买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市一五零生命科技有限公司

摘要：本发明涉及细胞图像处理技术领域，公开了一种干细胞质量评价方法及系统，其中，该方法包括：采集干细胞形态图像，并对干细胞形态图像进行双边滤波处理，得到预处理图像；通过多级Otsu算法和局部自适应因子对预处理图像进行阈值分割，得到阈值分割图像；对阈值分割图像进行多方向Sobel算子和梯度协方差矩阵分析，得到多维度形态特征；对多维度形态特征进行多尺度非极大值抑制和形态学特征描述，得到目标特征点集；将多维度形态特征和目标特征点集输入多分支深度神经网络进行干细胞质量评价，得到初始质量评价结果；基于马尔可夫随机场模型进行连通性分析和层次聚类，得到目标质量评价结果，该方法提高了干细胞质量评价的准确率。

主权项：1.一种干细胞质量评价方法，其特征在于，所述方法包括：采集干细胞形态图像，并对所述干细胞形态图像进行双边滤波处理，得到预处理图像；具体包括：对干细胞样本进行高分辨率显微成像，得到干细胞形态图像，并对所述干细胞形态图像进行灰度化处理，得到灰度形态图像；根据所述灰度形态图像的局部方差和梯度信息，计算自适应权重因子；通过5×5滑动窗口对所述灰度形态图像进行处理，计算窗口中心像素值和空间距离函数，并根据所述窗口中心像素值，计算值域距离函数；基于高斯函数，分别对所述空间距离函数和所述值域距离函数进行加权处理，得到加权后的空间距离函数和加权后的值域距离函数；根据所述自适应权重因子、所述加权后的空间距离函数和所述加权后的值域距离函数，构建双边滤波函数；通过所述双边滤波函数对所述灰度形态图像进行图像滤波，得到初步滤波结果；对所述初步滤波结果进行边缘保持处理，得到边缘增强的滤波图像，并对所述边缘增强的滤波图像进行对比度调整，得到预处理图像；通过多级Otsu算法和局部自适应因子对所述预处理图像进行阈值分割，得到阈值分割图像；具体包括：对所述预处理图像进行直方图分析，得到灰度级分布信息，并根据所述灰度级分布信息，基于峰值检测算法确定峰值数量N；将所述预处理图像的灰度范围划分为N+1个区域，得到初始区域划分结果，并对所述初始区域划分结果中的每个区域，计算像素比例和平均灰度值；根据所述像素比例和所述平均灰度值，计算所述预处理图像的平均灰度值；基于类间方差最大化原则，构建目标函数，并采用动态规划方法对所述目标函数进行优化，得到N个全局最优阈值；根据所述预处理图像的局部方差和熵信息，计算局部自适应因子，并对所述N个全局最优阈值进行局部调整，得到自适应阈值；根据所述自适应阈值对所述预处理图像进行多级分割，得到阈值分割图像；对所述阈值分割图像进行多方向Sobel算子和梯度协方差矩阵分析，得到多维度形态特征；具体包括：对所述阈值分割图像构建4个方向的3×3Sobel算子，并对所述阈值分割图像与4个方向的Sobel算子分别进行卷积运算，得到4个方向的梯度图；根据所述4个方向的梯度图，计算每个像素点的梯度幅值，并根据所述4个方向的梯度图，计算每个像素点的梯度方向；基于所述4个方向的梯度图，构建梯度协方差矩阵，并对所述梯度协方差矩阵进行特征值分解，得到特征值和对应的特征向量；根据所述特征值，计算各向异性指标，并基于所述特征向量，确定干细胞形态的主要方向；根据所述梯度幅值和所述梯度方向，计算局部方向一致性指标；将所述梯度幅值、所述梯度方向、所述各向异性指标、所述主要方向和所述局部方向一致性指标组合，得到多维度形态特征；对所述多维度形态特征进行多尺度非极大值抑制和形态学特征描述，得到目标特征点集；具体包括：根据所述多维度形态特征中的梯度幅值，计算自适应线段长度S，并对每个像素点，在梯度方向上取一条长度为S的垂直线段，进行线性插值，得到线段上的梯度值序列；根据所述梯度值序列，对像素点进行局部最大值判断，若不是局部最大值则将对应的像素点抑制，得到初步非极大值抑制结果；构建尺度空间，并在所述尺度空间中选取多个尺度，对每个尺度重复执行非极大值抑制过程，得到多尺度非极大值抑制结果；对所述多尺度非极大值抑制结果进行尺度间一致性检验，保留在多个尺度下均为非极大值的点，得到稳定特征点集，并对所述稳定特征点集中的每个点，计算局部曲率；以所述稳定特征点集中的每个点为中心，提取局部图像块，计算纹理复杂度，并对所述稳定特征点集中的每个点，计算所在区域的形状因子；将所述梯度幅值、所述梯度方向、所述局部曲率、所述纹理复杂度和所述形状因子组合，形成特征描述符，得到目标特征点集；将所述多维度形态特征和所述目标特征点集输入多分支深度神经网络进行干细胞质量评价，得到初始质量评价结果；具体包括：对所述多维度形态特征进行空间金字塔池化，得到多尺度特征图，并将所述多尺度特征图输入卷积神经网络分支，通过多层卷积、批归一化和ReLU激活函数处理，得到卷积特征图；对所述卷积特征图应用残差连接，构建残差块，得到增强的卷积特征，并将所述目标特征点集输入多层感知机网络分支，通过全连接层和非线性激活函数处理，得到点特征向量；对所述增强的卷积特征应用空间注意力机制，计算注意力权重矩阵，得到空间加权特征，并对所述空间加权特征应用通道注意力机制，计算通道权重向量，得到通道加权特征；将所述通道加权特征和所述点特征向量进行特征融合，得到多模态融合特征；对所述多模态融合特征应用自适应加权网络，学习特征权重系数，得到动态加权特征，并将所述动态加权特征输入全连接层，得到干细胞质量得分和分类概率；根据所述干细胞质量得分和所述分类概率，计算多任务损失函数L=λ1*Lclass+λ2*Lregression+λ3*Lfeature，其中，L为多任务损失，Lclass为分类损失，Lregression为回归损失，Lfeature为特征一致性损失，λ1、λ2、λ3为平衡系数，得到初始质量评价结果；基于马尔可夫随机场模型，对所述初始质量评价结果进行连通性分析和层次聚类，得到目标质量评价结果；具体包括：根据所述初始质量评价结果中的干细胞空间位置信息，构建细胞连通图G，并对所述细胞连通图G中的每对相邻节点，计算边权重；将所述细胞连通图G转化为马尔可夫随机场，定义能量函数，并根据所述初始质量评价结果，初始化单元势函数；基于细胞形态学特征，设计成对势函数，并对所述马尔可夫随机场应用信念传播算法，迭代计算消息；设计形态学约束条件，并将所述形态学约束条件整合到单元势函数中，得到更新后的势函数；基于所述更新后的势函数，重新执行信念传播算法，得到优化后的质量标签分配，并使用自适应距离度量对所述优化后的质量标签分配进行层次聚类分析，得到层次聚类结果；根据所述层次聚类结果，生成目标质量评价结果，所述目标质量评价结果包括整体质量分布统计、高质量细胞群空间分布图、关键形态特征与质量相关性分析和异常细胞标记。

全文数据：

权利要求：

百度查询： 深圳市一五零生命科技有限公司 干细胞质量评价方法及系统