【技術實現步驟摘要】
本申請涉及圖像處理，具體而言，涉及一種類器官污染物識別方法、裝置、存儲介質及設備。
技術介紹
1、類器官是一種新型體外研究模型，由干細胞或腫瘤細胞在三維培養條件下自我組裝而成。它能夠高度模擬原位組織的生理結構和功能，經長期傳代保持遺傳信息的穩定，這些特點使得類器官在構建疾病模型、藥物篩選及個體化醫療等方面具有廣闊前景。若想要將類器官運用到實際，就得先進行類器官的培養，但是類器官在培養過程中易被污染的問題成為了類器官培養的一大難題。
2、污染物的種類有很多，目前識別污染物的方式主要是由科研人員人工觀察待檢測類器官的顯微圖像，若觀察到類器官疑似被污染，再使用qpcr(quantitative?real-timepcr，實時熒光定量聚合酶鏈式反應)之類的技術檢測污染物的種類。這一方式需要消耗大量的人力成本，而且人工觀察時通常是隨機選取某些區域進行觀察，由于早期的污染物可能極少，因此容易出現漏檢。
技術實現思路
1、本申請的目的在于提供一種類器官污染物識別方法、裝置、存儲介質及設備，旨在解決相關技術中針對類器官培養過程中的污染情況的識別方式存在的需要消耗大量的人力成本，且容易出現漏檢的問題。
2、第一方面，本申請提供的一種類器官污染物識別方法，包括：通過對類器官培養孔板進行圖像采集，獲取類器官圖像序列；所述類器官培養孔板是培養待檢測的類器官的載體；基于訓練好的污染物識別模型對所述類器官圖像序列進行處理，得到所述類器官培養孔板的污染信息；所述污染物識別模型是基于多種樣
3、在上述實現過程中，基于多種樣本圖像序列作為訓練樣本，訓練得到一個污染物識別模型，由于該多種樣本圖像序列包括對應于無污染物培養的類器官的第一類樣本圖像序列，以及對應于不同的污染物培養的類器官的第二類樣本圖像序列，因此，訓練好的污染物識別模型具有識別類器官污染情況的能力，這樣，在應用時，通過對類器官培養孔板進行圖像采集，獲取類器官圖像序列，再基于訓練好的污染物識別模型對該類器官圖像序列進行處理，即可得到類器官培養孔板的污染信息，即表征待檢測的類器官的污染情況的信息。如此，實現對類器官污染物的自動識別和分類，從而有效降低人力成本的消耗，同時提升識別的準確性，減少漏檢概率。
4、進一步地，在一些實施例中，所述基于訓練好的污染物識別模型對所述類器官圖像序列進行處理之前，包括：采用非局部均值濾波算法對所述類器官圖像序列中的各個圖片進行處理。
5、在上述實現過程中，將類器官圖像序列分解為單個圖片，再采用非局部均值濾波算法對圖像進行處理，這樣可以加強背景與物體之間的對比度，從而提升后續模型識別污染物種類的精確度。
6、進一步地，在一些實施例中，所述樣本圖像序列是基于對采集到的樣本圖像進行數據增強處理而得到的。
7、在上述實現過程中，在獲取訓練樣本時，通過對樣本圖像進行數據增強處理來生成新的樣本圖像，從而增強訓練集的樣本數量，提高模型的泛化能力和魯棒性。
8、進一步地，在一些實施例中，所述污染物識別模型包括resnet子模型和lstm子模型；所述resnet子模型用于提取所述類器官圖像序列中各個圖片的靜態特征；所述lstm子模型用于根據所述靜態特征和所述類器官圖像序列的動態特征分析類器官的生長情況和形態變化，再根據分析結果識別是否存在污染物以及對應的污染物的種類。
9、在上述實現過程中，采用resnet+lstm的組合方式形成特征提取網絡，resnet將類器官圖像序列中各個圖片的靜態特征提取出來，lstm結合靜態特征和動態特征，分析出類器官的生長情況和形態變化，從而識別出是否存在污染物以及對應的污染物的種類，如此，實現對類器官培養過程中污染情況的精確識別。
10、進一步地，在一些實施例中，所述污染物識別模型基于以下方式訓練得到：將所述樣本圖像序列輸入初始模型，得到預測分類結果；根據所述預測分類結果和真實分類結果，構建損失函數；所述真實分類結果表征所述樣本圖像序列對應的類器官污染種類；基于所述損失函數優化所述初始模型的模型參數，將優化后的初始模型確定為污染物識別模型。
11、在上述實現過程中，提供一種訓練污染物識別模型的具體方式，使得訓練好的污染物識別模型能夠準確識別出類器官培養過程中的污染情況。
12、進一步地，在一些實施例中，所述損失函數包括交叉熵損失函數。
13、在上述實現過程中，使用交叉熵損失函數，可以更好地優化模型。
14、進一步地，在一些實施例中，所述將優化后的初始模型確定為污染物識別模型之前，包括：通過目標評估指標對優化后的初始模型進行評估；所述目標評估指標包括以下至少一項：準確率、精確度、召回率。
15、在上述實現過程中，在模型訓練過程中，可以使用準確率、精確度、召回率這三個評估指標中的至少一項來對模型進行評估，從而確保污染物識別模型在上線后能夠保持準確、可靠和健壯的表現。
16、第二方面，本申請提供的一種類器官污染物識別裝置，包括：采集模塊，用于通過對類器官培養孔板進行圖像采集，獲取類器官圖像序列；所述類器官培養孔板是培養待檢測的類器官的載體；處理模塊，用于基于訓練好的污染物識別模型對所述類器官圖像序列進行處理，得到所述類器官培養孔板的污染信息；所述污染物識別模型是基于多種樣本圖像序列作為訓練樣本訓練得到的；所述多種樣本圖像序列包括對應于無污染物培養的類器官的第一類樣本圖像序列，以及對應于不同的污染物培養的類器官的第二類樣本圖像序列。
17、第三方面，本申請提供的一種電子設備，包括：存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如第一方面任一項所述的方法的步驟。
18、第四方面，本申請提供的一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有指令，當所述指令在計算機上運行時，使得所述計算機執行如第一方面任一項所述的方法。
19、第五方面，本申請提供的一種計算機程序產品，所述計算機程序產品在計算機上運行時，使得計算機執行如第一方面任一項所述的方法。
20、本申請公開的其他特征和優點將在隨后的說明書中闡述，或者，部分特征和優點可以從說明書推知或毫無疑義地確定，或者通過實施本申請公開的上述技術即可得知。
21、為使本申請的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。
本文檔來自技高網...【技術保護點】
1.一種類器官污染物識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述基于訓練好的污染物識別模型對所述類器官圖像序列進行處理之前，包括：
3.根據權利要求1所述的方法，其特征在于，所述樣本圖像序列是基于對采集到的樣本圖像進行數據增強處理而得到的。
4.根據權利要求1所述的方法，其特征在于，所述污染物識別模型包括ResNet子模型和LSTM子模型；所述ResNet子模型用于提取所述類器官圖像序列中各個圖片的靜態特征；所述LSTM子模型用于根據所述靜態特征和所述類器官圖像序列的動態特征分析類器官的生長情況和形態變化，再根據分析結果識別是否存在污染物以及對應的污染物的種類。
5.根據權利要求1所述的方法，其特征在于，所述污染物識別模型基于以下方式訓練得到：
6.根據權利要求5所述的方法，其特征在于，所述損失函數包括交叉熵損失函數。
7.根據權利要求5所述的方法，其特征在于，所述將優化后的初始模型確定為污染物識別模型之前，包括：
8.一種類器官污染物識別裝置，其特征在于，包括：<...
【技術特征摘要】
1.一種類器官污染物識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述基于訓練好的污染物識別模型對所述類器官圖像序列進行處理之前，包括：
3.根據權利要求1所述的方法，其特征在于，所述樣本圖像序列是基于對采集到的樣本圖像進行數據增強處理而得到的。
4.根據權利要求1所述的方法，其特征在于，所述污染物識別模型包括resnet子模型和lstm子模型；所述resnet子模型用于提取所述類器官圖像序列中各個圖片的靜態特征；所述lstm子模型用于根據所述靜態特征和所述類器官圖像序列的動態特征分析類器官的生長情況和形態變化，再根據分析結果識別是否存在污染物以及對應的污染物的種類。
5.根據權...
【專利技術屬性】
技術研發人員：雷歡，羅云鋒，李俊輝，劉海洋，黃璘，
申請(專利權)人：北京嘉士騰醫學檢驗實驗室有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。