基于便携式计算设备的传统光学显微镜的AI赋能升级
发布时间：2021-07-01 14:56
光学显微镜在生物医学研究和临床医疗中有着广泛的应用。近年来深度学习技术为显微影像的自动分析提供了先进算法支持。然而,目前我国医院和科研单位已安装的显微镜大多没有自带深度神经网络图像分析功能,而设备和软件的升级又需要高额成本。本研究借助便携式计算设备对传统的数字光学显微镜进行人工智能升级,采用Jetson TX2便携式设备运行Faster R-CNN网络对斑马鱼卵显微图像实现了3帧频的分类检测效率,对各类鱼卵的检测敏感度大于0.88,特异性大于0.94,并且所用的便携式设备尺寸小,可以方便地放置在显微镜旁侧。本研究为人工智能赋能传统显微镜提供了一种方便、低廉且具有良好推广性的技术解决方案。
【文章来源】：中国医疗设备. 2020,35(08)
【文章页数】：5 页
【部分图文】：
系统的配置过程和应用流程
本研究对斑马鱼卵施加了化学药物，经药物作用后的鱼卵可能处于受精、未受精或死亡状态。其中，受精的鱼卵的月芽形细胞群部分是浑浊的，未受精的鱼卵月芽形细胞群部分是澄清的，而死亡的鱼卵则会呈现不规则的暗色斑块。通过检测处于不同状态的鱼卵数目比例，可以对药物的毒性给予评估。由于图像中鱼卵众多，人工辨识的工作量很大，因此需要自动化的计算机算法来完成这一任务。图2展示了所处理的斑马鱼卵图像。1.2 神经网络的训练
本研究采用Faster R-CNN(Region Convolutional Network)[15]网络实现不同状态鱼卵的检测。Faster R-CNN是用于目标检测与定位领域的专用深度神经网络，其整体网络结构如图3所示，本研究基本延用了经典的Faster R-CNN网络结构。图像被输入网络后，通过5个卷积层和3个全连接层提取全图范围的分类特征图。得到的特征图被输入区域提议网络获取各类鱼卵区域的初始坐标范围和初始分类结果，然后根据初始坐标范围提取每个区域的局部特征图并输入给全连接网络和进一步的分类层和回归层，最终得到对每个鱼卵的分类结果和区域坐标范围。受篇幅所限，关于Faster R-CNN网络原理的介绍请读者参见文献[15]。本研究随机选取了59幅斑马鱼卵显微图像作为Faster R-CNN网络的训练数据集，其中50用于训练神经网络，9幅用于对网络的性能做独立验证。采用人工标记的方式从训练数据中标注了938个鱼卵的正方形包围盒，并标注了每个鱼卵的状态（受精、未受精或死亡）。在此基础上，进一步对所标注的938个鱼卵进行数据扩增处理，通过图像旋转（以5o角为步长旋转70次）得到938×70=65660个鱼卵，从而增加了训练数据的数目。扩增后鱼卵均用来训练Faster-RCNN神经网络，其中训练（Training）数据49245例，验证（Validation）数据16415例，即训练与验证集的比例为3:1。9幅测试（Testing）图像中共包含鱼卵461个，经过专家标识出受精卵349个，相当于未经数据扩增之前的训练用鱼卵数目（938个）的一半，其中未受精卵85个、死亡鱼卵27个作为金标准。本研究邀请一位具有三年斑马鱼显微影像研究经验的专业人员依据领域内著作做出金标准的标定[16]，其标定结果再由一位十年以上专业经验的资深专家复审确定。
【参考文献】：
期刊论文
[1]基于FPGA的卷积神经网络加速器设计与实现[J]. 翟社平,邱程,杨媛媛,李婧,江婷婷. 微电子学与计算机. 2019(08)
[2]人工智能芯片技术体系研究综述[J]. 施羽暇. 电信科学. 2019(04)
[3]当人工智能搭上云端快车[J]. Mike Barlow. 机器人产业. 2017(03)
[4]NVIDIA Jetson TX2平台:加速发展小型化人工智能终端[J]. 齐健. 智能制造. 2017(05)
本文编号：3259348
【文章来源】：中国医疗设备. 2020,35(08)
【文章页数】：5 页
【部分图文】：
系统的配置过程和应用流程
本研究对斑马鱼卵施加了化学药物，经药物作用后的鱼卵可能处于受精、未受精或死亡状态。其中，受精的鱼卵的月芽形细胞群部分是浑浊的，未受精的鱼卵月芽形细胞群部分是澄清的，而死亡的鱼卵则会呈现不规则的暗色斑块。通过检测处于不同状态的鱼卵数目比例，可以对药物的毒性给予评估。由于图像中鱼卵众多，人工辨识的工作量很大，因此需要自动化的计算机算法来完成这一任务。图2展示了所处理的斑马鱼卵图像。1.2 神经网络的训练
本研究采用Faster R-CNN(Region Convolutional Network)[15]网络实现不同状态鱼卵的检测。Faster R-CNN是用于目标检测与定位领域的专用深度神经网络，其整体网络结构如图3所示，本研究基本延用了经典的Faster R-CNN网络结构。图像被输入网络后，通过5个卷积层和3个全连接层提取全图范围的分类特征图。得到的特征图被输入区域提议网络获取各类鱼卵区域的初始坐标范围和初始分类结果，然后根据初始坐标范围提取每个区域的局部特征图并输入给全连接网络和进一步的分类层和回归层，最终得到对每个鱼卵的分类结果和区域坐标范围。受篇幅所限，关于Faster R-CNN网络原理的介绍请读者参见文献[15]。本研究随机选取了59幅斑马鱼卵显微图像作为Faster R-CNN网络的训练数据集，其中50用于训练神经网络，9幅用于对网络的性能做独立验证。采用人工标记的方式从训练数据中标注了938个鱼卵的正方形包围盒，并标注了每个鱼卵的状态（受精、未受精或死亡）。在此基础上，进一步对所标注的938个鱼卵进行数据扩增处理，通过图像旋转（以5o角为步长旋转70次）得到938×70=65660个鱼卵，从而增加了训练数据的数目。扩增后鱼卵均用来训练Faster-RCNN神经网络，其中训练（Training）数据49245例，验证（Validation）数据16415例，即训练与验证集的比例为3:1。9幅测试（Testing）图像中共包含鱼卵461个，经过专家标识出受精卵349个，相当于未经数据扩增之前的训练用鱼卵数目（938个）的一半，其中未受精卵85个、死亡鱼卵27个作为金标准。本研究邀请一位具有三年斑马鱼显微影像研究经验的专业人员依据领域内著作做出金标准的标定[16]，其标定结果再由一位十年以上专业经验的资深专家复审确定。
【参考文献】：
期刊论文
[1]基于FPGA的卷积神经网络加速器设计与实现[J]. 翟社平,邱程,杨媛媛,李婧,江婷婷. 微电子学与计算机. 2019(08)
[2]人工智能芯片技术体系研究综述[J]. 施羽暇. 电信科学. 2019(04)
[3]当人工智能搭上云端快车[J]. Mike Barlow. 机器人产业. 2017(03)
[4]NVIDIA Jetson TX2平台:加速发展小型化人工智能终端[J]. 齐健. 智能制造. 2017(05)
本文编号：3259348
本文链接：https://www.wllwen.com/kejilunwen/yiqiyibiao/3259348.html
