买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京大学

摘要：本公开提供一种基于深度学习的细胞牵引力测量方法、装置、设备及介质。该基于深度学习的细胞牵引力测量方法包括：构建深度学习网络；生成深度学习网络训练集；利用深度学习网络训练集对深度学习网络进行训练；输入待测的荧光颗粒图像到训练好的深度学习网络并执行计算，得到细胞牵引力的测量值。本公开通过将深度学习引入细胞牵引力测量过程中，使测量精度不具有主观依赖性，且测量方法简单，能够有效地提高细胞牵引力反演的计算效率，实现了对细胞牵引力的高通量实时测量。

主权项：1.一种基于深度学习的细胞牵引力测量方法，其特征在于，包括：构建深度学习网络；生成深度学习网络训练集；利用深度学习网络训练集对深度学习网络进行训练；以及输入待测的荧光颗粒图像到训练好的深度学习网络并执行计算，得到细胞牵引力的测量值；其中，所述构建深度学习网络的步骤中，所述深度学习网络包括八层，第一层为图像分割层，第二层为第一卷积层，第三层为第一最大池化层，第四层为第二卷积层，第五层为第二最大池化层，第六层为全连接层，第七层为装配层，第八层为牵引力层，其中：在第一层，图像分割层在输入的荧光颗粒图像中的细胞表面选定N个采样点，N为大于1的自然数，并以此N个采样点作为中心将输入的荧光颗粒图像分割成一系列子图像，这些子图像记作a1被传递至第一卷积层，用于后续的特征提取；在第二层，第一卷积层使用卷积核K2对输入的子图像a1进行如下的卷积运算： 其中，a2是该第一卷积层的输出特征张量，b2是偏差向量，ω是线性整流函数，通过学习来调整参数K2及b2的取值，该第一卷积层能够从荧光颗粒图像中提取结构化的特征信息；在第三层，第一最大池化层的输入特征张量a2和输出特征张量a3之间的映射如下：a3＝φa2其中，Φ为最大池化函数，该最大池化函数仅保留池化窗内的最大特征值，进而实现对特征张量a2的压缩；在第四层，第二卷积层通过卷积运算进一步提取数据集中的抽象特征，并使用线性整流函数激活： 其中，a4是该第二卷积层的输出特征张量，b4是该第二卷积层的偏差向量，b4与卷积核K4共同构成了该第二卷积层的待学习参数；在第五层，第二最大池化层通过最大池化运算进一步融合第二卷积层输出的特征张量a4、扩大元素的感受野并提高计算效率：a5＝φa4在第六层，该全连接层采用下式将结构化的特征张量a5映射为节点位移向量d：d＝M6a5+b6其中，矩阵M6及偏差向量b6是该全连接层的可学习参数；在第七层，各采样点的位移信息与空间信息在装配层中被整合，并传递至牵引力层；在第八层，牵引力层进行细胞牵引力的计算，得到细胞牵引力的测量值。

全文数据：

权利要求：

百度查询： 北京大学 基于深度学习的细胞牵引力测量方法、装置、设备及介质