[發明專利]通過利用類比例數據的卷積字典學習對對象群體進行分類

在審

• 申請號: 201880068608.4
• 申請日: 2018-11-14
• 公開（公告）號: CN111247417A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 弗洛倫斯·耶林;本杰明·哈菲勒;雷內·威爾達
• 申請（專利權）人: 醫學診斷公司
• 主分類號: G01N15/02
• 分類號: G01N15/02
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 李健

披露了一種用于對圖像中的對象(例如，細胞)進行分類和/或計數的方法，該圖像包含若干種類型的對象的混合物。使用有關對象混合物的先驗統計信息(類比例數據)來改善分類結果。本技術可以針對包含多種對象類型的混合物的圖像使用生成模型，以便利用類比例數據和經分類的對象模板兩者來推導出用于對細胞進行分類和/或計數的方法。該生成模型將圖像描述為許多具有單個細胞的圖像的總和，其中，每個細胞的類選自某一統計分布。本技術的實施例已經成功地用于對來自正常血液供體和異常血液供體兩者的經裂解血液的圖像中的白細胞進行分類。

相關申請的交叉引用

本申請要求現在未決的于2017年11月14日提交的美國臨時申請號62/585,872和2018年6月1日提交的美國臨時申請號62/679,757的優先權，這些申請的披露內容通過援引并入本文。

技術領域

本披露涉及圖像處理，并且具體地涉及圖像(比如全息無透鏡圖像)中的對象分類和/或計數。

背景技術

許多領域受益于確定對象的類的能力、并且尤其是對圖像中的對象進行分類和計數的能力。例如，生物樣本圖像中的對象檢測和分類在診斷疾病和預測患者結果方面具有許多潛在的應用。然而，由于各種各樣的可能的成像模態，生物數據可能潛在地會受到低分辨率圖像或患者之間的顯著生物變異性的影響。此外，計算機視覺中的許多現有技術的對象檢測和分類方法需要大量的帶注釋的數據以進行訓練，但是對于生物圖像而言通常不容易獲得此類注釋，因為注釋者必須是特定生物數據類型方面的專家。另外，許多現有技術的對象檢測和分類方法是針對每個類包含少量對象實例的圖像進行設計的，而生物圖像可能包含成千上萬個對象實例。

突顯出這些挑戰中的許多挑戰的一個特定應用是全息無透鏡成像(LFI)。由于LFI具有以最低限度的硬件要求產生具有較大視場(FOV)的細胞圖像的能力，因此其常用于顯微鏡的醫學應用。然而，關鍵的挑戰在于，當FOV較大時，LFI的分辨率通常較低，從而使得難以對細胞進行檢測和分類。由于細胞形態也可能因為人的不同而顯著不同(尤其是在涉及疾病時)的事實，細胞分類的任務更加復雜。另外，對于圖像中的各個細胞而言，通常無法獲得注釋，并且可能只能經由使用商業血液學血液分析儀來獲得對各種細胞類的預期比例的估計。

在先前的工作中，LFI圖像已經用于對熒光標記的白細胞(WBC)進行計數，但未用于將WBC分類為其各種子類型(例如，單核細胞、淋巴細胞和粒細胞)的更困難的任務。在先前的工作中，作者已經建議使用經染色WBC的LFI圖像進行分類，但是他們沒有提供量化的分類結果。關于WBC分類的現有工作使用來自常規顯微鏡的經染色細胞的高分辨率圖像，并且嘗試使用手工制作特征和/或神經網絡對細胞進行分類。然而，在不進行染色和/或不具有高分辨率圖像的情況下，不容易看到細胞細節(即，細胞核和細胞質)，從而使得對WBC進行分類的任務顯著更加困難。此外，純數據驅動的方法(比如，神經網絡)通常需要大量帶注釋的數據才能成功，這些數據是WBC的無透鏡圖像不可獲得的。

因此，長期以來感到需要一種用于在重建的無透鏡圖像中對對象(尤其是WBC)的各種子類別(例如，單核細胞、淋巴細胞和粒細胞)進行檢測、計數和/或分類的方法，其中，每個圖像可能具有每個對象類別數百到成千上萬個實例，并且只能用圖像中每個類的預期數量的對象實例來對每個訓練圖像進行注釋。因此，一個關鍵的挑戰在于，任何對象實例都沒有邊界框注釋。

發明內容

本披露提供了一種用于除了通過模板字典編碼的對象外觀之外還使用類比例數據來對對象群體進行分類以更好地使所產生的對象群體的分類合理化的改進技術。在對血液樣本(或血液樣本的圖像)中的血細胞進行分類時，由于血細胞混合物的變異性受到生理學的約束，因此使用當前披露的技術可以非常有利。因此，可以使用有關血細胞混合物的統計信息(類比例數據)來改善分類結果。