【技術(shù)實(shí)現(xiàn)步驟摘要】
【國外來華專利技術(shù)】
本專利技術(shù)涉及細(xì)胞分選。更具體地，本專利技術(shù)涉及基于圖像的細(xì)胞分選。
技術(shù)介紹
1、傳統(tǒng)的熒光激活細(xì)胞分選依賴于利用熒光標(biāo)記物標(biāo)記細(xì)胞，得到非常有限的細(xì)胞形態(tài)信息。然而，一些應(yīng)用需要細(xì)胞形態(tài)信息來精確地分選細(xì)胞，而一些應(yīng)用不適合使用熒光標(biāo)記物。另外，傳統(tǒng)的熒光激活細(xì)胞分選(facs)使用人工門控來建立基于熒光標(biāo)記物的分選標(biāo)準(zhǔn)。然而，人工門控耗時并且可能有偏差。
2、一些研究提出使用基于深度神經(jīng)網(wǎng)絡(luò)或手工制作特征的有監(jiān)督學(xué)習(xí)的基于圖像的細(xì)胞分選。它們假設(shè)將具有基準(zhǔn)真值的細(xì)胞圖像用于訓(xùn)練，該基準(zhǔn)真值可能是不可用的。有助于門控處理的一些軟件依賴于熒光標(biāo)記物的特定的手工制作特征，這對于一些應(yīng)用而言可能不具有足夠的形態(tài)信息，或者可能不適合于一些其它應(yīng)用。
技術(shù)實(shí)現(xiàn)思路
1、基于圖像的無監(jiān)督多模型細(xì)胞聚類進(jìn)一步發(fā)展了聚類策略，以支持無監(jiān)督細(xì)胞聚類的框架。擴(kuò)展的框架具有包含不止一個模型(諸如普通熒光模型、特殊熒光模型、特殊明場模型和單細(xì)胞分離明場模型)的模型存儲庫。多模型聚類采用不止一個模型來提取細(xì)胞特征，這些細(xì)胞特征可以級聯(lián)起來進(jìn)行聚類。模型是基于目標(biāo)應(yīng)用和感興趣的圖像通道選擇的。基于圖像的無監(jiān)督多模型細(xì)胞聚類的獨(dú)特之處在于，應(yīng)用可以使用針對不同目的訓(xùn)練的一個或多個模型來提取每個細(xì)胞的特征。
2、在一個方面，一種方法包括進(jìn)行基于圖像的離線初始無監(jiān)督聚類，訓(xùn)練多個模型，其中所述多個模型中的每個模型被設(shè)計為提取每個細(xì)胞的特征，以及進(jìn)行基于圖像的在線單細(xì)胞分選。所述多個模型中
3、在另一個方面，一種裝置包括用于存儲應(yīng)用的非臨時性存儲器和被配置用于處理所述應(yīng)用的多個處理單元，所述應(yīng)用用于：進(jìn)行基于圖像的離線初始無監(jiān)督聚類，訓(xùn)練多個模型，其中所述多個模型中的每個模型被設(shè)計為提取每個細(xì)胞的特征，以及進(jìn)行基于圖像的在線單細(xì)胞分選，其中所述多個處理單元包括至少一個中央處理單元和至少一個圖形處理單元。所述多個模型中的每個模型是不同的。所述多個模型存儲在模型存儲庫中。所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用所述聚類組件確定每個給定細(xì)胞的簇。聚類基于提取的特征對不同類型的細(xì)胞進(jìn)行分離和成組。一種示例聚類算法是基于層次密度的空間聚類。
4、在另一個方面，一種系統(tǒng)包括第一計算設(shè)備和第二計算設(shè)備，第一計算設(shè)備被配置用于：進(jìn)行基于圖像的離線初始無監(jiān)督聚類，訓(xùn)練多個模型，其中所述多個模型中的每個模型被設(shè)計為提取每個細(xì)胞的特征，以及進(jìn)行基于圖像的在線單細(xì)胞分選，第二計算設(shè)備被配置用于將一個或多個圖像發(fā)送到第一計算設(shè)備。所述多個模型中的每個模型是不同的。所述多個模型存儲在模型存儲庫中。所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用所述聚類組件確定每個給定細(xì)胞的簇。聚類基于提取的特征對不同類型的細(xì)胞進(jìn)行分離和成組。一種示例聚類算法是基于層次密度的空間聚類。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種方法，包括：
2.按照權(quán)利要求1所述的方法，其中所述多個模型中的每個模型是不同的。
3.按照權(quán)利要求1所述的方法，其中所述多個模型存儲在模型存儲庫中。
4.按照權(quán)利要求1所述的方法，其中所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。
5.按照權(quán)利要求1所述的方法，其中對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。
6.按照權(quán)利要求1所述的方法，其中進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用聚類組件確定每個給定細(xì)胞的簇。
7.按照權(quán)利要求1所述的方法，其中聚類包括利用基于層次密度的空間聚類。
8.按照權(quán)利要求7所述的方法，其中聚類基于包括每個簇的定義的提取的特征，對不同類型的細(xì)胞進(jìn)行分離和成組。
9.一種裝置，包括：
10.按照權(quán)利要求9所述的裝置，其中所述多個模型中的每個模型是不同的。
11.按照權(quán)利要求9所述
12.按照權(quán)利要求9所述的裝置，其中所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。
13.按照權(quán)利要求9所述的裝置，其中對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。
14.按照權(quán)利要求9所述的裝置，其中進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用聚類組件確定每個給定細(xì)胞的簇。
15.按照權(quán)利要求9所述的裝置，其中聚類包括利用基于層次密度的空間聚類。
16.按照權(quán)利要求15所述的裝置，其中聚類基于包括每個簇的定義的提取的特征，對不同類型的細(xì)胞進(jìn)行分離和成組。
17.一種系統(tǒng)，包括：
18.按照權(quán)利要求17所述的系統(tǒng)，其中所述多個模型中的每個模型是不同的。
19.按照權(quán)利要求17所述的系統(tǒng)，其中所述多個模型存儲在模型存儲庫中。
20.按照權(quán)利要求17所述的系統(tǒng)，其中所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。
21.按照權(quán)利要求17所述的系統(tǒng)，其中對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。
22.按照權(quán)利要求17所述的系統(tǒng)，其中進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用聚類組件確定每個給定細(xì)胞的簇。
23.按照權(quán)利要求17所述的系統(tǒng)，其中聚類包括利用基于層次密度的空間聚類。
24.按照權(quán)利要求23所述的系統(tǒng)，其中聚類基于包括每個簇的定義的提取的特征，對不同類型的細(xì)胞進(jìn)行分離和成組。
...【技術(shù)特征摘要】
【國外來華專利技術(shù)】
1.一種方法，包括：
2.按照權(quán)利要求1所述的方法，其中所述多個模型中的每個模型是不同的。
3.按照權(quán)利要求1所述的方法，其中所述多個模型存儲在模型存儲庫中。
4.按照權(quán)利要求1所述的方法，其中所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。
5.按照權(quán)利要求1所述的方法，其中對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類組件，以及使用所述聚類組件確定每個給定細(xì)胞的簇。
6.按照權(quán)利要求1所述的方法，其中進(jìn)行基于圖像的在線單細(xì)胞分選包括利用所述多個模型提取細(xì)胞圖像的特征，以及使用聚類組件確定每個給定細(xì)胞的簇。
7.按照權(quán)利要求1所述的方法，其中聚類包括利用基于層次密度的空間聚類。
8.按照權(quán)利要求7所述的方法，其中聚類基于包括每個簇的定義的提取的特征，對不同類型的細(xì)胞進(jìn)行分離和成組。
9.一種裝置，包括：
10.按照權(quán)利要求9所述的裝置，其中所述多個模型中的每個模型是不同的。
11.按照權(quán)利要求9所述的裝置，其中所述多個模型存儲在模型存儲庫中。
12.按照權(quán)利要求9所述的裝置，其中所述多個模型中的每個模型基于多層神經(jīng)網(wǎng)絡(luò)。
13.按照權(quán)利要求9所述的裝置，其中對一組細(xì)胞圖像進(jìn)行離線初始聚類包括使用所述多個模型提取細(xì)胞圖像的特征，使用給定細(xì)胞圖像的小子集以無監(jiān)督方式訓(xùn)練聚類...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：SH·蔣，劉明昌，
申請(專利權(quán))人：索尼集團(tuán)公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。