论文部分内容阅读
本课题针对传统的人工统计识别酵母菌出芽率的速度慢、效率低、稳定性差等问题,提出了基于衍射成像流式细胞仪的酵母菌出芽率的测量方法(简称DIBM(The Measurement of Yeast-Budding-Rate by Diffraction Imaging Flow Cytometry)方法)。该方法包括5个步骤:1)制备待测酵母菌样品的悬浮液,2)对该悬浮液进行衍射成像流式细胞仪测量,获取大量单个酵母菌(出芽或未出芽)的衍射图像到电脑中,并对衍射图像预处理;3)灰度共生矩阵特征提取模块提取图像特征,4)通过机器学习获得的分类器依据图像特征将酵母菌衍射图分为出芽组和未出芽组,5)通过计算出芽组图像占总有效图像比例得到酵母菌出芽率。本课题主要工作包括:1)机器学习分类器模型的训练数据和验证数据的获取,具体包括:a)培养酵母菌,获得六组酵母菌样品,b)对每组酵母菌样品施行衍射成像流式仪实验获取大量单个酵母菌衍射图,对衍射图预处理以去掉过暗和过亮的衍射图;c)将第一组酵母菌衍射图均分成1_训练和1_预测两小组,对1_训练中的酵母菌衍射图依据先验知识人工打标签,以获得训练数据;d)对所有各组酵母菌样品获取其对照用显微镜图,针对显微镜图人工统计酵母菌出芽率,以获得验证数据,验证数据包括显微镜下人工统计的各组的酵母菌出芽率和没有打标签的要用模型去预测出芽率的酵母菌衍射图两部分;2)衍射图像的灰度共生矩阵特征提取。通过分析衍射图像的灰度共生矩阵特征之间的相关性来去除冗余,通过可视化分析来确定灰度共生矩阵超参数的选择。3)出芽与未出芽酵母菌衍射图像分类器的机器学习模型建立、训练与效果比较。通过比较几种机器学习方法所建立分类模型的准确性、稳定性和快速性来选择机器学习方法,同时也用来比较验证优化的灰度共生矩阵特征的有效性。4)优化后的DIBM方法和人工统计方法比对,验证其有效性。用DIBM方法建立的模型来预测六组酵母菌出芽率,和人工统计的出芽率的相关系数为0.9759,重复实验中该相关系数为0.9625,从而说明DIBM方法的有效性和稳定性。同时重复实验中模型预测的酵母菌出芽率和人工统计结果的最大差值为1.7%。以上结果初步肯定了DIBM方法的可用性,对于其他细胞的分析和分类具有很好的示范作用,对于新兴的衍射成像流式细胞术的进一步应用具有重要的推动意义。