公开了一种使用成像系统分析生物样品的系统和方法。图像获取模块指示成像系统获得训练生物样品的无标记图像，并且接收第一训练图像。成像系统使训练生物样品发荧光并获得第二训练图像。分析模块分析第二训练图像以生成多个训练细胞特性，其中多个训练细胞特性中的每一个与训练生物样品中的多个训练细胞中的一个相关联。训练模块使用第一训练图像和多个训练细胞特性训练机器学习系统以得到经训练的机器学习系统，经训练的机器学习系统以第一训练图像作为输入，并生成对应于多个训练细胞特性的多个预测细胞特性。性的多个预测细胞特性。性的多个预测细胞特性。
【技术实现步骤摘要】
【国外来华专利技术】用于生物样品的无标记识别和分类的系统和方法
[0001]相关申请的交叉引用
[0002]本申请要求在2018年9月12日提交的美国临时申请No.16/128,798的优先权，其内容通过引用整体并入本文。
[0003]本主题涉及用于生物样品的无标记识别和分类的系统和方法，并且更具体地，涉及使用监督机器学习系统的生物样品的识别和分类。
技术介绍
[0004]诸如高内涵成像系统的成像系统可以用于捕获生物样品的一个或多个图像。此后，分析(一个或多个)图像以获得与生物样品相关联的度量。这些度量包括例如生物样品中多种不同类型的细胞、每种类型的细胞的数量、活细胞与死细胞的比例等。
[0005]成像系统包括一个或多个照明源、一个或多个物镜以及图像捕获装置，诸如，电荷耦合装置或互补金属氧化物半导体(CMOS)装置，以产生生物样品的放大图像。照明源可以包括激光器或其他光源，当生物样品不经受荧光时，所述激光器或其他光源引导光通过生物样品，并且透射通过生物样品的光由图像捕获装置成像。由图像捕获装置捕获的非荧光生物样品的图像在本文中称为无标记图像，并且可以是例如透射光图像、相位对比图像、微分干涉对比图像等。如对本领域普通技术人员显而易见的，这些不同类型的无标记图像是在不同照明条件下(例如，使用偏振光、特定波长的光等)和/或在光源和图像捕获装置之间使用不同类型的滤光器捕获的透射光图像。
[0006]在一些应用中，可以使用一种或多种荧光染料对生物样品进行染色(或标记)，每种荧光染料粘附到生物样品中的一种或多种特定蛋白质或组分。照明源用于将标记的生物样品暴露于具有(一个或多个)特定特性(例如，特定波长)的光，所述特定特性引起荧光染料发荧光，并且由这种荧光发射的光然后被图像捕获装置捕获。与未标记的生物样品的透射或反射图像相比，用染料标记的生物样品的荧光图像更清楚地将与荧光相关的那些元素(例如，蛋白质和细胞器)与生物样品的其他部分区分开。因此，可以从经受荧光的生物样品的图像中得到关于这样的元素的更准确的度量。
[0007]然而，用一种或多种荧光染料标记生物样品是耗时的。此外，某些荧光染料可能对生物样品有害，甚至有毒。至少由于这些原因，在某些情况下，对经受荧光标记的生物样品的图像进行显影是不可行的或不期望的。
[0008]获得通过仅使用透射光图像在荧光下对生物样品进行成像所提供的分析优势将是有用的。
技术实现思路
[0009]根据一个方面，使用成像系统分析生物样品的方法包括以下步骤：使非暂时性可编程装置进行以下步骤：指示成像系统获得训练生物样品的无标记图像并作为响应接收第
一训练图像，以及指示成像系统使训练生物样品发荧光并获得训练生物样品经历荧光的图像并作为响应接收第二训练图像。使非暂时性可编程装置进行以下附加步骤：分析第二训练图像以生成多个训练细胞特性，以及使用第一训练图像和多个训练细胞特性训练机器学习系统以得到经训练的机器学习系统，使得当经训练的机器学习系统以第一训练图像作为输入进行操作时，经训练的机器学习系统生成对应于多个训练细胞特性的多个预测细胞特性。多个训练细胞特性中的每一个与包括训练生物样品的多个训练细胞中的一个相关联。
[0010]根据另一方面，用于使用成像系统分析生物样品的系统包括机器学习系统、图像获取模块、分析模块和训练模块。图像获取模块在非暂时性可编程装置上操作，并且指示成像系统生成训练生物样品的无标记图像，并且作为响应，接收第一训练图像，并且指示成像系统使训练生物样品发荧光并且获得训练生物样品经历荧光的图像，并且作为响应，接收第二训练图像。分析模块在非暂时性可编程装置上操作，并且分析第二训练图像以生成多个训练细胞特性，其中多个训练细胞特性中的每一个与包括训练生物样品的多个训练细胞中的一个相关联。训练模块在非暂时性可编程装置上操作并且使用第一训练图像和多个训练细胞特性训练机器学习系统以得到经训练的机器学习系统，使得当经训练的机器学习系统以第一训练图像作为输入进行操作时，经训练的机器学习系统生成对应于多个训练细胞特性的多个预测细胞特性。
[0011]在考虑以下详细描述和附图之后，其他方面和优点将变得显而易见，其中在整个说明书中，相同的标号表示相同的结构。
附图说明
[0012]图1是成像系统的框图；
[0013]图2是训练和分析系统的框图；
[0014]图3是由图2的训练和分析系统所采取的用于训练其机器学习系统的步骤的流程图；
[0015]图4是更详细地示出由图2的训练分析系统所采取的用于训练其机器学习系统的步骤的流程图；
[0016]图5是示出由图2的训练和分析系统采取的用于使用根据图3和图4所示的流程图训练的机器学习系统来分析生物样品的图像的步骤的流程图；
[0017]图6是训练图2的训练和分析系统的机器学习系统的处理流程的示例；以及
[0018]图7是操作图2的训练和分析系统的经训练的机器学习系统的处理流程的示例。
具体实施方式
[0019]在一些应用中，为了便于分析生物样品，可以处理生物样品的无标记(即，透射光)图像或荧光图像以生成分割图像。在这样的应用中，分割图像的每个像素对应于生物样品的透射光图像或荧光图像的像素。分割图像的每个像素的值指示透射光图像或荧光图像的对应像素是否与研究者感兴趣的生物样品的元素相关联。这种元素可以包括例如细胞内部、细胞器、蛋白质、细胞壁等。因为荧光图像更清楚地区分生物样品的元素，所以可以从荧光图像产生更准确的分割图像。
[0020]此外，在其他应用中，如上所述，可以更容易地分析生物样品的荧光图像以识别生
物样品的具有特定特性(例如，特定蛋白质的存在，细胞是活的还是死的等)的细胞，因为例如这样的特性的存在引起在荧光图像中捕获的荧光。
[0021]然而，如上所述，获得生物样品的荧光图像可能不总是可行或期望的。如下面详细描述的，可以使用透射光和在荧光下对训练生物样品成像，以分别创建训练无标记图像和训练荧光图像。训练荧光图像可以被处理以创建分割图像。然后，机器学习系统可以被训练以从训练无标记图像创建分割图像。在训练之后，当以这种方式训练的机器学习系统被提供另外的生物样品的无标记图像作为输入时，经训练的机器学习系统产生分割图像，而不需要该另外的生物样品的荧光图像。
[0022]类似地，在一些情况下，处理训练荧光图像以产生指示在训练荧光图像中表示的生物样品中存在特定特性的训练特性值。训练无标记图像和训练特性值用于训练机器学习系统，使得当机器学习系统被提供无标记图像时，机器学习系统生成指示存在特性的特性值。
[0023]参考图1和图2，成像系统100被训练和分析系统200使用以获得一个或多个生物样品的无标记图像和荧光图像。在一些实施例中，这种成像系统100包括X
‑
Y载物台102、一个或多个物镜104、图像捕获装置110、一个或多个反射镜112和控制器114。为了清楚起见，成像装置100的其他组件可包括诸如聚焦机构、一个或本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种使用成像系统分析生物样品的方法，包括以下步骤：使非暂时性可编程装置进行以下步骤：指示所述成像系统获得训练生物样品的无标记图像，并且作为响应，接收第一训练图像；指示所述成像系统使所述训练生物样品发荧光并获得经历荧光的所述训练生物样品的图像，并且作为响应，接收第二训练图像；分析所述第二训练图像以生成多个训练细胞特性，其中，所述多个训练细胞特性中的每一个与包括所述训练生物样品的多个训练细胞中的一个相关联；以及使用所述第一训练图像和所述多个训练细胞特性训练机器学习系统以得到经训练的机器学习系统，使得当所述经训练的机器学习系统以所述第一训练图像作为输入进行操作时，所述经训练的机器学习系统生成对应于所述多个训练细胞特性的多个预测细胞特性。2.根据权利要求1所述的方法，其中，所述多个预测细胞特性中的每一个对应于所述多个训练细胞特性中的一个，并且所述非暂时性可编程装置迭代地进行训练所述机器学习系统的步骤，直到所述多个预测细胞特性中的每一个与所述多个训练细胞特性中的对应的一个之间的差异在预定量内。3.根据权利要求1所述的方法，还使得所述非可编程暂时性装置进行以下步骤：接收所述生物样品的图像并且利用所述生物样品的所述图像作为输入来操作所述经训练的机器学习系统，并且作为响应，接收多个细胞特性，其中，所述多个细胞特性中的每一个与所述生物样品的细胞相关联。4.根据权利要求3所述的方法，其中，使所述非可编程暂时性装置进行接收所述多个细胞特性的步骤包括接收所述生物样品的所述图像的每个像素的细胞特性的步骤。5.根据权利要求3所述的方法，其中，所述非可编程暂时性装置进行处理所述多个细胞特性以得到与所述生物样品的所述图像相关联的度量的另外步骤。6.根据权利要求5所述的方法，其中，所述度量包括在所述生物样品的所述图像中表示的活细胞、死细胞、特定细胞器和特定类型细胞的数量中的一个的计数。7.根据权利要求1所述的方法，其中，经训练的机器学习系统包括第一经训练的机器学习系统，并且所述非暂时性可编程装置包括第一非暂时性可编程装置，并且所述方法还包括以下步骤：使所述第一非可编程暂时性装置进行存储与所述第一经训练的机器学习系统相关联的参数的另外的步骤，以及使第二非暂时性可编程装置进行用所存储的参数来配置未训练的机器学习系统以得到第二经训练的机器学习系统的步骤。8.根据权利要求1所述的方法，其中，所述非暂时性可编程装置包括第一非暂时性可编程装置，并且所述方法包括使第二非暂时性可编程装置进行以下步骤的另外步骤：接收所述生物样品的图像并且以所述生物样品的所述图像作为输入来操作所述经训练的机器学习系统，并且作为响应，接收多个细胞特性，其中，所述多个细胞特性中的每一个与所述生物样品的细胞相关联。9.根据权利要求1所述的方法，其中，使所述非暂时性可编程装置训练所述机器学习系统包括进行训练所述机器学习系统以针对特定类型的特性分析特定类型的生物样品的步骤。10.根据权利要求1所述的方法，其中，所述无标记图像是表示所述生物样品的三维表
示的一系列无标记图像中的一个，并且所述方法还包括使所述非暂时性可编程装置训练所述机器学习系统，包括同时向所述机器学习系统提供所有所述系列无标记图像作为输入。11.一种用于使用成像系统分析生物样品的系...
【专利技术属性】
技术研发人员：阿夫鲁，
申请(专利权)人：分子装置有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。