用人工智能进行自动聚焦和自动化细胞计数的系统和方法技术方案

本发明专利技术提供了用于使用人工智能进行自动聚焦的系统和方法，这些系统和方法包括：(i)在标称聚焦范围内，捕获多个单色图像；(ii)识别每个单色图像内的一个或多个连通分量；(iii)基于与每个连通分量相关联的像素数目，对所识别的连通分量进行排序；(iv)使用机器学习模块来生成所排序的连通分量的至少一部分的焦点质量估计；以及(iv)基于所评估的连通分量的焦点质量估计来计算目标焦点位置。所计算的目标焦点位置可用于使用人工智能来执行细胞计数，诸如通过(i)基于卷积神经网络的输出，生成种子似然图像和全细胞似然图像；以及(ii)基于种子似然图像来生成指示对象的数目和/或像素位置的掩码。置的掩码。置的掩码。

【技术实现步骤摘要】
【国外来华专利技术】用人工智能进行自动聚焦和自动化细胞计数的系统和方法

技术介绍


[0001]本公开一般涉及显微镜图像分析。更具体地，本公开涉及用于由人工智能(AI)驱动的自动聚焦和细胞计数的图像分析解决方案。
[0002]相关技术
[0003]细胞计量术是对细胞计数和/或对细胞特性的测量。在细胞计量术领域中，使用各种装置和方法来测量诸如细胞计数、细胞大小、细胞形态和细胞生命周期阶段等特性。细胞计量术也可涉及测量各种细胞组分(诸如核酸)、特定蛋白质的存在、细胞分型和/或分化(例如，活力计数)以及各种医疗诊断应用。
[0004]在细胞计量术领域和相关图像分析领域中，存在对改进的持续需要。

技术实现思路

[0005]本公开的实施方案提供了用于自动聚焦和自动化细胞计数的系统和方法，这些系统和方法相对于常规方法，呈现出一个或多个优点。例如，一个或多个实施方案可包括成像系统自动聚焦方法，该方法包括以下动作：在标称聚焦范围内，捕获多个图像(例如，单色图像)；识别每个图像内的一个或多个连通分量；基于与每个连通分量相关联的像素数目，对所识别的连通分量进行排序本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种图像自动聚焦的方法，所述方法包括：任选地，在成像系统处，接纳样品保持器；任选地，至少部分地基于所述样品保持器，自动确定针对标称聚焦范围的z轴步长大小；在所述标称聚焦范围内，接收多个图像；基于所述多个图像来生成输入数据，所述输入数据经由一个或多个图像处理操作而生成；利用所述输入数据作为机器学习模块的输入，所述机器学习模块被配置为响应于由与一个或多个标称聚焦范围相关联的图像所生成的输入来提供目标焦点位置输出；基于所述机器学习模块的输出，获得目标焦点位置；以及将所述成像系统配置为使用所述目标焦点位置来捕获图像。2.根据权利要求1所述的方法，其中所述一个或多个图像处理操作包括连通分量分析，并且其中所述输入数据包括一个或多个连通分量。3.根据权利要求1所述的方法，还包括：识别每个图像内的一个或多个连通分量；基于与每个连通分量相关联的像素数目，对所识别的连通分量进行排序；使用所述机器学习模块来生成所排序的连通分量的至少一部分的焦点质量估计；以及基于所排序的连通分量的所述焦点质量估计，识别目标焦点位置。4.根据权利要求3所述的方法，其中捕获多个图像包括：在所述标称聚焦范围内，每z轴步长捕获一个1280
×
960 8位图像。5.根据权利要求1
‑
4中任一项所述的方法，其中每z轴步长包括基于在所述成像系统处检测到的样品保持器而自动确定的预定大小。6.根据权利要求3或权利要求4所述的方法，其中识别每个图像中的一个或多个连通分量包括：对每个图像进行阈值化，以获得每个图像的所得二进制图像；将一个或多个形态算子应用于所得的二进制图像；以及定义所得二进制图像内的一个或多个连通分量。7.根据权利要求6所述的方法，其中阈值化基于所述标称聚焦范围的最小图像与最大图像之间的差异。8.根据权利要求6或权利要求7所述的方法，其中应用所述一个或多个形态算子包括应用以下一项或多项：形态闭运算、形态开运算和/或前景孔洞填充。9.根据权利要求8所述的方法，其中所述形态闭运算包括2
×
2形态闭运算。10.根据权利要求8或权利要求9所述的方法，其中所述形态开运算包括2
×
2形态开运算。11.根据权利要求8
‑
10中任一项所述的方法，其中所述前景孔洞填充包括8
‑
连通前景孔洞填充。12.根据权利要求6
‑
11中任一项所述的方法，其中识别每个图像中的一个或多个连通分量包括：测量每个连通分量的第一二进制矩和第二二进制矩；
将具有等效矩的对应椭圆拟合到每个连通分量；以及创建包括所述对应椭圆的第二二进制图像。13.根据权利要求12所述的方法，还包括：测量所述第二二进制图像中的每个连通分量；以及删除椭圆短轴小于10μm、优选小于7μm、更优选小于5μm的任何连通分量。14.根据权利要求3
‑
13中任一项所述的方法，其中对所识别的一个或多个连通分量进行排序包括：对每个连通分量中的像素数目进行计数；计算所述一个或多个连通分量的中值像素计数；以及基于所述像素数目与所述中值像素计数的对应绝对差，对所述一个或多个连通分量进行排序。15.根据权利要求14所述的方法，其中所述一个或多个连通分量依照所述像素数目与所述中值像素计数的所述对应绝对差，按升序进行排序。16.根据权利要求3
‑
15中任一项所述的方法，其中对所识别的一个或多个连通分量进行排序包括：确定每个连通分量的圆度或亮度中的一项或多项；以及基于针对每个所述连通分量而确定的相对圆度和/或亮度，对所述一个或多个连通分量进行排序。17.根据权利要求3
‑
16中任一项所述的方法，还包括：针对每个连通分量形成32
×
32像素z叠层。18.根据权利要求3
‑
17中任一项所述的方法，其中所述机器学习模块包括人工神经网络，所述人工神经网络接收针对每个连通分量的所述32
×
32像素z叠层作为输入。19.根据权利要求18所述的方法，其中所述人工神经网络包括多个特征识别层，所述特征识别层具有卷积层、线性层和最大池化层的设计样式。20.根据权利要求19所述的方法，其中所述卷积层包括3
×
3卷积层。21.根据权利要求19所述的方法，其中所述线性层包括ReLu非线性函数。22.根据权利要求19
‑
21中任一项所述的方法，其中所述最大池化层包括2
×
2最大池化层。23.根据权利要求19
‑
22中任一项所述的方法，其中所述人工神经网络包括在所述多个特征识别层之后的长短期记忆(LSTM)处理层。24.根据权利要求23所述的方法，其中所述LSTM层以双向方式处理针对每个连通分量的所述z叠层。25.根据权利要求23或权利要求24所述的方法，其中所述人工神经网络包括最终线性层，其中所述最终线性层与所述LSTM层的输出相组合，以定义所述焦点质量估计。26.一种图像自动聚焦的方法，所述方法包括：在成像系统处，接纳样品保持器；至少部分地基于所述样品保持器，自动确定针对标称聚焦范围的z轴步长大小；在所述标称聚焦范围内，接收多个图像；获得目标焦点位置；以及将所述成像系统配置为使用所述目标焦点位置来捕获图像。
27.一种被配置为自动聚焦成像系统的计算机系统，所述计算机系统包括：一个或多个处理器；以及一个或多个硬件存储装置，所述硬件存储装置具有存储在其上的计算机可执行指令，所述计算机可执行指令在由所述一个或多个处理器执行时，将所述计算机系统配置为执行根据权利要求1
‑
26中任一项所述的方法。28.存储指令的一个或多个硬件存储装置，所述指令能够由成像系统的一个或多个处理装置执行，以将所述成像系统配置为执行根据权利要求1
‑
26中任一项所述的方法。29.一种执行自动化细胞活力计数的方法，所述方法包括：在目标焦点位置处捕获图像，所述目标焦点位置如权利要求1
‑
26中任一项所述而计算；对所捕获的图像进行空间下采样，以形成下采样图像；将所述下采样图像分解成多个图块；将所述多个图块存储在张量阵列中；使用卷积神经网络来处理所述张量阵列；基于所述卷积神经网络的输出来构建多个伪概率图；对所述多个伪概率图进行阈值化，以生成二值化位置图和二值化掩码图；通过使用用于播种的所述二值化位置图和用于界定细胞区域的所述二值化掩码图来分割所述下采样图像，生成分割下采样图像，其中所述分割下采样图像指示/提供细胞活力计数；以及显示所述细胞活力计数的表示。30.根据权利要求29所述的方法，其中利用来自相对于所述焦点位置的多个焦平面的图像来训练所述卷积神经网络，所述焦点位置优选地在从
‑
2到+2z位置的范围内。31.根据权利要求29所述的方法，其中所述图像包括像素大小为0.871μm的2592
×
1944 8位图像。32.根据权利要求29或权利要求30所述的方法，其中对所捕获的图像进行空间下采样包括：经由像素抽取，按因数2对所捕获的图像进行下采样，任选地产生1296
×
972下采样图像。33.根据权利要求29
‑
32中任一项所述的方法，其中将所述下采样图像分解成多个图块包括：反射所述下采样图像，以将其边缘扩展多个像素，从而形成反射图像；以及将所述反射图像分解成具有像素重叠的所述多个图块。34.根据权利要求33所述的方法，其中反射所述下采样图像将其边缘扩展4
‑
12个像素、或6
‑
10个像素、或约8个像素。35.根据权利要求33或权利要求34所述的方法，其中所述反射图像被分解成80
‑
190个图块、或90
‑
180个图块、或100
‑
170个图块、或110
‑
160个图块、或120
‑
150个图块、或约130个图块，任选地大小为128
×
128像素且具有像素重叠。36.根据权利要求33
‑
35中任一项所述的方法，其中所述张量阵列包括130
×1×
128
×
128张量阵列。37.根据权利要求29
‑
36中任一项所述的方法，其中所述卷积神经网络包括U
‑
net卷积神经网络。
38.根据权利要求29
‑
37中任一项所述的方法，其中所述卷积神经网络的输出存储在130
×4×
128
×
128张量阵列中。39.根据权利要求29
‑
38中任一项所述的方法，其中构建所述多个伪概率图包括：将所述卷积神经网络的所述输出转换成8位格式张量；以及对所述8位格式张量进行图像拼接。40.根据权利要求39所述的方法，其中将所述输出转换成所述8位格式张量包括：将所述130
×4×
128
×
128张量阵列乘以乘数，任选地其中所述乘数为约255。41.根据权利要求39或权利要求40所述的方法，其中对所述8位格式张量进行图像拼接包括：由所述张量阵列来构建4个全尺寸伪概率图。42.根据权利要求41所述的方法，其中所述卷积神经网络的所述输出包括与以下项相关联的伪概率图：(i)活细胞的位置、(ii)活细胞的掩码、(iii)死细胞的位置和(iv)死细胞的掩码。43.根据权利要求29
‑
42中任一项所述的方法，其中阈值化包括应用伪概率大于50％
‑
90％...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：赛洛米克斯股份有限公司，
类型：发明
国别省市：