CN110543806A - 一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 - Google Patents
一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 Download PDFInfo
- Publication number
- CN110543806A CN110543806A CN201910328744.9A CN201910328744A CN110543806A CN 110543806 A CN110543806 A CN 110543806A CN 201910328744 A CN201910328744 A CN 201910328744A CN 110543806 A CN110543806 A CN 110543806A
- Authority
- CN
- China
- Prior art keywords
- function
- classification
- extractable nuclear
- layer
- immunofluorescence
- 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.)
- Pending
Links
- 230000001363 autoimmune Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002073 fluorescence micrograph Methods 0.000 title description 3
- 238000010166 immunofluorescence Methods 0.000 claims abstract description 124
- 102000019040 Nuclear Antigens Human genes 0.000 claims abstract description 87
- 108010051791 Nuclear Antigens Proteins 0.000 claims abstract description 87
- 230000001413 cellular effect Effects 0.000 claims abstract description 61
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 201000010099 disease Diseases 0.000 claims description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 58
- 238000011176 pooling Methods 0.000 claims description 32
- 210000004027 cell Anatomy 0.000 claims description 24
- -1 centromers Proteins 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 108020004414 DNA Proteins 0.000 claims description 10
- 102000053602 DNA Human genes 0.000 claims description 10
- 102000005352 centromere protein F Human genes 0.000 claims description 6
- 108010031377 centromere protein F Proteins 0.000 claims description 6
- 108091032973 (ribonucleotides)n+m Proteins 0.000 claims description 5
- 101710164022 ATP-dependent RNA helicase A Proteins 0.000 claims description 5
- 102100030088 ATP-dependent RNA helicase A Human genes 0.000 claims description 5
- 102000007469 Actins Human genes 0.000 claims description 5
- 108010085238 Actins Proteins 0.000 claims description 5
- 108090000626 DNA-directed RNA polymerases Proteins 0.000 claims description 5
- 102000004163 DNA-directed RNA polymerases Human genes 0.000 claims description 5
- 102100034690 Delta(14)-sterol reductase LBR Human genes 0.000 claims description 5
- 101100439546 Drosophila melanogaster Mi-2 gene Proteins 0.000 claims description 5
- 102100029505 E3 ubiquitin-protein ligase TRIM33 Human genes 0.000 claims description 5
- 101710164884 E3 ubiquitin-protein ligase TRIM33 Proteins 0.000 claims description 5
- 102100026060 Exosome component 10 Human genes 0.000 claims description 5
- 102000006479 Heterogeneous-Nuclear Ribonucleoproteins Human genes 0.000 claims description 5
- 108010019372 Heterogeneous-Nuclear Ribonucleoproteins Proteins 0.000 claims description 5
- 108010033040 Histones Proteins 0.000 claims description 5
- 101001055976 Homo sapiens Exosome component 10 Proteins 0.000 claims description 5
- 101000972485 Homo sapiens Lupus La protein Proteins 0.000 claims description 5
- 101000736088 Homo sapiens PC4 and SFRS1-interacting protein Proteins 0.000 claims description 5
- 102100022742 Lupus La protein Human genes 0.000 claims description 5
- 102100038485 Nucleolar transcription factor 1 Human genes 0.000 claims description 5
- 108010047956 Nucleosomes Proteins 0.000 claims description 5
- 102100036220 PC4 and SFRS1-interacting protein Human genes 0.000 claims description 5
- 102000014450 RNA Polymerase III Human genes 0.000 claims description 5
- 108010078067 RNA Polymerase III Proteins 0.000 claims description 5
- 101150021239 Sp100 gene Proteins 0.000 claims description 5
- 101710183280 Topoisomerase Proteins 0.000 claims description 5
- 108010022838 lamin B receptor Proteins 0.000 claims description 5
- 210000001623 nucleosome Anatomy 0.000 claims description 5
- 108010040073 transcription factor UBF Proteins 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 102000013127 Vimentin Human genes 0.000 claims description 3
- 108010065472 Vimentin Proteins 0.000 claims description 3
- 210000005048 vimentin Anatomy 0.000 claims description 3
- 108010047294 Lamins Proteins 0.000 claims 2
- 102100026531 Prelamin-A/C Human genes 0.000 claims 2
- 102000005525 fibrillarin Human genes 0.000 claims 2
- 108020002231 fibrillarin Proteins 0.000 claims 2
- 210000005053 lamin Anatomy 0.000 claims 2
- 230000037452 priming Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 60
- 238000010586 diagram Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000003460 anti-nuclear Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 208000026278 immune system disease Diseases 0.000 description 4
- 230000000394 mitotic effect Effects 0.000 description 4
- 108010021099 Lamin Type A Proteins 0.000 description 3
- 102000008201 Lamin Type A Human genes 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 210000002230 centromere Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 102000007999 Nuclear Proteins Human genes 0.000 description 2
- 108010089610 Nuclear Proteins Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000633 nuclear envelope Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- HMFHBZSHGGEWLO-SOOFDHNKSA-N D-ribofuranose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H]1O HMFHBZSHGGEWLO-SOOFDHNKSA-N 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- PYMYPHUHKUWMLA-LMVFSUKVSA-N Ribose Natural products OC[C@@H](O)[C@@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-LMVFSUKVSA-N 0.000 description 1
- 206010039710 Scleroderma Diseases 0.000 description 1
- 206010048222 Xerosis Diseases 0.000 description 1
- HMFHBZSHGGEWLO-UHFFFAOYSA-N alpha-D-Furanose-Ribose Natural products OCC1OC(O)C(O)C1O HMFHBZSHGGEWLO-UHFFFAOYSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001981 dermatomyositis Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 206010025135 lupus erythematosus Diseases 0.000 description 1
- 210000003712 lysosome Anatomy 0.000 description 1
- 230000001868 lysosomic effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002438 mitochondrial effect Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 210000003705 ribosome Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Physiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Peptides Or Proteins (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明的实施例提供了一种自体免疫抗体免疫荧光影像分类系统及其分类方法,包括输入设备、处理器及输出装置。通过输入设备输入多个细胞免疫荧光影像及对应的可提取核抗原检测结果,由处理器进行多个卷积神经网络的运算,将可提取核抗原检测结果作为分类输出,建立可提取核抗原分类模型。将待测细胞免疫荧光影像输入,预测对应的可提取核抗原类型。将分类结果通过输出装置输出。
Description
技术领域
本发明涉及一种自体免疫抗体的免疫荧光影像分类系统及其分类方法,特别涉及一种利用卷积神经网络(Convolutional neural networks,简称CNN)运算,对原始细胞免疫荧光影像进行分析,预测免疫荧光影像中分属各种可提取核抗原的分类系统及分类方法。
背景技术
抗核抗体(Antinuclear antibodies,简称ANA)可视为一组将人体细胞中各种与细胞核相关成分作为标靶原的自体免疫抗体的总称。这些自体免疫抗体存在于各种不同的免疫疾病,例如类风湿性关节炎、红斑性狼疮、硬皮症、干燥症、皮肌炎等,对于风湿疾病的诊断占有非常重要的角色。目前筛检自体免疫抗体的标准筛检方法是采用免疫荧光法(Indirect Immunofluorescence,简称IIF)进行检验,测定结果大于或等于1:80稀释后可判读出型别就认为是有意义的阳性,即与多种自身免疫疾病相关。接着,配合血液检查,进行不同类别的可提取核抗体(Extractable nuclear antigen,简称ENA)的检验,能进一步得出与免疫疾病间的对应关系,作为判断是否归类于特定的免疫疾病。然而,现有荧光影像的判读多以人工判读方式进行,造成人力需求的负担,可提取核抗体的检验类别也相当多,在决定检验项目时也必须考虑如何选择对应的可提取核抗体检验类别。
对此,利用机器学习的技术来处理免疫荧光影像的判读,可能是解决上述人工判读需耗费人力成本及判读一致性问题的解决方式。然而,现有技术上在进行机器判读前必须先对原始细胞免疫荧光影像进行前处理,例如细胞范围边界的界定切割、像素模糊化处理等,才能取得较为有效的判读结果。然而,前处理过程反而增加了判读的步骤,降低了判断抗核抗体结果的判读效率,也无法直接连接到可提取核抗体的血液检验结果。因此,目前现有的抗核抗体的检验及判断方法,仍无法以简化且准确的方式直接利用机器学习方式来完成免疫荧光影像的判读及预测可提取核抗体的类别。
因此,如何建立一种机器学习模型,使其能直接读取原始细胞的免疫荧光影像,摘取其中的特征,并通过输入可提取核抗体的实际检测结果进行学习,建立对应的抗核抗体分类模型,提升判读结果的效率及准确性是一急需解决的问题。
发明内容
本发明实施例要达到的技术目的是提供一种自体免疫抗体的免疫荧光影像分类系统及其分类方法,用以解决现有技术中自动判读准确率过低及无法预测抗核抗体分类的问题。
为达到上述目的,本发明的实施例提供了一种自体免疫抗体的免疫荧光影像分类系统,包括:输入设备、处理器及输出装置。其中,输入设备是用于输入多个细胞免疫荧光影像及多个细胞免疫荧光图像映射的可提取核抗原检测结果。处理器连接于输入设备,将多个细胞免疫荧光影像分别转换成多个三原色图层,进行多个卷积神经网络的运算,多个卷积神经网络分别包括通过卷积层、池化层及启动层,运算后得到多个卷积特征数据,将多个卷积特征数据作为下一阶卷积神经网络的输入,并将多个卷积特征数据与可提取核抗原检测结果进行全连接,根据多个细胞免疫荧光影像分属于多个可提取核抗原的比例,建立可提取核抗原分类模型。输出装置连接于处理器,将处理器产生的可提取核抗原分类结果通过输出装置输出。可提取核抗原分类结果是通过输入设备输入待测细胞免疫荧光影像,并通过处理器根据可提取核抗原分类模型,预测待测细胞免疫荧光图像映射的多个可提取核抗原。
优选地,输入设备可输入多个可提取核抗原对应于多个疾病种类的对应表,通过处理器建立多个细胞免疫荧光影像分属于多个疾病种类的疾病分类模型,通过输出装置将处理器产生的疾病分类结果输出。疾病分类结果是由处理器将待测细胞免疫荧光影像依据疾病分类模型,预测待测细胞免疫荧光图像映射的多个疾病种类。
进一步的,多个可提取核抗原可分别对应多个疾病种类中的至少一种。
具体地,卷积层可包括触发函数,触发函数包括Sigmoid函数、Tanh函数、ReLU函数、PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bentidentity函数或Gaussian函数。
优选地,池化层可包括最大池化或平均池化的运算方式。
具体地,启动层包括在同一层运算中进行不同大小模板的卷积运算及最大池化运算,再将数据进行级联。
优选地,多个可提取核抗原可包括dsdna、ssdna、Rna、Histone、U14-RNP、Sm、SS-A、SS-B、U3-nRNP/Fibrillarin、RNA polymerase l、RNA helicase A、PM-Scl、centromeres(cenp-A,cenp-B)、Topoisomerase l、PCNA-like、Ku、Mi-1,Mi-2、Nucleosome、DFS-70、TIF1-gamma、hnRNP、RNA polymerase III、Sp100、Sp140、p80-coilin、NOR-90(nucelolusorganisator)、gp210、lamin A,b,c and lamin B receptor、F-actin、tropomyosin、vimentin、vinculin、GWB proteins(GW182)、PL-7,PL-12、ribosomal P、SRP、JO-1、AMA-M2、giantin/macrogolgin,golgin-95/GM130、pericentrin,ninein,Cep250and Cep110、HsEG5(MSA-2)、NUMA(MSA-1)、CENP-F like。
具体地,输入的多个细胞免疫荧光影像通过进行10层卷积神经网络运算得到多个卷积特征数据。
进一步的,多个卷积神经网络当中的各卷积层可分别具有预定像素尺寸的卷积核。
本发明的另一优选实施例还提供了一种自体免疫抗体的免疫荧光影像分类方法,包括下列步骤:通过输入设备输入多个细胞免疫荧光影像及多个细胞免疫荧光图像映射的可提取核抗原检测结果;通过处理器将多个细胞免疫荧光影像分别转换成多个三原色图层,进行多个卷积神经网络的运算,多个卷积神经网络分别包括以卷积层、池化层及启动层,运算后得到多个卷积特征数据,再以多个卷积特征数据作为下一阶卷积神经网络的输入;通过处理器进行分类操作,将多个卷积特征数据与可提取核抗原检测结果进行全连接,根据多个细胞免疫荧光影像分属于多个可提取核抗原的比例,建立可提取核抗原分类模型;通过输入设备将待测细胞免疫荧光影像输入,由处理器依据可提取核抗原分类模型,预测待测细胞免疫荧光影像当中的可提取核抗原分类结果;以及通过输出装置将可提取核抗原分类结果输出。
优选地,如上所述的自体免疫抗体的免疫荧光影像分类方法可进一步包括以下步骤:通过输入设备输入多个可提取核抗原对应于多个疾病种类的对应表,通过处理器建立多个细胞免疫荧光影像分属于多个疾病种类的疾病分类模型;经由处理器将待测细胞免疫荧光影像依据疾病分类模型,预测待测细胞免疫荧光图像映射多个疾病种类的疾病分类结果;以及通过输出装置将疾病分类结果输出。
具体地,多个可提取核抗原可分别对应多个疾病种类中的至少一种。
优选地,卷积层包括触发函数,触发函数包括Sigmoid函数、Tanh函数、ReLU函数、PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bent identity函数或Gaussian函数。
进一步的,池化层可包括最大池化或平均池化的运算方式。
优选地,启动层可包括在同一层运算中进行不同大小模板的卷积运算及最大池化运算,再将数据进行级联。
具体地,多个可提取核抗原可包括dsdna、ssdna、Rna、Histone、U14-RNP、Sm、SS-A、SS-B、U3-nRNP/Fibrillarin、RNA polymerase l、RNA helicase A、PM-Scl、centromeres(cenp-A,cenp-B)、Topoisomerase l、PCNA-like、Ku、Mi-1,Mi-2、Nucleosome、DFS-70、TIF1-gamma、hnRNP、RNA polymerase III、Sp100、Sp140、p80-coilin、NOR-90(nucelolusorganisator)、gp210、lamin A,b,c and lamin B receptor、F-actin、tropomyosin、vimentin、vinculin、GWB proteins(GW182)、PL-7,PL-12、ribosomal P、SRP、JO-1、AMA-M2、giantin/macrogolgin,golgin-95/GM130、pericentrin,ninein,Cep250and Cep110、HsEG5(MSA-2)、NUMA(MSA-1)、CENP-F like。
进一步的,输入的多个细胞免疫荧光影像通过进行10层卷积神经网络运算以取得多个卷积特征数据。
具体地,多个卷积神经网络当中的各卷积层可分别具有预定像素尺寸的卷积核。
与现有技术相比,本发明实施例提供的一种自体免疫抗体的免疫荧光影像分类系统及其分类方法,至少具有以下有益效果:
(1)本发明所提供的自体免疫抗体的免疫荧光影像分类系统及其分类方法能直接分析原始细胞免疫荧光影像,无须对免疫荧光影像进行前处理的步骤,能有效提高判读效率,并且通过多层的卷积神经网络运算,摘取细胞免疫荧光影像深层的特征,使得判读结果更为准确,提高判断的正确率。
(2)本发明所提供的自体免疫抗体的免疫荧光影像分类系统及其分类方法能够通过机器学习方式建立可提取核抗原分类模型,直接输入细胞免疫荧光影像来预测可提取核抗原的类型,减少了人工判读方式及过多血液检验的浪费,减轻了检验人员的负担并降低了检验花费成本。
(3)本发明所提供的自体免疫抗体的免疫荧光影像分类系统及其分类方法能通过机器学习方式建立疾病分类模型,直接输入细胞免疫荧光影像来预测对应疾病的类型,提高属于各种疾病种类的分类结果的判断效率。
附图说明
图1为本发明实施例的自体免疫抗体的免疫荧光影像分类方法的流程示
意图;
图2为本发明实施例的启动层的示意图;
图3为本发明实施例的多层感知类神经网络的示意图;
图4为本发明另一实施例的自体免疫抗体的免疫荧光影像分类方法的流
程示意图;
图5为本发明实施例的自体免疫抗体的免疫荧光影像判断方法的示意图;
图6为本发明实施例的自体免疫抗体的免疫荧光影像分类系统的结构示
意图;
图7为本发明实施例的自体免疫抗体分类结果的示意图。
【附图标记说明】
10、输入设备;20、内存;30、处理器;40、输出装置。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
参见图1,图1为本发明实施例的自体免疫抗体的免疫荧光影像分类方法的流程示意图。如图1所示,自体免疫抗体的免疫荧光影像分类方法包括以下步骤(S1~S5):
步骤S1:输入多个细胞免疫荧光影像及多个细胞免疫荧光图像映射的可提取核抗原检测结果。在通过免疫荧光法检验后所产生的原始免疫荧光影像通过输入设备输入本发明的分类系统当中。其中,输入设备包括拍摄或捕获设备,如摄影机,收集检验的影像,或者利用计算机接口或网络接口传送及接收细胞免疫荧光影像的档案,并将其储存在储存装置中,储存装置包括计算机的内存或者服务器的数据库。同时,针对这些细胞免疫荧光影像,选择已做过可提取核抗原检测的数据作为建立网络模型的训练数据,即细胞免疫荧光影像的患者已做过可提取核抗原的血液检测,已确认可提取核抗原的检测结果为阳性或阴性。将可提取核抗原检测结果作为细胞免疫荧光影像的标记一同输入分类系统,进行数据的学习及训练以建立分类模型网络。
步骤S2:进行多个卷积神经网络的运算。通过上述步骤输入的细胞免疫荧光影像可通过处理器执行特定的指令来进行运算步骤,处理器包括计算机的中央处理器、图像处理器、微处理器或其组合。首先,通过影像转换软件将细胞免疫荧光影像转换成三原色(红、绿、蓝)的图层。相较于现有技术需要将免疫荧光影像当中的细胞外型画出(Outline),才能对区分出的细胞进行分析,本实施例则是将原始免疫荧光影像的三原色图层作为输入数据,进行卷积神经网络的运算,无需进行额外的图像前处理,有利于提高分析的效率。卷积神经网络包括卷积层(convolution layer)、池化层(pooling layer)及启动层(inceptionlayer)的运算,在本实施例当中,细胞免疫荧光影像可通过多次的卷积神经网络运算,发掘免疫荧光影像当中更深层的特征,使得后续判断或分类的结果更为准确。上述卷积层、池化层及启动层的运算准则可同样储存在分析的计算机或服务器当中,以下将分别描述各层运算的内容:
首先,卷积层(convolution layer)是由预定尺寸的卷积核将前一层的特征数据进行卷积并加上偏差值后,得到卷积后的特征数据如以下方程式(1)所示。卷积操作是将卷积核通过滑动方式在数据上移动,计算内积得到新的特征。卷积核的尺寸在不同阶段的卷积神经网络运算当中可设计不同大小,使得不同阶段的卷积能有所差异。
接着,卷积层可包括触发层(Activation layer),使用触发函数f,将上层的卷积后特征数据转换成使用触发函数时要利用非线性函数,避免以上层输入的线性组合作为这一层的输出。常见的触发函数包括Sigmoid函数、Tanh函数或ReLU函数。Sigmoid函数如方程式(2)所示,其输出映射在0与1之间。Tanh函数如方程式(3)所示,其以0为中心,分布在-1到1之间。ReLU函数如方程式(4)所示,有部分的神经元输出为0。
ReLU(x)=max(0,x) (4)
在上述触发函数当中,Sigmoid函数及Tanh函数由于深度学习的发展于隐藏层的层数越来越多,使用网络模型进行倒传递时容易产生梯度消失的现象,导致训练出现问题。因此在本实施例当中,以ReLU函数为优选地触发函数,其部分神经元输出为0使得网络模型更加稀疏,减少过度拟合的现象。
除了上述触发函数外,PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bent identity函数或Gaussian函数也可作为卷积层的触发函数。其中,PReLU函数如方程式(5)所示,其为ReLU函数的改进,增加了可学习参数a;ArcTan函数如方程式(6)所示;ELU函数与PReLU类似,为负值输入增加了一个非零输出,防止静默神经元出现,倒数收敛为零;SoftPlus函数如方程式(7)所示,可返回任何大于零的值;Sinusoid函数如方程式(8)所示,形成正弦曲线,值域在-1到1之间;Sinc函数如方程式(9)所示,其在x为零时定义值为1;Bent identity函数如方程式(10)所示,允许非线性行为,可在1的任意一侧返回值;Gaussian函数如方程式(11)所示,值域在0到1之间。本发明的实施例可选用上述激活函数作为触发层的触发函数,但本发明并不只限于采用上述激活函数作为触发层的触发函数。
PReLU(x)=max(0,x)+a×min(0,x) (5)
Softplus(x)=ln(1+ex) (7)
Sinusoid(x)=sin(x) (8)
接着,池化层(pooling layer)运算包括最大池化方式或平均池化方式。最大池化是回传每一个特征映像的最大值,而平均池化则是回传每一个特征映像的平均值,也就是经过卷积层及触发层后的特征,被池化后成为一个新的特征。池化层的运算通过不重叠的1×n的核,计算核内的最大值或平均值,将免疫荧光影像数据的数据维度缩小了n倍。在本实施例当中,不同阶段的卷积神经网络运算,池化层将特征数据缩小的维度可有所不同。除此之外,在部分卷积神经网络运算当中,也可重新组合卷积后的特征数据,避免数据维度缩至太小而无法呈现实际免疫荧光影像特征。
最后,启动层(inception layer)运算则是利用树状网络架构的方式,让网络模型的深度及宽度都增加。参见图2,图2为本发明实施例的启动层的示意图。如图2所示,前一层的特征数据,同时并行1x1、3x3及5x5的卷积及3x3的最大池化,最后再进行级联。使得启动层能取得不同级别(level)的特征。但为了避免网络计算量过大,在进行3x3及5x5的卷积之间前先进行1x1的卷积,降低了输入信道数量,使得网络分析深度增加,而数据运算量反而减少了,进而提高了运算的效率。此外,在每一个卷积层后都可设置触发函数,如ReLU函数。
上述的卷积神经网络特征获取操作,可以对细胞免疫荧光影像内容进行多个阶段的卷积神经网络运算,得到多个卷积特征数据,而这些卷积特征数据又可做为另一卷积神经网络的输入数据,再次进行卷积层、池化层及启动层的运算,通过多次的卷积神经网络运算,获取到更深层的隐藏特征。
步骤S3:进行分类操作来建立可提取核抗原分类模型。在经过处理器进行上述获取特征的多层卷积神经网络运算之后,得到的多个卷积特征数据与可提取核抗原检测结果进行全连接,判断细胞免疫荧光影像分属于各种可提取核抗原自体免疫抗体类型的比例,进而建立细胞免疫荧光影像与可提取核抗原之间关连性的网络模型,也就是通过训练数据建立可提取核抗原分类模型。参见图3,图3为本发明实施例的多层感知类神经网络的示意图。结合两层的全连接(Fully-connected)方式,使运算层中每一神经元连接下一层的所有神经元进行运算。但本实施例并不局限于此,在另一实施例当中,也可使用丢弃(Dropout)方式,通过设定机率p使各个隐藏层中有多个神经元不加入运算,例如设定机率p可为0.5。使用丢弃的方式的原因是为避免产生训练数据预测结果好,但测试数据的结果却不佳的过度拟合的现象。利用丢弃的方式设定机率,随机的让训练每一次迭代(epoch)修正权重时,隐藏层的神经元有一定的机率消失,使得权重更新时可能不会每个神经元都被更新,从此防止过度拟合现象。例如,在训练时可选择丢弃方式,在实际测试时可选择全连接方式。
多层感知类神经网络的输出层可以使用softmax函数进行分类预测,如以下方程式(12)所示,将其作为表达预测结果的机率。
各种可提取核抗原的分类,主要包括dsdna、ssdna、Rna、Histone、U14-RNP、Sm、SS-A、SS-B、U3-nRNP/Fibrillarin、RNA polymerase l、RNA helicase A、PM-Scl、centromeres(cenp-A,cenp-B)、Topoisomerase l、PCNA-like、Ku、Mi-1,Mi-2、Nucleosome、DFS-70、TIF1-gamma、hnRNP、RNA polymerase III、Sp100、Sp140、p80-coilin、NOR-90(nucelolusorganisator)、gp210、lamin A,b,c and lamin B receptor、F-actin、tropomyosin、vimentin、vinculin、GWB proteins(GW182)、PL-7,PL-12、ribosomal P、SRP、JO-1、AMA-M2、giantin/macrogolgin,golgin-95/GM130、pericentrin,ninein,Cep250and Cep110、HsEG5(MSA-2)、NUMA(MSA-1)、CENP-F like。
步骤S4:输入待测细胞免疫荧光影像,预测可提取核抗原分类结果。经过上述步骤建立的可提取核抗原分类模型以及训练数据的学习后,通过输入设备输入待测细胞免疫荧光影像,同样经过复数层的卷积网络运算,并根据可提取核抗原分类模型来预测待测细胞免疫荧光影像分属可提取核抗原的分类结果。细胞免疫荧光影像不同特征样型的影像可能对应一种以上的可提取核抗原类型。
步骤S5:将可提取核抗原分类结果输出。在通过上述步骤取得细胞免疫荧光影像的可提取核抗原分类结果后,可将此分类结果储存在储存装置当中,并通过一输出装置将此判断结果传送至对应处理人员,例如通过有线或无线网络传输方式将结果传送到医护人员或医检人员的计算机、手机、平板。使其能根据分类结果进行后续诊断或提供进一步指示。
参见图4,图4为本发明的另一优选实施例所提供的自体免疫抗体的免疫荧光影像分类方法的流程示意图。如图4所示,自体免疫抗体的免疫荧光影像分类方法包括与上述实施例相同的步骤(S1~S5)以及进一步增加的步骤(S41~S42),在本实施例当中,与上述实施例相同的步骤不再重复描述,仅就差异部分进行说明如下:
步骤S41:输入可提取核抗原与疾病种类的对应表,建立疾病分类模型。可提取核抗原的检验类型可以对应于不同的疾病种类,其可作为分类免疫疾病的判断依据。针对可提取核抗原与疾病种类的对应表,可如下表1所示,其中可提取核抗原可对应一种以上的疾病种类。
表1
步骤S42:预测待测细胞免疫荧光图像映射的疾病分类结果。基于上述建立的对应关系表,在步骤S3中建立的可提取核抗原分类模型可进一步延伸为疾病分类模型。也就是将细胞免疫荧光影像经过卷积网络运算,连接到不同可提取核抗原分类后,进一步连接到不同种类的疾病分类。当待测细胞免疫荧光影像输入后,经过多层卷积网络计算的特征,连接到不同种类的疾病分类,进而能预测待测细胞免疫荧光影像属于不同疾病种类的分类结果。疾病分类结果也同样可储存于储存装置,并通过输出装置传送至对应人员,协助医护人员判断细胞免疫荧光影像可能患病的疾病种类,进而提高诊断效率。
参见图5,图5为本发明实施例的自体免疫抗体的免疫荧光影像分类方法的示意图。如图所示,在本实施例当中,对应于上述的分类步骤,可进行10层的卷积神经网络运算。具体来说,由输入层输入细胞免疫荧光影像后,通过卷积层及池化层的运算,再进行4次的启动层运算(启动层1至启动层4),也就是经过16次的卷积神经网络,最后通过池化层后,经过全连接层连接至可提取核抗原的分类比例,最后通过输出层输出。其中各个启动层的运算,也可分为多个卷积层后再通过级联层整合,这个过程的详细内容类似于上述述实施例的启动层运算,因此不再重复描述。整体来说,本实施例可经过10层的卷积神经网络运算,取得最佳的结果。在这当中,各层卷积核大小及数据维度设计在各卷积神经网络运算区块当中可相同也可根据实际需求调整。同时,进行的层数越多,原则上可以发掘更深层的特征,但是相应的运算时间也会增加,会降低分析效率。因此,本实施例执行的卷积神经网络运算次数及各区块运算层数可根据需求而进行调整。
与上述实施例类似,在输出层的部分,可进一步结合可提取核抗原与不同疾病种类的对应关系,输出细胞免疫荧光影像在不同疾病种类的分类结果。举例来说,细胞免疫荧光影像经由卷积神经网络运算后判断为包括阴性(Negative)、核心(Nuclear)、细胞质(Cytoplasmic)及有丝分裂(Mitotic)的表现型,各种表现型还可进一步分为均质型(Homogeneous)、DFS型、着丝点型(Centromere)、斑点型(Speckle)、核点型(Nucleardots)、核仁型(Nucleolar)、核膜型(Nuclear envelope)、PCNA-like型、CENP-F like型、纤维状型(Fibrillar)、溶酶体型(GW body-like/lysosomal)、核糖体型(Ribosomal)、JO-1like型、线粒体型(Mitochondrial)、高基氏体型(Golgi)、杆与环型(Rods and rings)、着丝点型(Centromere)、纺锤丝型(Spindle fibers)、MSA-1,centrophilin(NuMA)等特征样型。通过本实施例的自体免疫抗体的免疫荧光影像分类方法运算后,能得到如下表2所示的分类关系,从而建立疾病分类模型。并依据此模型将待测细胞免疫荧光影像连接到不同疾病种类,减少了需经过人工判读影像类型及可提取核抗原血液检测的时间,提升了诊断疾病类型的准确性及归属疾病分类的判断效率。
表2
上述的自体免疫抗体的免疫荧光影像分类方法,可以建立在特定的系统当中,参见图6,图6为本发明实施例的自体免疫抗体的免疫荧光影像分类系统的结构示意图。如图6所示,系统包括输入设备10、内存20、处理器30及输出装置40。这里的输入设备10可包括拍摄或捕获设备或是个人计算机、智能型手机、服务器等电子装置的输入界面,包括触控屏幕、键盘、鼠标等,通过档案方式传送细胞免疫荧光影像。在输入多个细胞免疫荧光影像及多个细胞免疫荧光图像映射的可提取核抗原检测结果,将数据通过无线网络传输、无线通信传输或一般有限因特网上传到内存20中储存,内存20包括但不限于只读存储器、闪存、磁盘或云端数据库等。
除此之外,系统还包括连接内存20的处理器30,处理器30包括中央处理器、图像处理器、微处理器等,其可包括多核心的处理单元或者是多个处理单元的组合,处理器30可读取内存20中的细胞免疫荧光影像进行分析,即通过上述实施例中的分类方式,对影像进行多层的卷积运算,根据卷积特征数据与可提取核抗原检测结果进行全连接,建立可提取核抗原分类模型,储存于内存20当中。根据已确认可提取核抗原检测结果的数据对可提取核抗原分类模型进行训练及修正,当待测细胞免疫荧光影像通过输入设备10输入后,根据同样的卷积运算操作与分类操作,预测待测细胞免疫荧光图像映射的多个可提取核抗原。预测的可提取核抗原分类结果通过输出装置40输出,输出方式同样可通过有线或无线网络传输方式将结果传送到医护人员或医检人员的计算机、手机、平板。使其能依据分类结果进行后续诊断或提供进一步指示。
此外,输入设备10可进一步输入可提取核抗原对应于多个疾病种类的对应表,通过处理器30建立细胞免疫荧光影像分属于不同疾病种类的疾病分类模型。经过上述设定后,待测细胞免疫荧光影像再通过疾病分类模型,预测待测细胞免疫荧光图像映射的疾病种类,产生的疾病分类结果,通过输出装置40输出,为医护人员提供诊断的参考。
以下将在医院检验实验室检验自体免疫抗体的数据当中,抽取已由临床医师进行型别判定完成的数据进行分析,并从中选择已进行可提取核抗原检测的数据,作为输入的训练数据,以此建立自体免疫抗体免疫荧光图像映射的可提取核抗原分类模型。再将待测的自体免疫抗体免疫荧光影像输入,经过进行多层卷积神经网络的运算,产生分类结果后,再与实际检测结果进行比较,检验分类的正确率。参见图7,图7为本发明实施例的自体免疫抗体分类结果的示意图。如图所示,本实施例所能达到的正确率可达99.5034%,可见在分类的正确率上,本实施例的自体免疫抗体的免疫荧光影像分类系统及分类方法确实能获得良好的分类结果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种自体免疫抗体的免疫荧光影像分类系统,其特征在于,包括:
一输入设备,用于输入多个细胞免疫荧光影像及所述多个细胞免疫荧光图像映射的一可提取核抗原检测结果;
一处理器,连接于所述输入设备连接,将所述多个细胞免疫荧光影像分别转换成多个三原色图层,进行多个卷积神经网络的运算,所述多个卷积神经网络分别包括通过一卷积层、一池化层及一启动层,运算后得到多个卷积特征数据,将所述多个卷积特征数据作为下一阶卷积神经网络的输入,并将所述多个卷积特征数据与所述可提取核抗原检测结果进行全连接,根据所述多个细胞免疫荧光影像分属于多个可提取核抗原的比例,建立一可提取核抗原分类模型;以及
一输出装置,连接于所述处理器,将所述处理器产生的一可提取核抗原分类结果通过所述输出装置输出;
其中所述可提取核抗原分类结果通过所述输入设备输入一待测细胞免疫荧光影像,并通过所述处理器根据所述可提取核抗原分类模型,预测所述待测细胞免疫荧光图像映射的所述多个可提取核抗原。
2.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述输入设备输入所述多个可提取核抗原对应于多个疾病种类的一对应表,通过所述处理器建立所述多个细胞免疫荧光影像分属于所述多个疾病种类的一疾病分类模型,通过输出装置将所述处理器产生的所述疾病分类结果输出;
其中所述疾病分类结果由所述处理器将所述待测细胞免疫荧光影像根据所述疾病分类模型,预测所述待测细胞免疫荧光图像映射的所述多个疾病种类。
3.根据权利要求2所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述多个可提取核抗原分别对应所述多个疾病种类中的至少一种。
4.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述卷积层包括一触发函数,所述触发函数包括Sigmoid函数、Tanh函数、ReLU函数、PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bent identity函数或Gaussian函数。
5.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述池化层包括一最大池化或一平均池化的运算方式。
6.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述启动层包括在同一层运算中进行不同大小模板的卷积运算及最大池化运算,再将数据进行级联。
7.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述多个可提取核抗原包括dsdna、ssdna、Rna、Histone、U14-RNP、Sm、SS-A、SS-B、U3-nRNP/Fibrillarin、RNA polymerase l、RNA helicase A、PM-Scl、centromeres、Topoisomerasel、PCNA-like、Ku、Mi-1,Mi-2、Nucleosome、DFS-70、TIF1-gamma、hnRNP、RNA polymeraseIII、Sp100、Sp140、p80-coilin、NOR-90、gp210、lamin A,b,c and lamin B receptor、F-actin、tropomyosin、vimentin、vinculin、GWB proteins、PL-7,PL-12、ribosomal P、SRP、JO-1、AMA-M2、giantin/macrogolgin,golgin-95/GM130、pericentrin,ninein,Cep250 andCep110、HsEG5、NUMA、CENP-F like。
8.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其特征在于,所述多个细胞免疫荧光影像通过进行10层卷积神经网络运算得到所述多个卷积特征数据。
9.根据权利要求1所述的自体免疫抗体的免疫荧光影像分类系统,其中所述多个卷积神经网络当中的各所述卷积层分别具有一预定像素尺寸的一卷积核。
10.一种自体免疫抗体的免疫荧光影像分类方法,其特征在于,包括下列步骤:
通过一输入设备输入多个细胞免疫荧光影像及所述多个细胞免疫荧光图像映射的一可提取核抗原检测结果;
通过一处理器将所述多个细胞免疫荧光影像分别转换成多个三原色图层,进行多个卷积神经网络的运算,所述多个卷积神经网络分别包括以一卷积层、一池化层及一启动层,运算后得到多个卷积特征数据,再将所述多个卷积特征数据作为下一阶卷积神经网络的输入;
通过所述处理器进行一分类操作,将所述多个卷积特征数据与所述可提取核抗原检测结果进行全连接,根据所述多个细胞免疫荧光影像分属于多个可提取核抗原的比例,建立一可提取核抗原分类模型;
通过所述输入设备输入一待测细胞免疫荧光影像,通过所述处理器根据所述可提取核抗原分类模型,预测所述待测细胞免疫荧光影像当中的一可提取核抗原分类结果;以及
通过一输出装置将所述可提取核抗原分类结果输出。
11.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述方法还包括以下步骤:
通过所述输入设备输入所述多个可提取核抗原对应于多个疾病种类的一对应表,通过所述处理器建立所述多个细胞免疫荧光影像分属于所述多个疾病种类的一疾病分类模型;
通过所述处理器将所述待测细胞免疫荧光影像根据所述疾病分类模型,预测所述待测细胞免疫荧光图像映射所述多个疾病种类的一疾病分类结果;以及
通过所述输出装置将所述疾病分类结果输出。
12.根据权利要求11所述的自体免疫抗体的免疫荧光影像分类方法,其中所述多个可提取核抗原分别对应所述多个疾病种类中的至少一种。
13.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述卷积层包括一触发函数,所述触发函数包括Sigmoid函数、Tanh函数、ReLU函数、PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bent identity函数或Gaussian函数。
14.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述池化层包括一最大池化或一平均池化的运算方式。
15.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述启动层包括在同一层运算中进行不同大小模板的卷积运算及最大池化运算,再将数据进行级联。
16.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述多个可提取核抗原包括dsdna、ssdna、Rna、Histone、U14-RNP、Sm、SS-A、SS-B、U3-nRNP/Fibrillarin、RNA polymerase l、RNA helicase A、PM-Scl、centromeres、Topoisomerasel、PCNA-like、Ku、Mi-1,Mi-2、Nucleosome、DFS-70、TIF1-gamma、hnRNP、RNA polymeraseIII、Sp100、Sp140、p80-coilin、NOR-90、gp210、lamin A,b,c and lamin B receptor、F-actin、tropomyosin、vimentin、vinculin、GWB proteins、PL-7,PL-12、ribosomal P、SRP、JO-1、AMA-M2、giantin/macrogolgin,golgin-95/GM130、pericentrin,ninein,Cep250 andCep110、HsEG5、NUMA、CENP-F like。
17.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,将输入的所述多个细胞免疫荧光影像进行10层卷积神经网络运算得到所述多个卷积特征数据。
18.根据权利要求10所述的自体免疫抗体的免疫荧光影像分类方法,其特征在于,所述多个卷积神经网络当中的各所述卷积层分别具有一预定像素尺寸的一卷积核。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107118280A TWI705414B (zh) | 2018-05-29 | 2018-05-29 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
TW107118280 | 2018-05-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543806A true CN110543806A (zh) | 2019-12-06 |
Family
ID=66379803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328744.9A Pending CN110543806A (zh) | 2018-05-29 | 2019-04-23 | 一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10937521B2 (zh) |
EP (1) | EP3576011A1 (zh) |
CN (1) | CN110543806A (zh) |
TW (1) | TWI705414B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340091A (zh) * | 2020-02-21 | 2020-06-26 | 上海艾瑞德生物科技有限公司 | 基于cnn原理的免疫数据分类技术 |
CN111403004A (zh) * | 2020-02-26 | 2020-07-10 | 广州和硕信息技术有限公司 | 一种人工智能ana检测图文报告系统 |
CN112232327A (zh) * | 2020-12-16 | 2021-01-15 | 南京金域医学检验所有限公司 | 一种基于深度学习的抗核抗体核型判读方法与设备 |
CN113466451A (zh) * | 2021-07-01 | 2021-10-01 | 浙江大学 | 一种检测抗Prelamin A/C-IgG抗体的试剂盒 |
CN114018789A (zh) * | 2021-10-08 | 2022-02-08 | 武汉大学 | 基于成像流式细胞检测和机器学习的急性白血病分型方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI672637B (zh) * | 2018-05-03 | 2019-09-21 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像型態識別方法 |
EP3712618B1 (de) * | 2019-03-18 | 2023-10-04 | Euroimmun Medizinische Labordiagnostika AG | Verfahren zum detektieren einer bindung von antikörpern einer patientenprobe an doppelsträngige dns unter verwendung von crithidia luciliae zellen und fluoreszenzmikroskopie |
CN111160312A (zh) * | 2020-01-02 | 2020-05-15 | 重庆紫光华山智安科技有限公司 | 目标识别方法、装置和电子设备 |
CN111242228B (zh) * | 2020-01-16 | 2024-02-27 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
TWI791979B (zh) * | 2020-04-28 | 2023-02-11 | 長庚醫療財團法人林口長庚紀念醫院 | 三維醫學影像的建立方法 |
CN116075835A (zh) * | 2020-06-09 | 2023-05-05 | 淡马锡生命科学研究院有限公司 | 自动化疾病检测系统 |
EP3971827B1 (de) * | 2020-09-17 | 2023-12-27 | Euroimmun Medizinische Labordiagnostika AG | Verfahren zum detektieren einer bindung von antikörpern einer patientenprobe an doppelsträngige dns unter verwendung von crithidia luciliae zellen und fluoreszenzmikroskopie |
TWI773057B (zh) * | 2020-12-28 | 2022-08-01 | 臺中榮民總醫院 | 抗細胞抗體之自動判讀系統及其自動判讀方法 |
CN112861958A (zh) * | 2021-02-02 | 2021-05-28 | 中国人民解放军总医院第一医学中心 | 对肾脏病免疫荧光图片进行识别分类的方法及装置 |
CN113837255B (zh) * | 2021-09-15 | 2023-06-13 | 中国科学院心理研究所 | 预测以细胞为基质的抗体核型类别的方法、设备和介质 |
CN114782372B (zh) * | 2022-04-25 | 2023-04-18 | 昆明金域医学检验所有限公司 | Dna荧光原位杂交bcr/abl融合状态检测方法、检测系统 |
EP4345775A1 (de) * | 2022-09-30 | 2024-04-03 | Euroimmun Medizinische Labordiagnostika AG | Verfahren zur detektion wenigstens eines fluoreszenzmusters auf einem immunfluoreszenzbild eines biologischen zellsubstrats |
CN117111013B (zh) * | 2023-08-22 | 2024-04-30 | 南京慧尔视智能科技有限公司 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
CN106529605A (zh) * | 2016-11-28 | 2017-03-22 | 东华大学 | 基于免疫理论的卷积神经网络模型的图像识别方法 |
CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5784162A (en) * | 1993-08-18 | 1998-07-21 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for biological research, medical diagnostics and therapy |
US6463438B1 (en) * | 1994-06-03 | 2002-10-08 | Urocor, Inc. | Neural network for cell image analysis for identification of abnormal cells |
TWI225153B (en) * | 2003-09-17 | 2004-12-11 | Asn Technology Corp | A method and a machine for measuring on rapid immunochromatographic test paper |
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
WO2006020627A1 (en) * | 2004-08-11 | 2006-02-23 | Aureon Laboratories, Inc. | Systems and methods for automated diagnosis and grading of tissue images |
TW200726214A (en) * | 2005-12-28 | 2007-07-01 | Univ Nat Kaohsiung Applied Sci | Image noise elimination method combining the application of an intelligent algorithm and a cellular neural network |
US8077958B2 (en) * | 2006-06-30 | 2011-12-13 | University Of South Florida | Computer-aided pathological diagnosis system |
US9858389B2 (en) * | 2008-07-25 | 2018-01-02 | Fundação D. Anna De Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Method and system for determining the risk of occurrence of prostate cancer |
WO2011119868A2 (en) * | 2010-03-24 | 2011-09-29 | Nodality, Inc. | Hyper-spatial methods for modeling biological events |
WO2013112948A1 (en) * | 2012-01-26 | 2013-08-01 | Nodality, Inc. | Benchmarks for normal cell identification |
WO2017113232A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的产品分类方法及装置 |
CN107622272A (zh) * | 2016-07-13 | 2018-01-23 | 华为技术有限公司 | 一种图像分类方法及装置 |
TWI672637B (zh) * | 2018-05-03 | 2019-09-21 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像型態識別方法 |
-
2018
- 2018-05-29 TW TW107118280A patent/TWI705414B/zh active
-
2019
- 2019-04-23 CN CN201910328744.9A patent/CN110543806A/zh active Pending
- 2019-04-29 US US16/397,379 patent/US10937521B2/en active Active
- 2019-05-02 EP EP19172308.9A patent/EP3576011A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
CN106529605A (zh) * | 2016-11-28 | 2017-03-22 | 东华大学 | 基于免疫理论的卷积神经网络模型的图像识别方法 |
CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
Non-Patent Citations (1)
Title |
---|
FAHIME SHEIKHZADEH 等: "Automatic labeling of molecular biomarkers of immunohistochemistry images using fully convolutional networks", PLOS ONE, vol. 13, no. 1, pages 1 - 18 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340091A (zh) * | 2020-02-21 | 2020-06-26 | 上海艾瑞德生物科技有限公司 | 基于cnn原理的免疫数据分类技术 |
CN111340091B (zh) * | 2020-02-21 | 2022-08-23 | 上海艾瑞德生物科技有限公司 | 用于分类免疫数据的cnn模型的训练方法及其应用 |
CN111403004A (zh) * | 2020-02-26 | 2020-07-10 | 广州和硕信息技术有限公司 | 一种人工智能ana检测图文报告系统 |
CN112232327A (zh) * | 2020-12-16 | 2021-01-15 | 南京金域医学检验所有限公司 | 一种基于深度学习的抗核抗体核型判读方法与设备 |
CN113466451A (zh) * | 2021-07-01 | 2021-10-01 | 浙江大学 | 一种检测抗Prelamin A/C-IgG抗体的试剂盒 |
CN114018789A (zh) * | 2021-10-08 | 2022-02-08 | 武汉大学 | 基于成像流式细胞检测和机器学习的急性白血病分型方法 |
Also Published As
Publication number | Publication date |
---|---|
US10937521B2 (en) | 2021-03-02 |
US20190371425A1 (en) | 2019-12-05 |
TWI705414B (zh) | 2020-09-21 |
TW202004661A (zh) | 2020-01-16 |
EP3576011A1 (en) | 2019-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543806A (zh) | 一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 | |
US10943157B2 (en) | Pattern recognition method of autoantibody immunofluorescence image | |
CN112418392A (zh) | 一种神经网络构建方法以及装置 | |
CN108510004B (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
WO2021218470A1 (zh) | 一种神经网络优化方法以及装置 | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
CN109345559B (zh) | 基于样本扩充和深度分类网络的运动目标跟踪方法 | |
Shaik et al. | COVID-19 Detector Using Deep Learning | |
CN116012722A (zh) | 一种遥感影像场景分类方法 | |
CN117408946A (zh) | 图像处理模型的训练方法、图像处理方法 | |
CN113656563A (zh) | 一种神经网络搜索方法及相关设备 | |
CN111680575A (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
CN110910388A (zh) | 一种基于U-Net和密度估计的癌细胞图像分割方法 | |
CN110969188A (zh) | 一种基于深度学习的外泌体电镜图片判断系统及判断方法 | |
US11587323B2 (en) | Target model broker | |
Roopa et al. | Mortality Prediction of Lung Cancer from CT Images Using Deep Learning Techniques | |
CN112102285A (zh) | 一种基于多模态对抗训练的骨龄检测方法 | |
Lu | Convolutional Neural Network (CNN) for COVID-19 Lung CT Scans Classification Detection | |
CN108038502A (zh) | 基于卷积神经网络的对象协同检测方法 | |
CN117496126B (zh) | 基于关键词的影像自动定位系统及方法 | |
Khairina et al. | Convolutional Neural Network (CNN) of Resnet-50 with Inceptionv3 Architecture in Classification on X-Ray Image | |
Potharaju et al. | A Real Time Intelligent Image Based Document Classification Using CNN and SVM | |
Agarwal et al. | IndianFoodNet: Detecting Indian Food Items Using Deep Learning |
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 |