CN113870280B - 预测以细胞为基质的抗体核型类别的方法、设备和介质 - Google Patents

预测以细胞为基质的抗体核型类别的方法、设备和介质 Download PDF

Info

Publication number
CN113870280B
CN113870280B CN202111081019.XA CN202111081019A CN113870280B CN 113870280 B CN113870280 B CN 113870280B CN 202111081019 A CN202111081019 A CN 202111081019A CN 113870280 B CN113870280 B CN 113870280B
Authority
CN
China
Prior art keywords
image
cell
features
indirect immunofluorescence
texture
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
Application number
CN202111081019.XA
Other languages
English (en)
Other versions
CN113870280A (zh
Inventor
王晶
房柯池
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Psychology of CAS
Original Assignee
Institute of Psychology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Psychology of CAS filed Critical Institute of Psychology of CAS
Priority to CN202111081019.XA priority Critical patent/CN113870280B/zh
Publication of CN113870280A publication Critical patent/CN113870280A/zh
Application granted granted Critical
Publication of CN113870280B publication Critical patent/CN113870280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种预测关于以细胞为基质的抗体的核型类别的方法、计算设备和介质。该方法包括：获取关于以细胞为基质的抗体的间接免疫荧光图像；基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；分割间接免疫荧光图像，以便生成细胞级灰度图像；提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，生成关于以细胞为基质的抗体的核型类别的预测结果。本公开能够准确预测关于以细胞为基质的抗体的核型类别。

Description

预测以细胞为基质的抗体核型类别的方法、设备和介质
技术领域
本公开总体上涉及生物信息处理，并且具体地，涉及用于预测关于以细胞为基质的抗体的核型类别的方法、设备和存储介质。
背景技术
以细胞为基质的抗体的间接免疫荧光法(indirect immunofluorescence,IIF)是检测生物体自身抗体的常用方法。以细胞为基质的抗体的核型类别信息有利于解释临床相关信息的揭示。
传统的用于确定以细胞为基质的抗体的核型类别的方案主要包括：通过人工根据的间接免疫荧光片中所显示的与核型判断相关联的细胞的形态来判断以细胞为基质的抗体的核型类别；或者通过一些预定义的特征提取方法，例如纹理描述符，来基于间接免疫荧光片的细胞的纹理描述符来识别以细胞为基质的抗体的核型类别。对于前者，由于人工难以准确识别不同类型的细胞之间的细微差别，因此难以准确并且快速地识别以细胞为基质的抗体的核型类别。对于后者，由于针对每个间接免疫荧光片提取纹理特征所反映的图像信息非常有限，难以支撑针对间接免疫荧光片整图的描述，因此使得所识别的核型类别不够全面，无法满足多种核型的检测需求，另外，关于核型的检测结果准确度也不够理想，需要人工对检测结果进行校正。
综上，传统的用于识别关于以细胞为基质的抗体的核型类别的方案存在的不足之处在于：难以准确并且全面地识别以细胞为基质的抗体的核型类别。
发明内容
本公开提供一种用于预测关于以细胞为基质的抗体的核型类别的方法、计算设备和计算机存储介质，能够准确并且全面地识别以细胞为基质的抗体的核型类别。
根据本公开的第一方面，提供了一种用于预测关于以细胞为基质的抗体的核型类别的方法。该方法包括：获取关于以细胞为基质的抗体的间接免疫荧光图像；基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞；提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。
根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有机器可执行指令，该机器可执行指令在被执行时使机器执行本公开的第一方面的方法。
在一些实施例中，生成输入数据包括：生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征；以及针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理，以便输入经训练的核型识别模型，用以生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，核型识别模型是基于机器学习模型所构建的。
在一些实施例中，生成输入数据还包括：融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据。
在一些实施例中，核型识别模型至少包括：残差神经网络模块、细胞候选框预测模块和分类回归器。
在一些实施例中，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征包括：针对间接免疫荧光图像进行灰度化；针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像；计算经标准化的图像的每个像素的梯度；将经标准化的图像分割成多个图像单元；计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息；将预定数量的图像单元组合成一个图像块，以便基于图像块内的每个图像单元的表征信息，生成关于每个图像块的表征信息；以及基于所有图像块的表征信息，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。
在一些实施例中，针对间接免疫荧光图像进行灰度化包括：保留针对关于以细胞为基质的抗体的间接免疫荧光图像的G通道色值，以便生成经灰度化的图像。
在一些实施例中，基于生成关于间接免疫荧光图像的纹理特征和图像梯度特征包括：基于间接免疫荧光图像中各个像素点的像素值，分别计算关于间接免疫荧光图像的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项；融合所计算的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项，以便生成关于间接免疫荧光图像的纹理特征；以及分别计算间接免疫荧光图像的第一方向梯度和第二方向梯度，以便经由针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征。
在一些实施例中，生成关于细胞的色值变化特征包括：获取细胞级灰度图像的宽度数据和高度数据；基于所获取的宽度数据和高度数据，计算细胞级灰度图像的细胞的中心；基于细胞级灰度图像内的像素点到细胞的中心的距离，计算关于细胞级图像色值均值；基于所计算的关于细胞级图像色值均值，生成关于细胞的色值变化特征。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别的方法的系统的示意图。
图2示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别的方法的流程图。
图3示出了根据本公开的实施例的生成用于输入核型分类模型的输入数据的方法的流程图。
图4示出了根据本公开的实施例的用于生成关于细胞的色值变化特征的方法的流程图。
图5示出了根据本公开的实施例的用于生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征的方法的流程图。
图6示出了根据本公开的实施例的用于预测核型类别的方法的示意图。
图7示出了根据本公开的实施例的四种不同核型的细胞图像的示意图。
图8示出了根据本公开的实施例的四种不同核型的细胞的中心至细胞周边的像素点的色值变化的示意图。
图9示意性示出了适于用来实现本公开实施例的电子设备的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文提及，传统的用于识别关于以细胞为基质的抗体的核型类别的方案存在的不足之处在于：由于人工难以准确识别不同类型的细胞之间的细微差别，因此通过人工识别核型类别的方案难以准确并且快速地识别以细胞为基质的抗体的核型类别。对于基于提取间接免疫荧光片的图像处理特征的方案，由于针对每个间接免疫荧光片提取纹理特征所反映的图像信息非常有限，难以支撑针对间接免疫荧光片整图的描述，因此使得所识别的核型类别不够全面，无法满足多种核型的检测需求，另外，关于核型的检测结果准确度也不够理想，需要人工对检测结果进行校正。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于预测关于以细胞为基质的抗体的核型类别的方案。在该方案中，通过提取关于以细胞为基质的抗体的间接免疫荧光图像的整图纹理特征和梯度特征，而且将整图分成包括单细胞的多个细胞级灰度图像，然后提取多个细胞级灰度图像的色值变化特征，本公开可以使得核型分类模型学习到更为丰富的从整图特征到细胞局部图像的图像特征来更加充分地描述间接免疫荧光图像。另外，本公开通过至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征而生成输入数据，经由核型分类模型提取输入数据的特征，生成关于以细胞为基质的抗体的核型类别的预测结果，能够针对与识别不同以细胞为基质的抗体的核型存在显著性影响的纹理、梯度和颜色变化特点进行定向提取与综合，进而使得核型分类模型能够更为全面并精准地捕捉不同核型类别的细胞之间的细微差别，进而准确并且全面地识别以细胞为基质的抗体的核型类别。
图1示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别的方法的系统100的示意图。如图1所示，系统100例如包括计算设备110、服务器130和网络140。计算设备110可以通过网络170以有线或者无线的方式与服务器130进行数据交互。
计算设备110用于预测关于以细胞为基质的抗体的核型类别。具体而言，计算设备110可以获取例如来自服务器130的关于以细胞为基质的抗体的间接免疫荧光图像；提取间接免疫荧光图像的图像特征，以便生成关于间接免疫荧光图像的纹理特征和图像梯度特征。计算设备110还可以将间接免疫荧光图像分割成多个细胞级灰度图像，以便提取细胞级灰度图像的图像特征，用以生成关于细胞的色值变化特征。计算设备110还可以至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成用于输入核型分类模型的输入数据，以便生成关于以细胞为基质的抗体的核型类别的预测结果。
在一些实施例中，计算设备110还可以将关于以细胞为基质的抗体的间接免疫荧光图像经由预处理后输入经训练的核型识别模型，以便生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，以及融合纹理特征、图像梯度特征、关于细胞的色值变化特征、关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据，进而经由核型识别模型生成关于以细胞为基质的抗体的核型类别的预测结果。
在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备上也可以运行着一个或多个虚拟机。在一些实施例中，计算设备110例如包括间接免疫荧光图像获取单元112、纹理和图像梯度特征生成单元114、细胞级灰度图像生成单元116、色值变化特征生成单元118、输入数据生成单元120、核型类别预测单元122。
关于间接免疫荧光图像获取单元112，其获取关于以细胞为基质的抗体的间接免疫荧光图像。
纹理和图像梯度特征生成单元114，其基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征。
关于细胞级灰度图像生成单元116，其用于分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞(即，与核型识别相关联的细胞)。
关于色值变化特征生成单元118，其用于提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征。
关于输入数据生成单元120，其用于至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据。
关于核型类别预测单元122，其用于经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果。
图2示出了根据本公开的实施例的用于预测关于以细胞为基质的抗体的核型类别的方法200的流程图。用于预测关于以细胞为基质的抗体的核型类别应当理解，方法200例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤202处，计算设备110获取关于以细胞为基质的抗体的间接免疫荧光图像。以细胞为基质的抗体的间接免疫荧光图像上例如指示多个(例如几百个)细胞。
在步骤204处，计算设备110基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征。由于一些以细胞为基质的抗体的核型容易在纹理特征上体现出差异性，因此提取以细胞为基质的抗体的间接免疫荧光图像的纹理特征，便于准确识别与纹理差异显著的核型类别。
关于生成关于间接免疫荧光图像的纹理特征和图像梯度特征的方法，其例如包括:基于间接免疫荧光图像中各个像素点的像素值，分别计算关于间接免疫荧光图像的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项；融合所计算的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项，以便生成关于间接免疫荧光图像的纹理特征；以及分别计算间接免疫荧光图像的第一方向梯度和第二方向梯度，以便经由针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征。
关于生成关于间接免疫荧光图像的纹理特征的方法，下文将结合公式(1)至(6)加以说明。应当理解，纹理特征可以包括：纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项。纹理特征也可以包括其他纹理信息。以下结合公式(1)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理均值的算法。
在上述公式(1)中，Pij代表间接免疫荧光图像中像素点(i，j)的像素值。N代表像素点的数量。μ代表关于间接免疫荧光图像的纹理均值。
以下结合公式(2)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理方差的方法。
在上述公式(2)中，Pij代表间接免疫荧光图像中像素点(i，j)的像素值。N代表像素点的数量。σ代表关于间接免疫荧光图像的纹理方差。
以下结合公式(3)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理平滑度的方法。
在上述公式(3)中，σ代表关于间接免疫荧光图像的纹理方差。R代表关于间接免疫荧光图像的纹理平滑度。
以下结合公式(4)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理三阶矩的方法。
在上述公式(4)中，Pij代表间接免疫荧光图像中像素点(i，j)的像素值。N代表像素点的数量。μ代表关于间接免疫荧光图像的纹理均值。μ代表关于间接免疫荧光图像的纹理均值。ξi代表关于间接免疫荧光图像的纹理三阶矩。
以下结合公式(5)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理一致性数据的算法。
在上述公式(5)中，Pij代表间接免疫荧光图像中像素点(i，j)的像素值。U代表关于间接免疫荧光图像的纹理一致性数据。
以下结合公式(6)说明基于间接免疫荧光图像中各个像素点的像素值计算关于间接免疫荧光图像的纹理熵的算法。
在上述公式(6)中，Pij代表间接免疫荧光图像中像素点(i，j)的像素值。E代表关于间接免疫荧光图像的纹理熵。
关于生成关于间接免疫荧光图像的图像梯度特征的方法，其例如包括：计算设备110首先分别计算间接免疫荧光图像的第一方向梯度和第二方向梯度，以便经由针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征。关于第一方向梯度，其例如是x轴方向梯度。关于第二方向梯度，其例如是y轴方向梯度。
下文结合公式(7)和(8)说明第一方向梯度和第二方向梯度的计算方法。
在上述公式(7)和(8)中，x代表间接免疫荧光图像中像素点横坐标。y代表间接免疫荧光图像中像素点纵坐标。h代表连续像素点间的距离。f(′X)代表第一方向梯度。f(′y)代表第二方向梯度。
关于针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征的方式，其例如是基于以下公式(9)所示算法而进行的。
在上述公式(9)中，G(x)代表图像在第一方向(例如x轴方向)上的梯度。G(y)代表图像在第二方向(例如y轴方向)上的梯度。G(x，y)代表图像梯度特征。该图像梯度特征不包括梯度方向信息。
应当理解，通过采取上述手段，本公开可以将像素点的不同梯度方向的梯度值投影至第一方向(例如X轴)和第二方向(例如Y轴)上，可以实现则梯度方向信息转化为数值信息，藉此，既保留了像素点的不同梯度方向的影响因素，同时也避免了因为差异化的方向对于后续多维特征拼接时带来不利干扰。
在步骤206处，计算设备110分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞。例如，计算设备110基于关于细胞的标注，在在整个间接免疫荧光图像中将细胞级灰度图像切割出来。关于细胞的标注，其例如是根据下文提及的细胞候选框预测模块608关于细胞候选框信息而生成针对细胞的标注。
在步骤208处，计算设备110提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征。
关于生成关于细胞的色值变化特征的方法，其例如包括：获取细胞级灰度图像的宽度数据和高度数据；基于所获取的宽度数据和高度数据，计算细胞级灰度图像的细胞的中心；基于细胞级灰度图像内的像素点到细胞的中心的距离，计算关于细胞级图像色值均值；基于所计算的关于细胞级图像色值均值，确定细胞的中心至细胞周边的像素点的色值变化。下文将结合图3描述关于生成关于细胞的色值变化特征的方法，在此，不再赘述。
在步骤210处，计算设备110至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据。
关于生成输入数据的方法，其例如包括：融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据。
在步骤212处，计算设备110经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果。
关于核型分类模型，其例如是基于随机森林模型而构建的。应当理解，核型分类模型也可以基于其他机器学习模型而构建。
关于核型分类模型的输入数据，其例如包括：包括纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征的多维特征。以及由核型识别模型所生成的关于多种以细胞为基质的抗体的核型的输出结果矩阵。
关于核型分类模型的输出数据，其为关于以细胞为基质的抗体的核型类别的预测结果。
关于核型分类模型的训练，可以通过已知核型类别标签的多样本数据(样本数据包括关于输出结果矩阵的样本和关于多维图像特征的样本)训练核型分类模型。
在上述方案中，通过提取关于以细胞为基质的抗体的间接免疫荧光图像的整图纹理特征和梯度特征，而且将整图分成包括单细胞的多个细胞级灰度图像，然后提取多个细胞级灰度图像的色值变化特征，本公开可以使得核型分类模型学习到更为丰富的从整图特征到细胞局部图像的图像特征来更加充分地描述间接免疫荧光图像。另外，本公开通过至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征而生成输入数据，经由核型分类模型提取输入数据的特征，生成关于以细胞为基质的抗体的核型类别的预测结果，能够针对与识别不同以细胞为基质的抗体的核型存在显著性影响的纹理、梯度和颜色变化特点进行定向提取与综合，进而使得核型分类模型能够更为全面并精准地捕捉不同核型类别的细胞之间的细微差别，进而准确并且全面地识别以细胞为基质的抗体的核型类别。
在一些实施例中，方法200还包括生成用于输入核型分类模型的输入数据的方法300。图3示出了根据本公开的实施例的生成用于输入核型分类模型的输入数据的方法300的流程图。应当理解，方法300例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤302处，计算设备110生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。
关于生成方向梯度直方图特征的方法，其例如包括：针对间接免疫荧光图像进行灰度化；针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像；计算经标准化的图像的每个像素的梯度；将经标准化的图像分割成多个图像单元；计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息；将预定数量的图像单元组合成一个图像块，以便基于图像块内的每个图像单元的表征信息，生成关于每个图像块的表征信息；以及基于所有图像块的表征信息，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。。下文将结合图5描述关于生成方向梯度直方图特征的方法，在此，不再赘述。
在步骤304处，计算设备110针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理，以便输入经训练的核型识别模型，用以生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，核型识别模型是基于机器学习模型所构建的。
关于针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理的方法例如包括：首先针对符合预定条件的间接免疫荧光图像进行扩增；然后针对扩增后的间接免疫荧光图像进行增强。
针对符合预定条件的间接免疫荧光图像进行扩增的方法例如包括：如果确定与预定核型相关联的间接免疫荧光图像的图像数量小于或者等于预定阈值；针对与预定核型相关联的间接免疫荧光图像以预定角度为间隔进行旋转操作，以便生成扩增后的间接免疫荧光图像。
针对扩增后的间接免疫荧光图像进行增强的方法例如包括：针对间接免疫荧光图像进行高斯滤波，以过滤间接免疫荧光图像中的噪声干扰；以及对经高斯滤波的间接免疫荧光图像进行过曝检测，以过滤间接免疫荧光图像中的光圈干扰和杂质干扰
以下结合图6示例性说明核型识别模型和用于预测核型类别的方法600的示意图。图6示出了根据本公开的实施例的用于预测核型类别的方法600的示意图。如图6所示，核型识别模型610例如包括残差神经网络模块604、细胞候选框预测模块608和分类回归器612。
关于残差神经网络模块604，其例如而不限于是基于特征金字塔网络(FeaturePyramid Networks，FPN)而构建的，其用于将经由与处理的关于以细胞为基质的抗体的间接免疫荧光图像602进行多次卷积计算，以便生成特征图606。应当理解，本公开待识别的前景为间接免疫荧光图像中所包括的大量的、细小的细胞。特征金字塔网络的特点在于能够针对不同尺度的特征都可以包含很丰富的信息，因而，采用特征金字塔网络不会导致浅层次的信息因多次卷积而导致丢失较多信息。关于细胞候选框预测模块608，其例如而不限于是基于区域候选网络(RPN)而构建的。细胞候选框预测模块608用于基于输入细胞候选框预测模块608的特征图606生成关于每一个细胞的候选位置的预测结果616。
关于分类回归器612，其用于基于关于细胞的候选位置的预测结果616和所生成的特征图606，生成关于多种细胞的核型的输出结果矩阵614。
关于输出结果矩阵，其例如是由分类回归器612输出的关于多种(例如，29类核型)抗核抗体的核型的置信度矩阵。该输出结果矩阵例如指示多种核型和多种核型所对应的置信度。
在步骤306处，计算设备110融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成用于输入核型分类模型的输入数据。例如，如图6所示，标记622例如指示所生成的关于间接免疫荧光图像602的纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征等多维特征。标记614指示由核型识别模型610所输出的关于多种以细胞为基质的抗体的核型的输出结果矩阵。计算设备110融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征等多维特征622和关于多种抗核抗体的核型的输出结果矩614，以便生成用于输入核型分类模型620的输入数据，核型分类模型620输出关于核型类别的预测结果624。例如，关于核型类别的预测结果624指示原始输入的关于以细胞为基质的抗体的间接免疫荧光图像核型类别是29种核型类别中的一种。
通过采用上述手段，本公开的核型分类模型不仅结合了经由图像处理手段所获得的间接免疫荧光图像的多种图像特征，而且结合机器学习模型针对间接免疫荧光图像的特征提取，可以学习到经由核型识别模型所提取的特征，而且可以学习到定向提取的与识别不同以细胞为基质的抗体的核型存在显著性影响的纹理、梯度和色值变化等特征，进而有利于更为准确与全面地识别核型类别。
图4示出了根据本公开的实施例的用于生成关于细胞的色值变化特征的方法400的流程图。应当理解，方法400例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤402处，计算设备110获取细胞级灰度图像的宽度数据和高度数据。
在步骤404处，计算设备110基于所获取的宽度数据和高度数据，计算细胞级灰度图像的细胞的中心。
以下结合公式(10)和(11)示例性说明计算细胞级灰度图像的细胞的中心的方式。
在上述公式(10)和(11)中，x1和x2分别代表细胞级灰度图像中的细胞的最小横坐标和最大横坐标。x代表细胞的中心的横坐标。y1和y2分别代表细胞级灰度图像中的细胞的最小纵坐标和最大纵坐标。y代表细胞的中心的纵坐标。
在步骤406处，计算设备110基于细胞级灰度图像内的像素点到细胞的中心的距离，计算关于细胞级图像色值均值。
关于细胞级灰度图像内的像素点到细胞的中心的距离，其例如是像素点到细胞的中心的欧式距离。以下结合公式(12)示例性说明计算像素点到细胞的中心的距离的算法。
在上述公式(12)中，xi代表像素点的横坐标。yi代表像素点的纵坐标。D(X，Y)代表像素点到细胞的中心的距离。
在步骤408处，计算设备110基于所计算的关于细胞级图像色值均值，生成关于细胞的色值变化特征。
应当理解，细胞的中心至细胞周边的像素点的色值变化特征能够指示细胞内的纹理变化信息。图7示出了根据本公开的实施例的四种不同核型的细胞图像的示意图。图8示出了根据本公开的实施例的四种不同核型的细胞的中心至细胞周边的像素点的色值变化的示意图。如图7所示。四种不同核型的细胞从细胞中心到周围的纹理变化特点与趋势是不同的，并且在RGB图中的色值是不同的，或者在灰度图像中的灰度值是不同的。以色值变化特征为例，如图7所示，例如，第一核型的细胞的图像710所指示的细胞的周边较为锐利并且周边较粗。第二核型的细胞的图像720所指示的细胞的周边也较为锐利并且周边较细。第三核型的细胞的图像730所指示的细胞的内部区域的亮度较高，周边的特征不明显。第四核型的细胞的图像740所指示的细胞的细胞核周边存在絮状的物质。对于不同核型的细胞，这些细胞的中心至细胞周边的像素点的色值变化特征是不一样的。如图8所示，横坐标指示像素点距离细胞中心的距离，纵坐标指示像素点的色值均值。曲线810示出了第一核型(AC-1)的细胞的从细胞中心到周围的纹理变化趋势。曲线810指示在横坐标20附近，像素点的色值均值出现较为明显的下降。这表明细胞的周边较为锐利。曲线820示出了第二核型(AC-2)的细胞的从细胞中心到周围的纹理变化趋势。曲线820指示在横坐标12附近，并且下滑趋势较为明显，这表明细胞的周边较为锐利。曲线830示出了第三核型(AC-3)的细胞的从细胞中心到周围的纹理变化趋势。曲线840示出了第四核型(AC-4)的细胞的从细胞中心到周围的纹理变化趋势。相比较而言，曲线830和曲线840的色值均值出现下降趋势相对平缓。可见，通过采用的上述手段，通过提取细胞的色值变化特征(例如，中心至细胞周边的像素点的色值变化特征)，本公开能够有效提升核型分类识别的性能。
图5示出了根据本公开的实施例的用于生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征的方法500的流程图。应当理解，方法500例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤502处，计算设备110针对间接免疫荧光图像进行灰度化。
关于针对间接免疫荧光图像进行灰度化的方法，例如包括平均法、或者最大最小平均法或者是加权平均法等。
在一些实施例中，关于针对间接免疫荧光图像进行灰度化的方法包括：保留针对关于以细胞为基质的抗体的间接免疫荧光图像G通道色值，以便生成经灰度化的图像。
在步骤504处，计算设备110针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像。
关于进行颜色空间的标准化的方法，其例如包括：计算设备110采用伽玛校正(Gamma Correction)对经灰度化的图像进行颜色空间的标准化(或者称“归一化”)。即，针对经灰度化的图像的伽玛曲线进行编辑，以对经灰度化的图像进行非线性色调编辑。提取经灰度化的图像的信号中的深色部分和浅色部分，以便提高深色部分和浅色部分的比例，以便提高经灰度化的图像的对比度效果。通过采用上述手段，本公开可以减少图像的光照不均和局部阴影对于识别核型类别的影响。以下结合公式(13)说明伽玛校正的算法。
I(x,y)＝I(x,y)Gamma (13)
在上述公式(13)中，Gamma例如为1/2。I(x,y)代表像素位置(x,y)的下像素值。
在步骤506处，计算设备110计算经标准化的图像的每个像素的5梯度。例如，计算经标准化的图像的每个像素点的水平方向梯度、垂直方向梯度，以及基于每个像素点的水平方向梯度、垂直方向梯度计算每个像素点的梯度幅值和梯度方向。以下结合公式(14)至(17)说明计算每个像素点的梯度的方法。
Gx(x,y)＝f(x+1,y)-f(x-1,y) (14)
Gy(x,y)＝f(x,y+1)-f(x,y-1) (15)
在上述公式(14)至(17)中，Gx(x,y)代表像素位置(x,y)的水平方向梯度。f(x+1,y)代表像素位置(x+1,y)的像素值。f(x-1,y)代表像素位置(x-1,y)的像素值。Gy(x,y)代表像素位置(x,y)的垂直方向梯度。G(x,y)代表像素位置(x,y)的梯度幅值。d(x,y)代表像素位置(x,y)的梯度方向。通过采用上述技术手段，本公开可以捕获轮廓信息，并且进一步弱化光照的干扰。
在步骤508处，计算设备110将经标准化的图像分割成多个图像单元。图像单元例如为6*6个像素。
在步骤510处，计算设备110计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息。例如，对每个图像单元内每个像素基于梯度方向在直方图中进行加权投影，以便生成该图像单元的梯度直方图特征。该梯度直方图特征例如是多维特征向量。
在步骤512处，计算设备110将预定数量的图像单元组合成一个图像块，以便基于图像块内的每个图像单元的表征信息，生成关于每个图像块的表征信息。例如将连通的预定数量的图像单元组合成一个图像块，以便将每个图像单元的表征信息(例如特征向量)组合成图像块的表征信息(例如经串联的更多维度的特征向量)。
在步骤514处，计算设备110基于所有图像块的表征信息，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。例如，将所有图像块的经串联的特征向量进一步组合成关于以细胞为基质的抗体的间接免疫荧光图像的高维特征向量。
通过采用上述手段，基于多个分割的图像局部区域的梯度方向直方图来构成整个间接免疫荧光图像的高维表征特征，能够全面并准确地描述间接免疫荧光图像。
图9示意性示出了适于用来实现本公开实施例的电子设备900的框图。设备900可以是用于实现执行图2、图5和图6所示的方法200至500的设备。如图7所示，设备900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908，处理单元901执行上文所描述的各个方法和处理，例如执行方法200至500。例如，在一些实施例中，方法200至500可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由CPU 901执行时，可以执行上文描述的方法200、500和600的一个或多个操作。备选地，在其他实施例中，CPU 901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200至500的一个或多个动作。
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上该仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种用于预测关于以细胞为基质的抗体的核型类别的方法，包括：
获取关于以细胞为基质的抗体的间接免疫荧光图像；
基于间接免疫荧光图像的图像特征，生成关于间接免疫荧光图像的纹理特征和图像梯度特征；
分割间接免疫荧光图像，以便生成多个细胞级灰度图像，每个细胞级灰度图像包括一个细胞；
提取细胞级灰度图像的图像特征，以便生成关于细胞的色值变化特征；
至少基于纹理特征、图像梯度特征和关于细胞的色值变化特征，生成输入数据；以及
经由基于机器学习模型所构建的核型分类模型提取输入数据的特征，以便生成关于以细胞为基质的抗体的核型类别的预测结果，
其中生成输入数据包括：
生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征；
针对关于以细胞为基质的抗体的间接免疫荧光图像进行预处理，以便输入经训练的核型识别模型，用以生成关于多种以细胞为基质的抗体的核型的输出结果矩阵，核型识别模型是基于机器学习模型所构建的；以及
融合纹理特征、图像梯度特征、关于细胞的色值变化特征、方向梯度直方图特征和关于多种以细胞为基质的抗体的核型的输出结果矩阵，以便生成输入数据。
2.根据权利要求1所述的方法，其中核型识别模型至少包括：残差神经网络模块、细胞候选框预测模块和分类回归器。
3.根据权利要求1所述的方法，其中生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征包括：
针对间接免疫荧光图像进行灰度化；
针对经灰度化的图像进行颜色空间的标准化，以便生成经标准化的图像；
计算经标准化的图像的每个像素的梯度；
将经标准化的图像分割成多个图像单元；
计算每个图像单元的梯度直方图特征，以便生成关于每个图像单元的表征信息；
将预定数量的图像单元组合成一个图像块，以便基于图像块内的每个图像单元的表征信息，生成关于每个图像块的表征信息；以及
基于所有图像块的表征信息，生成关于以细胞为基质的抗体的间接免疫荧光图像的方向梯度直方图特征。
4.根据权利要求3所述的方法，其中针对间接免疫荧光图像进行灰度化包括：
保留针对关于以细胞为基质的抗体的间接免疫荧光图像的G通道色值，以便生成经灰度化的图像。
5.根据权利要求1所述的方法，其中基于生成关于间接免疫荧光图像的纹理特征和图像梯度特征包括：
基于间接免疫荧光图像中各个像素点的像素值，分别计算关于间接免疫荧光图像的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项；
融合所计算的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性数据、纹理熵中的多项，以便生成关于间接免疫荧光图像的纹理特征；以及
分别计算间接免疫荧光图像的第一方向梯度和第二方向梯度，以便经由针对第一方向梯度和第二方向梯度加权融合而生成图像梯度特征。
6.根据权利要求1所述的方法，其中生成关于细胞的色值变化特征包括：
获取细胞级灰度图像的宽度数据和高度数据；
基于所获取的宽度数据和高度数据，计算细胞级灰度图像的细胞的中心；
基于细胞级灰度图像内的像素点到细胞的中心的距离，计算关于细胞级图像色值均值；
基于所计算的关于细胞级图像色值均值，生成关于细胞的色值变化特征。
7.一种计算设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述计算设备执行根据权利要求1至6任一项所述的方法。
8.一种计算机可读存储介质，其上存储有机器可执行指令，该机器可执行指令在被执行时使机器执行根据权利要求1至6中任一项所述的方法。
CN202111081019.XA 2021-09-15 2021-09-15 预测以细胞为基质的抗体核型类别的方法、设备和介质 Active CN113870280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111081019.XA CN113870280B (zh) 2021-09-15 2021-09-15 预测以细胞为基质的抗体核型类别的方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111081019.XA CN113870280B (zh) 2021-09-15 2021-09-15 预测以细胞为基质的抗体核型类别的方法、设备和介质

Publications (2)

Publication Number Publication Date
CN113870280A CN113870280A (zh) 2021-12-31
CN113870280B true CN113870280B (zh) 2024-08-09

Family

ID=78996077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111081019.XA Active CN113870280B (zh) 2021-09-15 2021-09-15 预测以细胞为基质的抗体核型类别的方法、设备和介质

Country Status (1)

Country Link
CN (1) CN113870280B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883325B (zh) * 2023-06-21 2024-04-30 杭州医策科技有限公司 一种免疫荧光图像分析方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837255A (zh) * 2021-09-15 2021-12-24 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769547B2 (en) * 2005-11-01 2010-08-03 David S. Alberts Karyometry-based method for prediction of cancer event recurrence
CN109858428B (zh) * 2019-01-28 2021-08-17 四川大学 基于机器学习和深度学习的ana荧光片自动识别方法
AU2020248416A1 (en) * 2019-03-26 2021-10-07 Tempus Ai, Inc. Determining biomarkers from histopathology slide images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837255A (zh) * 2021-09-15 2021-12-24 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

Also Published As

Publication number Publication date
CN113870280A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
US20200320682A1 (en) System and Method for Detecting Plant Diseases
CN109784342B (zh) 一种基于深度学习模型的ocr识别方法及终端
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
Kasaei et al. New morphology-based method for robustiranian car plate detection and recognition
CN103383732B (zh) 图像处理方法和装置
US20140204238A1 (en) Feature extraction apparatus, feature extraction program, and image processing apparatus
US11144799B2 (en) Image classification method, computer device and medium
CN111325769A (zh) 一种目标对象检测方法及装置
Jia et al. Remote-sensing image change detection with fusion of multiple wavelet kernels
CN109284673B (zh) 对象跟踪方法及装置、电子设备及存储介质
CN113837255A (zh) 预测以细胞为基质的抗体核型类别的方法、设备和介质
CN112634288A (zh) 设备区域图像分割方法及装置
CN114998290A (zh) 基于有监督模式的织物瑕疵检测方法、装置、设备及介质
WO2015146113A1 (ja) 識別辞書学習システム、識別辞書学習方法および記録媒体
CN113870280B (zh) 预测以细胞为基质的抗体核型类别的方法、设备和介质
CN107564041B (zh) 一种可见光图像空中运动目标的检测方法
CN115439456A (zh) 一种病理图像中对象检测识别方法及装置
CN115131590A (zh) 目标检测模型的训练方法、目标检测方法及相关设备
CN111402185A (zh) 一种图像检测方法及装置
CN110473222A (zh) 图像要素提取方法及装置
US6694059B1 (en) Robustness enhancement and evaluation of image information extraction
CN114596242A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN115131355B (zh) 利用电子设备数据检测防水布异常的智能方法

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