光學顯微鏡在生物醫(yī)學研究和臨床醫(yī)療中有著廣泛的應用。近年來深度學習技術為顯微影像的自動分析提供了先進算法支持。然而,目前我國醫(yī)院和科研單位已安裝的顯微鏡大多沒有自帶深度神經(jīng)網(wǎng)絡圖像分析功能,而設備和軟件的升級又需要高額成本。本研究借助便攜式計算設備對傳統(tǒng)的數(shù)字光學顯微鏡進行人工智能升級,采用Jetson TX2便攜式設備運行Faster R-CNN網(wǎng)絡對斑馬魚卵顯微圖像實現(xiàn)了3幀頻的分類檢測效率,對各類魚卵的檢測敏感度大于0.88,特異性大于0.94,并且所用的便攜式設備尺寸小,可以方便地放置在顯微鏡旁側。本研究為人工智能賦能傳統(tǒng)顯微鏡提供了一種方便、低廉且具有良好推廣性的技術解決方案。 

【文章來源】：中國醫(yī)療設備. 2020,35(08)

【文章頁數(shù)】：5 頁

【部分圖文】：

系統(tǒng)的配置過程和應用流程

本研究對斑馬魚卵施加了化學藥物，經(jīng)藥物作用后的魚卵可能處于受精、未受精或死亡狀態(tài)。其中，受精的魚卵的月芽形細胞群部分是渾濁的，未受精的魚卵月芽形細胞群部分是澄清的，而死亡的魚卵則會呈現(xiàn)不規(guī)則的暗色斑塊。通過檢測處于不同狀態(tài)的魚卵數(shù)目比例，可以對藥物的毒性給予評估。由于圖像中魚卵眾多，人工辨識的工作量很大，因此需要自動化的計算機算法來完成這一任務。圖2展示了所處理的斑馬魚卵圖像。1.2 神經(jīng)網(wǎng)絡的訓練

本研究采用Faster R-CNN(Region Convolutional Network)[15]網(wǎng)絡實現(xiàn)不同狀態(tài)魚卵的檢測。Faster R-CNN是用于目標檢測與定位領域的專用深度神經(jīng)網(wǎng)絡，其整體網(wǎng)絡結構如圖3所示，本研究基本延用了經(jīng)典的Faster R-CNN網(wǎng)絡結構。圖像被輸入網(wǎng)絡后，通過5個卷積層和3個全連接層提取全圖范圍的分類特征圖。得到的特征圖被輸入?yún)^(qū)域提議網(wǎng)絡獲取各類魚卵區(qū)域的初始坐標范圍和初始分類結果，然后根據(jù)初始坐標范圍提取每個區(qū)域的局部特征圖并輸入給全連接網(wǎng)絡和進一步的分類層和回歸層，最終得到對每個魚卵的分類結果和區(qū)域坐標范圍。受篇幅所限，關于Faster R-CNN網(wǎng)絡原理的介紹請讀者參見文獻[15]。本研究隨機選取了59幅斑馬魚卵顯微圖像作為Faster R-CNN網(wǎng)絡的訓練數(shù)據(jù)集，其中50用于訓練神經(jīng)網(wǎng)絡，9幅用于對網(wǎng)絡的性能做獨立驗證。采用人工標記的方式從訓練數(shù)據(jù)中標注了938個魚卵的正方形包圍盒，并標注了每個魚卵的狀態(tài)（受精、未受精或死亡）。在此基礎上，進一步對所標注的938個魚卵進行數(shù)據(jù)擴增處理，通過圖像旋轉（以5o角為步長旋轉70次）得到938×70=65660個魚卵，從而增加了訓練數(shù)據(jù)的數(shù)目。擴增后魚卵均用來訓練Faster-RCNN神經(jīng)網(wǎng)絡，其中訓練（Training）數(shù)據(jù)49245例，驗證（Validation）數(shù)據(jù)16415例，即訓練與驗證集的比例為3:1。9幅測試（Testing）圖像中共包含魚卵461個，經(jīng)過專家標識出受精卵349個，相當于未經(jīng)數(shù)據(jù)擴增之前的訓練用魚卵數(shù)目（938個）的一半，其中未受精卵85個、死亡魚卵27個作為金標準。本研究邀請一位具有三年斑馬魚顯微影像研究經(jīng)驗的專業(yè)人員依據(jù)領域內(nèi)著作做出金標準的標定[16]，其標定結果再由一位十年以上專業(yè)經(jīng)驗的資深專家復審確定。

【參考文獻】：
期刊論文
[1]基于FPGA的卷積神經(jīng)網(wǎng)絡加速器設計與實現(xiàn)[J]. 翟社平,邱程,楊媛媛,李婧,江婷婷.  微電子學與計算機. 2019(08)
[2]人工智能芯片技術體系研究綜述[J]. 施羽暇.  電信科學. 2019(04)
[3]當人工智能搭上云端快車[J]. Mike Barlow.  機器人產(chǎn)業(yè). 2017(03)
[4]NVIDIA Jetson TX2平臺:加速發(fā)展小型化人工智能終端[J]. 齊健.  智能制造. 2017(05)



本文編號：3259348