一种基于人工智能的类器官ATP分析方法及系统与流程

一种基于人工智能的类器官atp分析方法及系统
技术领域
1.本发明属于生物医药技术领域，具体涉及一种基于人工智能的类器官atp分析方法及系统。


背景技术：

2.腺苷三磷酸(atp adenosine triphosphate)是由腺嘌呤、核糖和3个磷酸基团连接而成，水解时释放出能量较多，是生物体内最直接的能量来源。可通过对类器官的atp进行分析，来评估类器官的活力情况。
3.现有检测类器官活性的通用方法为ctg(cell titer-glo)发光法，该方法需要加入对应试剂，使类器官发光，通过检测发光信号反映类器官的atp指标，但该检测过程会导致类器官裂解，检测完毕后的类器官无法继续进行培养，并且检测程序相对复杂、耗时。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种基于人工智能的类器官atp分析方法及系统。本发明的技术方案为：
5.第一个方面，本发明提供一种基于人工智能的类器官atp分析方法：包括以下步骤：
6.步骤1，对类器官培养孔板一一进行图像采集，获得一系列类器官图像；
7.步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；
8.步骤3，对类器官培养孔板采用ctg发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；
9.步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官atp检测模型的训练集，并利用该训练集训练类器官atp检测模型；
10.步骤5，利用训练好的类器官atp检测模型对获取的类器官图像进行atp活力值检测分析。
11.进一步地，所述步骤3中对类器官培养孔板采用ctg发光法进行类器官活力值检测，具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用atp检测仪检测孔内类器官的atp活力值。
12.优选地，所述步骤4中类器官atp检测模型为神经网络模型，所述神经网络模型采用监督学习的方法进行迭代训练。
13.进一步地，所述步骤4中神经网络模型的具体迭代训练过程包括：
14.(1)首先将全景图中超曝光部分进行像素调节，使用opencv视觉库中的findcontours检测出类器官培养孔轮廓，接着采用boundingrect包覆该轮廓的最小正矩形；
15.(2)将所有atp活力值和对应的类器官全景图输入至神经网络模型中用于特征提
取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有atp活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的atp活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
16.(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(gpu)中再次进行迭代训练，直至误差l(y，y)小于给定阈值停止训练。
17.进一步地，所述步骤(2)中总特征值采用公式ⅰ计算：
18.y＝a1×
x1+a2×
x2+a3×
x3+a4×
x4+...+an×
x
nⅰ；
19.式ⅰ中，y为全连接后的总特征值，x1、x2、...xn为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数。
20.进一步地，所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit-learn库中的函数，并采用公式ⅱ计算均方误差：
[0021][0022]
式ⅱ中，y表示步骤3中的atp检测值，y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际atp值进行对比，逐步降低两者之间的误差。
[0023]
第二方面，本发明提供一种基于人工智能的atp分析系统，包括：
[0024]
显微图像获取装置，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图；
[0025]
类器官atp检测装置，与所述显微图像获取装置连接，所述类器官atp检测装置包括类器官培养孔检测模块、类器官atp分析模块；所述类器官培养孔检测模块用于提取类器官培养孔轮廓；所述类器官atp分析模块在基于所述atp检测模型的基础上对获取的类器官显微图像进行atp分析；
[0026]
通讯装置，用于将所述显微图像获取装置和类器官atp检测装置进行通讯连接。
[0027]
进一步地，所述类器官atp分析模块采用基于神经网络的类器官atp检测模型，所述类器官atp检测模型的卷积网络连接有全连接层。
[0028]
进一步地，所述类器官atp检测模型采用基于均方误差原理的损失函数，通过调用scikit-learn库中的函数，并采用公式ⅱ计算均方误差：
[0029][0030]
式ⅱ中，y表示步骤3中的atp检测值，y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际atp值进行对比，逐步降低两者之间的误差。
[0031]
第三方面，本发明提供一种类器官培养的监测方法，是采用上述atp分析系统，该监测方法包括以下步骤：
[0032]
获取待培养组织；
[0033]
培养类器官；
[0034]
采用所述atp分析系统监测类器官活力值。
[0035]
本发明的有益效果为：
[0036]
本发明以类器官图像为直接分析数据，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。相较于现有的ctg(cell titer-glo)发光法，在保证不损害类器官的情况下即可检测类器官的活性，为类器官培养当中的质控以及药敏分析建立了智能化处理的重要一环，利于检测的类器官继续进行后续培养和实验。
附图说明
[0037]
图1为本发明的atp分析方法的工艺流程图。
[0038]
图2为本发明实施例1中类器官系列全景图。
[0039]
图3为本发明实施例1中类器官系列培养孔轮廓图。
[0040]
图4为本发明实施例2中类器官系列全景图。
[0041]
图5为本发明实施例1中类器官系列培养孔轮廓图。
具体实施方式
[0042]
本发明开发基于人工智能的类器官atp分析方法过程中采用的现有atp分析仪为biotek公司synergy 2化学发光仪。
[0043]
在本发明的描述中，需要说明的是，实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
[0044]
基于现有检测类器官活性的ctg发光法存在的会导致类器官裂解、相对耗时、复杂等问题，本发明开发了一种基于人工智能的类器官atp分析方法：包括以下步骤：
[0045]
步骤1，通过光学显微镜对类器官培养孔板一一进行图像采集，获得一系列类器官图像。
[0046]
步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得所有孔板的系列类器官全景图。
[0047]
步骤3，对类器官培养孔板采用ctg发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用atp检测仪检测孔内类器官的atp活力值。
[0048]
步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官atp检测模型的训练集，并利用该训练集训练神经网络模型；所述神经网络模型采用监督学习的方法进行迭代训练。具体迭代训练过程包括：
[0049]
(1)首先将全景图中超曝光部分进行像素调节，使用opencv视觉库中的findcontours检测出类器官培养孔轮廓，接着采用boundingrect包覆该轮廓的最小正矩形；
[0050]
(2)将所有atp活力值和对应的类器官全景图输入至神经网络模型中用于特征提取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有atp活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的atp活力值之间差异程度的偏差，
进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
[0051]
(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(gpu)中再次进行迭代训练，直至误差l(y，y)小于给定阈值停止训练。
[0052]
进一步地，所述步骤(2)中总特征值采用公式ⅰ计算：
[0053]
y＝a1×
x1+a2×
x2+a3×
x3+a4×
x4+...+an×
xn，ⅰ[0054]
式ⅰ中，y为全连接后的总特征值，x1、x2、...xn为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数；
[0055]
进一步地，所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit-learn库中的函数，并采用公式ⅱ计算均方误差：
[0056][0057]
式ⅱ中，y表示步骤3中的atp检测值，y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际atp值进行对比，逐步降低两者之间的误差。
[0058]
本发明还提供一种基于人工智能的atp分析系统，包括：显微图像获取装置、类器官atp检测装置和通讯装置。
[0059]
其中，显微图像获取装置具体为光学显微镜，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图。
[0060]
类器官atp检测装置与显微图像获取装置连接，类器官atp检测装置包括类器官培养孔检测模块、类器官atp分析模块；类器官培养孔检测模块用于提取类器官培养孔轮廓；类器官atp分析模块在基于atp检测模型的基础上对获取的类器官显微图像进行atp分析；类器官atp分析模块采用基于神经网络的类器官atp检测模型，类器官atp检测模型的卷积网络连接有全连接层，以实现对单张全景图的所有特征集合。并且类器官atp检测模型采用基于均方误差原理的损失函数，通过调用scikit-learn库中的函数，并采用公式ⅱ计算均方误差：
[0061][0062]
式ⅱ中，y表示步骤3中的atp检测值，y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际atp值进行对比，逐步降低两者之间的误差。
[0063]
通讯装置用于将所述显微图像获取装置和类器官atp检测装置进行通讯连接，本发明具体实施例中采用的为基于有线网络的通讯壮汉子，也可以采用无线、蓝牙等方式。
[0064]
本发明还提供一种类器官培养的监测方法，是采用上述atp分析系统，该监测方法包括以下步骤：
[0065]
获取待培养组织；
[0066]
培养类器官；
[0067]
采用所述atp分析系统监测类器官活力值。
[0068]
下面结合附图和具体的实施例对本发明做进一步详细说明，所述是对本发明的解释而不是限定。
[0069]
实施例1
[0070]
本实施例提供一种基于人工智能的小鼠肝脏类器官atp分析方法，包括以下步骤：
[0071]
(1)获取类器官显微图像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像包含三维信息(即层切叠加)。
[0072]
(2)对采集到的类器官显微图像数据进行类器官的atp检测。操作流程如图1所示。
[0073]
(3)将图像均一堆叠拼接成全景图像，共6幅图像，如图2。
[0074]
(4)提取类器官培养孔轮廓，如图3。
[0075]
(4)将轮廓图载入本发明的atp分析系统，得出每个培养孔的类器官atp检测值，汇总并导出excel数据表，如表1所示。
[0076]
表1实施例1的类器官atp检测结果
[0077]
培养孔分析系统atp检测值(发光强度)d24815d330366d454718d566048d659242d767388
[0078]
实施例2
[0079]
本实施例提供一种基于人工智能的小鼠肺类器官atp分析方法，包括以下步骤：
[0080]
(1)获取类器官显微图像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像最好包含三维信息(即层切叠加)。
[0081]
(2)采用上述基于人工智能的类器官atp分析方法及基于人工智能的atp分析系统，对采集到的类器官显微图像数据进行类器官的atp检测。操作流程如图1所示。
[0082]
(3)将图像均一堆叠拼接成全景图像，共6幅图像，如图4。
[0083]
(4)提取类器官培养孔轮廓，如图5。
[0084]
(5)将轮廓图载入“atp分析系统”，得出每个培养孔的类器官atp检测值，汇总并导出excel数据表，如表2所示。
[0085]
表2实施例2的类器官atp检测结果
[0086]
培养孔分析系统atp检测值(发光强度)a272352a376831a476358a564519a671377a768918
[0087]
对比例1
[0088]
以实施例1方法获得atp检测值后，采用ctg发光法测定细胞活力值，得各个培养孔吸光度值，ctg发光法为本领域测定类器官活力的常规方法，这里不做详细描述。得结果如
表3所示：
[0089]
表3对比例1的类器官atp分析结果
[0090][0091][0092]
对比例2
[0093]
以实施例2方法获得atp检测值后，采用ctg发光法测定细胞活力值，得各个培养孔吸光度值，得结果如表4所示：
[0094]
表4对比例2的类器官atp分析结果
[0095]
培养孔实施例2atp检测值对比例2atp值a27235273677a37683180813a47635880516a56451965926a67137776790a76891873380
[0096]
通过表3和4的数据可以看出，分析系统的atp检测值和atp值的误差不超过10个百分点，系统检测精度较好，且性能稳定。
[0097]
综上，本发明以类器官图像为直接分析数据，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。相较于现有的ctg(cell titer-glo)发光法，在保证不损害类器官的情况下即可检测类器官的活性，为类器官培养当中的质控以及药敏分析建立了智能化处理的重要一环，利于检测的类器官继续进行后续培养和实验。
[0098]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。