用于细胞图像分类的高效稳健的高速神经网络制造技术

本文描述了用于细胞图像分类的高效稳健的高速神经网络。用于细胞图像分类的神经网络利用soft

【技术实现步骤摘要】
【国外来华专利技术】用于细胞图像分类的高效稳健的高速神经网络
[0001]相关申请的交叉引用
[0002]本申请援引35U.S.C.
§
119(e)要求于2020年11月19日提交的标题为“EFFICIENT AND ROBUST HIGH
‑
SPEED NEURAL NETWORKS FOR CELL IMAGE CLASSIFICATION”的美国临时专利申请序列No.63/116088的优先权，该申请通过引用整体并入本文用于所有目的。


[0003]本专利技术涉及细胞分拣。更具体而言，本专利技术涉及基于图像的细胞分拣。

技术介绍

[0004]细胞图像分析在生物学和医学研究中发挥着越来越重要的作用，但现有的方法不能被用于实时高速应用，诸如细胞分拣。深度神经网络通常用于实现高准确性分类；但是，它的复杂性限制了它在要求非常高速度的实时应用中的使用。

技术实现思路

[0005]本文描述了一种用于细胞图像分类的高效稳健的高速神经网络。用于细胞图像分类的神经网络利用soft
‑
max分数之间的差异来确定细胞是否明确。如果细胞不明确，那么该细胞被分类为伪类，而如果细胞不是不明确，那么该细胞被分类为与最高类分数对应的类。用于细胞图像分类的神经网络使得能够实现高速度、高准确性和高召回率。
[0006]现有技术的方法是基于增压和手动设计特征。还已经提出了基于深度学习的方法(例如，DeepFlow、ResNet)。所有那些现有方法都不满足包括图像激活的细胞分拣在内的典型应用的速度要求。
[0007]在一个方面，一种方法包括使用神经网络处理细胞图像，包括生成多个soft
‑
max分数，每个soft
‑
max分数与类对应，比较多个soft
‑
max分数中的最高soft
‑
max分数与第二高soft
‑
max分数以确定差异，当差异低于阈值时将细胞图像分类为伪类，并且当差异等于或高于阈值时将细胞图像分类为与最高soft
‑
max分数对应的类。神经网络包括两个卷积层和一个全连接层。soft
‑
max分数介于0和1之间，包括0和1。阈值是基于历史信息设置的，以生成高精度和高召回率。阈值由机器学习和人工智能确定。阈值由用户手动确定。该方法还包括获取细胞图像。
[0008]在另一方面，一种装置包括用于存储应用的非暂态存储器以及耦合到存储器的处理器，该应用用于：使用神经网络处理细胞图像，包括生成多个soft
‑
max分数，每个soft
‑
max分数与类对应，比较多个soft
‑
max分数中的最高soft
‑
max分数与第二高soft
‑
max分数以确定差异，当差异低于阈值时将细胞图像分类为伪类并且当差异等于或高于阈值时将细胞图像分类为与最高soft
‑
max分数对应的类；该处理器被配置为处理应用。神经网络包括两个卷积层和一个全连接层。soft
‑
max分数介于0和1之间，包括0和1。阈值是基于历史信息设置的，以生成高精度和高召回率。阈值由机器学习和人工智能确定。阈值由用户手动确定。该装置还用于获取细胞图像。
[0009]在另一方面，一种系统包括被配置用于获取细胞图像的第一设备和第二设备，该第二设备被配置用于：生成多个soft
‑
max分数，每个soft
‑
max分数与类对应，比较多个soft
‑
max分数中的最高soft
‑
max分数与第二高soft
‑
max分数以确定差异，当差异低于阈值时将细胞图像分类为伪类，并且当差异等于或高于阈值时将细胞图像分类为与最高soft
‑
max分数对应的类。神经网络包括两个卷积层和一个全连接层。soft
‑
max分数介于0和1之间，包括0和1。阈值是基于历史信息设置的，以生成高精度和高召回率。阈值由机器学习和人工智能确定。阈值由用户手动确定。
附图说明
[0010]图1图示了根据一些实施例的实现用于细胞图像分类的神经网络的方法的流程图。
[0011]图2图示了根据一些实施例的神经网络体系架构的图。
[0012]图3图示了根据一些实施例的基于soft
‑
max分数用召回率换取精度的流程图。
[0013]图4图示了根据一些实施例的示例性分类的图表。
[0014]图5示出了根据一些实施例的示例性计算设备的框图，该计算设备被配置为实现用于细胞图像分类的神经网络。
[0015]图6示意性地图示了根据一些实施例的生物样本分析仪的总体配置的图。
具体实施方式
[0016]已经设计并建立了适于超高速实时细胞图像分类的浅双卷积层神经网络体系架构。此外，该算法能够最小化精度与召回率之间的常见权衡陷阱以实现高精度和高召回率。
[0017]具有细胞图像分类的神经网络解决了许多细胞图像分类应用未满足的需求，主要是两个关键要求：高准确性和高速度。现有的基于经典机器学习的方法(例如，增压、带手动设计特征的svm)和基于深度学习的方法无法满足速度要求。由于通过体系架构搜索技术设计的浅神经网络体系架构和新颖的精度
‑
召回率权衡模块，本文描述的方法不仅运行非常快，而且实现了高准确性。
[0018]具有细胞图像分类的神经网络能够被用在基于图像的流式细胞术系统中，其涉及高吞吐量和高准确性。具有细胞图像分类的神经网络也能够用在其它细胞图像分析系统中，诸如细胞图像组织、检索等。
[0019]图1图示了根据一些实施例的实现用于细胞图像分类的神经网络的方法的流程图。在步骤100中，获取细胞图像。细胞图像能够以任何方式获取，诸如使用包括显微镜和相机的系统。
[0020]在步骤102中，使用神经网络来处理细胞图像。神经网络能够是任何类型的神经网络，诸如具有两个卷积层和一个全连接层的神经网络。神经网络生成soft
‑
max分数，这是细胞的分类分数。例如，soft
‑
max分数是从0到1的数字，包括0到1，其中对于类，越接近1的数字意味着细胞越有可能位于那个类中，而对于类，越接近0的数字意味着细胞越不可能位于那个类中。能够为单个细胞生成多个soft
‑
max分数(例如，每个类一个分数)。例如，由神经网络分析细胞，并为所有5个类生成soft
‑
max分数。例如，当对白细胞进行分类时，有5个类/分类(例如，中性粒细胞、嗜酸性粒细胞、碱性粒细胞、单核细胞、淋巴细胞)。来自一个示例
性图像的用于不同类的分数总和为1。例如，[0.5,0.2,0.1,0.1,0.1]是5个类的有效分数。soft
‑
max分数是一种用于确定多本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：使用神经网络处理细胞图像，包括生成多个soft
‑
max分数，每个soft
‑
max分数与类对应；比较所述多个soft
‑
max分数中的最高soft
‑
max分数与第二高soft
‑
max分数以确定差异；当差异低于阈值时将细胞图像分类为伪类；以及当差异等于或高于阈值时将细胞图像分类为与最高soft
‑
max分数对应的类。2.如权利要求1所述的方法，其中所述神经网络包括两个卷积层和一个全连接层。3.如权利要求1所述的方法，其中soft
‑
max分数介于0和1之间，包括0和1。4.如权利要求1所述的方法，其中所述阈值是基于历史信息设置的，以生成高精度和高召回率。5.如权利要求1所述的方法，其中所述阈值由机器学习和人工智能确定。6.如权利要求1所述的方法，其中所述阈值由用户手动确定。7.如权利要求1所述的方法，还包括获取细胞图像。8.一种装置，包括：非暂态存储器，用于存储应用，所述应用用于：使用神经网络处理细胞图像，包括生成多个soft
‑
max分数，每个soft
‑
max分数与类对应；比较所述多个soft
‑
max分数中的最高soft
‑
max分数与第二高soft
‑
max分数以确定差异；当差异低于阈值时将细胞图像分类为伪类；以及当差异等于或高于阈值时将细胞图像分类为与最高soft
‑
max分数对应的类；以及处理器，耦合到存...

【专利技术属性】
技术研发人员：龚礼予，刘明昌，
申请(专利权)人：美国索尼公司，
类型：发明
国别省市：