基于孪生深度学习的无标记细胞分类方法及系统

本发明涉及生物医学检测，尤其涉及无标记细胞分类，具体涉及一种基于孪生深度学习的无标记细胞分类方法、一种基于孪生深度学习的无标记细胞分类装置、一种基于孪生深度学习的无标记细胞分类诊断装置、一种基于孪生深度学习的无标记细胞分类系统、一种计算机设备、一种计算机可读存储介质及一种计算机程序产品。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

2、细胞学筛查是通过观察细胞形态和结构来检测疾病的方法，它是生物医学研究和临床诊断中不可或缺的手段之一。细胞学筛查通过对细胞的观察和检测，可以发现早期病变，为疾病的早期治疗提供有力支持。传统的细胞学筛查方法是通过取样患者的组织或体液，以获取到与疾病相关的细胞；然后经过细胞固定和染色等操作来保持细胞形态结构并增强其对比度；最后再由训练有素的专业人员进行阅片，从而准确、迅速地识别潜在的病变。

3、荧光技术也常被用于细胞学检测中，它通过特定的荧光探针标记细胞，然后通过荧光显微镜进行检测和分析，可以得到精确的细胞结构和组分信息。然而，荧光方法也存在一些局限性，例如荧光探针可能会干扰细胞的正常生理功能，同时荧光信号的稳定性和持久性也存在问题。因此，无标记细胞学检测方法逐渐受到关注，这种方法不需要对细胞进行任何化学修饰或标记，可以简化操作流程、避免染色或者荧光方法的一些局限性。无标记细胞学检测方法包括拉曼光谱、光声显微镜、电生理技术和二维光散射等，能够提供关于细胞的结构、功能或代谢等多方面的信息，而且具有较高的空间分辨率和时间分辨率，逐渐展现出了巨大的潜力和优势。

4、在传统细胞学检测中，观察人员需要根据细胞的形态和结构来判断是否存在异常，这需要具有一定的专业知识和经验。近年来，随着人工智能技术的发展，人们开始探索利用深度学习技术来进行细胞学筛查。深度学习可以通过目标跟踪、图像分割、图像增强、图像分类等技术来自动识别细胞中的荧光标记或者形态异常，这可以提高筛查的效率和准确性。与此同时，无标记细胞学检测方法的发展对信息分析技术提出了新的要求，由于具有处理大规模复杂数据的优势，深度学习处理无标记信息不依赖数据的直观性，对加密数据或者非线性数据可以实现端到端的高精度自适应的分析，这增加了对无标记方法采集数据的利用效率和分析能力，展现出重要的社会应用意义与价值，但是，现有深度学习技术需要大量精确标注的训练集为基础，这往往是临床上最紧缺的资源，导致目前的深度学习技术无法更好的应用到临床实践中。

技术实现思路

1、为了解决现有技术的不足，本发明提供了一种基于孪生深度学习的无标记细胞分类方法及系统，对细胞的无标记二维光散射图样数据进行分析，简化了样本准备和信息采集的工作量，通过孪生网络给出的相似性度量参数对临床数据进行判定，避免了人工标注细胞的繁琐工作，提高了细胞分类的效率。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供了一种基于孪生深度学习的无标记细胞分类方法。

4、一种基于孪生深度学习的无标记细胞分类方法，包括以下过程：

5、结合细胞系细胞的二维光散射图样，利用孪生网络对临床细胞的二维光散射图样进行虚拟标注；

6、根据虚拟标注结果构建用于深度学习分类模型训练的标注训练集，采用训练好的深度学习分类模型对未虚拟标注的临床细胞进行分类，得到最终的无标记细胞分类结果。

7、作为本发明第一方面进一步的限定，孪生网络为双塔型网络结构，双塔型网络结构的两个分支的结构相同且分别支持二维光散射图样的输入，每一个分支用于学习被输入的二维光散射图样的特征，并生成两个分支之间的相似性度量。

8、作为本发明第一方面进一步的限定，孪生网络的初始化的训练，包括：

9、提取二维光散射图样的粒度特征，计算得到的粒度特征对在特征空间中的距离，通过设置第一距离阈值和第二距离阈值，分别初始化对应的不相似和相似两种图片对。

10、作为本发明第一方面进一步的限定，临床细胞的二维光散射图样的获取，包括：

11、追踪二维光散射视频数据中的图样，截取细胞图样，通过数字细胞过滤器去除杂质，得到二维光散射图样。

12、第二方面，本发明提供了一种基于孪生深度学习的无标记细胞分类装置。

13、一种基于孪生深度学习的无标记细胞分类装置，包括：

14、虚拟标注单元，被配置为：结合细胞系细胞的二维光散射图样，利用孪生网络对临床细胞的二维光散射图样进行虚拟标注；

15、细胞分类单元，被配置为：根据虚拟标注结果构建用于深度学习分类模型训练的标注训练集，采用训练好的深度学习分类模型对未虚拟标注的临床细胞进行分类，得到最终的无标记细胞分类结果。

16、第三方面，本发明提供了一种基于孪生深度学习的无标记细胞分类诊断装置。

17、一种基于孪生深度学习的无标记细胞分类诊断装置，包括：

18、虚拟标注单元，被配置为：结合细胞系细胞的二维光散射图样，利用孪生网络对临床细胞的二维光散射图样进行虚拟标注；

19、细胞分类单元，被配置为：根据虚拟标注结果构建用于深度学习分类模型训练的标注训练集，采用训练好的深度学习分类模型对未虚拟标注的临床细胞进行分类，得到最终的无标记细胞分类结果；

20、辅助诊断单元，被配置为：根据细胞分类结果，通过细胞层次的分布，生成被诊断个体的患病风险。

21、第四方面，本发明提供了一种基于孪生深度学习的无标记细胞分类系统。

22、一种基于孪生深度学习的无标记细胞分类系统，包括：

23、激光器、中性密度片、激光光阑、反射镜、激发物镜、鞘流器、采集物镜、高速cmos相机和处理器；

24、激光器发出的光线依次经中性密度片、激光光阑、反射镜和激发物镜后，照射在鞘流器内的样本液中，样本液流由注射泵驱动并在鞘流器中实现单细胞的序列排布；

25、通过采集物镜收集二维光散射信号并由高速cmos探测器将光学信号转换为二维光散射视频数据并输入至处理器；

26、处理器追踪二维光散射视频数据中的图样，截取细胞图样，通过数字细胞过滤器去除杂质，得到二维光散射图样，并继续执行本发明第一方面所述的基于孪生深度学习的无标记细胞分类方法的过程。

27、第五方面，本发明提供了一种计算机设备，包括：处理器和计算机可读存储介质；

28、处理器，适于执行计算机程序；

29、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本发明第一方面所述的基于孪生深度学习的无标记细胞分类方法。

30、第六方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如本发明第一方面所述的基于孪生深度学习的无标记细胞分类方法。

31、第七方面，本发明提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面所述的基于孪生深度学习的无标记细胞分类方法。

32、与现有技术相比，本发明的有益效果是：

33、1、本发明采用无标记的方法，减少了样本的准备工作量，降低了对样本的损伤，增加了检测的时效性和效率，可扩展其使用的领域；与传统细胞学检测方法相比，简化了样本准备流程、降低了样本处理的试剂成本和专业操作门槛，有助于方法的推广。

34、2、本发明使用自动化的流式控制方案，减少了人为操作的工作量，增强了采集的稳定性和效率，可通过量化的参数控制样本的流动状态，直观且方便；采用自动化的数据预处理及数据处理流程，与临床专家处理相比，提升了处理的速度，减弱了各地区专业人员不平衡带来的影响。

35、3、本发明采用单细胞数据集，与抹片数据集相比，省去了图像分割等处理流程，简化流程以减少多种操作可能引入的误差，增加方法的稳定性。

36、4、本发明使用孪生网络对临床数据集进行虚拟标注，省去了人工标注的大量工作，同时可以减少专家主观因素带来的误差；采用的孪生网络对临床数据进行打分分级，可以灵活地划分样本层级数量，以实现粗略定性分析或者细化标注层级，有助于临床病理分期的自动化分析。

37、5、本发明的与临床人工诊断相比，使用细胞分类概率及比例等定量的参数输出进行诊断，具有客观性；且适用于各种细胞成像为基础的检测方法，具有普适性和易推广的特点。

38、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。