CN117831634A - 一种组织培养分析方法、系统和装置 - Google Patents

Abstract

本申请公开了一种组织培养分析方法、系统和装置，其中，该方法包括：获取组织培养孔板；使用染色剂对在组织培养孔板中培养的组织进行荧光染色；通过成像设备分别获取组织的明场图像和荧光通道图像；基于明场图像进行图像识别，确定明场图像中的感兴趣区域；基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息，其中，目标特征信息包括荧光通道图像中的组织所对应的像素点信息和面积信息；基于目标特征信息，进行组织培养分析。

Description

一种组织培养分析方法、系统和装置

技术领域

本申请涉及数据处理领域，特别涉及一种组织培养分析方法、系统和装置。

背景技术

传统的2D细胞培养目前广泛应用于生命科学领域，然而由于其固有的缺点，比如其在空间维度上无法模拟和反应细胞在体内的真实情况和复杂微环境，这很有可能影响预测药物在体内效果的准确性等，因此传统的2D细胞培养已经越来越难以满足现代生物医学发展的需要。基于此，人们将目光逐渐转向3D细胞培养技术，通过体外给目标细胞提供3D空间环境，更加准确地模拟细胞真实微环境。目前已成功建立球状体、类器官、生物打印的3D细胞模型和器官芯片等3D细胞培养技术，并且已广泛应用于器官发育、疾病模型构建、药物筛选和精准医疗等领域。

然而，由于细胞来源的多样性和培养条件的异质性等因素，导致不同实验室和不同培养体系之间得到的球状体或类器官等差异巨大，同时也缺乏简便、快捷的方法来衡量和评估3D细胞培养的结果，而这恰恰是制约数据可重复性和产业化标准化的最关键问题之一。

因此，亟需一种组织培养分析方法。

发明内容

本说明书一个方面提供一种组织培养分析方法，所述方法包括：获取组织培养孔板；使用染色剂对在所述组织培养孔板中培养的组织进行荧光染色；通过成像设备分别获取所述组织的明场图像和荧光通道图像；基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域；基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，其中，所述目标特征信息包括所述荧光通道图像中的所述组织所对应的像素点信息和面积信息；基于所述目标特征信息，进行组织培养分析。

在一些实施例中，所述基于所述目标特征信息，进行组织培养分析，包括：基于所述目标特征信息，确定所述明场图像中的活细胞区域和死细胞区域。

在一些实施例中，所述基于所述目标特征信息，进行组织培养分析，还包括：基于所述活细胞区域的面积和所述死细胞区域的面积，确定所述组织的活率。

在一些实施例中，所述方法还包括：基于所述目标特征信息、所述活细胞区域和所述死细胞区域进行3D建模；基于3D建模的结果，进行细胞培养分析。

在一些实施例中，所述通过成像设备分别获取所述组织的明场图像和荧光通道图像，包括：通过成像设备，在明场成像模式下获取所述组织的明场图像；通过成像设备，在所述染色剂对应的荧光通道模式下获取所述荧光通道图像。

在一些实施例中，所述基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域，包括：利用图像识别模型确定所述明场图像中的感兴趣区域；所述图像识别模型为机器学习模型。

在一些实施例中，所述基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，包括：确定所述明场图像中的感兴趣区域在所述荧光通道图像中对应的目标区域；基于预设荧光强度阈值，从所述目标区域中提取所述目标特征信息。

在一些实施例中，所述方法还包括：获取药物处理数据；将所述明场图像、荧光通道图像、所述目标特征信息和所述药物处理数据输入至预设的阈值推荐模型，确定所述预设荧光强度阈值，所述阈值推荐模型为机器学习模型。

在一些实施例中，所述基于所述目标特征信息，进行组织培养分析，包括：获取药物处理数据；将所述明场图像、荧光通道图像、所述目标特征信息和所述药物处理数据输入至预设的药效预测模型，预测药物效果，所述药效预测模型为机器学习模型。

本说明书另一个方面提供一种组织培养分析系统，所述系统包括：获取模块，用于获取组织培养孔板；染色模块，用于使用染色剂对在所述组织培养孔板中培养的组织进行荧光染色；成像模块，用于通过成像设备分别获取所述组织的明场图像和荧光通道图像；第一确定模块，用于基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域；第二确定模块，用于基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，其中，所述目标特征信息包括所述荧光通道图像中的所述组织所对应的像素点信息和面积信息；分析模块，用于基于所述目标特征信息，进行组织培养分析。

本说明书另一个方面提供一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现组织培养分析方法。

本说明书另一个方面提供一种装置，其特征在于，所述装置包括：至少一个存储介质，存储计算机指令；以及至少一个处理器，执行所述计算机指令，以实现所述组织培养分析方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的组织培养分析的应用场景图；

图2是根据本说明书一些实施例所示的组织培养分析系统的示例性模块图；

图3是根据本说明书一些实施例所示的组织培养分析方法的示例性流程图；

图4是根据本说明书一些实施例所示的图像识别模型的示例性示意图；

图5是根据本说明书一些实施例所示的图像识别模型训练的示例性示意图；

图6是根据本说明书一些实施例所示的阈值推荐模型和药效预测模型的示例性示意图；

图7是根据本说明书一些实施例所示的组织培养分析的示意图；

图8是根据本说明书另一些实施例所示的组织培养分析的另一示意图；

图9是根据本说明书另一些实施例所示的组织培养分析的另一示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的组织培养分析的应用场景图。

组织培养分析系统可以用于药物筛选和药效检测、器官发育研究、疾病模型构建、精准医疗、毒性评估、癌症研究、病毒学研究、组织工程和再生医学等领域。

如图1所示，应用场景100可以包括：处理设备110、存储设备120、用户终端130、网络140、成像设备150等。

处理设备110可以处理从其他设备或系统(例如，单核处理设备或多核多芯处理设备)组成部分中获得的数据和/或信息。处理设备可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。例如，处理设备110可以从成像设备150获取明场图像和荧光通道图像。又例如，处理设备110可以基于明场图像进行图像识别，确定明场图像中的感兴趣。再例如，处理设备110可以基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息。

存储设备120(例如可以包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器)可以用于存储数据和/或指令。例如，存储设备120可以存储明场图像和荧光通道图像。又例如，存储设备120可以存储目标特征信息。存储设备120可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。

用户终端130指用户所使用的一个或多个终端设备或软件。例如，用户终端130可以向用户显示明场图像和荧光通道图像。又例如，用户终端130可以获取用户指令、用户输入的信息等。在一些实施例中，使用用户终端130的可以是一个或多个用户，可以包括直接使用服务的用户，也可以包括其他相关用户。在一些实施例中，用户终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、台式计算机130-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。

网络140可以连接系统的各组成部分和/或连接系统与外部资源部分。在一些实施例中，网络140可以是有线网络或无线网络中的任意一种或多种。例如，网络140可以包括有线或无线网络接入点，例如基站和/或网络交换点140-1、140-2…，通过这些进出点系统的一个或多个组件可连接到网络140上以交换数据和/或信息。

成像设备150可以用于采集组织的图像。在一些实施例中，成像设备150可以包括可见光摄像机等。在一些实施例中，成像设备150可以包括显微成像设备。显微成像设备可以包括普通荧光显微镜、宽场倒置荧光显微镜、共聚焦显微镜、多光子显微镜、超高分辨显微镜、光片显微镜；宽场高内涵、共聚焦高内涵、活细胞成像系统等。

在一些实施例中，处理设备110、用户终端130以及其他可能的系统组成部分中可以包括存储设备120。在一些实施例中，用户终端130以及其他可能的系统组成部分中可以包括处理设备110。

应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。对于本领域普通技术人员而言，在本说明书内容的指导下，可做出多种变化和修改。可以以各种方式组合本说明书描述的示例性实施例的特征、结构、方法和其他特征，以获取另外的和/或替代的示例性实施例。然而，这些变化与修改不会背离本说明书的范围。

图2是根据本说明书一些实施例所示的组织培养分析系统的模块图。

如图2所示，组织培养分析系统200可以包括获取模块210、染色模块220、成像模块230、第一确定模块240、第二确定模块250和分析模块260。

获取模块210用于获取组织培养孔板。关于组织培养孔板的获取的更多内容参考步骤310及其相关描述。

染色模块220用于使用染色剂对在组织培养孔板中培养的组织进行荧光染色。关于荧光染色的更多内容参考步骤320及其相关描述。

成像模块230用于通过成像设备分别获取组织的明场图像和荧光通道图像。关于组织的明场图像和荧光通道图像的获取的更多内容参考步骤330及其相关描述。

第一确定模块240用于基于明场图像进行图像识别，确定明场图像中的感兴趣区域。关于明场图像中的感兴趣区域的确定的更多内容参考步骤340及其相关描述。

第二确定模块250用于基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息，其中，目标特征信息包括荧光通道图像中的组织所对应的像素点信息和面积信息。关于目标特征信息的提取的更多内容参考步骤350及其相关描述。

分析模块260用于基于目标特征信息，进行组织培养分析。关于组织培养分析的更多内容参考步骤360及其相关描述。

图3是根据本说明书一些实施例所示的组织培养分析方法的示例性流程图。

在一些实施例中，流程300可以由处理设备110或组织培养分析系统200实现。如图3所示，组织培养分析方法流程300可以包括如下步骤。

步骤310，获取组织培养孔板。具体地，步骤310可以由获取模块210或者处理设备110执行。

组织培养孔板是指一种用于组织培养和实验的工具。组织培养孔板通常由塑料或玻璃制成，具有多个小孔或孔口，用于将组织样品、培养基和其他试剂放置在其中。

组织培养孔板可以包括6孔板、12孔板、24孔板、48孔板、96孔板、384孔板和1536孔板等。在一些实施例中，组织培养孔板可以具有不同的涂层(例如，胶原蛋白、凝胶、细胞培养基)以支持不同类型的组织培养和实验。

在一些实施例中，组织培养孔板中的不同孔可以被分配到不同的组别，以实现不同的实验和/或研究目的。例如，组织培养孔板可以包括阳性对照组、阴性对照组、药物处理组和空白组。以排列成8行×12列格式的96孔板为例，具体划分可以包括1列为空白组、11列为阴性对照组、12列为阳性对照组、2-10列为药物处理组，每一行为不同药物浓度。

在一些实施例中，组织培养孔板可以通过人工培养获取。在一些实施例中，获取模块210可以向组织培养孔板内添加培养的组织，以获得组织培养孔板。在一些实施例中，获取模块210可以从公司、诊所或医院、科学研究机构等获取组织培养孔板。

步骤320，使用染色剂对在组织培养孔板中培养的组织进行荧光染色。具体地，步骤320可以由染色模块220或者处理设备110执行。

染色剂是指用于对细胞、组织或分子结构等染色的试剂。在一些实施例中，染色剂具有荧光性质，能够在特定波长的光激发下发出荧光，荧光信号可以在显微镜下被观察到，从而实现对细胞、组织或分子结构等的标记和可视化。

在一些实施例中，染色剂可以由一种或两种染色试剂组成。例如，染色剂可以为单独的Calcein AM染料；或者单独的碘化丙啶PI、7-AAD、EthD-1、Caspase3/7染料等。又例如，染色剂可以为一定配比的AO+PI、Calcein-AM+PI、DAPI+AO、Calcein AM+7-AAD、Calcein AM+EthD-1染料组成等。

不同的染色剂适用于标记不同类型的生物分子(例如，细胞核酸、蛋白质、细胞器等)。例如，A类染色剂适用于标记活细胞，A类染色剂可以包括AO，CFSE，Calcein-AM等。又例如，B类染色剂适用于标记死细胞，B类染色剂可以包括PI，7-AAD、EthD-1、Caspase3/7等。

在一些实施例中，组织培养孔板中培养的组织可以包括球状体、类器官等。

球状体是可由一种或多种细胞生长聚集而形成的具有3D球形的多细胞结构，通常可保留起始细胞的生物学特性，常见于各类肿瘤细胞形成的肿瘤球。

类器官是一种在结构与生理功能上可高度模拟人体器官，经过体外3D培养形成的器官微小结构，其通常由干细胞或其它祖细胞经过不同程度的分化而形成。类器官保留了来源组织的许多特征，具备细胞增殖分化、自我更新、自我组装、以及遗传稳定等特点。

在一些实施例中，组织培养孔板中培养的组织还可以包括单个细胞和细胞系(例如，肿瘤细胞、免疫细胞、神经细胞、胚胎干细胞等)、组织片段(例如，肝片、肾片等)、干细胞(干细胞可以在培养孔板中分化，以产生不同类型的细胞，如神经元、心肌细胞等)和导入外源基因的细胞等。

在一些实施例中，染色模块220可以通过多种方法使用染色剂对在组织培养孔板中培养的组织进行荧光染色。例如，染色模块220可以对所有孔仅使用A类染色剂染色，对所有孔仅使用B类染色剂染色。又例如，染色模块220可以对所有组别的所有孔，使用同时包含A类染色剂和B类染色剂的混合试剂(例如，一定配比的AO+PI)染色。

使用不同的染色剂来标记不同的生物分子或结构，能够同时观察多种分子或结构，并深入了解组织培养孔板中培养的组织内部的复杂关系。

步骤330，通过成像设备分别获取组织的明场图像和荧光通道图像。具体地，步骤330可以由成像模块230或者处理设备110执行。

在一些实施例中，成像设备可以对培养孔板内的组织(例如，类器官)进行沿着Z轴方向的多平面扫描。然后，通过使用Z轴叠加算法，可以将对应这些平面的扫描图像合成为组织的三维成像，并将三维成像通过投影生成二维投影图像，将该二维投影图像作为组织的明场图像或荧光通道图像。在一些实施例中，Z轴叠加算法可以包括：选择在每个Z轴平面上最清晰的组织信息，并将这些组织信息叠加起来形成组织的三维成像。Z轴叠加算法可以确保生成的二维投影图像是尽可能清晰和详细的。

在一些实施例中，成像设备还可以对包含整个孔板的组织的多个位置进行多位置的Z轴多平面扫描，并将多个位置的扫描图像进行拼接，从而获得整个孔板内组织的完整图像。

明场是一种显微镜成像技术，在明场中，样本处于明亮的背景中，通过使用透射光照射样本并收集通过样本的光信号，以形成图像。

在一些实施例中，成像模块230可以通过成像设备，在明场成像模式下获取组织的明场图。例如，成像模块230可以使用透射光照射组织培养孔板中培养的组织，放置2倍、4倍、10倍、20倍、40倍或60倍的物镜，以放大和聚焦组织的光信号，从而获得组织的明场图像。

荧光通道是指用于捕获和分离不同波长范围内的荧光信号的光学通道。每种染色剂都有其特定的激发和发射波长，例如，A类染色剂的激发光为蓝光，发射光为绿光；B类染色剂的激发光为绿光，发射光为红光。因此，通过不同荧光通道可以获取被不同染色剂染色的组织的图像。

在一些实施例中，成像模块230可以通过成像设备，在染色剂对应的荧光通道模式下获取荧光通道图像。例如，成像模块230可以使用激发光滤光片只允许蓝光通过，使蓝光照射组织培养孔板中培养的组织，使用发射光滤光片只允许绿光通过，从而获得组织对应A类染色剂的荧光通道图像(例如，图8中的(B))。例如，成像模块230可以使用激发光滤光片只允许绿光通过，使绿光照射组织培养孔板中培养的组织，使用发射光滤光片只允许红光通过，从而获得组织对应B类染色剂的荧光通道图像(例如，图8中的(C))。

在一些实施例中，成像设备150通常具有多个荧光通道，每个荧光通道可以用于捕获不同的荧光信号，进而实现多通道成像。多通道成像可以同时获取组织对应各类染色剂的荧光通道图像，并在同一张图像中显示。例如，成像模块230可以利用多通道成像获取组织对应A类染色剂和B类染色剂的多通道图像。

步骤340，基于明场图像进行图像识别，确定明场图像中的感兴趣区域。具体地，步骤340可以由第一确定模块240或者处理设备110执行。

感兴趣区域是指在图像中，研究人员或分析者所关注和/或选定的特定区域。感兴趣可能包含特定的结构、现象、信息或特征，与整体图像相比更具有重要性。例如，组织培养孔板中培养的组织为类器官组织，则感兴趣区域可以是明场图像中展现各个类器官组织的特定区域。

在一些实施例中，第一确定模块240可以通过多种方法基于明场图像进行图像识别，以确定明场图像中的感兴趣区域。例如，第一确定模块240可以获取明场图像的图像特征(例如，局部二值特征、颜色直方图特征等)，基于图像特征对明场图像进行图像识别。例如，第一确定模块240可以获取明场图像的图像特征(例如，局部二值特征、颜色直方图特征等)，基于图像特征对明场图像进行图像识别。

在一些实施例中，第一确定模块240可以利用图像识别模型确定明场图像中的感兴趣区域；图像识别模型为机器学习模型。图像识别模型的更多说明参见图4。图像识别模型的训练参见图5。

通过确定明场图像中的感兴趣区域，可以得到明场图像中每个组织的坐标(例如，组织中心点的坐标、组织最高点的坐标、组织最左边点的坐标等)和每个组织的区域信息(例如，组织的轮廓、形状、面积、灰度、圆度、纹理等)。

步骤350，基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息。具体地，步骤350可以由第二确定模块250或者处理设备110执行。

目标特征信息是指在荧光通道图像中，与组织或细胞相关的信息。目标特征信息可以用于对细胞或组织的特征进行定量和/或定性分析。目标特征信息包括荧光通道图像中的组织所对应的像素点信息和面积信息。

荧光通道图像中的组织所对应的像素点信息包括荧光通道图像中的组织的各个像素点的颜色信息、灰度值、位置信息、亮度信息、锐利度信息以及荧光信号等。

荧光通道图像中的组织所对应的面积信息包括荧光通道图像中的组织的纹理特征、形状信息、轮廓信息等。

在一些实施例中，第二确定模块250可以利用图像配准技术将明场图像和荧光通道图像对齐，使它们在相同坐标系下。例如，如图8所示，(D)为明场图像、FL1通道图像和FL2通道图像的融合图。在一些实施例中，第二确定模块250可以通过图像配准的结果，提取目标特征信息。例如，第二确定模块250可以利用图像配准的结果，对荧光通道图像中的像素坐标做转换和映射。示例的，第二确定模块250可以将荧光通道图像中具有荧光信号的像素点的坐标映射到明场图像中的相应坐标；基于明场图像中的相应坐标，得到荧光通道图像中的组织所对应的像素点信息和面积信息。

在一些实施例中，第二确定模块250可以确定明场图像中的感兴趣区域在荧光通道图像中对应的目标区域。例如，第二确定模块250可以利用图像配准技术将明场图像和荧光通道图像对齐，使它们在相同坐标系下；利用图像配准的结果，第二确定模块250可以将在明场图像中确定的感兴趣区域的坐标映射到荧光通道图像中的对应位置，以得到感兴趣区域在荧光通道图像中对应的目标区域。

在一些实施例中，第二确定模块250可以提取明场图像中各个感兴趣区域的特征，例如边界、纹理等特征，并将荧光通道图像中与这些特征相匹配的区域确定为目标区域。

在一些实施例中，第二确定模块250可以基于预设阈值，从目标区域中提取目标特征信息。

预设荧光强度阈值是指预先设定的荧光强度数值。预设荧光强度阈值可以由荧光强度的绝对值表示，例如，5FU(Fluorescence Units)、10FU等。预设荧光强度阈值也可以由相对荧光强度表示，例如，5RFU(Relative Fluorescence Units)、10RFU等。

在一些实施例中，第二确定模块250可以利用不在目标区域的荧光通道图像中的背景的荧光强度确定预设阈值；或者，第二确定模块250可以利用阳性或阴性对照组内的目标区域的平均荧光强度，来确定预设阈值。

在一些实施例中，处理设备110可以获取药物处理数据；将明场图像、荧光通道图像、目标特征信息和药物处理数据输入至预设的阈值推荐模型，确定预设荧光强度阈值，阈值推荐模型为机器学习模型。关于药物处理数据获取、阈值推荐模型的更多说明参见图6。

在一些实施例中，第二确定模块250可以在FL1通道图像(对应A类染色剂的荧光通道图像)的目标区域中，提取像素值(例如，荧光强度值)大于预设阈值的像素点，并作标记，例如，标记为FL1+；在FL2通道图像(对应B类染色剂的荧光通道图像)的目标区域中，提取像素值(例如，荧光强度值)大于预设阈值的像素点,并作标记，例如，标记为FL2+。

图7是根据本说明书一些实施例所示的组织培养分析的示意图。

如图7所示，FL1+区域为FL1通道图像中，像素值大于预设阈值的像素点；FL2+区域为FL2通道图像中，像素值大于预设阈值的像素点；FL1+FL2+区域为FL1通道图像中和FL2通道图像中，像素值都大于预设阈值的像素点；FL1-FL2-区域为FL1通道图像中和FL2通道图像中，像素值都不大于预设阈值的像素点。

在一些实施例中，第二确定模块250可以基于标记过的像素点，得到每个组织区域内的目标特征信息。例如，基于标记为FL1+的像素点得到FL1通道图像中的像素点信息和面积，基于标记为FL2+的像素点得到FL2通道图像中的像素点信息和面积。

通过滤除荧光信号强度小于预设阈值的像素点，可以实现荧光通道图像的降噪，有利于提高组织培养分析的准确性。

步骤360，基于目标特征信息，进行组织培养分析。具体地，步骤360可以由分析模块260或者处理设备110执行。

组织培养分析是指研究细胞组织的生长、功能、响应和相互作用的实验方法。组织培养分析通常涉及将细胞培养在培养皿、孔板或器官芯片中，以模拟体内或体外环境，并通过各种技术手段来评估细胞的生存状态、增殖能力、表达特征、药物反应等。

在一些实施例中，分析模块260可以根据目标特征信息进行细胞质量分析或者根据目标特征信息进行细胞活率分析。例如，分析模块260可以根据荧光通道图像中像素点的颜色来确定这些像素点对应的细胞的质量，以进行细胞质量分析。又例如，分析模块260可以根据荧光通道图像中像素点的荧光强度来确定这些像素点对应的细胞是活的还是死的，以进行细胞活率分析。在一些实施例中，分析模块260可通过下文实施例所描述的方式进行组织培养分析。

在一些实施例中，分析模块260可以基于目标特征信息，确定明场图像中的活细胞区域和死细胞区域。例如，分析模块260可以将FL1通道图像的目标区域中，像素值大于预设阈值的像素点的区域(例如，FL1+区域)认定为活细胞区域，将FL2通道图像的目标区域中，像素值大于预设阈值的像素点的区域(例如，FL2+区域)认定为死细胞区域。

在一些实施例中，分析模块260可以基于活细胞区域的面积和死细胞区域的面积，确定组织的活率。

活率是指活细胞的数量与总细胞数量之间的比率，活率是衡量组织的生存能力和功能状态的重要参数。活率包括单个组织(例如，单个球状体或单个类器官)的活率，以及每孔中组织的平均活率。

活率可以基于活细胞区域的面积和死细胞区域的面积得到。

例如，单个组织活率＝单个BF区域内所有FL1+面积/单个组织BF区域的面积。或者，单个组织活率＝1-仅有B类染色剂所标记区域FL2+的面积/单个组织的总面积。单个组织的总面积即为明场图像中单个组织(例如，单个球状体、单个类器官)轮廓内的全部像素点的面积。

又例如，每孔中组织的平均活率＝每孔中所有FL1+总面积/每孔中BF区域内识别得到的总面积。

在一些实施例中，对于FL1+FL2+区域，可以计算每个像素点的FL1+/FL2+比值，通过设定比值阈值来判定FL1+FL2+区域内哪些像素点属于活细胞区域，哪些像素点属于死细胞区域。例如，设定比值阈值为1.0；当属于FL1+FL2+区域内像素点的FL1+/FL2+比值大于等于1.0时，这些像素点属于活细胞区域；反之则属于死细胞区域。最终，每孔中组织的平均活率＝(FL1+FL2-面积+FL1+/FL2+比值大于等于比值阈值的FL1+FL2+区域面积)/(FL1与FL2并集的面积)

在一些实施例中，分析模块260可以通过不同颜色梯度表示活率值，显示每个组织对应区域的活率值。例如，分析模块260可以将计算得到的每个组织的活率值映射到图像(例如，明场图像)中各自对应的区域，然后通过应用不同颜色的梯度来表示这些活率值。

图像上不同颜色的分布情况可以反映不同组织中细胞活率的大致分布情况，可以直观比较不同组织的细胞活率，从而更好地理解组织的状态和反应。

在一些实施例中，分析模块260可以基于目标特征信息、活细胞区域和死细胞区域进行3D建模。在一些实施例中，分析模块260可以利用体素建模、CAD建模等方法进行3D建模。通过3D建模方式可以得到单个视野或整个孔板内组织的体素、活细胞区域和死细胞区域的3D立体结果。

在一些实施例中，分析模块260可以基于3D建模的结果，进行组织培养分析。

例如，3D建模结果中，单个组织活率＝所有A类染色剂所标记区域FL1+的体积/组织的BF总体积。或者，单个组织活率＝1-仅有B类染色剂所标记区域FL2+的体积/组织的总体积。其中，组织的总体积即为明场图像中单个组织3D轮廓内体素的全部体积。

通过3D建模可以更加准确地展示组织培养的真实微环境，同时有利于简化衡量和评估3D细胞培养的结果的过程。

在一些实施例中，分析模块260可以通过计算得到每个孔内、每个组别内不同孔的组织的平均活率结果，进而根据平均活率结果进行药物敏感性评估、环境污染水平评估、毒性评估等。

可选的，在一些实施例中，分析模块260可以通过采用ATP荧光素酶法进行ATP细胞活力检测。并根据ATP测定结果对荧光图像分析得到的组织活率结果进行一致性分析和校准验证，最终保证本申请中的组织培养方法与ATP荧光素酶法的结果一致。

在一些实施例中，处理设备110可以获取药物处理数据；将明场图像、荧光通道图像、目标特征信息和药物处理数据输入至预设的药效预测模型，预测药物效果，药效预测模型为机器学习模型。药物效果可以包括药物的IC50结果、AUC结果等。IC50结果指半数抑制浓度(Half Maximal Inhibitory Concentration)，AUC结果指药物浓度-时间曲线下的面积(Area Under the Curve)。关于药物处理数据获取、药效预测模型的更多说明参见图6。

图4是根据本说明书一些实施例所示的图像识别模型的示例性示意图。

由于图像背景复杂、类器官之间缺乏清晰的边界、以及类器官大小和形态变化，这都为每一个类器官实例的精准识别及轮廓提取提出了挑战。传统的基于边缘检测的方法，一般只考虑像素点灰度值本身的特征，不考虑空间特征，因此对噪声比较敏感，不能保证边缘的连续性和封闭性，鲁棒性不高，从而无法获得很好的识别效果。

基于此，第一确定模块240可以利用图像识别模型确定明场图像中的感兴趣区域。

如图4所示，图像识别模型的输入为输入图像，输入图像可以包括明场图像和荧光通道图像等。图像识别模型的输出为识别出的输入图像中的感兴趣区域的特征，例如，感兴趣区域的类别(例如，类器官或球状体等)、感兴趣区域的边界、感兴趣区域的掩码等。

在一些实施例中，图像识别模型包括Mask R-CNN、Mask R-CNN++等模型。这些模型在检测任务的基础上，增加了一个分支来生成实例分割掩码。

如图4所示，图像识别模型可以通过对输入图像进行特征提取、特征映射；图像识别模型还可以对特征映射的结果进行空间处理(例如，形状分类、边界框回归)；基于特征映射的结果和空间处理的结果得到感兴趣区域的区域建议；对区域建议进行处理(例如，多类别分类、边界框回归等)，得到感兴趣区域的特征(例如，对象掩码等)。

基于感兴趣区域的特征，可以提取单个球状体或类器官轮廓，计算得到该轮廓区域的一系列特征值，包括但不限于轮廓区域面积、形状特征(圆度)、透光率、表面纹理、紧实度、活力值等。

基于图像识别模型，对每一个检测到的感兴趣区域进行分割。能够精准确定每一个类器官(或球状体)的位置，区分同一个类器官(或球状体)的不同日期的状态，适用于更加复杂和多样的图像识别任务。

图5是根据本说明书一些实施例所示的图像识别模型训练的示意图。

在一些实施例中，处理设备110可以基于大量训练样本训练初始图像识别模型，从而更新图像识别模型的参数以获得训练后的图像识别模型。在一些实施例中，训练样本中至少一部分训练样本的每个训练样本包括样本图像、例如，样本明场图像、样本FL1图像、样本FL2图像等。样本标签可以是样本图像中的每一个感兴趣区域的掩码(例如，每一个类器官实例的掩码)。

在一些实施例中，样本标签可以通过人工标注获得。

在一些实施例中，处理设备110可以调整图像识别模型的参数，以减小预测的每一个感兴趣区域的掩码和样本标签的差异。

在一些实施例中，处理设备110可以通过构建损失函数反映预测的每一个感兴趣区域的掩码和样本标签的差异，损失函数可以包括交叉熵损失函数、均方差损失函数、指数损失函数、对数损失函数和平方损失函数等。

在一些实施例中，处理设备110可以在训练集上对初始图像识别模型进行若干次迭代训练，得到训练后的图像识别模型。迭代训练的方法可以包括：计算损失函数的梯度，并通过梯度下降法迭代更新图像识别模型的参数，以减小预测的每一个感兴趣区域的掩码和样本标签的差异。梯度下降法可以包括标准梯度下降法和随机梯度下降法等。迭代训练中可以采用多种学习率衰减策略，例如，分段衰减、逆时衰减、指数衰减和自适应衰减等。当迭代终止条件满足时，可以结束迭代训练。迭代终止条件可以包括损失函数收敛或小于预设阈值、迭代轮次达到预设轮次等。

图6是根据本说明书一些实施例所示的阈值推荐模型和药效预测模型的示例性示意图。

在一些实施例中，处理设备110可以获取药物处理数据。药物处理数据可以包括药物名称、药物浓度、药物施加时间等。在一些实施例中，处理设备110可以从实验记录、实验数据库等获取药物处理数据。

如图6所示，阈值推荐模型的输入为输入图像、目标特征信息、药物处理数据。阈值推荐模型的输出为荧光强度阈值。阈值推荐模型可以包括卷积神经网络、循环神经网络、支持向量机、决策树和随机森林等模型或其任意组合。

在一些实施例中，处理设备110可以基于大量训练样本训练初始阈值推荐模型，从而更新阈值推荐模型的参数以获得训练后的阈值推荐模型。通过训练，阈值推荐模型将根据输入图像、目标特征信息、药物处理数据等，学习到荧光强度阈值与这些特征之间的关联，从而得出推荐的荧光强度阈值。

利用阈值推荐模型，可以选择适当的过滤阈值，获得最佳的降噪效果，有利于提高组织培养分析的准确性。

药效预测模型的输入为输入图像、目标特征信息、药物处理数据。药效预测模型的输出为预测药效结果，预测药效结果可以包括预测出的药物的IC50结果或AUC结果灯。药效预测模型可以包括卷积神经网络、循环神经网络、支持向量机、决策树和随机森林等模型或其任意组合。

在一些实施例中，处理设备110可以基于大量训练样本训练初始药效预测模型，从而更新药效预测模型的参数以获得训练后的药效预测模型。通过训练，药效预测模型将根据输入图像、目标特征信息、药物处理数据等，学习到药效结果与这些特征之间的关联，从而得出预测的药效结果。

利用药效预测模型，可以不通过计算直接得到预测的药效结果，从而加速药效分析。

在一些实施例中，处理设备110可以将明场图像、荧光通道图像、目标特征信息和药物处理数据输入至预设的复合模型，确定荧光强度阈值和药物效果，复合模型为机器学习模型。在一些实施例中，复合模型可以包括卷积神经网络、循环神经网络、支持向量机、决策树和随机森林等模型或其任意组合。在一些实施例中，处理设备110可以基于大量训练样本，对初始复合模型进行多任务(荧光强度阈值推荐任务和药物效果预测任务)训练，从而更新复合模型的参数以获得训练后的复合模型。

下面结合具体实施例，对本发明进行进一步说明。需要说明的是，下述实施例是为了更好的解释本发明，但不限制本发明。

实施例一

步骤一：获取组织培养孔板。

将8行×12列格式的96孔组织培养孔板，划分为1列为空白组、11列为阴性对照组、12列为阳性对照组、2-10列为药物处理组，每一行为不同药物浓度。

步骤二，使用染色剂对在组织培养孔板中培养的组织进行荧光染色(Calcein-AM+EthD-1荧光染料)。

步骤三，通过成像设备分别获取明场图像和荧光通道图像。

使用4倍物镜进行明场成像和红绿双色荧光成像。对培养孔板内的组织(例如，类器官)进行沿着Z轴方向的多平面扫描。扫描完成后，去掉培养基，加入ATP检测试剂，随后使用酶标仪测定荧光素酶活性。

步骤四，基于明场图像进行图像识别，确定明场图像中的感兴趣区域。

通过图像识别模型，对明场图像进行类器官识别，并得到每个类器官的坐标和区域等信息。例如，识别出某个类器官的坐标为(3907，1345)。

例如，如图8所示，(A)显示了明场图像中识别出的类器官区域；(B)显示了FL1通道图像中识别出的活细胞区域(对应绿色荧光)；(C)显示了FL2通道图像中识别出的死细胞区域(对应红色荧光)；(D)显示了融合图中识别出的活细胞区域和死细胞区域。

步骤五，基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息。

在识别得到的明场图像的每个类器官区域中，分别提取对应FL1通道和FL2通道的像素点。

参照非标记的类器官区域的背景荧光强度、或阳性/阴性对照组内死/活的类器官的平均荧光强度设定，分别对FL1通道和FL2通道设定荧光强度过滤阈值。

基于大于或等于荧光强度过滤阈值的像素点，分别计算得到FL1+区域和FL2+区域中的像素点信息和面积。

例如，某个类器官在明场图像中的感兴趣区域(BF)、FL1+区域和FL2+区域中的面积以及像素点信息，如表1所示：

表1

步骤六，基于目标特征信息，进行组织培养分析。

计算单个类器官活率和每孔中类器官平均活率。

单个组织活率＝单个BF区域内所有FL1+面积/单个组织BF区域的面积。

例如，基于表1的数据，得到该类器官的单个组织活率＝632/793，约为79.70％。

每孔中组织的平均活率＝每孔中所有FL1+总面积/每孔中BF区域内识别得到的总面积。

实施例二

步骤一，获取组织培养孔板。

将8行×12列格式的96孔组织培养孔板，划分为1列为空白组、11列为阴性对照组、12列为阳性对照组、2-10列为药物处理组，每一行为不同药物浓度。

其中，药物处理组中加入不同浓度(每种药物各6个浓度，10uM为最高处理浓度)的5-FU+oxaliplatin混合药物，每种药物每个浓度3个重复孔，连续处理4天。其中，5-FU+oxaliplatin混合药物指的是在实验或治疗中使用的用于治疗癌症的5-氟尿嘧啶(5-FU)和奥沙利铂(Oxaliplatin)的混合药物。

步骤二，使用染色剂对在组织培养孔板中培养的组织进行荧光染色(AOPI荧光染料)。

步骤三，通过成像设备分别获取组织的明场图像和荧光通道图像。

获取组织培养孔板内的明场和荧光图像。

将得到的每个通道不同层图像进行Z轴最大化投影，得到每个通道下每个位置的二维投影图像。

步骤四，基于明场图像进行图像识别，确定明场图像中的感兴趣区域。

将明场图像和每个通道的投影图像输入图像识别模型中进行图像识别与分析，分别得到明场和每个通道的识别图、以及融合图的识别图。其中，识别图是对识别出的区域添加了掩膜的图像，例如，将明场图像中识别出的区域以掩膜形式显示的图为明场图像识别图，将明场图像和通道图像融合后的融合图中识别出的区域以掩膜形式显示的图为融合识别图。

如图9所示，图9中的第一行是融合识别图(BF+FL mask)，第二行是通道识别图(FLmask)，第三行是未经过图像识别处理的通道图像(FL)。图9中不同列对应不同的5-FU+Oxaliplatin浓度。可以看出，5-FU+Oxaliplatin浓度越低，死细胞(对应红色荧光)数越少，活细胞(对应绿色荧光)数越多。

步骤五，基于明场图像中的感兴趣区域和荧光通道图像，提取目标特征信息。

基于阈值推荐模型，分别得到FL1通道和FL2通道的荧光强度过滤阈值。

基于大于或等于荧光强度过滤阈值的像素点，分别计算得到FL1通道和FL2通道中的像素点信息和面积。

步骤六，基于目标特征信息，进行组织培养分析。

不同浓度下的5-FU+Oxaliplatin，每孔的平均活率如表2所示：

表2

本说明书实施例可能带来的有益效果包括但不限于：(1)通过荧光判定类器官死活无需破坏球状体或类器官形态结构，有利于保持组织的原始状态或进行长期监测；(2)提供图像数据，使研究者的观察和理解更容易；(3)利用基于图像的分析方法，能够提供与ATP检测类似的分析结果，还可以获取空间分布、形态、结构等多维信息；(4)通过多层扫叠加的方式完成对整个孔板中类器官进行成像和分析，极大地提高类器官活率分析效率。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (11)

1.一种组织培养分析方法，所述方法包括：

获取组织培养孔板；

使用染色剂对在所述组织培养孔板中培养的组织进行荧光染色；

通过成像设备分别获取所述组织的明场图像和荧光通道图像；

基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域；

基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，其中，所述目标特征信息包括所述荧光通道图像中的所述组织所对应的像素点信息和面积信息；

基于所述目标特征信息，进行组织培养分析。

2.如权利要求1所述的方法，所述基于所述目标特征信息，进行组织培养分析，包括：

基于所述目标特征信息，确定所述明场图像中的活细胞区域和死细胞区域。

3.如权利要求2所述的方法，所述基于所述目标特征信息，进行组织培养分析，还包括：

基于所述活细胞区域的面积和所述死细胞区域的面积，确定所述组织的活率。

4.如权利要求2所述的方法，所述方法还包括：

基于所述目标特征信息、所述活细胞区域和所述死细胞区域进行3D建模；

基于3D建模的结果，进行组织培养分析。

5.如权利要求1所述的方法，所述通过成像设备分别获取所述组织的明场图像和荧光通道图像，包括：

通过所述成像设备，在明场成像模式下获取所述组织的明场图像；

通过所述成像设备，在所述染色剂对应的荧光通道模式下获取所述荧光通道图像。

6.如权利要求1所述的方法，所述基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域，包括：

利用图像识别模型确定所述明场图像中的感兴趣区域；所述图像识别模型为机器学习模型。

7.如权利要求1所述的方法，所述基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，包括：

确定所述明场图像中的感兴趣区域在所述荧光通道图像中对应的目标区域；

基于预设荧光强度阈值，从所述目标区域中提取所述目标特征信息。

8.如权利要求7所述的方法，所述方法还包括：

获取药物处理数据；

将所述明场图像、荧光通道图像、所述目标特征信息和所述药物处理数据输入至预设的阈值推荐模型，确定所述预设荧光强度阈值，所述阈值推荐模型为机器学习模型。

9.如权利要求1所述的方法，所述基于所述目标特征信息，进行组织培养分析，包括：

获取药物处理数据；

将所述明场图像、荧光通道图像、所述目标特征信息和所述药物处理数据输入至预设的药效预测模型，预测药物效果，所述药效预测模型为机器学习模型。

10.一种组织培养系统，其特征在于，包括：

获取模块，用于获取组织培养孔板；

染色模块，用于使用染色剂对在所述组织培养孔板中培养的组织进行荧光染色；

成像模块，用于通过成像设备分别获取所述组织的明场图像和荧光通道图像；

第一确定模块，用于基于所述明场图像进行图像识别，确定所述明场图像中的感兴趣区域；

第二确定模块，用于基于所述明场图像中的感兴趣区域和所述荧光通道图像，提取目标特征信息，其中，所述目标特征信息包括所述荧光通道图像中的所述组织所对应的像素点信息和面积信息；

分析模块，用于基于所述目标特征信息，进行组织培养分析。

11.一种装置，其特征在于，所述装置包括：

至少一个存储介质，存储计算机指令；以及

至少一个处理器，执行所述计算机指令，以实现权利要求1-9所述的方法。