公开了用于接收与组织标本相关联的一个或多个电子载片图像的系统和方法，所述组织标本与患者和/或医学病例相关联，将所述一个或多个电子载片图像的第一载片图像划分成多个图块，检测所述第一载片图像和/或多个图块的多个组织区以生成组织掩模，确定所述多个图块中的任何图块是否对应于非组织，移除所述多个图块中被确定为非组织的任何图块，使用机器学习预测模型为所述一个或多个电子载片图像的至少一个标签确定预测，所述机器学习预测模型是通过处理多个训练图像而生成的，以及输出经训练的机器学习预测模型的预测。训练的机器学习预测模型的预测。训练的机器学习预测模型的预测。
【技术实现步骤摘要】
【国外来华专利技术】用于处理用于计算检测方法的电子图像的系统和方法
[0001]相关申请本申请要求保护2020年1月28日提交的美国临时申请第62/966, 716号的优先权，该美国临时申请的全部公开内容在此通过引用以其整体并入本文。
[0002]本公开的各种实施例总体上涉及创建预测模型，以通过处理电子图像来预测制备的组织标本的标签。更具体地，本公开的特定实施例涉及用于预测、标识或检测关于制备的组织标本的诊断信息的系统和方法。本公开进一步提供了用于创建预测模型的系统和方法，该预测模型从不可见的载片预测标签。
技术介绍
[0003]用于组织病理学的机器学习和深度学习模型的性能可能会受到用于训练这些模型的带注释示例的数量和质量的限制。对有监督图像分类问题的大规模实验已经示出，模型性能持续改进，高达5000万个训练示例的量级。人工注释这样的数据量在时间和成本上可能是极其昂贵的，并且在确保系统在临床相关水平上执行和跨机构推广方面可能是严重的限制。
[0004]前面的一般描述和下面的详细描述这两者都仅仅是示例性和解释性的，并且对于本公开不是限制性的。本文提供的背景描述是出于总体呈现本公开的背景的目的。除非本文另有说明，否则本节中描述的材料不是本申请中权利要求的现有技术，并且不通过包含在本节中而被承认为现有技术或现有技术的建议。
技术实现思路
[0005]根据本公开的某些方面，公开了用于为数字病理学中的计算生物标志物检测开发弱监督多标签和多任务学习的系统和方法。
[0006]一种用于处理对应于标本的电子图像的计算机实现的方法包括：接收与组织标本相关联的一个或多个数字图像，接收与组织标本相关联的一个或多个电子载片图像，该组织标本与患者和/或医学病例相关联；将所述一个或多个电子载片图像中的第一载片图像划分成多个图块（tile）；检测所述第一载片图像和/或多个图块的多个组织区以生成组织掩模；确定所述多个图块中的任何图块是否对应于非组织；移除所述多个图块中被确定为非组织的任何图块；使用机器学习预测模型为所述一个或多个电子载片图像的至少一个标签确定预测，该机器学习预测模型是通过处理多个训练图像而生成的；以及输出经训练的机器学习预测模型的预测。
[0007]一种用于处理对应于标本的电子图像的系统包括：存储指令的存储器；以及至少一个处理器，该处理器执行所述指令以实施包括如下步骤的过程：接收与组织标本相关联的一个或多个数字图像，接收与组织标本相关联的一个或多个电子载片图像，该组织标本与患者和/或医学病例相关联；将所述一个或多个电子载片图像中的第一载片图像划分成
多个图块；检测所述第一载片图像和/或多个图块的多个组织区以生成组织掩模；确定所述多个图块中的任何图块是否对应于非组织；移除所述多个图块中被确定为非组织的任何图块；使用机器学习预测模型为所述一个或多个电子载片图像的至少一个标签确定预测，该机器学习预测模型是通过处理多个训练图像而生成的；以及输出经训练的机器学习预测模型的预测。
[0008]一种存储指令的非暂时性计算机可读介质，当所述指令由处理器执行时，使得处理器执行用于处理对应于标本的电子图像的方法，所述方法包括：接收与组织标本相关联的一个或多个数字图像，接收与组织标本相关联的一个或多个电子载片图像，该组织标本与患者和/或医学病例相关联；将所述一个或多个电子载片图像中的第一载片图像划分成多个图块；检测所述第一载片图像和/或多个图块的多个组织区以生成组织掩模；确定所述多个图块中的任何图块是否对应于非组织；移除所述多个图块中被确定为非组织的任何图块；使用机器学习预测模型为所述一个或多个电子载片图像的至少一个标签确定预测，该机器学习预测模型是通过处理多个训练图像而生成的；以及输出经训练的机器学习预测模型的预测。
[0009]应当理解，前面的一般描述和下面的详细描述这两者都仅仅是示例性和解释性的，并且对于所公开的实施例不是限制性的，如要求保护的那样。
附图说明
[0010]并入本说明书并构成其一部分的随附附图图示了各种示例性实施例，并且与描述一起用于解释所公开的实施例的原理：图1A图示了根据本公开的示例性实施例的用于创建预测模型的系统和网络的示例性框图；图1B图示了根据本公开的示例性实施例的预测模型平台的示例性框图；图1C图示了根据本公开的示例性实施例的载片分析工具的示例性框图；图2A是图示根据本公开的一个或多个示例性实施例的用于使用由经训练的机器学习系统创建的预测模型的示例性方法的流程图；图2B是图示根据本公开的一个或多个示例性实施例的用于在经训练的机器学习系统中训练弱监督图块级学习模块的示例性方法的流程图；图2C是图示根据本公开的一个或多个示例性实施例的用于在经训练的机器学习系统中训练弱监督聚合模块的示例性方法的流程图；图3是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统来同时检测和分级前列腺癌的示例性方法的流程图；图4是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统以在前列腺穿刺活检中进行肿瘤量化的示例性方法的流程图；图5是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统来预测癌症亚型的示例性方法的流程图；图6是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统来预测手术切缘的示例性方法的流程图；图7是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系
统来预测膀胱癌生物标志物的示例性方法的流程图；图8是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统来预测泛癌诊断的示例性方法的流程图；图9是图示根据本公开的一个或多个示例性实施例的用于训练和使用机器学习系统来预测器官毒性的示例性方法的流程图；图10图示了根据本公开的实施例的示例性连通分量算法；图11描绘了可以执行本文呈现的技术的示例性系统。
具体实施方式
[0011]现在将详细参考本公开的示例性实施例，其示例在随附附图中图示。在可能的情况下，将贯穿于附图使用相同的附图标记来指代相同或相似的部分。
[0012]本文公开的系统、设备和方法通过示例并参考附图来详细描述。本文讨论的示例仅是示例，并且被提供来帮助解释本文描述的装置、设备、系统和方法。除非特别指定为强制性的，否则附图中所示的或下面讨论的特征或组件都不应该被视为对于这些设备、系统或方法中的任何一个的任何特定实现是强制性的。
[0013]此外，对于所描述的任何方法，无论该方法是否结合流程图进行描述，都应该理解，除非上下文另有规定或要求，否则在方法的执行中实施的步骤的任何显式或隐式排序并不暗指这些步骤必须以所呈现的顺序执行，而是可以以不同的顺序或并行方式执行。
[0014]如本文所使用的，术语“示例性的”是在“示例”而不是“理想的”的意义上使用的，此外，本文的术语“一”和“一个”并不标示对数量的限制，而是标示存在所引用项目中的一个或多个。
[0015]病理学指代对疾病、以及疾病的原因和影响的研究。更具体地说，病理学指代执行用于诊断疾病的测试和分析。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】1.一种用于处理对应于组织标本的电子载片图像的计算机实现的方法，所述方法包括：接收与组织标本相关联的一个或多个电子载片图像，所述组织标本与患者和/或医学病例相关联；将所述一个或多个电子载片图像的第一载片图像划分成多个图块；检测所述第一载片图像和/或多个图块的多个组织区以生成组织掩模；确定所述多个图块中的任何图块是否对应于非组织；移除所述多个图块中被确定为非组织的任何图块；使用机器学习预测模型为所述一个或多个电子载片图像的至少一个标签确定预测，所述机器学习预测模型是通过处理多个训练图像而生成的；和输出经训练的机器学习预测模型的预测。2.根据权利要求1所述的计算机实现的方法，其中被确定为非组织的多个图块被进一步确定为组织标本的背景。3.根据权利要求1所述的计算机实现的方法，其中检测所述多个组织区包括从所述一个或多个电子载片图像的背景中分割所述组织区。4.根据权利要求3所述的计算机实现的方法，进一步包括：在从背景中分割组织区时，生成组织掩模，所述分割使用基于颜色/强度和/或纹理特征的阈值处理。5.根据权利要求1所述的计算机实现的方法，其中，所述多个训练图像包括多个电子载片图像和多个目标标签。6.根据权利要求1所述的计算机实现的方法，其中处理多个训练图像包括：接收与至少一个训练组织标本相关联的数字图像集合，其中所述数字图像集合包括多个训练电子载片图像；接收多个概要注释，所述多个概要注释包括多个训练电子载片图像中的每一个的一个或多个标签；将所述多个训练电子载片图像中的一个划分成所述多个训练电子载片图像的多个训练图块；从所述一个或多个电子载片图像的背景中分割至少一个组织区，以创建训练组织掩模；移除被检测为非组织的多个图块中的至少一个；和在弱监督下训练所述机器学习预测模型，以使用所述多个概要注释的至少一个标签来推断至少一个多标签图块级预测。7.根据权利要求6所述的计算机实现的方法，其中在弱监督下训练所述机器学习预测模型包括使用多实例学习（MIL）、多实例多标签学习（MIMLL）、自我监督学习和无监督聚类中的至少一种。8.根据权利要求6所述的计算机实现的方法，其中处理所述多个训练图像以生成所述机器学习预测模型进一步包括：从用于多个训练图块的弱监督图块级学习模块接收至少一个特征的多个预测或多个向量；
训练机器学习模型，以将来自用于多个训练图块的弱监督图块级学习模块的至少一个特征的多个预测或多个向量取作输入；和使用所述多个训练图块来预测载片或患者标本的多个标签。9.根据权利要求8所述的计算机实现的方法，其中所述多个标签中的至少一个是二元的、分类的、顺序的或实值的。10.根据权利要求8所述的计算机实施的方法，其中训练所述机器学习模型以将来自用于所述多个训练图块的所述弱监督图块级学习模块的所述至少一个特征的所述多个预测或所述多个向量取作输入包括多个图像特征。11.根据权利要求1所述的计算机实现的方法，其中所述经训练的机器学习预测模型使用至少一个看不见的载片来预测至少一个标签。12. 一种用于处理对应于组织标本的电子载片图像的系统，所述系统包括：存储指令的至少一个存储器；和...
【专利技术属性】
技术研发人员：B，
申请(专利权)人：佩治人工智能公司，
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。