Google Patents

神经干细胞培养的早期识别方法及系统 Download PDF

Info

Publication number
CN117315655B
CN117315655B CN202311635665.5A CN202311635665A CN117315655B CN 117315655 B CN117315655 B CN 117315655B CN 202311635665 A CN202311635665 A CN 202311635665A CN 117315655 B CN117315655 B CN 117315655B
Authority
CN
China
Prior art keywords
cell
neural stem
stem cell
culture
state
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.)
Active
Application number
CN202311635665.5A
Other languages
English (en)
Other versions
CN117315655A (zh
Inventor
吴俊昌
陈业祖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen 150 Biomedical Co ltd
Original Assignee
Shenzhen 150 Biomedical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen 150 Biomedical Co ltd filed Critical Shenzhen 150 Biomedical Co ltd
Priority to CN202311635665.5A priority Critical patent/CN117315655B/zh
Publication of CN117315655A publication Critical patent/CN117315655A/zh
Application granted granted Critical
Publication of CN117315655B publication Critical patent/CN117315655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/698—Matching; Classification
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
    • C12N5/06—Animal cells or tissues; Human cells or tissues
    • C12N5/0602—Vertebrate cells
    • C12N5/0618—Cells of the nervous system
    • C12N5/0623—Stem cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明涉及图像识别领域，公开了一种神经干细胞培养的早期识别方法及系统，用于提高神经干细胞培养的早期识别的准确率并实现细胞培养环境参数的自适应优化。方法包括：对神经干细胞进行培养过程监控，得到神经干细胞图像数据集；进行早期识别和数据集分割，得到每个细胞扩增阶段的多个神经干细胞图像；通过细胞荧光检测模型进行细胞荧光信号检测，得到细胞荧光信号强度和细胞荧光信号分布；进行细胞更新和繁殖状态分析，生成第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标；进行差异系数计算和向量转换，得到目标状态编码向量；通过注意力机制神经网络进行细胞培养过程的环境参数影响分析和参数优化分析，输出目标培养环境参数。

Description

神经干细胞培养的早期识别方法及系统
技术领域
本发明涉及图像识别领域，尤其涉及一种神经干细胞培养的早期识别方法及系统。
背景技术
神经干细胞是一类具有自我更新和多向分化潜能的细胞，具有在神经系统发育和修复中起关键作用的特性。神经干细胞培养技术的发展对于神经科学研究和神经疾病治疗具有重要意义。然而，在神经干细胞培养的过程中，监测和控制细胞的生长状态、分化状态以及培养环境的影响仍然是一项具有挑战性的任务。
传统的培养监测方法往往受限于对细胞状态的精准度和实时性，因此需要一种高效、精准的早期识别方法，以提高神经干细胞培养的效率和成功率。此外，环境参数对神经干细胞的影响也是一个复杂而关键的问题，如何在培养过程中精确地调控这些参数，以实现对神经干细胞的精准控制，对于神经干细胞培养技术的提升和应用具有重要价值。
发明内容
本发明提供了一种神经干细胞培养的早期识别方法及系统，用于提高神经干细胞培养的早期识别的准确率并实现细胞培养环境参数的自适应优化。
本发明第一方面提供了一种神经干细胞培养的早期识别方法，所述神经干细胞培养的早期识别方法包括：采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集；对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
结合第一方面，在本发明第一方面的第一种实现方式中，所述采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集，包括：采用表面蛋白荧光标记法对神经干细胞进行培养，并对所述神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数，所述初始培养环境参数包括温度、湿度、培养基成分及培养皿类型；通过高分辨率显微镜对所述神经干细胞进行图像采集，得到多个初始细胞培养图像；将所述多个初始细胞培养图像输入预置的超高分辨率模型，其中，所述超高分辨率模型包括：卷积层、激活层、残差层、上采样层和输出层；通过所述超高分辨率模型对所述多个初始细胞培养图像进行噪声去除，得到多个高清细胞培养图像；通过预置的分割算法对所述多个高清细胞培养图像中的细胞区域进行像素级的分割，得到多个神经干细胞图像；对所述多个神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像，包括：对所述神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签；对所述培养特征标签进行早期识别和分类，得到多个目标特征标签，并根据所述多个目标特征标签对所述神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集；对所述早期干细胞图像数据集进行细胞扩增分析，得到扩增阶段边界，并对所述扩增阶段边界进行阶段划分，确定多个细胞扩增阶段；根据所述多个细胞扩增阶段对所述早期干细胞图像数据集进行阶段图像匹配，得到每个细胞扩增阶段的多个神经干细胞图像。
结合第一方面，在本发明第一方面的第三种实现方式中，所述分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布，包括：分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，所述细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层；通过所述池化层对所述多个神经干细胞图像进行下采样处理，得到每个神经干细胞图像的下采样特征图；将所述每个神经干细胞图像的下采样特征图输入所述全连接层进行高维特征提取，得到每个神经干细胞图像的高维特征图；通过所述两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取，得到每个神经干细胞图像的荧光区域特征；将每个神经干细胞图像的荧光区域特征输入所述隐藏层进行细胞荧光信号强度和分布检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标，包括：对所述细胞荧光信号强度与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第一相关性系数，并对所述细胞荧光信号分布与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第二相关性系数；根据所述第一相关性系数构建所述细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系，并根据所述第二相关性系数构建所述细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系；根据所述第一状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，得到每个神经干细胞图像的第一原始更新和繁殖状态指标，并根据所述第一原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一细胞更新和繁殖状态指标；根据所述第二状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标，并根据所述第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标。
结合第一方面，在本发明第一方面的第五种实现方式中，所述对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量，包括：对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，得到第一均值数据，并对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行标准差计算，得到第一标准差数据；对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行均值运算，得到第二均值数据，并对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行标准差计算，得到第二标准差数据；根据所述第一均值数据和所述第一标准差数据计算对应的第一差异系数，并根据所述第二均值数据和所述第二标准差数据计算对应的第二差异系数；对所述第一差异系数和所述第二差异系数进行加权求和，得到目标差异系数，并对所述第一差异系数和所述目标差异系数进行比值计算，得到第一目标比值，以及对所述第二差异系数和所述目标差异系数进行比值计算，得到第二目标比值；分别对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量；根据所述第一目标比值以及所述第二目标比值，对所述第一状态编码向量以及所述第二状态编码向量进行向量融合，得到目标状态编码向量。
结合第一方面，在本发明第一方面的第六种实现方式中，所述将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数，包括：对所述目标状态编码向量和所述初始培养环境参数进行矩阵转换，生成环境状态影响矩阵；将所述环境状态影响矩阵输入预置的注意力机制神经网络，所述注意力机制神经网络包括门限循环网络、注意力机制层以及全连接层；通过所述门限循环网络对所述环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵；通过所述注意力机制层对所述隐藏状态特征矩阵进行注意力特征分析，得到注意力特征矩阵；通过所述全连接层对所述注意力特征矩阵进行细胞培养过程的环境参数影响预测，得到环境参数影响预测概率值，并根据所述环境参数影响预测概率值匹配对应的环境参数影响分析结果；通过遗传算法，根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
本发明第二方面提供了一种神经干细胞培养的早期识别系统，所述神经干细胞培养的早期识别系统包括：采集模块，用于采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集；识别模块，用于对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；检测模块，用于分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；分析模块，用于根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；编码模块，用于对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；输出模块，用于将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
结合第二方面，在本发明第二方面的第一种实现方式中，所述采集模块具体用于：采用表面蛋白荧光标记法对神经干细胞进行培养，并对所述神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数，所述初始培养环境参数包括温度、湿度、培养基成分及培养皿类型；通过高分辨率显微镜对所述神经干细胞进行图像采集，得到多个初始细胞培养图像；将所述多个初始细胞培养图像输入预置的超高分辨率模型，其中，所述超高分辨率模型包括：卷积层、激活层、残差层、上采样层和输出层；通过所述超高分辨率模型对所述多个初始细胞培养图像进行噪声去除，得到多个高清细胞培养图像；通过预置的分割算法对所述多个高清细胞培养图像中的细胞区域进行像素级的分割，得到多个神经干细胞图像；对所述多个神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。
结合第二方面，在本发明第二方面的第二种实现方式中，所述识别模块具体用于：对所述神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签；对所述培养特征标签进行早期识别和分类，得到多个目标特征标签，并根据所述多个目标特征标签对所述神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集；对所述早期干细胞图像数据集进行细胞扩增分析，得到扩增阶段边界，并对所述扩增阶段边界进行阶段划分，确定多个细胞扩增阶段；根据所述多个细胞扩增阶段对所述早期干细胞图像数据集进行阶段图像匹配，得到每个细胞扩增阶段的多个神经干细胞图像。
结合第二方面，在本发明第二方面的第三种实现方式中，所述检测模块具体用于：分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，所述细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层；通过所述池化层对所述多个神经干细胞图像进行下采样处理，得到每个神经干细胞图像的下采样特征图；将所述每个神经干细胞图像的下采样特征图输入所述全连接层进行高维特征提取，得到每个神经干细胞图像的高维特征图；通过所述两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取，得到每个神经干细胞图像的荧光区域特征；将每个神经干细胞图像的荧光区域特征输入所述隐藏层进行细胞荧光信号强度和分布检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布。
结合第二方面，在本发明第二方面的第四种实现方式中，所述分析模块具体用于：对所述细胞荧光信号强度与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第一相关性系数，并对所述细胞荧光信号分布与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第二相关性系数；根据所述第一相关性系数构建所述细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系，并根据所述第二相关性系数构建所述细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系；根据所述第一状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，得到每个神经干细胞图像的第一原始更新和繁殖状态指标，并根据所述第一原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一细胞更新和繁殖状态指标；根据所述第二状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标，并根据所述第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标。
结合第二方面，在本发明第二方面的第五种实现方式中，所述编码模块具体用于：对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，得到第一均值数据，并对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行标准差计算，得到第一标准差数据；对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行均值运算，得到第二均值数据，并对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行标准差计算，得到第二标准差数据；根据所述第一均值数据和所述第一标准差数据计算对应的第一差异系数，并根据所述第二均值数据和所述第二标准差数据计算对应的第二差异系数；对所述第一差异系数和所述第二差异系数进行加权求和，得到目标差异系数，并对所述第一差异系数和所述目标差异系数进行比值计算，得到第一目标比值，以及对所述第二差异系数和所述目标差异系数进行比值计算，得到第二目标比值；分别对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量；根据所述第一目标比值以及所述第二目标比值，对所述第一状态编码向量以及所述第二状态编码向量进行向量融合，得到目标状态编码向量。
结合第二方面，在本发明第二方面的第六种实现方式中，所述输出模块具体用于：对所述目标状态编码向量和所述初始培养环境参数进行矩阵转换，生成环境状态影响矩阵；将所述环境状态影响矩阵输入预置的注意力机制神经网络，所述注意力机制神经网络包括门限循环网络、注意力机制层以及全连接层；通过所述门限循环网络对所述环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵；通过所述注意力机制层对所述隐藏状态特征矩阵进行注意力特征分析，得到注意力特征矩阵；通过所述全连接层对所述注意力特征矩阵进行细胞培养过程的环境参数影响预测，得到环境参数影响预测概率值，并根据所述环境参数影响预测概率值匹配对应的环境参数影响分析结果；通过遗传算法，根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
本发明提供的技术方案中，对神经干细胞进行培养过程监控，得到神经干细胞图像数据集；进行早期识别和数据集分割，得到每个细胞扩增阶段的多个神经干细胞图像；通过细胞荧光检测模型进行细胞荧光信号检测，得到细胞荧光信号强度和细胞荧光信号分布；进行细胞更新和繁殖状态分析，生成第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标；进行差异系数计算和向量转换，得到目标状态编码向量；通过注意力机制神经网络进行细胞培养过程的环境参数影响分析和参数优化分析，输出目标培养环境参数，本发明通过表面蛋白荧光标记法和高分辨率显微镜，实现对神经干细胞培养过程的细胞状态的精准监控和早期识别，提高对细胞状态变化的敏感性。通过细胞荧光信号强度和分布的获取，提供了多维度的神经干细胞信息，更全面地了解细胞的生理状态和行为。通过数据集分割和细胞荧光信号分析，实现对细胞扩增阶段的动态监测和分析，为细胞培养的不同阶段提供针对性的管理和调整。通过细胞荧光信号的分析，生成第一和第二细胞更新与繁殖状态指标，实现对细胞状态的量化，为更精准的实验设计和控制提供依据。通过计算差异系数和生成目标状态编码向量，将复杂的细胞状态信息简化为具体的向量，方便后续的数据处理和分析。通过注意力机制神经网络对目标状态编码向量和初始培养环境参数进行综合分析，实现对培养环境参数的智能优化，提高神经干细胞培养的效率和成功率，进而提高了神经干细胞培养的早期识别的准确率并实现了细胞培养环境参数的自适应优化。
附图说明
图1为本发明实施例中神经干细胞培养的早期识别方法的一个实施例示意图；
图2为本发明实施例中早期识别和数据集分割的流程图；
图3为本发明实施例中细胞荧光信号检测的流程图；
图4为本发明实施例中细胞更新和繁殖状态分析的流程图；
图5为本发明实施例中神经干细胞培养的早期识别系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种神经干细胞培养的早期识别方法及系统，用于提高神经干细胞培养的早期识别的准确率并实现细胞培养环境参数的自适应优化。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中神经干细胞培养的早期识别方法的一个实施例包括：
S101、采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对神经干细胞进行图像采集，得到神经干细胞图像数据集；
可以理解的是，本发明的执行主体可以为神经干细胞培养的早期识别系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，采用表面蛋白荧光标记法对神经干细胞进行培养过程监控。将荧光染料或标记物与细胞表面的特定蛋白相结合，使得在光照射下，这些蛋白能够发出荧光。通过这种方法，可以实时观察细胞的状态，包括它们的分化、增殖及移动等。同时，这种荧光标记不仅有助于追踪细胞的行为，还能帮助研究者理解细胞内部的信号传导过程。在细胞培养的过程中，还需要对环境参数进行精确采集，这包括培养环境的温度、湿度、培养基成分及培养皿类型等。例如，温度的微小变化就影响细胞代谢，而不同的培养基成分则会影响细胞的分化方向。通过高分辨率显微镜对神经干细胞进行图像采集。使用高分辨率显微镜可以获取到关于细胞形态、大小、数量以及它们之间相互作用的详细信息。这些图像不仅为研究者提供了直观的视觉信息，还能用于后续的图像分析和处理。在图像数据的处理方面，将这些初始细胞培养图像输入到一个预设的超高分辨率模型。这种模型通常包括卷积层、激活层、残差层、上采样层和输出层等。卷积层用于提取图像中的特征，激活层增强了模型的非线性处理能力，残差层有助于避免训练过程中的梯度消失问题，而上采样层则用于增加图像的分辨率。这些层共同作用，能够有效地对图像进行噪声去除，从而得到更清晰、高质量的细胞培养图像。得到高清晰度的细胞培养图像后，接下来通过预设的分割算法对这些图像中的细胞区域进行像素级的分割。这是通过识别和标记图像中每一个细胞的位置和轮廓来完成的。例如，通过分割，可以准确计算出每个细胞的面积、形状以及它们之间的距离，从而更好地理解细胞群体的动态变化。将这些经过分割的神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。这个数据集为研究者提供了一个丰富的资源，可用于进一步的分析和研究，例如通过应用机器学习算法来识别细胞的不同状态或预测它们的行为模式。
S102、对神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；
具体的，对神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签。通过分析细胞的形态、大小、分裂速度等特征，来识别和标记每个细胞培养区域的特征。利用高级图像分析技术，如机器学习或深度学习算法，来自动识别和分类细胞图像中的这些特征。这些培养特征标签将被用于早期识别和分类，以得到多个目标特征标签。算法会根据预先定义的分类标准，如细胞的生长阶段或形态类型，将细胞分为不同的类别。例如，可以将细胞分为处于静止期、分裂期或分化期的类别。这种分类对于理解细胞培养过程中的动态变化非常重要，因为不同的生长阶段需要不同的培养条件和干预策略。根据这些目标特征标签，对神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集。通过分割技术将图像数据集中与早期干细胞相关的图像提取出来，以便进行更专注和深入的分析。例如，这可以通过识别那些显示出高分裂活性或特定细胞表面标记的细胞来实现。对这个早期干细胞图像数据集进行细胞扩增分析，以确定扩增阶段的边界。这涉及到理解和定义细胞扩增的不同阶段，这通常是基于细胞数量的增长、分裂速度和分化状态等指标。例如，可以通过分析细胞在一定时间内的数量增长来确定其扩增阶段的开始和结束。对扩增阶段边界进行阶段划分，即根据分析结果将细胞扩增过程分为不同的阶段。这可以基于细胞的生理状态、行为特征或它们对特定刺激的响应来完成。这种划分有助于研究者更好地理解和控制细胞培养过程，确保细胞在适当的环境下进行有效的增殖和分化。根据这些细胞扩增阶段对早期干细胞图像数据集进行阶段图像匹配，即将每个确定的扩增阶段与相应的神经干细胞图像相关联。例如，可以通过比较细胞的形态变化或标记表达来确定它们所处的扩增阶段。
S103、分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；
需要说明的是，将每个细胞扩增阶段的多个神经干细胞图像输入到一个预设的细胞荧光检测模型中，该模型由多个专门设计的层组成，以有效地处理和分析图像数据。通过使用池化层对多个神经干细胞图像进行下采样处理。池化层在深度学习模型中起着减少数据维度、减少计算量和防止过拟合的作用。通过下采样，模型可以在保留关键信息的同时，减少图像特征的维度，使得后续的处理更为高效。每个神经干细胞图像经过池化层处理后，会得到一个下采样特征图，这个特征图概括了原始图像中的主要信息，但具有更低的分辨率和数据复杂度。将这些下采样特征图输入到全连接层进行高维特征提取。全连接层是深度学习中常用的一种层，能够将前一层的输出转化为一维特征向量，并捕捉输入数据中的非线性关系。在这个阶段，全连接层通过学习图像数据的深层次特征，提取出每个神经干细胞图像的高维特征图。这些高维特征图为模型提供了丰富的信息，使得模型能够更准确地识别和分析图像中的细胞特征。通过两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取。卷积层是深度学习中最核心的组成部分之一，它通过对图像进行局部区域的加权求和来提取特征。两层卷积层被设计来专门识别和提取细胞荧光信号的特征，比如荧光的位置、形状和强度等。这些荧光区域特征是分析细胞状态和行为的关键，因为它们直接反映了细胞内部的生物化学活动。将每个神经干细胞图像的荧光区域特征输入到隐藏层进行细胞荧光信号强度和分布检测。隐藏层在神经网络中起着进一步抽象和综合特征的作用，它通过学习不同层次的特征表示来完成复杂的任务。隐藏层被用来综合分析荧光区域特征，并最终输出每个神经干细胞图像的细胞荧光信号强度和分布。这一信息对于理解细胞的生理状态和活动至关重要，因为不同的荧光信号模式代表着不同的细胞状态或反应。
S104、根据细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；
具体的，对细胞荧光信号强度和神经干细胞的细胞更新及繁殖状态进行相关性分析，目的是确定荧光信号强度与细胞状态之间的关联程度，进而得到第一相关性系数。相关性分析通常利用统计方法，如皮尔逊相关系数或斯皮尔曼秩相关系数，来评估两组数据之间的线性或非线性关系。相关性分析有助于理解荧光信号强度如何与细胞的生长、分裂和其他生理活动相关联。同样地，对细胞荧光信号分布与神经干细胞的细胞更新及繁殖状态进行相关性分析，以得到第二相关性系数。细胞荧光信号分布的分析更为复杂，因为它不仅涉及信号的强度，还包括其在细胞内的位置和分布模式。例如，某些细胞信号在细胞核附近更为集中，而其他信号在细胞质中均匀分布，这些模式指示不同的细胞功能和状态。根据得到的第一相关性系数，构建细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系。将荧光信号强度转换为具体的细胞状态指标，如细胞分裂活跃度、代谢率或特定蛋白的表达水平。这种映射关系的建立通常需要大量实验数据和先进的数据分析技术，如机器学习算法，以确保映射关系的准确性和可靠性。类似地，根据第二相关性系数构建细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系。将荧光信号的空间分布模式与细胞的具体生理状态联系起来，这涉及复杂的图像分析和模式识别技术。根据第一状态指标映射关系，对每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，进而得到每个神经干细胞图像的第一原始更新和繁殖状态指标。将之前构建的映射关系应用于实际的细胞图像数据，将每个图像的荧光信号强度转换为相应的状态指标。这种转换既需要精确的计算方法，也需要考虑到实验条件和生物学变异带来的不确定性。同样，根据第二状态指标映射关系，对每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标。在这个步骤中，更加注重荧光信号在细胞内的分布特征，并将这些特征转换为具体的状态指标。根据所得到的第一和第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一和第二细胞更新和繁殖状态指标。将单个细胞水平的数据汇总到更高的组织水平，以得到关于整个细胞群体的综合信息。这种均值运算有助于削弱单个细胞异常或噪声的影响，提供更加准确和代表性的细胞群体状态评估。
S105、对第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据目标差异系数对第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；
具体的，对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，以得到第一均值数据。目的是为了确定不同细胞扩增阶段中细胞更新和繁殖状态的平均水平，从而提供一个综合的、量化的指标来反映整体的细胞行为。同时，对这些状态指标进行标准差计算，得到第一标准差数据。标准差的计算有助于评估细胞状态指标在不同细胞扩增阶段中的变异程度，从而了解细胞行为的一致性和差异性。同样地，对每个细胞扩增阶段的第二细胞更新和繁殖状态指标也进行均值运算，以得到第二均值数据，并计算相应的第二标准差数据。这一步骤与第一细胞更新和繁殖状态指标的处理类似，但关注的是不同的状态指标，这反映了细胞的另一方面的生理活动或行为模式。根据第一均值数据和第一标准差数据计算对应的第一差异系数，同时，根据第二均值数据和第二标准差数据计算第二差异系数。差异系数的计算是为了量化细胞状态指标在不同细胞扩增阶段之间的差异性，它通常涉及将标准差与均值的比值或其他相关的统计量进行计算，以得到一个反映差异程度的数值。对第一差异系数和第二差异系数进行加权求和，得到目标差异系数。将两个差异系数综合起来，以得到一个反映整体细胞状态差异的综合指标。此外，对第一差异系数和目标差异系数进行比值计算，得到第一目标比值，同样地，对第二差异系数和目标差异系数进行比值计算，得到第二目标比值。这些比值的计算有助于确定每个差异系数相对于整体差异的重要性和贡献度。对第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量。归一化映射和向量转换是将原始的状态指标转换为适合进一步分析和处理的形式，如转换为在特定范围内的数值或向量。这样的转换有助于标准化数据，使其更容易在后续的分析中被比较和处理。根据第一目标比值以及第二目标比值，对第一状态编码向量以及第二状态编码向量进行向量融合，得到目标状态编码向量。向量融合是一个数据整合的过程，它结合了来自不同源的信息，以生成一个综合的、代表性的数据表示。在本例中，它将两组不同的细胞状态数据合并为一个统一的向量，这个向量能够综合地反映神经干细胞在不同扩增阶段的行为和特征。
S106、将目标状态编码向量和初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据环境参数影响分析结果对初始培养环境参数进行参数优化分析，输出目标培养环境参数。
具体的，目标状态编码向量和初始培养环境参数需要经过矩阵转换，以生成环境状态影响矩阵。将目标状态编码向量和环境参数转换为一种格式，使之能够被神经网络有效处理。环境状态影响矩阵是一种数学表示，它结合了细胞的生物学特性和外部环境条件，为神经网络提供了综合的输入数据。将环境状态影响矩输入到一个预置的注意力机制神经网络中。这个网络包含门限循环网络（GRU）、注意力机制层以及全连接层。门限循环网络是一种高效的循环神经网络结构，适用于处理时间序列数据或需要记忆功能的任务。GRU有助于捕捉和处理细胞状态在不同培养阶段的动态变化。注意力机制层则可以增强网络对数据中重要特征的关注程度，这对于识别哪些环境参数对细胞培养过程影响最大尤为重要。全连接层则负责将网络的输出转换为可用于进一步分析的形式。通过GRU，网络对环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵。识别和提取环境状态数据中的关键信息，如细胞在不同环境条件下的反应模式。注意力机制层对隐藏状态特征矩阵进行分析，以识别其中最重要的特征，这些特征被整合成注意力特征矩阵。这确保了网络的输出能够集中反映对细胞培养影响最大的环境因素。通过全连接层对注意力特征矩阵进行处理，进行细胞培养过程的环境参数影响预测。在这一步骤中，网络生成了环境参数影响的预测概率值，这些值表明了不同环境参数对细胞培养产生的影响程度。这些预测结果随后被用于匹配对应的环境参数影响分析结果，从而为进一步的参数优化提供依据。通过遗传算法对初始培养环境参数进行参数优化分析，输出目标培养环境参数。遗传算法是一种启发式搜索算法，它模仿生物进化过程中的选择、交叉和变异机制，来解决优化问题。在这个过程中，根据环境参数影响分析结果，算法迭代地调整和优化培养环境参数，以寻找最适合神经干细胞培养的条件组合。
本发明实施例中，通过表面蛋白荧光标记法和高分辨率显微镜，实现对神经干细胞培养过程的细胞状态的精准监控和早期识别，提高对细胞状态变化的敏感性。通过细胞荧光信号强度和分布的获取，提供了多维度的神经干细胞信息，更全面地了解细胞的生理状态和行为。通过数据集分割和细胞荧光信号分析，实现对细胞扩增阶段的动态监测和分析，为细胞培养的不同阶段提供针对性的管理和调整。通过细胞荧光信号的分析，生成第一和第二细胞更新与繁殖状态指标，实现对细胞状态的量化，为更精准的实验设计和控制提供依据。通过计算差异系数和生成目标状态编码向量，将复杂的细胞状态信息简化为具体的向量，方便后续的数据处理和分析。通过注意力机制神经网络对目标状态编码向量和初始培养环境参数进行综合分析，实现对培养环境参数的智能优化，提高神经干细胞培养的效率和成功率，进而提高了神经干细胞培养的早期识别的准确率并实现了细胞培养环境参数的自适应优化。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）采用表面蛋白荧光标记法对神经干细胞进行培养，并对神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数，初始培养环境参数包括温度、湿度、培养基成分及培养皿类型；
（2）通过高分辨率显微镜对神经干细胞进行图像采集，得到多个初始细胞培养图像；
（3）将多个初始细胞培养图像输入预置的超高分辨率模型，其中，超高分辨率模型包括：卷积层、激活层、残差层、上采样层和输出层；
（4）通过超高分辨率模型对多个初始细胞培养图像进行噪声去除，得到多个高清细胞培养图像；
（5）通过预置的分割算法对多个高清细胞培养图像中的细胞区域进行像素级的分割，得到多个神经干细胞图像；
（6）对多个神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。
具体的，采用表面蛋白荧光标记法对神经干细胞进行培养。选择特定的荧光染料，这些染料能够结合到细胞表面的特定蛋白上，从而在特定波长的光照射下使细胞发出荧光。这种荧光标记技术不仅有助于在后续的显微镜观察中清楚地辨认出细胞，还能提供有关细胞状态的重要信息。并对神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数。这些参数包括温度、湿度、培养基的具体成分以及所使用的培养皿类型。这些环境参数的精确控制和记录有助于维持适宜的细胞生长条件，因为它们直接影响到细胞的生长、分裂和分化。通过高分辨率显微镜对这些荧光标记的神经干细胞进行图像采集。高分辨率显微镜能够捕捉到细胞的详细结构和荧光信号，从而生成一系列的初始细胞培养图像。这些图像中不仅包含了细胞的形态信息，还记录了荧光标记的分布情况。为了提升这些初始细胞培养图像的质量，需要将它们输入到一个预置的超高分辨率模型中。这个模型由多个关键组成部分构成：卷积层用于提取图像的特征，激活层引入非线性以增强处理能力，残差层帮助减少信息在多层传递过程中的丢失，上采样层用于提高图像的分辨率，最后输出层生成最终处理过的高清晰度图像。模型的主要任务是去除图像中的噪声，这有助于后续的精确图像分析。应用预置的分割算法对这些高清晰度图像中的细胞区域进行像素级分割。分割算法需要足够精准，以确保能够正确区分细胞和非细胞区域，并在保留细胞结构细节的同时，准确地划分出每个细胞的边界。将这些经过分割处理的神经干细胞图像转换成一个数据集。这个数据集包含了大量关于神经干细胞的图像信息，可以用于多种生物学和医学研究。例如，在神经退行性疾病的研究中，科研人员可以利用这个数据集来观察和分析神经干细胞在不同实验条件下的行为和反应，从而深入理解疾病的机制或评估潜在的治疗策略。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签；
S202、对培养特征标签进行早期识别和分类，得到多个目标特征标签，并根据多个目标特征标签对神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集；
S203、对早期干细胞图像数据集进行细胞扩增分析，得到扩增阶段边界，并对扩增阶段边界进行阶段划分，确定多个细胞扩增阶段；
S204、根据多个细胞扩增阶段对早期干细胞图像数据集进行阶段图像匹配，得到每个细胞扩增阶段的多个神经干细胞图像。
具体的，对神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，从每个细胞培养区域图像中提取关键的生物学特征。这些特征包括细胞的形状、大小、荧光强度或其他可视化的生物标记。为了实现这一步骤，通常采用计算机视觉算法和模式识别技术，如卷积神经网络（CNN），这些技术能够有效地从复杂的图像数据中提取出有意义的信息。对提取出的培养特征标签进行早期识别和分类，得到目标特征标签。将细胞根据其发育阶段或特定的生物学特性进行分类，例如，将细胞分为未分化的干细胞和已开始分化的细胞。这种分类通常基于机器学习算法，如支持向量机（SVM）或深度学习分类器，这些算法可以根据训练数据学习识别不同类型的细胞。根据这些目标特征标签对神经干细胞图像数据集进行数据集分割，从而得到早期干细胞图像数据集。将数据集中的图像根据它们的分类分组，比如将所有未分化的干细胞图像分为一组，而已分化细胞的图像分为另一组。对早期干细胞图像数据集进行细胞扩增分析，确定细胞扩增的不同阶段和边界。通过分析细胞的增殖速度和模式，以识别出不同的生长和扩增阶段。例如，通过量化细胞的分裂速度或计算在一定时间内细胞数量的增长，可以确定不同的扩增阶段。这种分析通常需要依赖于时间序列分析和生物统计方法。根据确定的不同细胞扩增阶段对早期干细胞图像数据集进行阶段图像匹配，得到每个扩增阶段的对应神经干细胞图像。将图像数据集中的每个图像与其相应的扩增阶段关联起来。这个步骤涉及使用图像元数据，如图像拍摄的时间戳，以及图像本身的生物学特征，如细胞的密度和形态变化。通过这种匹配，可以更清晰地了解在特定扩增阶段细胞的行为和状态。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层；
S302、通过池化层对多个神经干细胞图像进行下采样处理，得到每个神经干细胞图像的下采样特征图；
S303、将每个神经干细胞图像的下采样特征图输入全连接层进行高维特征提取，得到每个神经干细胞图像的高维特征图；
S304、通过两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取，得到每个神经干细胞图像的荧光区域特征；
S305、将每个神经干细胞图像的荧光区域特征输入隐藏层进行细胞荧光信号强度和分布检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布。
具体的，分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层。通过池化层对多个神经干细胞图像进行下采样处理。池化层在这里起着减少图像大小的作用，这有助于降低后续处理步骤中的计算负担。通过这种下采样处理，每个图像都被转换成一个含有更少像素的特征图，但仍然保留了细胞的关键信息。这样，虽然图像的分辨率降低了，但重要的细胞特征，如荧光区域的位置和形状，仍然得以保留。将这些下采样特征图送入全连接层进行高维特征提取。全连接层负责整合之前层提取的特征，并进一步分析这些特征以揭示更加复杂的图像信息。例如，它可以帮助识别不同细胞之间的微妙差异，或者是同一细胞在不同发育阶段的变化。这为荧光信号的深入分析提供了丰富的数据基础。每个神经干细胞图像的高维特征图进一步通过两层卷积层进行处理。这两层卷积层专门用于提取与荧光区域相关的特征，比如荧光的亮度、形状和分布模式。卷积层通过在图像中滑动小窗口并应用特定的滤波器，能够检测到特定的图像模式，如边缘或特定形状的荧光区域。这对于识别和量化细胞内的荧光信号至关重要，因为荧光信号的分布和强度往往与细胞的生物学性质紧密相关。这些提取到的荧光区域特征被输入到隐藏层，进行细胞荧光信号强度和分布的综合分析和检测。隐藏层在网络中起到加强特征提取和学习深层次信息的作用。模型不仅分析单个特征，而是将所有提取到的特征综合起来，以形成对每个细胞荧光信号强度和分布的全面理解。这些信息对于理解细胞的生物学状态和活动非常重要。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对细胞荧光信号强度与神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第一相关性系数，并对细胞荧光信号分布与神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第二相关性系数；
S402、根据第一相关性系数构建细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系，并根据第二相关性系数构建细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系；
S403、根据第一状态指标映射关系，对每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，得到每个神经干细胞图像的第一原始更新和繁殖状态指标，并根据第一原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一细胞更新和繁殖状态指标；
S404、根据第二状态指标映射关系，对每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标，并根据第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标。
具体的，对神经干细胞图像中的荧光信号强度进行量化分析，并将这些数据与细胞的生物学状态（如细胞更新和繁殖状态）进行比较。这种比较可以通过应用统计方法，例如皮尔逊相关系数或斯皮尔曼秩相关系数来实现。这些系数能够量化荧光信号强度和细胞状态之间的相关程度，从而得出第一相关性系数。同时，对荧光信号的空间分布在细胞内的模式进行类似的分析。这包括评估荧光是否均匀分布于细胞，或者是否聚焦于特定的细胞结构如核或细胞质等。通过将这些分布特征与细胞状态进行对比和分析，可以得到第二相关性系数，从而量化荧光信号分布和细胞生物学状态之间的相关性。获得了这两个相关性系数后，基于这些系数构建两个状态指标映射关系。第一映射关系是根据荧光信号强度与细胞更新和繁殖状态之间的关系来构建的。这需要使用数据分析和机器学习算法，如回归分析，来将荧光信号强度转化为具体的细胞状态指标。类似地，第二映射关系基于荧光信号分布与细胞状态之间的关联来构建。这涉及到识别荧光分布模式与特定的细胞行为（如细胞分裂或迁移）之间的关系，并将这些信息转化为量化的状态指标。对每个神经干细胞图像的荧光信号进行状态指标匹配。将图像中量化的荧光信号特征（强度和分布）与相应的映射关系相匹配，从而得到每个图像的第一原始更新和繁殖状态指标，以及第二原始状态指标。这些指标提供了关于每个细胞在特定扩增阶段的生物学行为的具体信息。对每个细胞扩增阶段的这些状态指标进行均值运算。计算所有图像在同一扩增阶段的第一和第二状态指标的平均值，从而得到该阶段的综合细胞更新和繁殖状态指标。通过这种方式，可以得到对特定细胞扩增阶段内细胞群体整体状态的量化评估。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，得到第一均值数据，并对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行标准差计算，得到第一标准差数据；
（2）对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行均值运算，得到第二均值数据，并对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行标准差计算，得到第二标准差数据；
（3）根据第一均值数据和第一标准差数据计算对应的第一差异系数，并根据第二均值数据和第二标准差数据计算对应的第二差异系数；
（4）对第一差异系数和第二差异系数进行加权求和，得到目标差异系数，并对第一差异系数和目标差异系数进行比值计算，得到第一目标比值，以及对第二差异系数和目标差异系数进行比值计算，得到第二目标比值；
（5）分别对第一细胞更新和繁殖状态指标和第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量；
（6）根据第一目标比值以及第二目标比值，对第一状态编码向量以及第二状态编码向量进行向量融合，得到目标状态编码向量。
具体的，对于神经干细胞在不同扩增阶段的图像数据集，进行初步的量化分析，以提取细胞更新和繁殖的状态指标。这些指标可以基于一系列预定义的生物学参数，如细胞大小、形状、分裂率等，通过图像分析技术得到。在这个过程中，对每个细胞扩增阶段的图像数据集进行处理，分别提取出两组关键的状态指标：第一组细胞更新和繁殖状态指标，以及第二组细胞更新和繁殖状态指标。对于每个细胞扩增阶段的第一组状态指标，进行均值运算，以计算出在该阶段内所有细胞的平均更新和繁殖状态，得到第一均值数据。这个均值数据反映了该阶段内所有细胞的平均生物学行为。对同一组状态指标执行标准差计算，得到第一标准差数据，反映了该阶段内细胞状态的变异程度或一致性。类似地，对第二组状态指标执行相同的计算步骤，分别得到第二均值数据和第二标准差数据。计算差异系数。这一计算基于均值和标准差数据，为每组状态指标定义一个差异系数。第一差异系数是基于第一均值数据和第一标准差数据计算的，而第二差异系数则是基于第二组数据计算的。差异系数的计算可以采用如标准差与均值之比等公式，这种计算能够量化在不同细胞扩增阶段内，细胞状态指标的波动或不确定性。对这两个差异系数进行加权求和，得到一个综合的目标差异系数。这个系数是为了提供一个整体的、综合的变异性指标，反映不同细胞状态指标在所有扩增阶段内的整体波动情况。为了进一步分析，计算第一差异系数与目标差异系数的比值，得到第一目标比值。同样地，计算第二差异系数与目标差异系数的比值，得到第二目标比值。这些比值有助于理解在综合变异性中，每组状态指标的相对重要性。将第一和第二组细胞更新和繁殖状态指标进行归一化映射和向量转换。将这些状态指标转换为可以用于进一步分析的数值或向量形式，使得它们可以被标准化和比较。转换后的向量，即第一状态编码向量和第二状态编码向量，为后续的数据融合和分析提供了适当的格式。根据计算得到的第一和第二目标比值，对第一状态编码向量和第二状态编码向量进行向量融合。通过结合两组不同的细胞状态数据，生成一个综合的、代表性的数据表示。这个综合向量，即目标状态编码向量，旨在综合反映神经干细胞在不同扩增阶段的整体生物学状态。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对目标状态编码向量和初始培养环境参数进行矩阵转换，生成环境状态影响矩阵；
（2）将环境状态影响矩阵输入预置的注意力机制神经网络，注意力机制神经网络包括门限循环网络、注意力机制层以及全连接层；
（3）通过门限循环网络对环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵；
（4）通过注意力机制层对隐藏状态特征矩阵进行注意力特征分析，得到注意力特征矩阵；
（5）通过全连接层对注意力特征矩阵进行细胞培养过程的环境参数影响预测，得到环境参数影响预测概率值，并根据环境参数影响预测概率值匹配对应的环境参数影响分析结果；
（6）通过遗传算法，根据环境参数影响分析结果对初始培养环境参数进行参数优化分析，输出目标培养环境参数。
具体的，对目标状态编码向量和初始培养环境参数进行矩阵转换，生成环境状态影响矩阵。这个矩阵是通过将目标状态编码向量（表示细胞的生物学状态）和初始培养环境参数（如温度、湿度、培养基成分等）结合而成的。这种转换可以通过矩阵运算或其他数学方法来实现，目的是将这些不同类型的数据整合在一起，形成一个综合的数据表示。将这个环境状态影响矩阵输入到一个预置的注意力机制神经网络中。这个网络包括门限循环网络（Gated Recurrent Unit, GRU）、注意力机制层以及全连接层。在这个网络中，门限循环网络首先对矩阵进行处理，提取隐藏的特征。GRU是一种有效的循环神经网络结构，它能够处理序列数据，捕捉数据中的时间依赖性和复杂的模式。通过GRU处理，服务器能够得到一个隐藏状态特征矩阵，这个矩阵包含了环境参数和细胞状态之间复杂关系的深层次信息。注意力机制层对这个隐藏状态特征矩阵进行进一步分析。注意力机制是一种能够提升神经网络性能的技术，它通过赋予不同部分的数据不同的“注意力”或权重，来突出最重要的信息。在这个层中，网络会识别出哪些特征是预测环境参数影响方面最关键的，从而生成一个注意力特征矩阵。这个注意力特征矩阵接着被送入全连接层。在全连接层中，网络会对这些特征进行最终的分析和整合，预测不同环境参数对细胞培养过程的影响。这一步骤的结果是一系列环境参数影响预测概率值，这些值表明了不同环境参数对细胞状态产生的影响。利用遗传算法对这些预测结果进行进一步分析。遗传算法是一种基于自然选择和遗传学原理的优化算法，它通过模拟进化过程来寻找问题的最优解。算法会根据环境参数影响分析结果，对初始培养环境参数进行优化，以寻找最有利于细胞生长和繁殖的条件。通过这种方式，算法可以输出一组优化后的目标培养环境参数。
上面对本发明实施例中神经干细胞培养的早期识别方法进行了描述，下面对本发明实施例中神经干细胞培养的早期识别系统进行描述，请参阅图5，本发明实施例中神经干细胞培养的早期识别系统一个实施例包括：
采集模块501，用于采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集；
识别模块502，用于对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；
检测模块503，用于分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；
分析模块504，用于根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；
编码模块505，用于对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；
输出模块506，用于将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
可选的，所述采集模块501具体用于：采用表面蛋白荧光标记法对神经干细胞进行培养，并对所述神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数，所述初始培养环境参数包括温度、湿度、培养基成分及培养皿类型；通过高分辨率显微镜对所述神经干细胞进行图像采集，得到多个初始细胞培养图像；将所述多个初始细胞培养图像输入预置的超高分辨率模型，其中，所述超高分辨率模型包括：卷积层、激活层、残差层、上采样层和输出层；通过所述超高分辨率模型对所述多个初始细胞培养图像进行噪声去除，得到多个高清细胞培养图像；通过预置的分割算法对所述多个高清细胞培养图像中的细胞区域进行像素级的分割，得到多个神经干细胞图像；对所述多个神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。
可选的，所述识别模块502具体用于：对所述神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签；对所述培养特征标签进行早期识别和分类，得到多个目标特征标签，并根据所述多个目标特征标签对所述神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集；对所述早期干细胞图像数据集进行细胞扩增分析，得到扩增阶段边界，并对所述扩增阶段边界进行阶段划分，确定多个细胞扩增阶段；根据所述多个细胞扩增阶段对所述早期干细胞图像数据集进行阶段图像匹配，得到每个细胞扩增阶段的多个神经干细胞图像。
可选的，所述检测模块503具体用于：分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，所述细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层；通过所述池化层对所述多个神经干细胞图像进行下采样处理，得到每个神经干细胞图像的下采样特征图；将所述每个神经干细胞图像的下采样特征图输入所述全连接层进行高维特征提取，得到每个神经干细胞图像的高维特征图；通过所述两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取，得到每个神经干细胞图像的荧光区域特征；将每个神经干细胞图像的荧光区域特征输入所述隐藏层进行细胞荧光信号强度和分布检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布。
可选的，所述分析模块504具体用于：对所述细胞荧光信号强度与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第一相关性系数，并对所述细胞荧光信号分布与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第二相关性系数；根据所述第一相关性系数构建所述细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系，并根据所述第二相关性系数构建所述细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系；根据所述第一状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，得到每个神经干细胞图像的第一原始更新和繁殖状态指标，并根据所述第一原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一细胞更新和繁殖状态指标；根据所述第二状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标，并根据所述第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标。
可选的，所述编码模块505具体用于：对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，得到第一均值数据，并对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行标准差计算，得到第一标准差数据；对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行均值运算，得到第二均值数据，并对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行标准差计算，得到第二标准差数据；根据所述第一均值数据和所述第一标准差数据计算对应的第一差异系数，并根据所述第二均值数据和所述第二标准差数据计算对应的第二差异系数；对所述第一差异系数和所述第二差异系数进行加权求和，得到目标差异系数，并对所述第一差异系数和所述目标差异系数进行比值计算，得到第一目标比值，以及对所述第二差异系数和所述目标差异系数进行比值计算，得到第二目标比值；分别对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量；根据所述第一目标比值以及所述第二目标比值，对所述第一状态编码向量以及所述第二状态编码向量进行向量融合，得到目标状态编码向量。
可选的，所述输出模块506具体用于：对所述目标状态编码向量和所述初始培养环境参数进行矩阵转换，生成环境状态影响矩阵；将所述环境状态影响矩阵输入预置的注意力机制神经网络，所述注意力机制神经网络包括门限循环网络、注意力机制层以及全连接层；通过所述门限循环网络对所述环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵；通过所述注意力机制层对所述隐藏状态特征矩阵进行注意力特征分析，得到注意力特征矩阵；通过所述全连接层对所述注意力特征矩阵进行细胞培养过程的环境参数影响预测，得到环境参数影响预测概率值，并根据所述环境参数影响预测概率值匹配对应的环境参数影响分析结果；通过遗传算法，根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
通过上述各个组成部分的协同合作，通过表面蛋白荧光标记法和高分辨率显微镜，实现对神经干细胞培养过程的细胞状态的精准监控和早期识别，提高对细胞状态变化的敏感性。通过细胞荧光信号强度和分布的获取，提供了多维度的神经干细胞信息，更全面地了解细胞的生理状态和行为。通过数据集分割和细胞荧光信号分析，实现对细胞扩增阶段的动态监测和分析，为细胞培养的不同阶段提供针对性的管理和调整。通过细胞荧光信号的分析，生成第一和第二细胞更新与繁殖状态指标，实现对细胞状态的量化，为更精准的实验设计和控制提供依据。通过计算差异系数和生成目标状态编码向量，将复杂的细胞状态信息简化为具体的向量，方便后续的数据处理和分析。通过注意力机制神经网络对目标状态编码向量和初始培养环境参数进行综合分析，实现对培养环境参数的智能优化，提高神经干细胞培养的效率和成功率，进而提高了神经干细胞培养的早期识别的准确率并实现了细胞培养环境参数的自适应优化。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种神经干细胞培养的早期识别方法，其特征在于，所述神经干细胞培养的早期识别方法包括：
采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集；
对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；
分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；
根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；
对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；
将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
2.根据权利要求1所述的神经干细胞培养的早期识别方法，其特征在于，所述采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集，包括：
采用表面蛋白荧光标记法对神经干细胞进行培养，并对所述神经干细胞的培养过程进行环境参数采集，得到初始培养环境参数，所述初始培养环境参数包括温度、湿度、培养基成分及培养皿类型；
通过高分辨率显微镜对所述神经干细胞进行图像采集，得到多个初始细胞培养图像；
将所述多个初始细胞培养图像输入预置的超高分辨率模型，其中，所述超高分辨率模型包括：卷积层、激活层、残差层、上采样层和输出层；
通过所述超高分辨率模型对所述多个初始细胞培养图像进行噪声去除，得到多个高清细胞培养图像；
通过预置的分割算法对所述多个高清细胞培养图像中的细胞区域进行像素级的分割，得到多个神经干细胞图像；
对所述多个神经干细胞图像进行数据集转换，得到神经干细胞图像数据集。
3.根据权利要求2所述的神经干细胞培养的早期识别方法，其特征在于，所述对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像，包括：
对所述神经干细胞图像数据集中的多个神经干细胞图像进行培养特征识别，得到每个细胞培养区域图像的培养特征标签；
对所述培养特征标签进行早期识别和分类，得到多个目标特征标签，并根据所述多个目标特征标签对所述神经干细胞图像数据集进行数据集分割，得到早期干细胞图像数据集；
对所述早期干细胞图像数据集进行细胞扩增分析，得到扩增阶段边界，并对所述扩增阶段边界进行阶段划分，确定多个细胞扩增阶段；
根据所述多个细胞扩增阶段对所述早期干细胞图像数据集进行阶段图像匹配，得到每个细胞扩增阶段的多个神经干细胞图像。
4.根据权利要求1所述的神经干细胞培养的早期识别方法，其特征在于，所述分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布，包括：
分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型，其中，所述细胞荧光检测模型包括：池化层、全连接层、两层卷积层和隐藏层；
通过所述池化层对所述多个神经干细胞图像进行下采样处理，得到每个神经干细胞图像的下采样特征图；
将所述每个神经干细胞图像的下采样特征图输入所述全连接层进行高维特征提取，得到每个神经干细胞图像的高维特征图；
通过所述两层卷积层对每个神经干细胞图像的高维特征图进行荧光区域特征提取，得到每个神经干细胞图像的荧光区域特征；
将每个神经干细胞图像的荧光区域特征输入所述隐藏层进行细胞荧光信号强度和分布检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布。
5.根据权利要求4所述的神经干细胞培养的早期识别方法，其特征在于，所述根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标，包括：
对所述细胞荧光信号强度与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第一相关性系数，并对所述细胞荧光信号分布与所述神经干细胞的细胞更新和繁殖状态进行相关性分析，得到第二相关性系数；
根据所述第一相关性系数构建所述细胞荧光信号强度与细胞更新和繁殖状态之间的第一状态指标映射关系，并根据所述第二相关性系数构建所述细胞荧光信号分布与细胞更新和繁殖状态之间的第二状态指标映射关系；
根据所述第一状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号强度进行状态指标匹配，得到每个神经干细胞图像的第一原始更新和繁殖状态指标，并根据所述第一原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第一细胞更新和繁殖状态指标；
根据所述第二状态指标映射关系，对所述每个神经干细胞图像的细胞荧光信号分布进行状态指标匹配，得到每个神经干细胞图像的第二原始更新和繁殖状态指标，并根据所述第二原始更新和繁殖状态指标对每个细胞扩增阶段进行状态指标均值运算，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标。
6.根据权利要求1所述的神经干细胞培养的早期识别方法，其特征在于，所述对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量，包括：
对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行均值运算，得到第一均值数据，并对每个细胞扩增阶段的第一细胞更新和繁殖状态指标进行标准差计算，得到第一标准差数据；
对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行均值运算，得到第二均值数据，并对每个细胞扩增阶段的第二细胞更新和繁殖状态指标进行标准差计算，得到第二标准差数据；
根据所述第一均值数据和所述第一标准差数据计算对应的第一差异系数，并根据所述第二均值数据和所述第二标准差数据计算对应的第二差异系数；
对所述第一差异系数和所述第二差异系数进行加权求和，得到目标差异系数，并对所述第一差异系数和所述目标差异系数进行比值计算，得到第一目标比值，以及对所述第二差异系数和所述目标差异系数进行比值计算，得到第二目标比值；
分别对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到第一状态编码向量以及第二状态编码向量；
根据所述第一目标比值以及所述第二目标比值，对所述第一状态编码向量以及所述第二状态编码向量进行向量融合，得到目标状态编码向量。
7.根据权利要求1所述的神经干细胞培养的早期识别方法，其特征在于，所述将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数，包括：
对所述目标状态编码向量和所述初始培养环境参数进行矩阵转换，生成环境状态影响矩阵；
将所述环境状态影响矩阵输入预置的注意力机制神经网络，所述注意力机制神经网络包括门限循环网络、注意力机制层以及全连接层；
通过所述门限循环网络对所述环境状态影响矩阵进行隐藏特征提取，得到隐藏状态特征矩阵；
通过所述注意力机制层对所述隐藏状态特征矩阵进行注意力特征分析，得到注意力特征矩阵；
通过所述全连接层对所述注意力特征矩阵进行细胞培养过程的环境参数影响预测，得到环境参数影响预测概率值，并根据所述环境参数影响预测概率值匹配对应的环境参数影响分析结果；
通过遗传算法，根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
8.一种神经干细胞培养的早期识别系统，其特征在于，所述神经干细胞培养的早期识别系统包括：
采集模块，用于采用表面蛋白荧光标记法对神经干细胞进行培养过程监控，并采集培养过程的初始培养环境参数，同时，通过高分辨率显微镜对所述神经干细胞进行图像采集，得到神经干细胞图像数据集；
识别模块，用于对所述神经干细胞图像数据集进行早期识别和数据集分割，得到早期干细胞图像数据集，并根据所述早期干细胞图像数据集确定多个细胞扩增阶段以及每个细胞扩增阶段的多个神经干细胞图像；
检测模块，用于分别将每个细胞扩增阶段的多个神经干细胞图像输入预置的细胞荧光检测模型进行细胞荧光信号检测，得到每个神经干细胞图像的细胞荧光信号强度和细胞荧光信号分布；
分析模块，用于根据所述细胞荧光信号强度对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，生成每个细胞扩增阶段的第一细胞更新和繁殖状态指标，并根据所述细胞荧光信号分布对每个细胞扩增阶段的神经干细胞进行细胞更新和繁殖状态分析，得到每个细胞扩增阶段的第二细胞更新和繁殖状态指标；
编码模块，用于对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行差异系数计算，得到目标差异系数，并根据所述目标差异系数对所述第一细胞更新和繁殖状态指标和所述第二细胞更新和繁殖状态指标进行归一化映射和向量转换，得到目标状态编码向量；
输出模块，用于将所述目标状态编码向量和所述初始培养环境参数输入预置的注意力机制神经网络进行细胞培养过程的环境参数影响分析，得到环境参数影响分析结果，并根据所述环境参数影响分析结果对所述初始培养环境参数进行参数优化分析，输出目标培养环境参数。
CN202311635665.5A 2023-12-01 2023-12-01 神经干细胞培养的早期识别方法及系统 Active CN117315655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311635665.5A CN117315655B (zh) 2023-12-01 2023-12-01 神经干细胞培养的早期识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311635665.5A CN117315655B (zh) 2023-12-01 2023-12-01 神经干细胞培养的早期识别方法及系统

Publications (2)

Publication Number Publication Date
CN117315655A CN117315655A (zh) 2023-12-29
CN117315655B true CN117315655B (zh) 2024-02-06

Family

ID=89287077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311635665.5A Active CN117315655B (zh) 2023-12-01 2023-12-01 神经干细胞培养的早期识别方法及系统

Country Status (1)

Country Link
CN (1) CN117315655B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021104410A1 (zh) * 2019-11-28 2021-06-03 北京小蝇科技有限责任公司 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法
CN113920364A (zh) * 2021-10-09 2022-01-11 麦克奥迪(厦门)医疗大数据有限公司 基于注意力机制及检测变换器的宫颈细胞检测与识别方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021104410A1 (zh) * 2019-11-28 2021-06-03 北京小蝇科技有限责任公司 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法
CN113920364A (zh) * 2021-10-09 2022-01-11 麦克奥迪(厦门)医疗大数据有限公司 基于注意力机制及检测变换器的宫颈细胞检测与识别方法
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

Also Published As

Publication number Publication date
CN117315655A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Ma et al. A state-of-the-art survey of object detection techniques in microorganism image analysis: from classical methods to deep learning approaches
US11488307B2 (en) Image diagnostic system, and methods of operating thereof
JP2022551683A (ja) 人工知能（ａｉ）モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム
Mishra et al. Histopathological diagnosis for viable and non-viable tumor prediction for osteosarcoma using convolutional neural network
US20210073513A1 (en) Method for Classifying Cells
Satyanarayana et al. Identifying the presence of bacteria on digital images by using asymmetric distribution with k-means clustering algorithm
Momeni et al. Deep recurrent attention models for histopathological image analysis
KR20230104954A (ko) 세포 분류 방법
Rethik et al. Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer
CN117315655B (zh) 神经干细胞培养的早期识别方法及系统
Luo et al. RBD-Net: robust breakage detection algorithm for industrial leather
Rajput et al. A transfer learning-based brain tumor classification using magnetic resonance images
CN108764367B (zh) 一种基于关系正则化的特征图像提取装置及提取方法
US20240112026A1 (en) Method for unsupervised identification of single-cell morphological profiling based on deep learning
CN117393043B (zh) 一种甲状腺乳头状瘤braf基因突变检测装置
Hwang et al. A sequential attention interface with a dense reward function for mitosis detection
Witmer et al. Iterative pseudo balancing for stem cell microscopy image classification
EP4273608A1 (en) Automatic acquisition of microscopy image sets
Hassan et al. Effect of Hyperparameter Optimization technique to Extract the Nuclei from the Cell
Sadineni et al. A Novel Fully-Automated Deep Learning Pipeline for the Effective Detection of Cervical Cancer
Barman et al. Automated Detection of Melanoma Skin Disease Using Classification Algorithm
Renugadevi et al. Potato Leaf Disease Detection Using Deep Learning
CN115345864A (zh) 基于非负矩阵分解联合预测乳腺癌多个临床指标的方法
Liu et al. Multi-atlas Representations Based on Graph Convolutional Networks for Autism Spectrum Disorder Diagnosis
Yang et al. Classification and localization of maize leaf spot disease based on weakly supervised learning

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