[發明專利]用于細胞圖像的分析的計算機實現的方法、計算機程序產品以及系統

在審

• 申請號: 201980058085.X
• 申請日: 2019-09-05
• 公開（公告）號: CN112655003A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 里卡德·舍格倫;約翰·特利格
• 申請（專利權）人: 賽多利斯司特蒂姆數據分析公司
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;王艷春

提供了一種用于細胞圖像的分析的計算機實現的方法。該方法包括：獲得用于處理圖像的深度神經網絡(100)和用于訓練深度神經網絡的訓練數據集的至少一部分，該深度神經網絡包括多個隱藏層并使用訓練數據集進行訓練，訓練數據集包括可以輸入到深度神經網絡的多個可能細胞圖像；獲得從多個隱藏層中的至少一個輸出的第一中間輸出值集，通過輸入訓練數據集的所述至少一部分中包括的可能的輸入圖像中的不同一者來獲得第一中間輸出值集中的每一個；使用第一中間輸出值集來構建/擬合潛變量模型，該潛變量模型提供第一中間輸出值集到子空間中的第一投影值集的映射，該子空間具有低于中間輸出集的維度的維度；接收要輸入到深度神經網絡的新細胞圖像；獲得通過將接收到的新細胞圖像輸入深度神經網絡而從深度神經網絡的多個隱藏層中的至少一個輸出的第二中間輸出值集；使用潛變量模型來將第二中間輸出值集映射到第二投影值集；以及基于潛變量模型和第二投影值集而相對于訓練數據集來確定接收到的新細胞圖像是否為異常值。

技術領域

本申請涉及細胞圖像的分析，具體地，諸如細胞圖像的非結構化數據中的異常值檢測的一種計算機實現的方法、一種計算機程序產品以及一種系統。

背景技術

在許多不同的層面上，生物過程是復雜的。為了捕獲這種復雜性，已經提出了用于研究和監測細胞的各種成像技術。為了分析越來越多量的細胞成像數據，可以使用深度學習。深度學習是依賴于一種類型的統計模型(被稱為深度神經網絡)的機器學習領域。深度神經網絡可以是具有輸入層、輸出層以及在輸出層與輸出層之間的多個隱藏層的人工神經網絡。

由于深度神經網絡學習到的強大轉換，使用深度神經網絡的深度學習在很多應用中已經變得非常普遍。深度學習在過去的五年里已經例如徹底改變了計算機視覺的領域，在大多數視覺任務上迅速超越先前的現有技術方法。深度學習越來越多地用于細胞成像，諸如活細胞成像、細胞或細胞核檢測、從熒光圖像對蛋白質定位進行分類、無標記細胞分類等等。

用于細胞圖像的分析的深度學習技術的應用在例如以下公開中描述：O.Z.Kraus等，“Automated analysis of high-content microscopy data with deep learning”，分子系統生物學，第13卷第4期，第924頁，2017年，以及對應的US-2018/0137338-A1。所引用的公開描述了一種用于訓練良好模型來對細胞圖像分類的方法，其中對訓練圖像的注釋的需求較低。

當在關鍵系統中采用深度學習(諸如用于診斷應用)時，理解何時不應信任由深度學習系統提供的預測可能是至關重要的。

換句話說，可能重要的是，不僅知道由深度學習系統提供的預測是否準確，而且知道深度學習系統究竟是否應預測。可以通過理解所學習的表示的極限并且通過辨識何時遇到深度學習系統未辨識出的數據來改進自主決策。

因此，所有數據驅動的建模(包括深度學習)中的共同問題是在模型被訓練之后如何處理異常數據。異常觀測值可以是與用來訓練模型的數據明顯不同的觀測值。由于異常值明顯不同于模型之前遇到的那些，因此在此類情況下，模型行為是未定義的，從而意味著無法信任預測。在細胞成像中，異常值可以是來自之間未見過的細胞類型或一些先前未觀察到的現象。異常值可能是因為成像儀器誤差導致不好的圖像或者儀器或數據處理的操作員管理不善。在那些情況中的任一種下，模型預測都是不可靠的并且需要適當地處理。