一种无监督的细胞偏振衍射图像分类方法

1.本发明涉及细胞偏振衍射图像分类领域，特别涉及一种无监督的细胞偏振衍射图像分类方法。


背景技术：

2.21世纪是生命科学的世纪，生命科学的研究离不开对构成生物体最小单位——细胞的研究，研究细胞往往需要大量的单种细胞，然而实际研究中大部分情况下都是多种细胞混合在一起的，因此将特定某种细胞从混合的细胞群中分离出来具有非常重要的意义。
3.目前主流的细胞分选方法主要有免疫磁珠法和荧光流式细胞法，这两种方法分别需要使用磁珠和荧光物质对细胞进行标记，不但操作复杂，而且很多荧光剂可能会杀死细胞。近些年来一种基于细胞偏振衍射图像的流式细胞分选方法通过使用激光照射依次流过细管的细胞，接收其偏振衍射光成像，然后用这种衍射图像识别细胞，最后进行分选。
4.在利用细胞偏振衍射图像识别细胞的这一过程中，当前使用的分类方法都是有标签的分类方法，这种方法要求先建立细胞偏振衍射图像库，然后才能识别细胞，这种方法显然有很大的局限性。无监督分类的方法可以将有共同特征的图像聚集在一起，这种方法不需要细胞偏振衍射图像库，即可以较高的准确率区分不同种类的细胞。


技术实现要素：

5.为了在识别细胞偏振衍射图像时省去建立细胞偏振衍射图像库这一高成本的工序，本发明提供了一种无监督的细胞偏振衍射图像分类方法。
6.本发明为解决细胞偏振衍射图像分类方法中存在的问题所采取的技术方案是：一种无监督的细胞偏振衍射图像分类方法，方法包括特征提取模块、数据处理模块和无监督分类模块；特征提取模块用来提取特征；数据处理模块用来进行数据预处理；无监督分类模块用来分类；首先提取细胞偏振衍射图像的特征，对提取的特征进行数据处理，最后对处理后的数据进行分类。
7.进一步地，无监督分类模块使用optics聚类方法，实现没有标签的图像分类。
8.本发明的具体步骤如下：
9.步骤一，生成细胞偏振衍射图像的灰度共生矩阵。
10.步骤二，计算细胞偏振衍射图像的灰度共生矩阵的二阶矩(asm)、对比度(contrast)、相关性(correlation)、熵(entropy)、逆差矩(inverse different moment，idm)，异质性(dissimilarity)，作为提取的特征。
11.步骤三，对特征数据进行最大最小值归一化。
12.步骤四，对步骤三得到的数据做pca主成分分析。
13.步骤五，使用步骤四得到的特征数据建立optics聚类模型
14.步骤六，使用步骤五得到的optics聚类模型进行分类
15.本发明具有的优点和积极效果是：本方法使用最大最小值归一化处理从细胞偏振
衍射图像的灰度共生矩阵中提取的二阶矩(asm)、对比度(contrast)、相关性(correlation)、熵(entropy)、逆差矩(inverse different moment，idm)，异质性(dissimilarity)特征，避免不同特征的取值范围差异对分类效果的影响；本方法对最大最小值归一化处理后的特征数据又利用pca主成分分析，只使用特征重要性高的数个特征进行分类，减少了计算量，提高了分类速度；本方法使用了optics聚类方法进行无监督的分类，在没有有标签细胞偏振衍射图像数据库的情况下，完成了细胞偏振衍射图像的分类任务。
附图说明
16.图1是本发明一种无监督的细胞偏振衍射图像分类方法的流程图。
17.图2是hepg2细胞的p偏振衍射图像。
18.图3是hepg2细胞的s偏振衍射图像。
19.图4是以提取的两个主要特征分别作为横纵坐标，绘制了两种细胞的分布散点图，每一个点表示一个细胞，不同的灰度表示不同的细胞类别。
20.图5是以提取的两个主要特征分别作为横纵坐标，绘制了optics预测的两种细胞的分布散点图，每一个点表示一个细胞，不同的灰度表示预测的不同细胞类别。
具体实施方式
21.为能进一步了解本发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下：
22.请参见图1，一种无监督的细胞偏振衍射图像分类方法，方法包括特征提取模块、数据处理模块和无监督分类模块；特征提取模块用来提取特征；数据处理模块用来进行数据预处理；无监督分类模块用来分类；首先提取细胞偏振衍射图像的特征，对提取的特征进行数据处理，最后对处理后的数据进行分类。
23.本发明还提供了一种利用上述无监督的细胞偏振衍射图像分类方法的实施例，在该实施例中使用了3824组如图2、图3所示的细胞偏振衍射图像对，其中1998组为hl7702细胞，另外1826组为hepg2细胞。该方法包括如下步骤：
24.步骤一，生成细胞偏振衍射图像的灰度共生矩阵。
25.步骤二，计算灰度共生矩阵的二阶矩(asm)、对比度(contrast)、相关性(correlation)、熵(entropy)、逆差矩(inverse different moment，idm)，异质性(dissimilarity)特征。
26.步骤三，对所有特征进行最大最小值归一化处理。
27.步骤四，对处理后的特征做pca主成分分析，保留方差百分比最大的数个特征。
28.步骤五，使用步骤四得到的特征数据建立optics聚类模型
29.步骤六，使用步骤五得到的optics局类模型对细胞衍射图像进行分类。
30.优选地，为了更加直观的显示分类效果，图4使用通过步骤一到步骤四得到的两个主要特征分别作为横纵坐标，绘制了两种细胞的分布散点图，每一个点表示一个细胞，不同的灰度表示不同的细胞类别。
31.优选地，图5显示了使用步骤五得到的optics聚类模型进行细胞衍射图像分类的
结果，横纵坐标分别是细胞偏振衍射图像通过步骤一到步骤四得到的两个主要特征，每一个点表示一个细胞，两种灰度分别表示optics聚类模型预测的细胞类别。
32.优选地，本实施例中optics聚类模型在3824组细胞偏振衍射图像中，正确预测了3167组细胞偏振衍射图像的类别，准确率达到了82.82％。
33.以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域的技术人员能够理解本发明的内容并具以实施，不能仅以本实施例来限定本发明的专利范围，即凡本发明所揭示的精神所做的同等变化或修饰，仍落在本发明的专利范围内。


技术特征：
1.一种无监督的细胞偏振衍射图像分类方法，其特征在于，包括特征提取模块、数据处理模块和无监督分类模块；特征提取模块用来提取特征；数据处理模块用来进行数据预处理；无监督分类模块用来分类；首先提取细胞偏振衍射图像的特征，对提取的特征进行数据处理，最后对处理后的数据进行分类。2.根据权利要求1所述的无监督的细胞偏振衍射图像分类方法，其特征在于，其使用了无监督的分类方法对细胞偏振衍射图像进行分类。3.根据权利要求2所述的无监督的细胞偏振衍射图像分类方法，其特征在于，使用optics聚类方法进行无监督分类。4.根据权利要求1至3所述的无监督的细胞偏振衍射图像分类方法，其特征在于，包括如下流程：流程一，生成细胞偏振衍射图像的灰度共生矩阵；流程二，计算细胞偏振衍射图像的灰度共生矩阵的二阶矩(asm)、对比度(contrast)、相关性(correlation)、熵(entropy)、逆差矩(inverse different moment，idm)，异质性(dissimilarity)，作为提取的特征；流程三，对特征数据进行最大最小值归一化；流程四，对处理后的数据做pca主成分分析；流程五，使用optics聚类方法对处理后的数据进行聚类。5.根据权利要求4所述的无监督的细胞偏振衍射图像分类方法，其特征在于，流程一和流程二通过计算细胞偏振衍射图像对应的灰度共生矩阵的二阶矩、对比度、相关性、熵、逆差矩，异质性提取了特征。6.根据权利要求4所述的无监督的细胞偏振衍射图像分类方法，其特征在于，流程三对提取的特征做了最大最小值归一化处理，消除特征范围不均匀的影响。7.根据权利要求4所述的无监督的细胞偏振衍射图像分类方法，其特征在于，流程四对归一化的特征数据做pca主成分分析，降低了特征维度，提高了分类速度。8.根据权利要求4所述的无监督的细胞偏振衍射图像分类方法，其特征在于，流程五使用optics聚类方法进行无监督分类。9.根据权利要求5所述的无监督的细胞偏振衍射图像分类方法，其特征在于，不需要有细胞类型标签的衍射图像数据数据库。

技术总结
本发明公开了一种无监督的细胞偏振衍射图像分类方法，方法包括特征提取模块、数据处理模块和无监督分类模块；特征提取模块用来提取特征；数据处理模块用来进行数据预处理；无监督分类模块用来分类；首先提取细胞偏振衍射图像的特征，对提取的特征进行数据处理，最后对处理后的数据进行分类。本发明使用无监督的方法，可以在不进行标记的情况下实现细胞的偏振衍射图像的分类。振衍射图像的分类。振衍射图像的分类。


技术研发人员：李奇峰 王济文 撒昱 韩阳光 马翔云 杨云鹏 汪文达 郜峰 马莹莹
受保护的技术使用者：天津大学
技术研发日：2022.06.15
技术公布日：2022/9/6