显微镜图像和显微镜系统的有序分类方法技术方案

一种用于对至少一个显微镜图像(20)进行有序分类的计算机实施方法，计算分类(30)为多个类别(K)中的一个，这些类别相对于图像属性形成一个顺序(R)。将至少一个显微镜图像(20)输入到用于有序分类的机器学习模型(M)中。该模型(M)包括多个二进制分类器(c)，其分别计算关于显微镜图像(20)是否属于累积辅助类别(H)的估计，其中不同数量的类别(K)根据顺序(R)依次排列组合在累积辅助类别中(H)。分类(30)是根据二进制分类器(c)的估计计算的。这些估计可以组合以形成总分(S)，其中分类(30)是通过将总分(S)与阈值(G1、G2)进行比较来实现的，阈值可以根据应用以可变的方式定义，或者可以定义类别(K)的间隔限制，以便类别(K)形成不同宽度的间隔(i)。用于有序分类的模型(M)还可以包含用于逆辅助类别(iH)的其他二进制分类器。含用于逆辅助类别(iH)的其他二进制分类器。含用于逆辅助类别(iH)的其他二进制分类器。

【技术实现步骤摘要】
显微镜图像和显微镜系统的有序分类方法


[0001]本公开涉及用于显微镜图像的有序分类的显微镜系统和计算机实施方法。

技术介绍

[0002]在现代显微镜系统中自动或部分自动开发被捕获的图像所扮演的角色的重要性正在不断增加。该开发经常通过机器学习模型进行，所述机器模型已经使用预定的训练数据训练，以执行特定的图像开发或图像处理。分类模型(分类器)，是将输入的显微镜图像归类为多个预定类别之一，是机器学习模型的一种非常常见的类型。二进制分类器旨在区分两种情况，即显微镜图像属于特定类别的情况以及显微镜图像不属于所述特定类别的情况。二进制分类器的输出，在本公开中称为估计，可以指示显微镜图像属于相应类别的概率。
[0003]如果要区分更多的潜在类别，则可以学习多个二进制分类器。例如，可以学习十个二进制分类器用于十个不同类别，以便对显微镜图像是否属于相应类别做出相应的预测。此方法是合适的，例如，用于对样品载体类型进行分类，以区分样品载体类型：带有圆形微孔的微量滴定板，带有矩形样品室的室载玻片，带有方形盖玻片的载玻片和培养皿。这些样品载体类型中的每一种都可以分别学习二进制分类器。
[0004]本公开涉及形成逻辑顺序的分类中有序分类。在上述样品载体类型的示例中，例如微量滴定板，腔室载玻片和培养皿之间没有逻辑顺序。另一方面，确实存在逻辑顺序，例如，如果要区分以下级别的质量分类的情况下：高图像质量(良好的样品可见性)，中等图像质量(可能有足够的样品可见性)和差图像质量(样品可见性不足)。当类别与数值相关时，也可能发生有序分类，例如在“显微镜图像中存在少于五个生物细胞”；“存在五到十个细胞”；或“存在多于十个细胞”的类别情况下。原则上，可以使用二进制分类器用于相应类别，例如，一个二进制分类器，用于估计是否存在高图像质量，另一个二进制分类器用于中等图像质量和第三个二进制分类器用于估计差的图像质量。但是，这些分类器丢失了类的顺序。如果对图像进行不正确的分类，则所述图像归类为属于远离正确类别的类别可能会增加，例如，当它实际上表现出良好的图像质量时，被分类为具有较差的图像质量。为了训练二进制分类器以检测中等图像质量，有必要使用训练图像，其中高质量和低质量图像都会收到相同的注释，即：“不属于'中等图像质量'的类别”。因此，简单的分类模型对于必须考虑到类别顺序的任务不利。
[0005]在这种情况下，有序分类具有优势。为了实现用于有序分类的分类模型，以便考虑到类别顺序，抑制特殊辅助类别的利用。相应的过程描述在：
[0006]弗兰克
·
E，
·
霍尔
·
M，
‘
有序分类的简单方法
’
，在计算机科学讲义中的会议论文，2001年8月，DOI:10.1007/3
‑
540
‑
44795
‑
4_13。
[0007]辅助类别包含不同数量的类别，这些类别根据顺序按顺序依次排列。例如，第一个辅助类别可以包括除了第一类别的所有类别，第二个辅助类别可以包括除了前两个类别的所有类别，第三个辅助类别可以包括除了前三个类别的所有类别，等等，依此类推。现在可
以学习二进制分类器，其中每个二进制分类器指示其结果是对输入数据(即显微镜图像)是否属于相应辅助类别的估计。
[0008]数据是否属于某一特定类别，可以从关于所述数据是否属于相应辅助类别别的估计中计算出来。在上述文章中
‑
参见，例如，文章的图1
‑
数据属于一个类别的概率被计算为在所述数据属于两个辅助类别别的各个概率中的差异。在引用的文章中的示例中，区分了温度冷，温和和热。一个辅助类别包括温度“温”和“热”，而另一个辅助类别仅包含温度“热”。类别“温”的概率是通过辅助类别“温/热”的概率和辅助类别“热”的概率之间的差异计算的。
[0009]与普通的分类相比，使用辅助类别的有序分类考虑了类别顺序，可提供更精确，更鲁棒的结果。在这种情况下，需要进一步提高显微镜图像的有序分类应用的可靠性和可能性。

技术实现思路

[0010]可以认为是本专利技术的目的，以指示一种显微镜系统和方法，能够对显微镜图像进行特别精确的有序分类，以用于各种应用。
[0011]这一目的是通过显微镜系统和独立权利要求的方法实现的。
[0012]该专利技术包括一种计算机实施方法，用于至少一个显微镜图像的有序分类，以将分类计算为多个类别中的一个，其中这些类别形成关于图像属性的顺序。将至少一个显微镜图像输入到机器学习的模型中，以进行有序分类。有序分类模型a包含多个二进制分类器，它们分别计算了有关显微镜图像是否属于累积辅助类别的估计。在累积辅助类别中组合了不同数量的类别，这些类别按顺序依次排列。将二进制分类器的估计组合在一起，特别是加在一起，以形成总分。分类是通过将总分与可变定义阈值进行比较而发生的。阈值可以可变定义，例如，取决于应用。
[0013]该专利技术还包括一种计算机实施方法，用于至少一个显微镜图像的有序分类，以便将分类计算为多个类别中的一个，其中这些类别形成关于图像属性的顺序。将至少一个显微镜图像输入到机器学习的模型中，以进行有序分类。有序分类模型包括多个二进制分类器，它们分别计算了有关显微镜图像是否属于累积辅助类别的估计。在累积辅助类别中组合了不同数量的类别，这些类别按顺序依次排列。分类是从二进制分类器的估计计算得出的。定义了类别的间隔限制，以便类别形成不同宽度的间隔。
[0014]当类别描述不同宽度的间隔时，就有可能在特定值范围内提高精度。同时，在一个特别宽的值范围内，也可以至少分类为粗糙类。这同时允许实施各种各样不同显微镜图像的有序分类，以及在兴趣值范围内的高度精度。
[0015]当从二进制分类器的估计中形成总分时，就可以在不同的应用或目标方面具有特别高的灵活性，然后将其与可变定义阈值进行比较，以便用于分类。通过形成总分，可以在分类中考虑所有分类器的预测，例如，在引言中引用的现有技术，其中计算两个分类器结果之间的差异而不是总分。通过将总分与可变定义阈值进行比较，可以修改分类灵敏度，而无需对有序分类模型进行新的训练。因此，无需重新训练所使用的二进制分类器即可，可以很容易地将显微镜图像分配给特定类别。
[0016]该专利技术还包括一种计算机实施方法，用于通过有序分类模型进行评估至少一个要
分析的显微镜图像。使用显微镜图像训练有序分类模型，该模型为预定的类别注释分别指示相关显微镜图像所属的类别。这些类别就图像属性形成了从第一个类别到最后一类别的顺序。形成了包含不同数量的顺序类别的多个辅助类别以及至少多个逆辅助类别，这些逆辅助类别精准的包含任一个辅助类别中未包含的类。辅助类别注释肯定或否认关联的显微镜图像属于不同的辅助类别，并根据每个显微镜图像的类别注释生成逆辅助类别。有序分类模型包括每个辅助类别别相应的二进制分类器，所述二进制分类器被训练以计算显微镜图像是否属于相应的辅助类别的估计。有序分类模型还包括用于每个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对至少一个显微镜图像(20)进行有序分类的计算机实施方法，以便计算分类(30)为多个类别(K)中的一个，这些类别相对于图像属性形成一个顺序(R)，其中该方法包括：将至少一个显微镜图像(20)输入到用于有序分类的机器学习模型(M)中，所述机器学习模型包括多个二进制分类器(c，c1
‑
c17)，所述二进制分类器分别计算关于显微镜图像(20)是否属于累积辅助类别(H)的估计(s，s1
‑
s17)，其中，在累积辅助类别(H)中组合了按顺序(R)依次排列的不同数量的类别(K)，其特征在于，组合二进制分类器(c，c1
‑
c17)的估计(s，s1
‑
s17)，以形成总分(S)；以及通过比较总分(S)和阈值(G1，G2)来进行分类(30)，其中阈值(G1,G2)根据应用以不同的方式定义。2.根据权利要求1的计算机实施方法，其中，根据分类，向用户输出操作建议(30)；其中根据用户是否无视操作建议自动调整阈值(G1，G2)。3.根据权利要求1或2所述的计算机实施方法，其中定义了类别(K)的间隔限制，以便类别(K)形成不同宽度的间隔(i)。4.一种用于对至少一个显微镜图像(20)进行有序分类的计算机实施方法，以便计算分类(30)为多个类别(K)中的一个，这些类别相对于图像属性形成一个顺序(R)，其中该方法包括：将至少一个显微镜图像(20)输入到用于有序分类的机器学习模型(M)中，所述机器学习模型包括多个二进制分类器(c，c1
‑
c17)，所述二进制分类器分别计算关于显微镜图像(20)是否属于累积辅助类别(H)的估计(s，s1
‑
s17)，其中，在累积辅助类别(H)中组合了按顺序(R)依次排列的不同数量的类别(K)，其中，分类(30)是根据二进制分类器(c，c1
‑
c17)的估计(s，s1
‑
s17)计算的；其特征在于定义了类别(K)的间隔限制，以便类别(K)形成不同宽度的区间(i)。5.根据权利要求3或4所述的计算机实施方法，其中，一个类别(K)的间隔(i)的宽度被定义为更大，则所述类别(K)的间隔下限越大。6.根据权利要求3或4所述的计算机实现方法，其中间隔(i)的宽度被定义为更大，则相应类别(K)与预定目标值(x0)的距离越大。7.根据权利要求1至6任一所述的计算机实施方法，其中，类别(K)与显微镜图像(20)的图像内容的几何特性有关，以及预定目标值(x0)是几何特性的目标值；其中，图像处理算法(40)根据分类(30)显微镜图像(20)转换，使得几何特性呈现得更接近预定目标值(x0)。8.根据权利要求7所述的计算机实施方法，其中，几何特性是所描绘对象(21)的图像大小，其中，图像处理算法(40)执行显微镜图像(20)的缩放(45)，通过缩放，所描绘对象的图像大小(21)被缩放到期望的图像大小。9.根据权利要求7或8所述的计算机实施方法，其中，对于由图像处理算法转换的显微镜图像(22)发生了新的分类(30)，其中图像处理算法(40)根据新的分类(30)转换了转换后的显微镜图像(22)以通过几何特性进一步提
高目标值(x0)的近似。10.根据权利要求1
‑
9任一所述的计算机实施方法，其中，显微镜图像(20)是多个训练图像中的一个，通过该训练图像，模型(M)被机器学习，其中，通过数据增强从显微镜图像(20)计算出一个或多个新图像，并且计算出的新图像也被用作训练图像，其中，在数据增强中考虑从二进制分类器(c，c1
‑
c17)的估计(s，s1
‑
s17)确定的总分(S)，以便新图像属于同一类别(K)。11.一种用于通过有序分类模型(M)评估至少一个待分析的显微镜图像(20)的计算机实施方法，其中，有序分类模型(M)使用显微镜图像(...

【专利技术属性】
技术研发人员：曼努埃尔，
申请(专利权)人：卡尔蔡司显微镜有限责任公司，
类型：发明
国别省市：