CN110520876B - 学习结果输出装置及学习结果输出程序 - Google Patents
学习结果输出装置及学习结果输出程序 Download PDFInfo
- Publication number
- CN110520876B CN110520876B CN201880021362.5A CN201880021362A CN110520876B CN 110520876 B CN110520876 B CN 110520876B CN 201880021362 A CN201880021362 A CN 201880021362A CN 110520876 B CN110520876 B CN 110520876B
- Authority
- CN
- China
- Prior art keywords
- measurement object
- learning
- machine learning
- unit
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 87
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims description 102
- 238000001514 detection method Methods 0.000 claims description 53
- 230000003287 optical effect Effects 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 37
- 238000010586 diagram Methods 0.000 description 14
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 11
- 230000000877 morphologic effect Effects 0.000 description 9
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 8
- 239000002245 particle Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 239000011859 microparticle Substances 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 239000007850 fluorescent dye Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000000684 flow cytometry Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101100316752 Arabidopsis thaliana VAL1 gene Proteins 0.000 description 1
- 101100316753 Arabidopsis thaliana VAL2 gene Proteins 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
- G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Dispersion Chemistry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Hematology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- User Interface Of Digital Computer (AREA)
- Image Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
学习结果输出装置包含:机器学习部,基于表示学习对象物的形状的形态信息,关于学习对象物的属性中的至少一种属性,将该属性的程度作为评价轴来进行机器学习;和图表信息生成部,基于表示机器学习部进行机器学习而得的学习结果的学习模型来生成图表信息,该图表信息示出以评价轴作为轴来表示学习结果的图表。
Description
技术领域
本发明涉及学习结果输出装置及学习结果输出程序。本申请基于2017年3月29日在日本提出申请的日本特愿2017-064387号主张优先权,并在此引用其内容。
背景技术
在以往,已知有对测定对象进行荧光染色并根据该荧光亮度的总量来评价测定对象特征的流式细胞法及利用该流式细胞法的流式细胞仪(例如,专利文献1)。此外,还已知有根据图像来评价作为测定对象的细胞、细菌等微粒的荧光显微镜和图像细胞仪。另外,还已知有以与流式细胞仪等同的通量高速拍摄微粒的形态信息的成像流式细胞仪(例如,专利文献2)。
现有技术文献
专利文献
专利文献1:日本专利第5534214号公报
专利文献2:美国专利第6249341号说明书
发明内容
发明所要解决的技术问题
在现有技术中,通过预先确定的、荧光亮度和散射光的总量等评价轴来示出测定对象的特征。该预先确定的评价轴由对测定对象进行测定的测定人员确定。但是,在测定对象的特征中,不仅包含荧光亮度、散射光的总量,还包含细胞的形态信息、分子定位等二维空间上的特征这类使用一直以来的直方图、散点图等图表无法呈现的特征、或是测定人员未注意到的特征。该特征中包含用现有图表表示法无法表示的特征或测定人员未注意到的特征,因此存在如下问题,即,无法利用现有的预先确定的评价轴和图表表示法来完全呈现出测定对象的特征,并且无法对具有这些特征的测定对象的粒子群选择性地进行可视化(选通),而且无法对其进行分取(分选)。
本发明的技术问题在于,提供基于测定对象的形态信息来对粒子群进行分类的学习结果输出装置及学习结果输出程序。
用于解决技术问题的手段
本发明的一方面为学习结果输出装置,上述学习结果输出装置包括:机器学习部,基于表示学习对象物的形状的形态信息,对于所述学习对象物的属性中的至少一种属性,将该属性的程度作为评价轴来进行机器学习;和图表信息生成部,基于表示所述机器学习部进行机器学习而得的学习结果的学习模型,生成图表信息,所述图表信息示出以所述评价轴作为轴来表示所述学习结果的图表。
此外,本发明的一方面为,在上述的学习结果输出装置中,还包括操作检测部,所述操作检测部检测对基于所述学习模型的所述评价轴进行选择的操作,所述图表信息生成部以通过所述操作检测部检测出的操作而选择了的评价轴作为轴,来生成所述图表信息。
此外,本发明的一方面为,在上述的学习结果输出装置中,所述操作检测部还对基于所述图表信息生成部所生成的所述图表信息的、所述学习对象物的可视化操作进行检测。
此外,本发明的一方面为,在上述的学习结果输出装置中,还包括控制信号生成部,所述控制信号生成部基于所述操作检测部检测出的所述可视化操作,来生成用于所述学习对象物的划分的控制信号。
此外,本发明的一方面为,在上述的学习结果输出装置中,所述形态信息是指下述的光信号的时序信号,即:利用具有结构化的照明图案的光学系统和具有光特性相互不同的多个区域的结构化的检测系统这两者之一或双方,在改变所述学习对象、所述光学系统、所述检测系统中任意两者间的相对位置的过程中,示出通过一个或少量个像素检测元件检测出的所述学习对象物的光信号的时序信号。
此外,本发明的一方面为学习结果输出程序,上述学习结果输出程序用于使计算机执行如下步骤:机器学习步骤,基于表示学习对象物的形状的形态信息,对于所述学习对象物的属性中的至少一种属性,将该属性的程度作为评价轴来进行机器学习;和图表信息生成步骤,基于表示通过所述机器学习步骤机器学习而得的学习结果的学习模型,生成图表信息,所述图表信息示出以所述评价轴作为轴来表示所述学习结果的图表。
发明的效果
根据本发明,能够提供基于测定对象的形态信息来对粒子群进行分类的学习结果输出装置及学习结果输出程序。
附图说明
图1为示出细胞测定系统的外观结构的图。
图2为示出学习结果输出装置的功能结构的一例的图。
图3为示出机器学习部对某信号信息进行判断而得的判断结果的一例的图。
图4为示出显示数据生成部所生成的图表信息的一例的图。
图5为示出现有的流式细胞仪显示的图表和显示数据生成部生成的图表信息的一例的图。
图6为示出显示数据生成部所生成的图表信息的一例的图。
图7为示出学习结果输出装置的动作的一例的流程图。
图8为将两个轴均作为基于学习结果的评价轴的图表的一例。
具体实施方式
[实施方式]
以下,参照附图,对学习结果输出装置的实施方式进行说明。
图1为示出细胞测定系统1的外观结构的图。
细胞测定系统1包括流式细胞仪20、学习结果输出装置10、显示部11及操作部12。学习结果输出装置10对包含有流式细胞仪20所测定的测定对象的信息的信号进行机器学习。学习结果输出装置10通过该机器学习而对测定对象的特征进行解析。
[关于流式细胞仪]
流式细胞仪20用于检测细胞等测定对象的光信号。测定对象是指学习对象的一例。具体而言,测定对象是指细胞。在以下的说明中,将测定对象也记载为微粒群。流式细胞仪20包括未图示的流道。流式细胞仪20生成流过该流道的测定对象的光信号的时序信号。
[关于光信号]
光信号是指下述的光信号的时序信号,即:利用具有结构化的照明图案的光学系统和具有光特性相互不同的多个区域的结构化的检测系统这两者之一或双方,在改变测定对象、光学系统、检测系统中任意两者间的相对位置的过程中,示出通过一个或少量像素检测元件检测出的测定对象的光信号的时序信号。
具体而言,光信号是表示由流式细胞仪20具备的未图示的传感器所检测出的光的强度的信息。传感器是指一个或少量像素检测元件的一例。一个或少量像素检测元件具体是指光电倍增管(photomultiplier tube;PMT)、线型光电倍增管元件、雪崩光电二极管(Avalanche Photo-diode;APD)、光检测器(Photo-detector;PD)等单独一个受光元件及少数受光元件、CCD(电荷耦合器件)相机及CMOS(互补金属氧化物半导体)传感器等。传感器所检测的光是指从流式细胞仪20具备的未图示的照射部发出的、经测定对象、未图示的空间光调制器调制了的光。此处,空间光调制器是指结构化的照明图案一例。
流式细胞仪20在改变测定对象、光学系统、检测系统中任意两者间的相对位置的过程中,通过一个或少量像素检测元件来检测光信号。在这一例中,通过测定对象在流道流动,光学系统与检测系统之间的相对位置发生变化。
[关于光学系统和检测系统]
此处,对光学系统进行说明。当光学系统包括照射部和空间光调制器时,检测系统包括上述的传感器。这种结构也记载为结构化照明的结构。
当光学系统包括照射部时,检测系统包括空间光调制器和传感器。这种结构也记载为结构化检测的结构。
流式细胞仪20可以为结构化照明的结构和结构化检测的结构中的任意一种结构。
[关于光信号的时序信号]
光信号的时序信号是指获取多个光信号的时刻与光的强度信息分别对应的信号。
流式细胞仪20能够从该时序信号重建测定对象的像。在该时序信号中包含测定对象的属性的信息。属性具体包含测定对象的形状、构成测定对象的结构要素等。当测定对象被荧光染色的情况下,包含从测定对象发出的荧光的亮度的程度等信息。需要说明的是,学习结果输出装置10在不重建测定对象的像的情况下解析测定对象的特征。
[关于学习结果输出装置10]
学习结果输出装置10获取流式细胞仪20所检测出的光信号的时序信号。学习结果输出装置10对从流式细胞仪20获取的时序信号进行机器学习。学习结果输出装置10通过该机器学习来解析测定对象的属性。
显示部11显示学习结果输出装置10进行解析而得的结果。
操作部12接收来自操作学习结果输出装置10的操作人员的输入。具体而言,操作部12是指键盘、鼠标、触摸板等。
此处,参照图2,对学习结果输出装置10的功能结构进行说明。
图2为示出学习结果输出装置10的功能结构的一例的图。
学习结果输出装置10包括信号获取部101、机器学习部102、存储部ST、操作检测部103、显示数据生成部104、显示部11及控制信号生成部105。此处,显示数据生成部104是指图表信息生成部的一例。
信号获取部101从上述的流式细胞仪20获取示出时序信号的信号信息。此处,信号信息是指示出学习对象物的形状的形态信息的一例。信号获取部101对机器学习部102供给从流式细胞仪20获取的信号信息。
对于学习对象物的属性中的至少一种属性,机器学习部102将该属性的程度作为评价轴来进行机器学习。具体而言,机器学习部102从信号获取部101获取信号信息。机器学习部102通过对从信号获取部101获取的信号信息进行机器学习来形成判断器。此处,机器学习部102通过支持向量机等机器学习算法来形成判断器。该判断器由FPGA(field-programmable gate array;现场可编程门阵列)的逻辑电路构成。此外,判断器也可由可编程逻辑器件(programmable logic device;PLD)或ASIC(application specificintegrated circuit;应用型专用集成电路)等构成。判断器是指学习模型的一例。
并且,在本实施方式中,机器学习部102通过预先已教习的机器学习来形成判断器。
机器学习部102通过判断器来判断所获取的信号信息。
机器学习部102对显示数据生成部104供给对该信号信息判断而得的判断结果。关于测定对象的属性中的至少一种属性,在该判断结果中包含将该属性的程度作为评价轴的信息。
操作检测部103对基于判断器的判断结果选择评价轴的操作进行检测。具体而言,操作检测部103对操作人员从多个属性的程度的评价轴之中选择评价轴的操作进行检测。操作检测部103基于检测出的操作来对显示数据生成部104供给表示操作人员所选择的评价轴的信息。并且,操作检测部103还检测基于显示数据生成部104生成的图表信息对测定对象的可视化操作。具体而言,操作检测部103基于后述的显示数据生成部104生成的图表信息,来检测用户选通测定对象的操作。在下文中对选通进行说明。
基于机器学习部102通过判断器判断信号信息的判断结果,显示数据生成部104生成图表信息,该图表信息示出以评价轴为轴表示判断结果的图表。具体而言,显示数据生成部104从机器学习部102获取判断结果。
显示数据生成部104从操作检测部103获取示出操作人员所选择的评价轴的信息。
[关于判断结果]
此处,参照图3,对判断结果LI进行说明。
图3为示出机器学习部102对某信号信息进行判断而得的判断结果的一例的图。
判断结果LI是指表示测定对象的属性的评价轴与表示其属性的程度的值相互对应的信息。具体而言,判断结果LI中,以相互对应的状态包含作为评价轴的信息的“基于SVM的分数1”与作为表示属性的程度的值的“VAL1”。并且,判断结果LI中,以相互对应的状态包含作为评价轴的信息的“基于SVM的分数2”与作为表示属性的程度的值的“VAL2”。
返回到图2,显示数据生成部104生成以操作人员所选择的评价轴为轴的图表信息。图表信息是指示出用于表示测定对象的判断结果的图表的信息。具体而言,图表信息是包含下述信息的信息,即,包含在至少一个轴中将判断结果LI的评价轴作为轴的信息。
显示数据生成部104向显示部11供给所生成的图表信息。显示部11将图表信息作为显示图像来显示。
显示数据生成部104从操作检测部103获取表示用户所选通的操作的选通操作。显示数据生成部104对控制信号生成部105供给表示通过该选通操作所选择的选择测定对象的信息。在以下说明中,通过选通操作所选择的测定对象也记载为选择测定对象。具体而言,通过对学习结果输出装置10进行操作的用户选通所关注的测定对象来确定选择测定对象。在以下说明中,选通也记载为选择性可视化。通过该选通,学习结果输出装置10能够进行将包含在测定对象中的垃圾或目标细胞以外的粒子除外的解析。
更具体而言,分选是指流式细胞仪20对操作学习结果输出装置10的用户所选通的微粒群进行划分的情况。
由操作学习结果输出装置10的用户来进行选通。用户基于由显示数据生成部104生成的图表信息来进行选通操作。操作检测部103检测该用户的操作。
控制信号生成部105基于可视化操作来生成学习对象物的划分用的控制信号。控制信号生成部105从显示数据生成部104获取表示选择测定对象的信息。控制信号生成部105基于从显示数据生成部104获取的表示选择测定对象的信息来生成用于分选的控制信号。分选是指选择性分取测定对象。在这一例中,分取是指对应于评价轴来选择性划分。分选为划分的一例。控制信号是指控制流式细胞仪20具备的分选部21的信号。控制信号生成部105对分选部21供给所生成的控制信号。
分选部21从控制信号生成部105获取控制信号。分选部21基于从控制信号生成部105获取的控制信号,来从在流道中流动的测定对象中分选出选择测定对象。
[图表信息]
此处,参照图4至图6,对显示数据生成部104生成的图表信息进行说明。
图4为示出显示数据生成部104生成的图表信息的一例的图。
图4所示的图表为基于判断结果LI生成的图表。在该图表中,按照评价轴中所示的每个属性的程度,来表示对应的测定对象的数量。
图4所示的图表的横轴为评价轴“基于SVM的绿色波形分数”。如上所述,该评价轴为包含在判断结果LI中的轴,上述判断结果LI是由机器学习部102机器学习而得的结果。该图表的纵轴为测定对象的数量。
图5为示出现有的流式细胞仪所显示的图表和显示数据生成部104所生成的图表信息的一例的图。图5所示的测定对象为多个细胞,上述多个细胞由DAPI(4’,6-diamidino-2-phenylindole;4',6-二脒基-2-苯基吲哚)和FG(fixable green;绿色荧光)进行了荧光染色。机器学习部102对每个细胞进行信号信息的机器学习。DAPI是指蓝色荧光的染色剂。FG是指绿色荧光的染色剂。
图5的(a)为现有的流式细胞仪生成的图表。图5的(a)的横轴为作为预定的轴的“FG总强度”。图5的(a)的纵轴为测定对象的数量。
图5的(b)为本实施方式的显示数据生成部104生成的图表。图5的(b)的横轴为包含在判断结果LI中的评价轴、即“DAPI总强度”。该评价轴“DAPI总强度”是指两种细胞的基于DAPI的蓝色荧光亮度的强度程度的评价轴。图5的(b)的纵轴为测定对象的数量。此处,该图表中所示的“MIA PaCa-2”和“MCF-7”是指上述的测定对象。机器学习部102生成包含源自该两种细胞的蓝色荧光亮度的强度程度的判断结果LI。显示数据生成部104生成包含两种细胞的蓝色荧光亮度强度的程度的图表。
图5的(c)为本实施方式的显示数据生成部104生成的图表。图5的(c)的横轴为判断结果LI中包含的评价轴、即“基于SVM的FG分数”。该评价轴“基于SVM的FG分数”是指以分数作为轴的评价轴,上述分数是基于通过判断器所判断的FG染色的细胞的形态信息而得的。图5的(c)的纵轴为测定对象的数量。通过使包含测定对象的形态信息的“基于SVM的FG分数”作为轴,能够呈现出用现有的FG荧光亮度的总量的直方图无法呈现的“MIA PaCa-2”与“MCF-7”这两个峰值。
图6为示出显示数据生成部104生成的图表信息的一例的图。
图6所示的图表的点PT1表示上述的图5的(b)及图5的(c)中所示的判断结果LI。该图表为示出多个测定对象的数量之比的图表。该图表的横轴表示利用DAPI从600个细胞中仅染色“MCF-7”并表示该“MCF-7”在600个细胞中所占的比率。
该图表的纵轴表示利用FG从600个细胞中染色“MCF-7”和“MIA PaCa-2”这两者的细胞质整体,蓝(Blue)点表示基于FG的荧光亮度的总量来判别600个细胞中“MCF-7”所占的比例的情况,红(Red)点表示基于通过FG染色了的细胞质的形态信息通过机器学习而判断为含有“MCF-7”的比例。即,该蓝点是在横轴上标绘正确数据、在纵轴上标绘基于细胞的形态信息判别出的结果而成的。像这样,对于如蓝点所示利用现有的仅用荧光亮度的总量来判别的方法无法正确地判别的细胞群,学习结果输出装置10,如红点所示,通过针对细胞形态利用机器学习,能够更准确地判别细胞群。
[学习结果输出装置10的动作概要]
接着,参照图7,对学习结果输出装置10的动作概要进行说明。
图7为示出学习结果输出装置10的动作的一例的流程图。
信号获取部101从流式细胞仪20获取信号信息(步骤S10)。信号获取部101对机器学习部102供给从流式细胞仪20所获取的信号信息。
机器学习部102从信号获取部101获取信号信息。机器学习部102对从信号获取部101所获取的信号信息进行机器学习(步骤S20)。机器学习部102将机器学习的结果、即判断结果LI供给显示数据生成部104。机器学习部102将判断结果LI供给控制信号生成部105。
显示数据生成部104从机器学习部102获取判断结果LI。显示数据生成部104显示部11显示从机器学习部102所获取的判断结果LI。操作人员对显示在显示部11上的判断结果LI中所包含的评价轴进行选择(步骤S30)。操作检测部103检测出该操作人员的操作。操作检测部103向显示数据生成部104供给表示操作人员所选择的评价轴的信息。
显示数据生成部104从操作检测部103获取表示操作人员所选择的评价轴的信息。显示数据生成部104生成以从操作检测部103获取的操作人员所选择的评价轴为轴的图表信息(步骤S40)。显示数据生成部104向显示部11供给所生成的图表信息。
显示部11从显示数据生成部104获取图表信息。显示部11基于图表信息生成显示图像(步骤S50)。显示部11显示所生成的显示图像(步骤S60)。
对学习结果输出装置10进行操作的用户基于显示图像来进行选通。操作检测部103将该选通的操作作为选通操作检测出来(步骤S70)。操作检测部103向显示数据生成部104供给所检测出的选通操作。显示数据生成部104从操作检测部103获取选通操作。显示数据生成部104基于从操作检测部103获取的选通操作来生成所选通的细胞群的图表信息(步骤S80)。
显示数据生成部104向控制信号生成部105供给表示通过选通操作选择了的选择测定对象的选择测定对象信息。控制信号生成部105从显示数据生成部104获取选择测定对象信息。控制信号生成部105基于从显示数据生成部104获取的选择测定对象信息来生成表示用于该选择测定对象的分选的信号的控制信号(步骤S90)。
控制信号生成部105向分选部21供给所生成的控制信号(步骤S95)。
分选部21从控制信号生成部105获取控制信号。分选部21基于该控制信号从在流道中流动的测定对象中分选出选择测定对象。
此处,参照图8,对操作检测部103检测的选通的操作的一例进行说明。
图8为将两个轴均作为基于判断结果LI的评价轴的图表的一例。
图8所示的图表为将“基于SVM的分数1”作为横轴,将“基于SVM的分数2”作为纵轴的表示测定信号的判断结果的图表。
区域AR1中包含的点为表示具有“基于SVM的分数1”所示的属性与“基于SVM的分数2”所示的属性这两者的测定对象的点。区域AR2中包含的点为表示仅具有“基于SVM的分数1”所示的属性的测定对象的点。区域AR3中包含的点为表示仅具有“基于SVM的分数2”所示的属性的测定对象的点。区域AR4中包含的点为表示“基于SVM的分数1”所示的属性与“基于SVM的分数2”所示的属性这两者均不具有的测定对象的点。
操作学习结果输出装置10的用户从表示测定对象的点中选择其认为是目标细胞群的点的区域,并设定边界GL。设定该边界GL即为进行选通。需要说明的是,用户从以往的数据等推测散射光或荧光的总量的强度、形态信息,并将其认为是目标细胞群的区域围起来,由此来设置边界。
操作检测部103检测该选通操作。操作检测部103向显示数据生成部104供给检测出的选通操作。显示数据生成部104基于选通操作来描绘边界GL。
并且,显示数据生成部104也可生成该边界GL所包含的细胞群的图表信息。该边界GL所包含的细胞群的图表信息是指,例如上述的图5及图6中所示的直方图或散点图等图表。
[总结]
如以上所说明的那样,学习结果输出装置10包括信号获取部101、机器学习部102及显示数据生成部104。信号获取部101从流式细胞仪20获取信号信息。在该信号信息中包含有测定对象的各种信息。机器学习部102基于该信号信息来进行判断。机器学习部102生成判断结果LI。在机器学习部102生成的判断结果LI中包含有将测定对象的属性作为轴的评价轴。显示数据生成部104基于机器学习部102机器学习而得的判断结果LI来生成图表信息,该图标信息将属性的程度的评价轴作为轴来表示判断结果LI。由此,学习结果输出装置10能够生成将包含在判断结果LI中的评价轴作为轴的图表。并且,学习结果输出装置10能够生成对包含在判断结果LI中的评价轴进行组合的图表。由此,学习结果输出装置10能够生成将测定对象的各种属性的程度作为轴的信息。学习结果输出装置10能够基于该信息,对粒子群根据测定对象的形态信息进行分类。
此外,在上述的说明中,对信号获取部101从流式细胞仪20获取信号信息的结构进行了说明,但不限定于此。信号获取部101也可从其他装置获取信号信息。
此外,在上述的说明中,对学习结果输出装置10具有操作检测部103的结构进行了说明,但不是必须具有该结构。学习结果输出装置10只要能够生成表示评价轴作为轴的机器学习结果的图表信息即可。学习结果输出装置10由于具有操作检测部103而能够检测操作人员的选择。操作学习结果输出装置10的操作人员通过选择包含在判断结果LI中的评价轴来认识未发现的特征。并且,由于学习结果输出装置10能够生成基于操作人员未发现的特征的图表,因此能够更详细地解析测定对象。
并且,学习结果输出装置10通过机器学习部102对以往无法进行分类的基于细胞形态信息的特征量进行分类。由此,学习结果输出装置10能够显示以往无法显示的测定对象的特征量。
并且,学习结果输出装置10通过具有操作检测部103而能够检测上述的选通操作。
学习结果输出装置10具有控制信号生成部105。控制信号生成部105基于操作检测部103检测的选通操作来生成控制信号。通过该选通操作选择的细胞群是根据基于学习结果LI的评价轴的图表实现的。在该评价轴为表示细胞的形态的形态信息的评价轴的情况下,用户可基于细胞的形态来选通目标细胞。基于通过控制信号生成部105生成的控制信号,流式细胞仪20能够对目标细胞进行分选。
即,学习结果输出装置10能够基于下述图表来检测选通操作,即“所述图表不仅将现有的来自细胞群的散射光或荧光强度作为轴,还将包含在学习结果LI中的评价轴作为轴。并且,学习结果输出装置10通过检测该选通操作来生成用于分选所选择的细胞群的控制信号。
并且,机器学习部102具有由逻辑电路构成的判断器。由此,机器学习部102能够以短时间对测定对象进行机器学习。即,学习结果输出装置10能够以短时间生成包含有测定对象的各种属性的判断结果LI。
需要说明的是,在上述的说明中,机器学习部102对通过支持向量机来进行机器学习的结构进行了说明,但不限定于此。机器学习部102只要是能够将测定对象的属性的程度作为机器学习结果供给显示数据生成部104即可。例如,关于机器学习部102,能够列举出通过如随机森林或神经网络等来进行机器学习的结构。并且,在机器学习部102中,只要是能够输出关于对象的属性的机器学习模型即可,不教习也可以。能够输出关于对象的属性的机器学习模型能够列举出例如主成分分析或自动编码器等。
此外,在上述的说明中,对学习结果输出装置10具有控制信号生成部105的结构进行了说明,但控制信号生成部105不是必须的。学习结果输出装置10通过具备控制信号生成部105而能够基于包含在判断结果LI中的评价轴来对流式细胞仪20进行分选控制。
此外,关于上述的流式细胞仪20,说明了测定对象相对于光学系统或检测系统相对位置变化的结构,但不限定于此。也可以相对于静止的测定对象使光学系统或检测系统移动。
并且,说明了上述的流式细胞仪20获取光信号的时序信号的结构,但不限定于此。流式细胞仪20也可以为成像流式细胞仪。在此情况下,成像流式细胞仪是指将测定对象的像通过CCD(Charge Coupled Device;电荷耦合器件)或CMOS(Complementary MOS;互补金属氧化物半导体)、PMT(photomultiplier tube;光电倍增管)等成像元件来进行成像的流式细胞仪。成像流式细胞仪生成表示所拍摄的像的拍摄图像。流式细胞仪20将该拍摄图像作为信号信息供给学习结果输出装置10。学习结果输出装置10通过机器学习部102所具有的判断器来对该拍摄图像中所包含的测定对象的像进行判断,由此生成判断结果LI。
需要说明的是,上述的图8所示的图表的表现为一例,不限定于此。显示数据生成部104只要能够生成将两个轴均作为基于判断结果LI的评价轴的图表信息即可。
以上,参照附图详细描述了本发明的实施方式,但具体的结构不限定于该实施方式,在不脱离本发明的主旨的范围内可进行适当变更。
此外,在上述的学习结果输出装置10的内部具有计算机。并且,上述的装置的各处理过程以程序的形式存储于计算机可读记录介质中,由计算机读取该程序并执行来进行上述处理。在此,计算机可读记录介质是指磁盘、光盘、CD-ROM、DVD-ROM、半导体存储器等。并且,也可配置为通过通信电路将该计算机程序分配给计算机,接收了该分配的计算机执行该程序。
并且,上述程序也可用于实现上文中所述的功能的一部分。
再者,也可使上文中所述的功能通过与已经记录在计算机系统中的程序进行组合来实现,即为所谓的差异文件(差异程序)。
附图标记的说明
1:细胞测定系统 10:学习结果输出装置
20:流式细胞仪 21:分选部
11:显示部 12:操作部
101:信号获取部 102:机器学习部
103:操作检测部 104:显示数据生成部
105:控制信号生成部
Claims (7)
1.一种学习结果输出装置,其特征在于,包括:
机器学习部,基于测定对象的形态信息,对于所述测定对象的属性中的至少一种属性,通过机器学习来作成学习模型;和
图表信息生成部,关于所述机器学习部使用所述机器学习部作成的所述学习模型并基于所述形态信息在不重建所述测定对象的像的情况下来判断所述测定对象的判断结果而言,将表示判断结果的所述属性的程度的值即机器学习的分数作为至少一个评价轴来生成图表信息,
所述形态信息是指下述的光信号的时序信号,即:利用具有结构化的照明图案的光学系统和具有光特性相互不同的多个区域的结构化的检测系统这两者之一或双方,在改变所述测定对象、所述光学系统、所述检测系统中任意两者间的相对位置的过程中,示出通过一个或少量个像素检测元件检测出的所述测定对象的光信号的时序信号,
在所述光信号的时序信号中包含测定对象的属性的信息,所述光信号的时序信号能够从所述光信号的时序信号重建所述测定对象的像。
2.根据权利要求1所述的学习结果输出装置,其特征在于,
还包括操作检测部,所述操作检测部检测对基于所述机器学习部使用所述学习模型判断出的判断结果的所述评价轴进行选择的操作,
所述图表信息生成部以通过所述操作检测部检测出的操作而选择了的评价轴作为轴,来生成所述图表信息。
3.根据权利要求2所述的学习结果输出装置,其特征在于,
通过所述操作检测部检测出的所述操作来选择出的评价轴为所述机器学习部使用所述学习模型在不重建所述测定对象的像的情况下判断所述形态信息之前未预先确定的评价轴。
4.根据权利要求2所述的学习结果输出装置,其特征在于,
所述操作检测部还对基于所述图表信息生成部所生成的所述图表信息的、所述测定对象的可视化操作进行检测。
5.根据权利要求4所述的学习结果输出装置,其特征在于,
还包括控制信号生成部,所述控制信号生成部基于所述操作检测部检测出的所述可视化操作,来生成用于所述测定对象的划分的控制信号。
6.一种存储有学习结果输出程序的非临时性的记录介质,其特征在于,所述学习结果输出程序用于使计算机执行如下步骤:
机器学习步骤,基于测定对象的形态信息,对于所述测定对象的属性中的至少一种属性,通过机器学习来作成学习模型;和
图表信息生成步骤,关于所述机器学习步骤使用通过所述机器学习步骤作成的所述学习模型并基于所述形态信息在不重建所述测定对象的像的情况下来判断所述测定对象的判断结果而言,将表示判断结果的所述属性的程度的值即机器学习的分数作为至少一个评价轴来生成图表信息,
所述形态信息是指下述的光信号的时序信号,即:利用具有结构化的照明图案的光学系统和具有光特性相互不同的多个区域的结构化的检测系统这两者之一或双方,在改变所述测定对象、所述光学系统、所述检测系统中任意两者间的相对位置的过程中,示出通过一个或少量个像素检测元件检测出的所述测定对象的光信号的时序信号,
在所述光信号的时序信号中包含测定对象的属性的信息,所述光信号的时序信号能够从所述光信号的时序信号重建所述测定对象的像。
7.一种学习结果输出方法,其特征在于,包括:
机器学习步骤,基于测定对象的形态信息,对于所述测定对象的属性中的至少一种属性,通过机器学习来作成学习模型;和
图表信息生成步骤,关于机器学习部使用所述机器学习部作成的所述学习模型并基于所述形态信息在不重建所述测定对象的像的情况下来判断所述测定对象的判断结果而言,将表示判断结果的所述属性的程度的值即机器学习的分数作为至少一个评价轴来生成图表信息,
所述形态信息是指下述的光信号的时序信号,即:利用具有结构化的照明图案的光学系统和具有光特性相互不同的多个区域的结构化的检测系统这两者之一或双方,在改变所述测定对象、所述光学系统、所述检测系统中任意两者间的相对位置的过程中,示出通过一个或少量个像素检测元件检测出的所述测定对象的光信号的时序信号,
在所述光信号的时序信号中包含测定对象的属性的信息,所述光信号的时序信号能够从所述光信号的时序信号重建所述测定对象的像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017064387 | 2017-03-29 | ||
JP2017-064387 | 2017-03-29 | ||
PCT/JP2018/012708 WO2018181458A1 (ja) | 2017-03-29 | 2018-03-28 | 学習結果出力装置及び学習結果出力プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110520876A CN110520876A (zh) | 2019-11-29 |
CN110520876B true CN110520876B (zh) | 2024-05-14 |
Family
ID=63676280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880021362.5A Active CN110520876B (zh) | 2017-03-29 | 2018-03-28 | 学习结果输出装置及学习结果输出程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200027020A1 (zh) |
EP (1) | EP3605406A4 (zh) |
JP (2) | JP7173494B2 (zh) |
CN (1) | CN110520876B (zh) |
WO (1) | WO2018181458A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6781987B2 (ja) | 2017-02-17 | 2020-11-11 | 国立大学法人大阪大学 | 電磁波検出装置、フローサイトメーター、電磁波検出方法及び電磁波検出プログラム |
US11307863B1 (en) * | 2018-10-08 | 2022-04-19 | Nvidia Corporation | Graphics processing unit systems for performing data analytics operations in data science |
EP4027131A4 (en) | 2019-09-02 | 2023-10-04 | H.U. Group Research Institute G.K. | GRID REGION ESTIMATION PROGRAM, GRID REGION ESTIMATION DEVICE, AND LEARNING MODEL GENERATION METHOD |
US11643649B2 (en) | 2020-01-10 | 2023-05-09 | Thinkcyte, Inc. | Cellular phenotype screening method |
WO2021193673A1 (ja) * | 2020-03-25 | 2021-09-30 | 合同会社H.U.グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定方法、及びゲート領域推定装置 |
WO2021245779A1 (ja) * | 2020-06-02 | 2021-12-09 | 日本電信電話株式会社 | 粒子選別装置、方法、プログラム、粒子選別データのデータ構造および学習済みモデル生成方法 |
JP7473185B2 (ja) | 2020-07-06 | 2024-04-23 | シンクサイト株式会社 | フローサイトメータ、イメージング装置、位置検出方法、及びプログラム |
JPWO2022024389A1 (zh) * | 2020-07-31 | 2022-02-03 | ||
JPWO2022034830A1 (zh) * | 2020-08-13 | 2022-02-17 | ||
KR102589666B1 (ko) * | 2020-12-17 | 2023-10-13 | 가톨릭대학교 산학협력단 | Dapi 염색 기반 세포 영상 분류를 위한 머신러닝 시스템 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080314A1 (ja) * | 2005-01-26 | 2006-08-03 | Osaka University | 白血病浸潤精巣に由来する細胞集団から白血病細胞を除去する方法、及びそれに用いられる試薬キット |
JP2007048172A (ja) * | 2005-08-12 | 2007-02-22 | Fuji Xerox Co Ltd | 情報分類装置 |
CN101320252A (zh) * | 2007-06-07 | 2008-12-10 | 株式会社日立制作所 | 成套设备的控制装置 |
JP2009210465A (ja) * | 2008-03-05 | 2009-09-17 | Yamaguchi Univ | がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム |
CN101714212A (zh) * | 2008-10-07 | 2010-05-26 | 索尼株式会社 | 信息处理设备和方法、程序以及记录介质 |
CN103942415A (zh) * | 2014-03-31 | 2014-07-23 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种流式细胞仪数据自动分析方法 |
CN104200114A (zh) * | 2014-09-10 | 2014-12-10 | 中国人民解放军军事医学科学院卫生装备研究所 | 流式细胞仪数据快速分析方法 |
CN105181649A (zh) * | 2015-10-09 | 2015-12-23 | 山东大学 | 一种新型免标记模式识别细胞仪方法 |
CN105574536A (zh) * | 2014-10-31 | 2016-05-11 | 卡西欧计算机株式会社 | 机器学习装置、机器学习方法、分类装置、分类方法 |
CN106068520A (zh) * | 2013-12-13 | 2016-11-02 | 微软技术许可有限责任公司 | 个性化的机器学习模型 |
CN106097437A (zh) * | 2016-06-14 | 2016-11-09 | 中国科学院自动化研究所 | 基于纯光学系统的生物自发光三维成像方法 |
JP2016192007A (ja) * | 2015-03-31 | 2016-11-10 | 日本電気株式会社 | 機械学習装置、機械学習方法、および機械学習プログラム |
CN106295251A (zh) * | 2015-05-25 | 2017-01-04 | 中国科学院青岛生物能源与过程研究所 | 基于单细胞表现型数据库的表型数据分析处理方法 |
CN106267241A (zh) * | 2015-06-26 | 2017-01-04 | 重庆医科大学 | 一种多功能多模态肿瘤特异性靶向相变型纳米微球光声造影剂及其应用 |
CN106520535A (zh) * | 2016-10-12 | 2017-03-22 | 山东大学 | 一种基于光片照明的免标记细胞检测装置及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54126604A (en) | 1978-03-24 | 1979-10-02 | Sumitomo Metal Ind Ltd | Iron ore pellet |
US6249341B1 (en) | 1999-01-25 | 2001-06-19 | Amnis Corporation | Imaging and analyzing parameters of small moving objects such as cells |
US20160069919A1 (en) * | 2011-09-25 | 2016-03-10 | Theranos, Inc. | Systems and methods for multi-analysis |
JP6321529B2 (ja) * | 2014-11-19 | 2018-05-09 | 日本電信電話株式会社 | 情報信憑性判定システム、情報信憑性判定方法、情報信憑性判定プログラム |
CA2969912A1 (en) | 2014-12-10 | 2016-06-16 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
CN107250716B (zh) * | 2015-02-24 | 2020-07-24 | 国立大学法人东京大学 | 动态高速高灵敏度成像装置及成像方法 |
CN106560827B (zh) | 2015-09-30 | 2021-11-26 | 松下知识产权经营株式会社 | 控制方法 |
-
2018
- 2018-03-28 CN CN201880021362.5A patent/CN110520876B/zh active Active
- 2018-03-28 WO PCT/JP2018/012708 patent/WO2018181458A1/ja unknown
- 2018-03-28 JP JP2019509964A patent/JP7173494B2/ja active Active
- 2018-03-28 EP EP18775495.7A patent/EP3605406A4/en active Pending
-
2019
- 2019-09-26 US US16/584,535 patent/US20200027020A1/en active Pending
-
2022
- 2022-10-25 JP JP2022170844A patent/JP7428994B2/ja active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080314A1 (ja) * | 2005-01-26 | 2006-08-03 | Osaka University | 白血病浸潤精巣に由来する細胞集団から白血病細胞を除去する方法、及びそれに用いられる試薬キット |
JP2007048172A (ja) * | 2005-08-12 | 2007-02-22 | Fuji Xerox Co Ltd | 情報分類装置 |
CN101320252A (zh) * | 2007-06-07 | 2008-12-10 | 株式会社日立制作所 | 成套设备的控制装置 |
JP2009210465A (ja) * | 2008-03-05 | 2009-09-17 | Yamaguchi Univ | がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム |
CN101714212A (zh) * | 2008-10-07 | 2010-05-26 | 索尼株式会社 | 信息处理设备和方法、程序以及记录介质 |
CN106068520A (zh) * | 2013-12-13 | 2016-11-02 | 微软技术许可有限责任公司 | 个性化的机器学习模型 |
CN103942415A (zh) * | 2014-03-31 | 2014-07-23 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种流式细胞仪数据自动分析方法 |
CN104200114A (zh) * | 2014-09-10 | 2014-12-10 | 中国人民解放军军事医学科学院卫生装备研究所 | 流式细胞仪数据快速分析方法 |
CN105574536A (zh) * | 2014-10-31 | 2016-05-11 | 卡西欧计算机株式会社 | 机器学习装置、机器学习方法、分类装置、分类方法 |
JP2016192007A (ja) * | 2015-03-31 | 2016-11-10 | 日本電気株式会社 | 機械学習装置、機械学習方法、および機械学習プログラム |
CN106295251A (zh) * | 2015-05-25 | 2017-01-04 | 中国科学院青岛生物能源与过程研究所 | 基于单细胞表现型数据库的表型数据分析处理方法 |
CN106267241A (zh) * | 2015-06-26 | 2017-01-04 | 重庆医科大学 | 一种多功能多模态肿瘤特异性靶向相变型纳米微球光声造影剂及其应用 |
CN105181649A (zh) * | 2015-10-09 | 2015-12-23 | 山东大学 | 一种新型免标记模式识别细胞仪方法 |
CN106097437A (zh) * | 2016-06-14 | 2016-11-09 | 中国科学院自动化研究所 | 基于纯光学系统的生物自发光三维成像方法 |
CN106520535A (zh) * | 2016-10-12 | 2017-03-22 | 山东大学 | 一种基于光片照明的免标记细胞检测装置及方法 |
Non-Patent Citations (5)
Title |
---|
Flow Cytometry-Based Classification in Cancer Research: A View on Feature Selection;S Sakira Hassan等;《Cancer Informatics》;20160410;第14卷(第5期);75-85 * |
Focusing on moving targets through scattering samples;Edward Haojiang Zhou等;《Optica》;20141031;第1卷(第4期);227-232 * |
RAJWA BARTEK等.Automated Classification of Bacterial Particles in Flow by Multiangle Scatter Measurement and Support Vector Machine Classifier.《International Society for Analytical Cytology》.2007,第73卷(第4期),369-379. * |
基于SVM的质谱细胞仪高维数据分析在AML早期诊断方面的应用研究;吴佳妮;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20170115;第2017年卷(第1期);E072-67 * |
基于偏斜t混合模型的流式数据细胞类群自动识别算法研究;王先文;《中国博士学位论文全文数据库 信息科技辑》;20151115;第2015年卷(第11期);I138-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN110520876A (zh) | 2019-11-29 |
JPWO2018181458A1 (ja) | 2020-02-06 |
EP3605406A1 (en) | 2020-02-05 |
JP2023001164A (ja) | 2023-01-04 |
EP3605406A4 (en) | 2021-01-20 |
US20200027020A1 (en) | 2020-01-23 |
JP7428994B2 (ja) | 2024-02-07 |
WO2018181458A1 (ja) | 2018-10-04 |
JP7173494B2 (ja) | 2022-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110520876B (zh) | 学习结果输出装置及学习结果输出程序 | |
JP6580117B2 (ja) | 血球の撮像 | |
US6633662B2 (en) | Identification of objects of interest using multiple illumination schemes and finding overlap of features in corresponding multiple images | |
US6169816B1 (en) | Identification of objects of interest using multiple illumination schemes and finding overlap of features in corresponding multiple images | |
US11022537B2 (en) | Information processing apparatus, information processing method, and information processing system | |
US10007834B2 (en) | Detection control device, detection system, non-transitory storage medium, and detection control method | |
JP3581149B2 (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
CN104854620B (zh) | 图像处理装置、图像处理系统和程序 | |
Dominical et al. | Masks in imaging flow cytometry | |
WO2019229912A1 (ja) | 情報処理装置、情報処理方法、情報処理プログラム、及び顕微鏡 | |
JPWO2017150194A1 (ja) | 画像処理装置、画像処理方法及びプログラム | |
KR101932595B1 (ko) | 영상에서 투명 오브젝트를 검출하는 영상 처리 장치 및 방법 | |
JP7361395B2 (ja) | 表示制御装置、表示制御方法及び表示制御プログラム | |
CN112996900A (zh) | 细胞分选装置及方法 | |
JP2009122115A (ja) | 細胞画像解析装置 | |
CN107367456B (zh) | 一种免洗涤图像类流式荧光检测方法和系统 | |
CN102227624B (zh) | 用于显示三维物体散点图的系统和方法 | |
JP4728025B2 (ja) | 細胞画像解析装置 | |
EP1565873B1 (en) | Particle extraction for automatic flow microscope | |
JP5530126B2 (ja) | 三次元細胞画像解析システム及びそれに用いる三次元細胞画像解析装置 | |
JP2022090930A (ja) | オブジェクト分類装置、オブジェクト分類システム及びオブジェクト分類方法 | |
CN110537089A (zh) | 用于分析细胞的方法和装置 | |
WO2023008526A1 (ja) | 細胞画像解析方法 | |
US10540535B2 (en) | Automatically identifying regions of interest on images of biological cells | |
JPH11306362A (ja) | 画像解析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |