【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, ...
【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:
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。