基于深度学习与阈值分割的线虫识别

摘要

目的 基于深度学习和阈值分割的方法探索对图像中秀丽隐杆线虫数量和聚集程度的统计是否能提高行为实验的效率和准确度，便于利用线虫等小型模式生物高通量筛选针对孤独症的潜在药物。方法 采集5 000张含有单只线虫的培养基样本，分别用人工计数法和基于深度学习与阈值分割的方法设计线虫识别检测算法，实现对培养基中线虫的计数与聚集程度判断，并对比其耗时长短和准确率。结果 本研究基于深度学习和阈值分割算法，设计了自动统计线虫数量及聚集程度的软件，该软件对每张图像的检测时间在毫秒级别，相比较人工统计的100 s量级，检测效率显著提高，且检测的准确率较好，针对单只线虫的检测准确率超过90%。结论 与人工计数法相比，基于深度学习与阈值分割算法的软件对模式生物秀丽隐杆线虫计数和聚集程度判断的效率明显提高，本研究的基于深度学习与阈值分割算法将显著提高孤独症等神经行为相关药物筛选效率。

关键词

秀丽隐杆线虫 / 识别计数 / 聚集行为 / 深度学习 / 阈值分割

基金资助

基础医学国家级实验教学示范中心(徐州医科大学)资助项目; 江苏省高等学校大学生创新创业训练计划项目(创新训练项目，202010313070Y); 国家自然科学基金(81701390)