【技术实现步骤摘要】
【国外来华专利技术】用于细胞检测和分割的弱监督多任务学习
[0001]相关申请的交叉引用
[0002]本申请要求2019年10月14日提交的名称为“WEAKLY SUPERVISED MULTI
‑
TASK LEARNING FOR CELL DETECTION AND SEGMENTATION(用于细胞检测和分割的弱监督多任务学习)”的美国临时申请号62,914,966的优先权和权益,其全部内容以引用方式并入本文以用于所有目的。
[0003]本公开涉及生物学图像分析,并且特别地涉及用于使用弱监督迁移学习和多任务调度器来分割和检测细胞的系统和方法。
技术介绍
[0004]在对诸如组织切片、血液、细胞培养物等生物学样本进行的分析中,通常用染色剂或测定的一种或多种组合对生物学样本进行染色,并且随后对染色的生物学样本进行观察或成像以进行进一步分析。通过观察染色或测定的生物学样本可实现各种过程,包括诊断疾病、评定对治疗的应答以及开发新的抗病药物。例如,识别生物学图像(例如,组织病理学图像)中的某些对象或结构,诸如淋巴细胞、癌细胞、癌细胞核等,通常是对获得这些生物学图像的患者的疾病进行分级或诊断的先决条件。这些对象或结构的存在、范围、大小、形状和其他形态外观可以是疾病的存在或严重程度的重要指标。此外,特定对象或结构(诸如细胞或细胞核)的数量或比例对于一些疾病病症具有诊断意义,进一步激发了准确识别特定对象或结构的需求。
[0005]在采集生物学图像时,可以导出图像数据的多个通道,例如RGB颜色通道,每个观察 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种方法,其包括:通过数据处理系统访问一个或多个细胞的多个图像;通过所述数据处理系统从所述多个图像中提取三个标签,其中使用Voronoi变换、局部聚类和repel代码应用来提取所述三个标签;通过所述数据处理系统的多任务调度器,基于与所述三个标签对应的三个损失函数来训练卷积神经网络模型,其中所述卷积网络模型包括多个模型参数;通过所述卷积神经网络模型,基于用所述三个损失函数进行的所述训练,针对所述多个图像中的每个图像生成核概率图和背景概率图;通过所述数据处理系统将所述核概率图和所述背景概率图与所述三个标签进行比较;通过所述数据处理系统,基于所述核概率图和所述背景概率图与所述三个标签的所述比较来更新所述多个模型参数,以最小化所述三个损失函数;以及通过所述数据处理系统将更新的多个模型参数提供给经训练的卷积神经网络模型。2.根据权利要求1所述的方法,其中所述多个图像包括核点标签。3.根据权利要求1或2所述的方法,其中所述Voronoi变换提取所述一个或多个细胞之间的脊线。4.根据权利要求2所述的方法,其中所述局部聚类包括应用k均值聚类算法以基于与距离变换特征相级联的RGB通道颜色特征来局部地提取背景簇和核簇,所述距离变换特征是每个细胞或通过所述Voronoi变换创建的多边形中的每个像素到所述核点标签的距离。5.根据权利要求1至4中任一项所述的方法,其中所述卷积神经网络模型包括修改的U
‑
Net模型。6.根据权利要求1至5中任一项所述的方法,其中训练包括:对于每次训练迭代,通过所述多任务调度器选择所述三个损失函数中的一个损失函数;以及通过所述数据处理系统,基于选择的损失函数的梯度来更新所述卷积神经网络模型的一个或多个权重。7.根据权利要求6所述的方法,其中所述损失函数通过所述多任务调度器基于以下来选择:如果“i%3=0”,则选择与Voronoi标签相关联的损失函数;如果“i%3=1”,则选择与repel标签相关联的损失函数;以及如果“i%3=2”,则选择与局部簇标签相关联的损失函数,其中“i”是所述训练迭代的指数。8.根据权利要求1至7中任一项所述的方法,其中生成所述核概率图和所述背景概率图包括对所述核概率图和所述背景概率图、分割二元掩膜以及检测到的细胞的坐标应用argmax函数和局部maxima函数。9.一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品,其包括指令,所述指令被配置为使一个或多个数据处理器执行包括以下的动作:通过数据处理系统访问一个或多个细胞的多个图像;通过所述数据处理系统从所述多个图像中提取三个标签,其中使用Voronoi变换、局部聚类和repel代码应用来提取所述三个标签;通过所述数据处理系统的多任务调度器,基于与所述三个标签对应的三个损失函数来训练卷积神经网络模型,其中所述卷积网络模型包括多个模型参数;通过所述卷积神经网络模型,基于用所述三个损失函数进行的所述训练,针对所述多个图像中的每个图像生成核概率图和背景概率图;
通过所述数据处理系统将所述核概率图和所述背景概率图与所述三个标签进行比较;通过所述数据处理系统,基于所述核概率图和所述背景概率图与所述三个标签的所述比较来更新所述多个模型参数,以最小化所述三个损失函数;以及通过所述数据处理系统将更新的多个模型参数提供给经训练的卷积神经网络模型。10.根据权利要求9所述的计算机程序产品,其中所述多个图像包括核点标签。11.根据权利要求9或10所述的计算机程序产品,其中所述Voronoi变换提取所述一个或多个细胞之间的脊线。12.根据权利要求10所述的计算机程序产品,其中所述局部聚类包括应用k均值聚类算法以基于与距离变换特征相级联的RGB通道颜色特征来局部地提取背景簇和核簇,所述距离变换特征是每个细胞或通过所述Voronoi变换创建的多边形中的每个像素到所述核点标签的距离。13.根据权利要求9至12中任一项所述的计算机程序产品,其中:训练包括:对于每次训练迭代,通过所述多任务调度器选择所述三个损失函数中的一个损失函数;以及通过所述数据处理系统,基于选择的损失函数的梯度来更新所述卷积神经网络模型的一个或多个权重;并且所述损失函数通过所述多任务调度器基于以下来选择:如果“i%3=0”,则选择与Voronoi标签相关联的损失函数;如果“i%3=1”,则选择与repel标签相关联的损失函数;以及如果“i%3=2”,则选择与局部簇标签相关联的损失函数,其中“i”是所述训练迭代的指数。14.根据权利要求9至13中任一项所述的计算机程序产品,其中生成所述核概率图和所述背景概率图包括对所述核概率图和所述背景概率图、分割二元掩膜以及检测到的细胞的坐标应用argmax函数和局部maxima函数。15.一种系统,其包括:一个或多个数据处理器;以及非暂时性计算机可读存储介质,所述非暂时性计算机可读存储介质包含指令,所述指令在所述一个或多个数据处理器上被执行时,使所述一个或多个数据处理器执行包括以下的动作:通过数据处理系统访问一个或多个细胞的多个图像;通过所述数据处理系统从所述多个图像中提取三个标签,其中使用Voronoi变换、局部聚类和repel代码应用来提取所述三个标签;通过所述数据处理系统的多任务调度器,基于与所述三个标签对应的三个损失函数来训练卷积神经网络模型,其中所述卷积网络模型包括多个模型参数;通过所述卷积神经网络模型,基于用所述三个损失函数进行的所述训练,针对所述多个图像中的每个图像生成核概率图和背景概率图;通过所述数据处理系统将所述核概率图和所述背景概率图与所述三个标签进行比较;通过所述数据处理系统,基于所述核概率图和所述背景概率图与所述三个标签的所述比较来更新所述多个模型参数,以最小化所述三个损失函数;以及通过所述数据处理系统将更新的多个模型参数提供给经训练的卷积神经网络模型。16.根据权利要求15所述的系统,其中所述多个图像包括核点标签。
17.根据权利要求15或16所述的系统,其中所述Voronoi变换提取所述一个或多个细胞之间的脊线。18.根据权利要求17所述的系统,其中所述局部聚类包括应用k均值聚类算法以基于与距离变换特征相级联的RGB通道颜色特征来局部地提取背景簇和核簇,所述距离变换特征是每个细胞或通过所述Voronoi变换创建的多边形中的每个像素到所述核点标签的距离。19.根据权利要求15至18中任一项所述的系统,其中:训练包括:对于每次训练迭代,通过所述多任务调度器选择所述三个损失函数中的一个损失函数;以及通过所述数据处理系统,基于选择的损失函数的梯度来更新所述卷积神经网络模型的一个或多个权重;并且所述损失函数通过所述多任务调度器基于以下来选择:如果“i%3=0”,则选择与Voronoi标签相关联的损失函数;如果“i%3=1”,则选择与repel标签相关联的损失函数;以及如果“i%3=2”,则选择与局部簇标签相关联的损失函数,其中“i”是所述训练迭代的指数。20.根据权利要求15至19中任一项所述的系统,其中生成所述核概率图和所述背景概率图包括对所述核概率图和所述背景概率图、分割二元掩膜以及检测到的细胞的坐标应用argmax函数和局部maxima函数。21.一种方法,其包括:通过数据处理系统获得一个或多个细...
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。