生物粒子的分类系统和方法技术方案

本发明专利技术提供了一种使用自动基于图像的特征提取和分类架构对生物样本中的细胞和粒子进行分类的方法和系统。方法通过将掩模或一系列掩模施加到图像、基于彩色像素的内容和位置从所述图像的未掩模部分提取特征、选择所述提取的特征的子集以及将所述提取的特征的所述子集映射到分类器架构中来操作。在大多数情况下，第一级模型架构提供所述细胞或粒子的准确识别。在少数情况下，所述细胞或粒子的所述分类需要第二级步骤，所述第二级步骤需要结合第二级模型使用来自所述第一级的数值或分类值。

【技术实现步骤摘要】
【国外来华专利技术】生物粒子的分类系统和方法
技术介绍
包括细胞和粒子在内的生物粒子的识别和计数在包括血液状况的检测在内的许多研究和临床应用中是有用的。自动生物粒子识别是一项需要以时间敏感的方式执行复杂操作的任务，通常在计算资源有限的硬件上执行。因此，重要的是，系统中的每一阶段都是高效的。自动生物粒子识别，特别是血细胞识别，通常是使用需要大量预处理的技术来完成的。这导致计算效率和描述能力之间的必要折衷。此外，由于此类复杂操作所需的大量因素，传统系统的分析和故障排除可能非常麻烦，甚至是不可能的。因此，仍然需要改进的方法来减少计算要求，同时提高自动生物粒子分类的效率和准确性。本公开的实施方案解决这个问题和其他问题。
技术实现思路
本公开涉及包含自动基于图像的特征提取和分类架构的系统，该架构适用于生物样本中的生物粒子(包括细胞和其他粒子)的实时分类。该系统可以用作医疗诊断工具，并可以增强细胞和/或粒子的识别和定量。所公开的基于图像的分类系统包括四个主要步骤：图像采集、特征提取、特征选择以及使用级联分类器架构确定细胞或粒子的分类。为了分析生物样本中包含的细胞和/或粒子，可以首先收集或采集细胞或粒子的图像。利用这些图像，系统然后可以从各个图像中提取特定的数值或分类值或称为“特征”的特性。然后，系统可以在分析提取的特征时使用分层或级联分类架构。根据各种实施方案，在确定步骤中使用的级联分类器架构可包括两级分析。如果第一级分析的结果是不确定的，则可以对生物样本(例如血液样本)的提取的特征中的所选特征执行第二级分析。在示例性架构中，生物样本的提取的特征的所选集合可以与从具有已知特性的细胞或粒子提取的特征的所选集合进行比较。在大多数情况下，比较(“第一级模型”)提供了细胞或粒子的准确识别。在少数情况下，细胞或粒子的分类需要进一步的步骤(“第二级模型”)来对细胞或粒子进行分类。该步骤可包括结合第二级模型使用来自第一级模型的数值或分类值。这种两级架构允许系统在第一级或第二级之后将每个图像精确地分配到一个类或类别中。当与其他传统方法相比时，本文讨论的血液粒子特征选择和图像分类器架构系统和方法可以提供各种益处和优点。例如，本专利技术的实施方案提供了可以将特征提取计算复杂度保持在最小值的系统和方法。在一些情况下，复杂且昂贵的特征计算可能被推迟，直到细胞事件到达架构中需要特定特征的特定分类器。在许多情况下，大多数特征将不需要计算。特征提取可能是任何自动分类系统的昂贵阶段。本文公开的架构系统和方法引入了简单但强大的方法来平衡复杂度和性能。此外，分类器系统的级联架构可以是模块化的、可扩展的，并且易于后期分析。系统的输出可以很容易地追溯到各个分类器。可以很容易地重新训练或升级各个分类器，同时保持架构的其余部分不受影响。相比之下，许多传统方法由具有大量特征的单个分类器组成，这使得对架构的分析和故障排除变得非常麻烦，甚至不可能。本文公开的示例性系统和方法可以提供在特征选择阶段定义的级联架构中的处理顺序，该特征选择阶段使用训练数据中所有类别之间的可分性量度。可分性度量可以用于确定在分类工作流开始时哪个类别最容易处理。类别之间复杂的可分性情况可以留到级联的末尾。根据示例性系统和方法实施方案，分类器内的低级复杂度(1级)和高级复杂度(2级)之间的传递函数的特征可以允许两级之间的平滑过渡。由于在两级之间没有硬阈值，而是有连续过渡的事实，当处理特征值变化很小的类似图像时，这可以减少系统响应的可变性。在一个方面，提供了确定生物样本中粒子的分类的方法，该方法包括：采集粒子的图像；在处理器系统处接收粒子的图像；以及使用处理器系统执行存储在非暂态计算机可读介质上的计算机可执行代码，该计算机可执行代码包括处理器系统上的指令。在一些实例中，当在处理器系统上执行时，指令导致处理器系统执行提取例程，该提取例程可包括基于图像的像素的内容和位置从图像中提取多个特征。在一些实例中，提取包括：将第一掩模施加到图像；基于施加第一掩模从图像采集第一组像素；以及从第一组像素确定所述多个特征。在一些实例中，映射包括执行映射例程，该映射例程包括将提取的特征的子集映射到分类器架构中。在一些实例中，映射包括：使用第一级模型将提取的特征的子集与先前存储的数据集进行比较；以及基于提取的特征的子集与先前存储的数据集的比较来识别初步分类。在一些实例中，映射包括使用第一级模型计算初步分类正确的概率值，并且还可包括当概率值等于或高于阈值时基于初步分类确定分类。在一个方面，提供了确定生物样本中粒子的分类的方法，该方法包括：采集粒子的图像；基于图像的像素的内容和位置从图像中提取多个特征；选择提取的特征的子集；以及将提取的特征的子集映射到级联分类器架构中；使用第一级模型计算初步分类正确的概率值；以及当概率值等于或高于阈值时，基于初步分类确定分类。在一些实例中，提取包括：将第一掩模施加到图像；基于施加第一掩模从图像采集第一组像素；以及从第一组像素确定所述多个特征。在一些实例中，映射包括：使用第一级模型将提取的特征的子集与先前存储的数据集进行比较；以及基于提取的特征的子集与先前存储的数据集的比较来识别初步分类。在一些实例中，映射包括使用第一级模型计算初步分类正确的概率值，并且还可包括当概率值等于或高于阈值时基于初步分类确定分类。在一些实例中，提取的方法包括将第二掩模施加到图像以采集第二组像素。在一些实例中，第一掩模和第二掩模可以是圆形的或环形的。在一些实例中，施加不同的掩模呈现不同的像素。在一些实例中，第一掩模和第二掩模可以以预定顺序施加。在一些实例中，提取的方法包括将第一组像素聚类成一群。在一些实例中，提取的方法包括从聚类的像素群创建调色板。在一些实例中，提取的方法包括部分地基于调色板确定图像的标签。在一些实例中，提取的方法包括将图像归一化到掩模尺寸。在一些实例中，提取的方法包括将第一掩模归一化到单位幅度。在一些实例中，提取的方法包括使用选择的颜色空间，该选择的颜色空间包括红-绿-蓝(RGB)色调-饱和度-值(HSV)、色调-饱和度-明度(HSL)或色调-饱和度-亮度(HSB)。在一些实例中，提取的特征的选定子集包括训练特征、验证特征或测试特征。在一些实例中，提取的特征的子集被映射到级联分类器架构中。在一些实例中，第一级模型是机器学习模型。在一些实例中，映射的方法包括当概率值低于阈值时使用第二级模型来确定细胞或粒子分类。在一些实例中，第二级模型是机器学习模型。在一些实例中，粒子可以是嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、未成熟白细胞、网织红细胞、具核红细胞、红细胞、上皮细胞、细菌、酵母或寄生虫。在另一方面，提供了确定生物样本中粒子的分类的方法，该方法包括第二级模型。在一些实例中，第二级模型包括：在第二级模型处接收概率值；根据与细胞或粒子类别相关的分类性能创建值的排序列表；组合概率值和排序列表以创建第二级概率值；以及使用在第一级模型处确定的概率值和在第二级模型处确定的概率值来确定细胞或粒子分类。在另一方面，提供了用于确定生物样本中的粒子分类的系统，该系统包括处理器和联接到处理器的计算机可读存储介质，该计算机可读存储介质包括可由处理器执行的代码，以用于实现方法，该方法包括：采集粒子的图像；基于图像的像素的内容本文档来自技高网...

【技术保护点】
1.一种确定生物样本中的粒子的分类的方法，包括：采集所述粒子的图像；在处理器系统处接收所述粒子的所述图像；使用所述处理器系统执行存储在非暂态计算机可读介质上的计算机可执行代码，所述计算机可执行代码包括指令，当在所述处理器系统上执行时，所述指令导致所述处理器系统：执行提取例程，所述提取例程包括基于所述图像的像素的内容和位置从所述图像中提取多个特征，所述提取包括：将第一掩模施加到所述图像；基于施加所述第一掩模从所述图像采集第一组像素；以及从所述第一组像素中确定所述多个特征；选择所述提取的特征的子集；执行映射例程，所述映射例程包括将所述提取的特征的所述子集映射到分类器架构中，所述映射包括：使用第一级模型将所述提取的特征的所述子集与先前存储的数据集进行比较；基于所述提取的特征的所述子集与所述先前存储的数据集的所述比较来识别初步分类；使用所述第一级模型计算所述初步分类正确的概率值；以及当所述概率值等于或高于阈值时基于所述初步分类确定所述分类。

【技术特征摘要】
【国外来华专利技术】2016.08.22 US 62/377,8511.一种确定生物样本中的粒子的分类的方法，包括：采集所述粒子的图像；在处理器系统处接收所述粒子的所述图像；使用所述处理器系统执行存储在非暂态计算机可读介质上的计算机可执行代码，所述计算机可执行代码包括指令，当在所述处理器系统上执行时，所述指令导致所述处理器系统：执行提取例程，所述提取例程包括基于所述图像的像素的内容和位置从所述图像中提取多个特征，所述提取包括：将第一掩模施加到所述图像；基于施加所述第一掩模从所述图像采集第一组像素；以及从所述第一组像素中确定所述多个特征；选择所述提取的特征的子集；执行映射例程，所述映射例程包括将所述提取的特征的所述子集映射到分类器架构中，所述映射包括：使用第一级模型将所述提取的特征的所述子集与先前存储的数据集进行比较；基于所述提取的特征的所述子集与所述先前存储的数据集的所述比较来识别初步分类；使用所述第一级模型计算所述初步分类正确的概率值；以及当所述概率值等于或高于阈值时基于所述初步分类确定所述分类。2.根据权利要求1所述的方法，其中，所述提取包括将第二掩模施加到所述图像以采集第二组像素。3.根据权利要求2所述的方法，其中，所述第一掩模和所述第二掩模是圆形或环形的。4.根据权利要求2或3所述的方法，其中，不同掩模的施加呈现不同的像素。5.根据权利要求2至4中任一项所述的方法，其中，以预定顺序施加所述第一掩模和所述第二掩模。6.根据前述权利要求中任一项所述的方法，其中，所述提取包括将所述第一组像素聚类成一群。7.根据权利要求6所述的方法，其中，所述提取包括从所述聚类的像素群创建调色板。8.根据权利要求7所述的方法，其中，所述提取包括部分地基于所述调色板来确定所述图像的标签。9.根据前述权利要求中任一项所述的方法，其中，所述提取包括将所述图像归一化到掩模尺寸。10.根据前述权利要求中任一项所述的方法，其中，所述提取包括将所述第一掩模归一化到单位幅度。11.根据前述权利要求中任一项所述的方法，其中，所述提取包括使用选择的颜色空间，所述选择的颜色空间包括红-绿-蓝(RGB)色调-饱和度-值(HSV)、色调-饱和度-明度(HSL)或色调-饱和度-亮度(HSB)。12.根据前述权利要求中任一项所述的方法，其中，所述提取的特征的所述选定子集包括训练特征、验证特征或测试特征。13.根据前述权利要求中任一项所述的方法，其中，所述提取的特征的所述子集被映射到级联分类器架构中。14.根据前述权利要求中任一项所述的方法，其中，所述第一级模型是机器学习模型。15.根据前述权利要求中任一项所述的方法，其中，所述映射还包括：当所述概率值低于所述阈值时，使用第二级模型来确定所述粒子分类。16.根据权利要求15所述的方法，其中，所述第二级模型是机器学习模型。17.根据权利要求15或16所述的方法，其中，使用所述第二级模型还包括：在所述第二级模型处接收所述概率值；根据与粒子类别相关的分类性能创建值的排序列表；组合所述概率值和所述排序列表以创建第二级概率值；使用所述第一级概率值和所述第二级概率值来确定所述粒子分类。18.根据前述权利要求中任一项所述的方法，其中，所述粒子包括选自嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、未成熟白细胞、网织红细胞、具核红细胞、红细胞、上皮细胞、细菌、酵母或寄生虫的成员。19.一种确定生物样本中的粒子的分类的系统，所述系统包括：处理器和联接到所述处理器的计算机可读存储介质，所述计算机可读存储介质包括能够由所述处理器执行的代码，以用于实现方法，所述方法包括：采集所述粒子的图像；基于所述图像的像素的内容和位置从所述图像中提取多个特征，所述提取包括；将第一掩模施加到所述图像；基于施加所述第一掩模从所述图像采集第一组像素；以及从所述第一组像素中确定所述多个特征；选择所述提取的特征的子集；将所述提取的特征的所述子集映射到分类器架构中，所述映射包括：使用第一级模型将所述提取的特征的所述子集与先前存储的数据集进行比较；基于所述提取的特征的所述子集与所述先前存储的数据集的所述比较来识别初步分类；使用所述第一级模型计算所述初步分类正确的概率值；以及当所述概率值等于或高于阈值时基于所述初步...

【专利技术属性】
技术研发人员：卡洛斯·拉米雷斯，史蒂文·卡达维德，周金丹，
申请(专利权)人：艾瑞斯国际有限公司，
类型：发明
国别省市：美国,US