预测以细胞为基质的抗体核型类别的方法、设备和介质技术

本公开涉及一种预测关于以细胞为基质的抗体的核型类别的方法、计算设备和介质。该方法包括：获取关于以细胞为基质的抗体的间接免疫荧光图像；基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；分割间接免疫荧光图像，以便生成细胞级灰度图像；提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，生成关于以细胞为基质的抗体的核型类别的预测结果。本公开能够准确预测关于以细胞为基质的抗体的核型类别。质的抗体的核型类别。质的抗体的核型类别。

【技术实现步骤摘要】
预测以细胞为基质的抗体核型类别的方法、设备和介质


[0001]本公开总体上涉及生物信息处理，并且具体地，涉及用于预测关于以细胞为基质的抗体的核型类别的方法、设备和存储介质。

技术介绍

[0002]以细胞为基质的抗体的间接免疫荧光法(indirect immunofluorescence,IIF)是检测生物体自身抗体的常用方法。以细胞为基质的抗体的核型类别信息有利于解释临床相关信息的揭示。
[0003]传统的用于确定以细胞为基质的抗体的核型类别的方案主要包括：通过人工根据的间接免疫荧光片中所显示的与核型判断相关联的细胞的形态来判断以细胞为基质的抗体的核型类别；或者通过一些预定义的特征提取方法，例如纹理描述符，来基于间接免疫荧光片的细胞的纹理描述符来识别以细胞为基质的抗体的核型类别。对于前者，由于人工难以准确识别不同类型的细胞之间的细微差别，因此难以准确并且快速地识别以细胞为基质的抗体的核型类别。对于后者，由于针对每个间接免疫荧光片提取纹理特征所反映的图像信息非常有限，难以支撑针对间接免疫荧光片整图的描述，因此使得所识别的核型类别不够全面，无法满足多种核型的检测需求，另外，关于核型的检测结果准确度也不够理想，需要人工对检测结果进行校正。
[0004]综上，传统的用于识别关于以细胞为基质的抗体的核型类别的方案存在的不足之处在于：难以准确并且全面地识别以细胞为基质的抗体的核型类别。

技术实现思路

[0005]本公开提供一种用于预测关于以细胞为基质的抗体的核型类别的方法、计算设备和计算机存储介质，能够准确并且全面地识别以细胞为基质的抗体的核型类别。
[0006]根据本公开的第一方面，提供了一种用于预测关于以细胞为基质的抗体的核型类别的方法。该方法包括：获取关于以细胞为基质的抗体的间接免疫荧光图像；基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞；提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果。
[0007]根据本专利技术的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。
[0008]根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储
介质上存储有机器可执行指令，该机器可执行指令在被执行时使机器执行本公开的第一方面的方法。
[0009]在一些实施例中，生成输入数据包括：生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征；以及针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理，以便输入经训练的核型识别模型，用以生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，核型识别模型是基于机器学习模型所构建的。
[0010]在一些实施例中，生成输入数据还包括：融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据。
[0011]在一些实施例中，核型识别模型至少包括：残差神经网络模块、细胞候选框预测模块和分类回归器。
[0012]在一些实施例中，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征包括：针对间接免疫荧光图像进行灰度化；针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像；计算经标准化的图像的每个像素的梯度；将经标准化的图像分割成多个图像单元；计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息；将预定数量的图像单元组合成一个图像块，以便基于图像块内的每个图像单元的表征信息，生成关于每个图像块的表征信息；以及基于所有图像块的表征信息，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。
[0013]在一些实施例中，针对间接免疫荧光图像进行灰度化包括：保留针对关于以细胞为基质的抗体的间接免疫荧光图像的G通道色值，以便生成经灰度化的图像。
[0014]在一些实施例中，基于生成关于间接免疫荧光图像的纹理特征和图像梯度特征包括：基于间接免疫荧光图像中各个像素点的像素值，分别计算关于间接免疫荧光图像的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项；融合所计算的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项，以便生成关于间接免疫荧光图像的纹理特征；以及分别计算间接免疫荧光图像的第一方向梯度和第二方向梯度，以便经由针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征。
[0015]在一些实施例中，生成关于细胞的色值变化特征包括：获取细胞级灰度图像的宽度数据和高度数据；基于所获取的宽度数据和高度数据，计算细胞级灰度图像的细胞的中心；基于细胞级灰度图像内的像素点到细胞的中心的距离，计算关于细胞级图像色值均值；基于所计算的关于细胞级图像色值均值，生成关于细胞的色值变化特征。
[0016]提供
技术实现思路
部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。
技术实现思路
部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
[0017]图1示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别的方法的系统的示意图。
[0018]图2示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别
的方法的流程图。
[0019]图3示出了根据本公开的实施例的生成用于输入核型分类模型的输入数据的方法的流程图。
[0020]图4示出了根据本公开的实施例的用于生成关于细胞的色值变化特征的方法的流程图。
[0021]图5示出了根据本公开的实施例的用于生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征的方法的流程图。
[0022]图6示出了根据本公开的实施例的用于预测核型类别的方法的示意图。
[0023]图7示出了根据本公开的实施例的四种不同核型的细胞图像的示意图。
[0024]图8示出了根据本公开的实施例的四种不同核型的细胞的中心至细胞周边的像素点的色值变化的示意图。
[0025]图9示意性示出了适于用来实现本公开实施例的电子设备的框图。
[0026]在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
[0027]下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测关于以细胞为基质的抗体的核型类别的方法，包括：获取关于以细胞为基质的抗体的间接免疫荧光图像；基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞；提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果。2.根据权利要求1所述的方法，其中生成输入数据包括：生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征；以及针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理，以便输入经训练的核型识别模型，用以生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，核型识别模型是基于机器学习模型所构建的。3.根据权利要求2所述的方法，其中生成输入数据还包括：融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据。4.根据权利要求2所述的方法，其中核型识别模型至少包括：残差神经网络模块、细胞候选框预测模块和分类回归器。5.根据权利要求2所述的方法，其中生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征包括：针对间接免疫荧光图像进行灰度化；针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像；计算经标准化的图像的每个像素的梯度；将经标准化的图像分割成多个图像单元；计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息；将预定数量的图像单元组合成一个图像块，以便基于图像块...

【专利技术属性】
技术研发人员：王晶，房柯池，
申请(专利权)人：中国科学院心理研究所，
类型：发明
国别省市：