CN114494217B 一种人工组织和类器官的检测方法及其装置 （杭州捷诺飞生物科技股份有限公司）

司区白杨街道6号大街452号2幢C1101-一种人工组织和类器官的检测方法及其装置本发明公开一种人工组织和类器官的检测一天对应培养板每个培养孔中人工组织和类器官的形态学指标与ATP数值；将人工组织和类器官的形态学指标与ATP数值进行标准化处理后构2所述打标签后的二维图像构建过程具体是对人工组织或类器官的原始三维灰度图像所述打标签后的三维图像构建过程具体是对人工组织或类器官的原始三维灰度图像原始三维灰度图像对应的所有对比度增强后二维灰所述人工组织或类器官分割深度学习网络采用Resnet-3D，其输入为原始三维灰度图步骤(4)：利用测试验证后的人工组织或类器官分割深度学习网络实现人工组织或类按照连通域计算培养到最后一天对应培养板每个培养孔中人工组织或类器官的形态其中所述按照方差贡献率提取主成分，将右奇异矩阵的列3*x1+a21*x2+a31*x3+a41*x4+a51*x5+a61*x6+a71*x7+a81*x8)分别表示第j个培养孔内标准化的人工组织或类器官总体1为奇异式(32)其中特征值λ8为奇异值分解的Σ2矩阵中的最小特征值，对应特征向量为v8=2.如权利要求1所述的方法，其特征在于所述对这些二维灰度图像进行对比度增强具3.如权利要求1所述的方法，其特征在于所述原始二维灰度图像进行对比度增强前增4.如权利要求3所述的方法，其特征在于所述数据增强是对图像采用扭曲增强与非扭5-1根据步骤(4)分割得到的人工组织或类器工组织或类器官体积所占像素数量Volume_number、以及表面积所占像素数量Surface_Organoid_volume＝Volume_number*(PixelSize_x*PixelSizeOrganoid_surface＝surface_number*(PixelSize_x*PixelSize_x＝PixelSize_y＝Pix5-2根据上述单个人工组织或类器官体积Organoid_volume、表面积Organoid_5-3根据三维连通域对人工组织或类器官区域三维图像计算单个培养孔内人工组织或4Organoid_number＝Connected_domain其中Organoid_spherecity(i)表示单个培养孔内第i个人工组5-4根据单个培养孔的人工组织或类器官总体积，计算某培养孔内单个人工组织或类Organoid_average_volume＝Organoid_sum_volume/Org根据单个培养孔的人工组织或类器官总表面积，计算某培养孔Organoid_average_surface＝Organoid_sum_surface/Org根据单个培养孔的人工组织或类器官总球度，计算某培养Organoid_average_spherecity＝Organoid_sum_spherecity/Organoid_number式5-5对培养到最后一天对应培养板每个培养孔利用化学发光测量方法获取腺嘌呤核苷其中x1表示第j个培养孔内标准化的人工组织或类器官总体积；Organoid_sum_volume5其中x2表示第j个培养孔内标准化的人工组织或类器官总表面积；Organoid_sum_其中x3表示第j个培养孔内标准化的人工组织或类器官总球度；Organoid_sum_其中x5表示第j个培养孔内标准化的人工组织或类器官平均体积；Organoid_average_volume(j)表示第j个培养孔内人其中x6表示第j个培养孔内标准化的人工组织或类器官平均表面积；Organoid_avergae_surface(j)表示第j个培养孔内人工组织其中x7表示第j个培养孔内标准化的人工组织或类器官平均球度；Organoid_avergae_其中x8第j个培养孔内标准化的人工组织或类器官ATP数值；Organoid_ATP(j)表示第j6右奇异矩阵V使用SVD的右奇异矩阵对列数进行降维，PCA的前k个特征向量为V的前k7按照方差贡献率提取主成分，将右奇异矩阵的列向量作为某一主成分表达式的系数，8人工组织或类器官分割模块，用于利用人工组织或第一计算模块，用于计算培养到最后一天对应培养第二计算模块，用于将人工组织或类器官的形态学指标与ATP数值进行标准化处理后8.一种药敏测试方法，其特征在于利用权利要求1-6任一项所述方法获得的人工组织9[0001]本发明属于人工组织器官检测领域，特别涉及一种基于OCT的人工组织和类器官[0002]人工组织和类器官是由人来源细胞或干细胞驱动以自我组装的方式构建形成的工组织或类器官的形态学指标与其功能状态密切相关，可以通过高分辨的连续形态观测，检测人工组织或类器官基于平面信息或者将人工组织或类器官近似为球体或椭球体进行成像的优点，成像深度可达几毫米。本发明通过使用OCT检测人工组织和类器官的生长过[0005]本发明的第一个目的是针对现有技术的不足，提出一种基于OCT的人工组织和类官活性的指标腺嘌呤核苷三磷酸(ATP)进行结合建立检测人工组织和类器官的综合性指[0010]所述打标签后的二维图像构建过程具体是对人工组织或类器官的原始三维灰度标签为原始二维灰度图像对应的对比度增强后二[0011]所述打标签后的三维图像构建过程具体是对人工组织或类器官的原始三维灰度衰减系数(Depth-resolvedmodel-basedreconstructionofattenuation算法(Therobustnessofthepowerlawexponent,α)、基于自相关的运动幅度M算法预处理算法中的一种或多种对这些二维灰度图像后利用测试集对训练好的人工组织或类器官分割深度[0017]所述人工组织或类器官分割深度学习网络采用EG-Net、ResNet50v2、VGG19、Xception和DenseNet121CNN，其输入为二维灰度图像，输出为对比度增强后二维灰度图[0018]所述人工组织或类器官分割深度学习网络采用Resnet-3D，其输入为原始三维灰[0019]步骤(4)：利用测试验证后的人工组织或类器官分割深度学习网络实现人工组织[0021]按照连通域计算培养最后一天对应培养板每个培养孔中人工组织或类器官的形个人工组织或类器官体积所占像素数量Volume_number、以及表面积所占像素数量[0025]Organoid_surface[0028]所述单个人工组织或类器官体积所占像素数量Volume_number、以及表面积所占像素数量Surface_number是根据三维连通域对人工组织或类器官区域三维图像计算获得，[0029]5-2根据上述单个人工组织或类器官体积Organoid_volume、表面积Organoid_[0031]5-3根据三维连通域对人工组织或类器官区域三维图像计算单个培养孔内人工组surface="r"organoid.city=""organ[0044]5-4根据单个培养孔的人工组织或类器官总体积，计算某培养孔内单个人工组织[0045]Organoid_average_v[0047]Organoid_average_s[0052]5-5对培养最后一天对应培养板每个培养孔利用化学发光测量方法获取腺嘌呤核[0055]其中x1表示第j个培养孔内标准化的人工组织或类器官总体积；Organoid_sum_[0059]其中x3表示第j个培养孔内标准化的人工组织或类器官总球度；Organoid_sum_[0063]其中x5表示第j个培养孔内标准化的人工组织或类器官平均体积；Organoid_average_volume(j)表示第j个培养孔内人工组[0065]其中x6表示第j个培养孔内标准化的人工组织或类器官平均表面积；Organoid_average_surface(j)表示第j个培养孔内人工组织[0067]其中x7表示第j个培养孔内标准化的人工组织或类器官平均球度；Organoid_average_spherecity(j)表示第j个培养孔内人工组织或[0069]其中x8第j个培养孔内标准化的人工组织或类器官ATP数值；Organoid_ATP(j)表x567[0082]右奇异矩阵V使用SVD的右奇异矩阵对列数进行降维，PCA的前k个特征向量为V的值的对角矩阵，∑2表示一个包含有特征值的对角矩阵，即奇异值是特征值的开方61需排列在V矩阵的最后一列。[0094]按照奇异值占比大于阈值α(可以为85％)选取主成分，奇异值占比称为方差贡献*x1+a21*x2+a31*x3+a41*x4+a51*x5+a61*x6+a71*x7+a81*x8)[0107]第二计算模块，用于将人工组织或类器官的形态学指标与ATP数值进行标准化处理后构建的矩阵计算协方差矩阵，然后对其进行奇异值分解获得右奇异矩阵和奇异值矩类器官综合指标判断不同用药浓度下人工组织或类[0109]通过绘制人工组织或类器官在不同药物作用下，随着时间综合性指标变化的曲数等对比度增强算法构建训练集代替人工标注并通过深度学习网络缩短计算时间自动进[0112]2.本发明通过使用OCT检测人的形态学指标和表示人工组织或类器官活性的指标腺嘌呤核苷三磷酸(ATP)，将上述参数视场范围内，像素按照需要的图像清晰度及数据大小进行设定，扫描速度默认为48kHz。[0123]所述打标签后的二维图像构建过程具体是对人工组织或类器官的原始三维灰度标签为原始二维灰度图像对应的对比度增强后二[0124]所述打标签后的三维图像构建过程具体是对人工组织或类器官的原始三维灰度[0125]所述对这些二维灰度图像进行对比度增强具体是对二维灰度图像进行基于深度解析的衰减系数算法(Depth-resolvedmodel-basedreconstructionofattenuation算法(Therobustnessofthepowerlawexponent,α)、基于自相关的运动幅度M算法预处理算法中的一种或多种对这些二维灰度图像进行[0126]深度解析的衰减系数算法的优点是将OCTX-Z截面的每个像素上的强度值转换为显示人工组织或类器官内部一些生理学信息。对数强度方差本质上是快速获取OCT信号序[0127]按照上述两种算法对采集的肠癌人工组织或类器官数据在X-Z面进行衰减系数的同时图4(b)和图4(c)中人工标注与衰减系数构建训练集得到的三维重建图也有较强的相[0132]由表1可得衰减系数计算时间远远小于人工标注，通过这种方法能够大大减少人后利用测试集对训练好的人工组织或类器官分割深度[0134]所述人工组织或类器官分割深度学习网络采用EG-Net、ResNet50v2、VGG19、Xception和DenseNet121CNN，其输入为二维灰度图像，输出为对比度增强后二维灰度图[0135]所述人工组织或类器官分割深度学习网络采用Resnet-3D，其输入为原始三维灰[0136]步骤(4)：利用测试验证后的人工组织或类器官分割深度学习网络实现人工组织[0138]按照连通域计算培养最后一天对应培养板每个培养孔中人工组织或类器官的形5(c)、(d)、(e)所示。结合公式(1)-(2)[0141]Organoid_volume＝Volume_number*(PixelSize_x*PixelSize_y*PixelSize_z)[0142]Organoid_surfac[0144]所述单个人工组织或类器官体积所占像素数量Volume_number、以及表面积所占像素数量Surface_number是根据三维连通域对人工组织或类器官区域三维图像计算获得，[0145]5-2根据上述单个人工组织或类器官体积Organoid_volume、表面积Organoid_[0147]5-3根据三维连通域对人工组织或类器官区域三维图像计算单个培养孔内人工组[0160]5-4根据单个培养孔的人工组织或类器官总体积，计算某培养孔内单个人工组织[0161]Organoid_average[0163]Organoid_average_s[0165]Organoid_average_spherecity＝Organoid_sum_spherecity/Organoid_number[0166]5-5对培养最后一天对应培养板每个培养孔利用化学发光测量方法获取腺嘌呤核[0169]其中x1表示第j个培养孔内标准化的人工组织或类器官总体积；Organoid_sum_[0173]其中x3表示第j个培养孔内标准化的人工组织或类器官总球度；Organoid_sum_[0177]其中x5表示第j个培养孔内标准化的人工组织或类器官平均体积；Organoid_average_volume(j)表示第j个培养孔内人工组[0179]其中x6表示第j个