CN116542978B - Fish探针的质量检测方法和装置 - Google Patents
Fish探针的质量检测方法和装置 Download PDFInfo
- Publication number
- CN116542978B CN116542978B CN202310821493.4A CN202310821493A CN116542978B CN 116542978 B CN116542978 B CN 116542978B CN 202310821493 A CN202310821493 A CN 202310821493A CN 116542978 B CN116542978 B CN 116542978B
- Authority
- CN
- China
- Prior art keywords
- target
- cell
- sample
- detected
- cells
- 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
- 239000000523 sample Substances 0.000 title claims abstract description 313
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 210000004027 cell Anatomy 0.000 claims abstract description 281
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 92
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000007637 random forest analysis Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000009396 hybridization Methods 0.000 description 8
- 230000031864 metaphase Effects 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 108020004414 DNA Proteins 0.000 description 3
- 238000000546 chi-square test Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000007901 in situ hybridization Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- KDCGOANMDULRCW-UHFFFAOYSA-N 7H-purine Chemical compound N1=CNC2=NC=NC2=C1 KDCGOANMDULRCW-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 2
- 208000031404 Chromosome Aberrations Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002981 blocking agent Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009871 nonspecific binding Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000005105 peripheral blood lymphocyte Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- CZPWVGJYEJSRLH-UHFFFAOYSA-N Pyrimidine Chemical compound C1=CN=CN=C1 CZPWVGJYEJSRLH-UHFFFAOYSA-N 0.000 description 1
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000002230 centromere Anatomy 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000013377 clone selection method Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003917 human chromosome Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013612 plasmid Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6813—Hybridisation assays
- C12Q1/6841—In situ hybridisation
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6881—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for tissue or cell typing, e.g. human leukocyte antigen [HLA] probes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physics & Mathematics (AREA)
- Zoology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Biophysics (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Cell Biology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本申请提供一种FISH探针的质量检测方法和装置,属于图像处理技术领域,其中方法包括:获取待测样本对应的目标显微图像;待测样本是用待测FISH探针对目标样本进行杂交得到的,目标显微图像包括细胞核图像和探针通道图像;基于细胞核图像和探针通道图像获取待测样本中各细胞对应的目标特征值;将各细胞对应的目标特征值输入训练好的细胞分类模型,输出与各细胞对应的分类结果;分类结果包括细胞类别,细胞类别包括正常细胞和异常细胞,在细胞类别为异常细胞的情况下分类结果还包括异常细胞对应的异常类型;基于各细胞对应的分类结果确定待测FISH探针是否合格,能保证FISH探针质量检测的准确和高效性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种FISH探针的质量检测方法和装置。
背景技术
荧光原位杂交(Fluorescence in situ hybridization,FISH)是一种常用的染色体异常检测方法,其所采用的探针质量的好坏直接影响最终检测结果的有效性,因此,在进行染色体异常检测之前需要对FISH探针成品进行质量检测。
然而现有的FISH探针成品质量检测主要采用人工检查的方式,无法保证FISH探针质量检测结果的准确性,同时检测效率过低。
发明内容
本申请提供一种FISH探针的质量检测方法和装置,以用于实现FISH探针质量的准确高效检测。
本申请提供一种FISH探针的质量检测方法,包括:
获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;
基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;
将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;
基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
根据本申请提供的一种FISH探针的质量检测方法,所述目标特征集合是对预先确定的分类关联特征集合进行相关性分析得到的,所述分类关联特征集合中包括细胞核特征子集和信号点特征子集。
根据本申请提供的一种FISH探针的质量检测方法,所述目标特征集合中包括目标细胞核特征子集和目标信号点特征子集,相应的,所述基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值,具体包括:
基于预设的图像分割算法或目标检测算法分别对所述细胞核图像和所述探针通道图像进行处理,以识别所述待测样本对应的细胞核及荧光信号点,并分别提取各细胞对应的目标细胞核特征值和目标信号点特征值;所述目标细胞核特征值是目标细胞核特征子集中各特征的值,所述目标信号点特征值是目标信号点特征子集中各特征的值。
根据本申请提供的一种FISH探针的质量检测方法,所述目标细胞核特征子集中包括:细胞核面积、细胞核延展率、细胞核圆度、细胞核直径和背景强度;所述目标信号点特征子集中包括:信号点面积、信号点强度、信号点锐度、信号点强度最大值、信号点直径、信号点总像素强度。
根据本申请提供的一种FISH探针的质量检测方法,所述异常类型包括:信号弱、信号点聚集、核型异常、细碎背景信号点、高背景和断裂点。
根据本申请提供的一种FISH探针的质量检测方法,所述基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格,具体包括:
基于所述待测样本中各细胞对应的分类结果,确定所述待测样本中正常细胞的比例;
在所述正常细胞的比例大于预设阈值的情况下,判定所述待测FISH探针合格,否则判定所述待测FISH探针不合格。
根据本申请提供的一种FISH探针的质量检测方法,所述细胞分类模型为机器学习模型。
本申请还提供一种FISH探针的质量检测装置,包括:
目标显微图像获取模块,用于获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;
目标特征值获取模块,用于基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;
细胞分类模块,用于将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;
探针质量确定模块,用于基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述FISH探针的质量检测方法的步骤。
本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述FISH探针的质量检测方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述FISH探针的质量检测方法的步骤。
本申请提供的FISH探针的质量检测方法和装置,获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;将所述待测样本中各细胞对应的目标特征集合输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的,能够对FISH探针的质量进行精确的自动化检测,保证了FISH探针质量检测的准确性和高效性。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的FISH探针的质量检测方法的流程示意图;
图2(a)为正常细胞对应的显微图像示意图;
图2(b)为信号弱细胞对应的显微图像示意图;
图2(c)为信号点聚集细胞对应的显微图像示意图;
图2(d)为核型异常细胞对应的显微图像示意图;
图2(e)为细碎背景信号点细胞对应的显微图像示意图;
图2(f)为高背景细胞对应的显微图像示意图;
图2(g)为断裂点细胞对应的显微图像示意图;
图3是本申请提供的随机森林模型对应的ROC曲线示意图;
图4是本申请提供的基于分类结果确定FISH探针质量的流程示意图;
图5是本申请提供的FISH探针的质量检测装置的结构示意图;
图6是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请提供的FISH探针的质量检测方法的流程示意图,如图1所示,该方法包括:
步骤110,获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像。
具体的,单色FISH探针的制备过程需要依次经历以下步骤:克隆选择、细菌培养、质粒 DNA 的提取、探针标记、探针纯化等,FISH探针即为经过上述制备步骤得到的探针试剂成品。但在FISH探针试剂的生产过程中,上述每个制备步骤都会存在影响探针质量的因素,因此需要对探针试剂成品进行检测以确定其质量是否合格。当前的检测步骤依次为:外观检验、荧光原位杂交信号强度检测、特异性检验和灵敏度检验。其中,外观检验由技术人员判断探针试剂是否澄清且无沉淀,若是,检验通过。杂交信号强度检测为探针在与样本有效杂交后,经洗涤复染等必要操作程序,在荧光显微镜的一定放大倍数下,应能发出可被肉眼观察到的荧光信号,若是,则检验通过。杂交特异性指在杂交实验完成后,能在中期相细胞目标染色体目标位点观察到杂交信号的百分比。如观察50个中期相细胞100条特定染色体,至少有98条特定染色体能显示特定荧光信号,则检验通过。所述中期相细胞为外周血淋巴细胞中期分裂相细胞,例如HER-2DNA探针杂交到人类17号染色体长臂近着丝粒端,荧光信号为橘红色,检测50个中期细胞,100条17号染色体,应该至少有98条17号染色体能近着丝粒端显示一个红色信号。灵敏度检测为检测灵敏度内控品的1000个细胞,并记录没有出现荧光信号的目标细胞个数,在所述目标细胞个数小于预设阈值的情况下,检验通过。所述灵敏度内控品为研究对象的外周血淋巴细胞。在上述四个检验步骤均通过的情况下即判断FISH探针合格。
然而采用上述检测方式由于整个检测过程均是通过人工目视判断,不仅检测效率低,且可能由于人工操作误差,导致检测结果的准确性降低。基于此,本申请通过研究发现,对于FISH探针存在的质量异常情况,可以通过待测FISH探针对目标样本进行杂交得到的待测样本对应的细胞显微图像准确捕捉。其中,对于合格的FISH探针,杂交得到的待测样本对应的细胞显微图像中荧光信号点为两个明亮的实心圆点;但对于不合格的FISH探针,杂交得到的待测样本对应的细胞显微图像中荧光信号点将出现不同的异常表现。具体的,图2(a)为正常细胞(即合格的FISH探针杂交的细胞)对应的显微图像示意图,图2(b)-图2(g)均为异常细胞(即不合格的FISH探针杂交的细胞)对应的显微图像示意图,其中,图2(b)为信号弱细胞对应的显微图像示意图;图2(c)为信号点聚集细胞对应的显微图像示意图;图2(d)为核型异常细胞对应的显微图像示意图;图2(e)为细碎背景信号点细胞对应的显微图像示意图;图2(f)为高背景细胞对应的显微图像示意图;图2(g)为断裂点细胞对应的显微图像示意图。
更具体的,本申请通过进一步的研究发现,对于图2(b)所示的情形,是由于FISH探针DNA片段截取过长,导致探针无法正常进入细胞核,后续过程可能被洗掉或产生非特异性结合,进而导致细胞显微图像上的荧光信号弱,甚至无荧光信号;对于图2(c)所示的情形,是由于FISH探针封闭剂成分配比异常导致荧光信号点成团聚集于细胞核内造成的;对于图2(d)所示的情形,是由于FISH探针内葡聚糖浓度过高,导致细胞核破碎造成的;对于图2(e)所示的情形,是由于FISH探针中重复序列较多,存在较多非特异性结合或封闭剂浓度不足导致细碎背景信号点增多造成的,且所述细碎背景信号点与核内真实信号点在相近的焦平面内;对于图2(f)所示的情形,是由于FISH探针中嘌呤或嘧啶的含量配比异常导致背景亮度过高造成的;对于图2(g)所示的情形,是由于FISH探针覆盖度过低导致探针中未选取较完整的片段 或DNA片段截取过短,导致荧光信号点出现弥散断裂造成的。
基于上述研究成果,本申请提出了一种基于对待测样本对应的目标显微图像进行自动化分析以实现FISH探针的质量检测的方案。具体的,要实现上述方案,首先需要获取待测样本对应的目标显微图像,基于前述内容可以理解的是,所述待测样本是通过待测FISH探针对目标样本进行杂交得到的。可以理解的是,所述目标样本包括组织样本、体液样本等,本申请实施例对此不作具体限定。值得注意的是,所述目标显微图像包括细胞核图像和探针通道图像,基于此,能够保证获取全面的细胞核和荧光信号点特征,进而保证后续FISH探针质量检测的准确性。本申请实施例通过专用的自动化扫描设备对待测样本进行扫描以实现细胞核图像和探针通道图像的高效获取,进而保证FISH探针质量检测的整体效率。
步骤120,基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值。
具体的,获取待测样本对应的目标显微图像之后,本申请实施例即可基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值。
其中,所述目标特征值是目标特征集合中各目标特征的值。所述目标特征集合是对预先确定的分类关联特征集合进行相关性分析得到的,所述分类关联特征集合中包括细胞核特征子集和信号点特征子集。
所述目标特征集合中包括目标细胞核特征子集和目标信号点特征子集,相应的,所述基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值,具体包括:
基于预设的图像分割算法或目标检测算法分别对所述细胞核图像和所述探针通道图像进行处理,以识别所述待测样本对应的细胞核及荧光信号点,并分别提取各细胞对应的目标细胞核特征值和目标信号点特征值;所述目标细胞核特征值是目标细胞核特征子集中各特征的值,所述目标信号点特征值是目标信号点特征子集中各特征的值。
可以理解的是,所述图像分割算法可以采用现有任意可行的分割算法(例如MaskRCNN),本申请实施例对此不作具体限定;同理,所述目标检测算法也可以采用现有任意可行的目标检测算法(例如Unet)。具体的,通过图像分割算法获得所述细胞核图像中的所有细胞核及各细胞核对应的目标细胞核特征值,再基于细胞核的Mask图(即掩膜图)裁剪所述探针通道图像,并通过图像分割或者目标检测算法获取各细胞在当前探针通道下的荧光信号点及各荧光信号点对应的目标信号点特征值,基于此,即可获得各细胞对应的目标细胞核特征值和目标信号点特征值。
值得注意的是,结合图2(a)-图2(g)可知,本申请通过研究确定了质量异常(即不合格)的FISH探针杂交之后得到的细胞显微图像中产生的异常现象,然而只通过细胞显微图像中的异常现象进行探针质量的人工判断将与现有技术一样,存在效率和准确率低的问题。基于此,本申请实施例进一步通过研究异常现象对应的细胞核与荧光信号点特征以确定细胞显微图像中的具体指标与异常类型的关联关系,并基于该关联关系对细胞进行分类,进而基于细胞的分类结果确定FISH探针是否合格。具体的,本申请实施例基于图2(a)-图2(g)展示的异常类型分析确定了分类关联特征集合,所述分类关联特征集合中包括细胞核特征子集和信号点特征子集。所述细胞核特征子集中包括:细胞核面积、细胞核延展率、细胞核圆度、细胞核直径、背景强度,其中,所述细胞核面积指细胞核的轮廓面积,所述细胞核直径指细胞核的轮廓直径,所述背景强度指细胞核轮廓内排除信号点区域的像素值之和;所述信号点特征子集中包括:信号点个数、信号点面积、信号点强度、信号点锐度、信号点强度最大值、信号点直径、信号点总像素强度,其中,所述信号点面积指信号点的轮廓面积,信号点强度指信号点轮廓内的像素值之和,信号点锐度指基于Laplacian梯度函数的清晰度评价,信号点直径指信号点轮廓直径,信号点总像素强度指全部信号点轮廓内的像素值之和。
在上述基础上,为了保证细胞分类的准确性和效率,本申请实施例通过对分类关联特征集合进行相关性分析以对特征进行筛选,进而得到所述目标特征集合。可以理解的是,所述相关性分析方法可以采用现有任意可行的相关性分析算法,例如卡方检验。表1为基于卡方检验进行特征筛选的结果示意表,如表1所示,P值为分类关联特征独立的概率。
表1 基于卡方检验进行特征筛选的结果示意表
本申请实施例对P值小于0.05的分类关联特征进行分析,基于随机森林模型将分类关联特征对模型的贡献度进行排序,最终确定所述目标细胞核特征子集中包括:细胞核面积、细胞核延展率、细胞核圆度、细胞核直径和背景强度;所述目标信号点特征子集中包括:信号点面积、信号点强度、信号点锐度、信号点强度最大值、信号点直径、信号点总像素强度。具体的,上述各目标特征的值(即目标特征值)可以通过相应的图像识别算法确定,例如,细胞核/信号点面积可以通过opencv的contourArea()计算。各目标特征值均采用现有的常规算法获得,本申请实施例在此不作穷举。
步骤130,将所述待测样本中各细胞对应的目标特征集合输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型。
具体的,确定了目标特征集合之后,本申请实施例进一步基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行细胞分类模型训练,使得训练好的细胞分类模型能够基于待测样本中各细胞对应的目标特征值输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型。基于前述内容可以理解的是,所述异常类型包括:信号弱、信号点聚集、核型异常、细碎背景信号点、高背景和断裂点。
基于前述内容可知,FISH探针的质量问题与上述异常类型存在对应关系。因此,本申请实施例可以预先制备不同质量问题的FISH探针,并采用不同质量问题的FISH探针与待研究的样本进行杂交以得到预制的样本,并对所述预制的样本中的各细胞进行标注得到对应的分类结果标签。同时,提取预制的样本中的各细胞对应的目标特征值作为模型输入以对初始机器学习模型进行训练,得到训练好的细胞分类模型。基于此,能够实现细胞的高效准确分类。如表2所示为本申请实施例构建的训练集和测试集的细胞数量分布示意表:
表2 训练集和测试集的细胞数量分布示意表
所述初始机器学习模型可以为随机森林模型、逻辑回归模型和支持向量机模型等机器学习模型,本申请实施例对此不作具体限定。以随机森林模型为例,其具体训练过程如下:首先对训练集拟合模型,对模型进行初步的拟合后,将训练集的自变量(即目标特征值)代入模型中进行预测,可以得到模型预测的准确率和对模型优劣的评估指标ROC(ReceiverOperating Characteristic)曲线和AUC(Area Under the Curve)值。如表3所示为随机森林模型的预测结果示意表:
表3 随机森林模型的预测结果示意表
模型准确率按照测试集正确分类细胞个数与测试集中细胞总数的比值求得,即准确率 = 模型正确分类细胞个数 / 测试集细胞总数。基于该计算公式得到的随机森林模型对应的准确率为0.9767。同时,对模型随机森林进一步计算AUC和绘制ROC曲线。
对于多分类绘制ROC曲线,有宏观平均(macro-average)和微观平均(micro-average)的做法。宏观平均即对每个类别绘制一条ROC曲线,最后对所有的曲线取平均,即得到最终的ROC曲线。微观平均即将标签矩阵和概率矩阵分别按行展开,转置后形成两列,以得到一个二分类结果,对此结果绘制ROC曲线就是最终的ROC曲线。图3是本申请提供的随机森林模型对应的ROC曲线示意图,其中,横坐标为假阳性率,纵坐标为真阳性率。如图3所示,模型在宏观平均下的AUC为0.8930>0.5,因此模型有预测价值。
步骤140,基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
具体的,图4是本申请提供的基于分类结果确定FISH探针质量的流程示意图,如图4所示,所述基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格,具体包括:
步骤210,基于所述待测样本中各细胞对应的分类结果,确定所述待测样本中正常细胞的比例;
步骤220,在所述正常细胞的比例大于预设阈值的情况下,判定所述待测FISH探针合格,否则判定所述待测FISH探针不合格。
本申请实施例基于现行的FISH探针检测标准要求不低于98%的细胞显示特定荧光信号(即杂交效率大于98%),以保证有足够的可分析细胞。因此根据模型输出结果,对于所述待测样本,当模型标记“正常”的细胞占比大于98%时,认为探针质量为合格,否则不合格。基于此,能够进一步保证检测结果的准确性。
本申请实施例提供的方法,通过获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的,能够基于对FISH探针的质量进行精确的自动化检测,保证了FISH探针质量检测的准确性和高效性。
下面对本申请提供的FISH探针的质量检测装置进行描述,下文描述的FISH探针的质量检测装置与上文描述的FISH探针的质量检测方法可相互对应参照。
基于上述任一实施例,图5为本申请提供的FISH探针的质量检测装置的结构示意图,如图5所示,该装置包括:
目标显微图像获取模块310,用于获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;
目标特征值获取模块320,用于基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;
细胞分类模块330,用于将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;
探针质量确定模块340,用于基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
本申请实施例提供的装置,通过目标显微图像获取模块310获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;目标特征值获取模块320基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;细胞分类模块330将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;探针质量确定模块340基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的,能够基于对FISH探针的质量进行精确的自动化检测,保证了FISH探针质量检测的准确性和高效性。
基于上述实施例,所述目标特征集合是对预先确定的分类关联特征集合进行相关性分析得到的,所述分类关联特征集合中包括细胞核特征子集和信号点特征子集。
基于上述任一实施例,所述目标特征集合中包括目标细胞核特征子集和目标信号点特征子集,相应的,所述基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值,具体包括:
基于预设的图像分割算法或目标检测算法分别对所述细胞核图像和所述探针通道图像进行处理,以识别所述待测样本对应的细胞核及荧光信号点,并分别提取各细胞对应的目标细胞核特征值和目标信号点特征值;所述目标细胞核特征值是目标细胞核特征子集中各特征的值,所述目标信号点特征值是目标信号点特征子集中各特征的值。
基于上述任一实施例,所述目标细胞核特征子集中包括:细胞核面积、细胞核延展率、细胞核圆度、细胞核直径和背景强度;所述目标信号点特征子集中包括:信号点面积、信号点强度、信号点锐度、信号点强度最大值、信号点直径、信号点总像素强度。
基于上述任一实施例,所述异常类型包括:信号弱、信号点聚集、核型异常、细碎背景信号点、高背景和断裂点。
基于上述任一实施例,所述基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格,具体包括:
基于所述待测样本中各细胞对应的分类结果,确定所述待测样本中正常细胞的比例;
在所述正常细胞的比例大于预设阈值的情况下,判定所述待测FISH探针合格,否则判定所述待测FISH探针不合格。
基于上述任一实施例,所述细胞分类模型为机器学习模型。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器410、通信接口420、存储器430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各方法所提供的FISH探针的质量检测方法,该方法包括:获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的FISH探针的质量检测方法,该方法包括:获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的FISH探针的质量检测方法,该方法包括:获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种FISH探针的质量检测方法,其特征在于,包括:
获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;
基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;
将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;所述异常类型包括:信号弱、信号点聚集、核型异常、细碎背景信号点、高背景和断裂点;所述异常类型与FISH探针的质量问题对应;所述正常细胞指对应的细胞显微图像中荧光信号点为两个明亮的实心圆点的细胞;
基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
2.根据权利要求1所述的FISH探针的质量检测方法,其特征在于,所述目标特征集合是对预先确定的分类关联特征集合进行相关性分析得到的,所述分类关联特征集合中包括细胞核特征子集和信号点特征子集。
3.根据权利要求2所述的FISH探针的质量检测方法,其特征在于,所述目标特征集合中包括目标细胞核特征子集和目标信号点特征子集,相应的,所述基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值,具体包括:
基于预设的图像分割算法或目标检测算法分别对所述细胞核图像和所述探针通道图像进行处理,以识别所述待测样本对应的细胞核及荧光信号点,并分别提取各细胞对应的目标细胞核特征值和目标信号点特征值;所述目标细胞核特征值是目标细胞核特征子集中各特征的值,所述目标信号点特征值是目标信号点特征子集中各特征的值。
4.根据权利要求3所述的FISH探针的质量检测方法,其特征在于,所述目标细胞核特征子集中包括:细胞核面积、细胞核延展率、细胞核圆度、细胞核直径和背景强度;所述目标信号点特征子集中包括:信号点面积、信号点强度、信号点锐度、信号点强度最大值、信号点直径、信号点总像素强度。
5.根据权利要求1所述的FISH探针的质量检测方法,其特征在于,所述基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格,具体包括:
基于所述待测样本中各细胞对应的分类结果,确定所述待测样本中正常细胞的比例;
在所述正常细胞的比例大于预设阈值的情况下,判定所述待测FISH探针合格,否则判定所述待测FISH探针不合格。
6.根据权利要求1所述的FISH探针的质量检测方法,其特征在于,所述细胞分类模型为机器学习模型。
7.一种FISH探针的质量检测装置,其特征在于,包括:
目标显微图像获取模块,用于获取待测样本对应的目标显微图像;所述待测样本是通过待测FISH探针对目标样本进行杂交得到的,所述目标显微图像包括细胞核图像和探针通道图像;
目标特征值获取模块,用于基于所述细胞核图像和所述探针通道图像,获取所述待测样本中各细胞对应的目标特征值;所述目标特征值是目标特征集合中各目标特征的值;
细胞分类模块,用于将所述待测样本中各细胞对应的目标特征值输入训练好的细胞分类模型,输出与所述待测样本中各细胞对应的分类结果;所述分类结果包括细胞类别,所述细胞类别包括正常细胞和异常细胞,在所述细胞类别为异常细胞的情况下,所述分类结果还包括异常细胞对应的异常类型;所述异常类型包括:信号弱、信号点聚集、核型异常、细碎背景信号点、高背景和断裂点;所述异常类型与FISH探针的质量问题对应;所述正常细胞指对应的细胞显微图像中荧光信号点为两个明亮的实心圆点的细胞;
探针质量确定模块,用于基于所述待测样本中各细胞对应的分类结果,确定所述待测FISH探针是否合格;
其中,所述细胞分类模型是基于预制的样本中的多个细胞对应的目标特征值,及预先确定的分类结果标签进行训练后得到的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述FISH探针的质量检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述FISH探针的质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821493.4A CN116542978B (zh) | 2023-07-06 | 2023-07-06 | Fish探针的质量检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821493.4A CN116542978B (zh) | 2023-07-06 | 2023-07-06 | Fish探针的质量检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542978A CN116542978A (zh) | 2023-08-04 |
CN116542978B true CN116542978B (zh) | 2023-10-20 |
Family
ID=87458216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821493.4A Active CN116542978B (zh) | 2023-07-06 | 2023-07-06 | Fish探针的质量检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542978B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422633A (zh) * | 2023-11-15 | 2024-01-19 | 珠海横琴圣澳云智科技有限公司 | 样本视野图像的处理方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020086992A1 (en) * | 2018-10-25 | 2020-04-30 | The General Hospital Corporation | Highly multiplexed fluorescence in situ hybridization (fish) platform for gene copy number evaluation |
CN111583226A (zh) * | 2020-05-08 | 2020-08-25 | 上海杏脉信息科技有限公司 | 细胞病理感染评估方法、电子装置及存储介质 |
CN115564776A (zh) * | 2022-12-05 | 2023-01-03 | 珠海圣美生物诊断技术有限公司 | 基于机器学习的异常细胞样本检测方法和装置 |
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019079851A1 (en) * | 2017-10-23 | 2019-05-02 | The University Of Western Australia | IMPROVEMENTS IN OR RELATING TO CELL ANALYSIS |
-
2023
- 2023-07-06 CN CN202310821493.4A patent/CN116542978B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020086992A1 (en) * | 2018-10-25 | 2020-04-30 | The General Hospital Corporation | Highly multiplexed fluorescence in situ hybridization (fish) platform for gene copy number evaluation |
CN111583226A (zh) * | 2020-05-08 | 2020-08-25 | 上海杏脉信息科技有限公司 | 细胞病理感染评估方法、电子装置及存储介质 |
CN115564776A (zh) * | 2022-12-05 | 2023-01-03 | 珠海圣美生物诊断技术有限公司 | 基于机器学习的异常细胞样本检测方法和装置 |
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116542978A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5933519A (en) | Cytological slide scoring apparatus | |
US8111897B2 (en) | Evaluation system, evaluation method, and recording medium | |
US11880974B2 (en) | Method and device for detecting circulating abnormal cells | |
JP5425814B2 (ja) | サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム | |
CN116542978B (zh) | Fish探针的质量检测方法和装置 | |
Bhattacharjee et al. | Detection of Acute Lymphoblastic Leukemia using watershed transformation technique | |
CN108764312B (zh) | 基于ds优化多指标大坝缺陷图像检测方法 | |
NL2024777B1 (en) | Blood leukocyte segmentation method based on color component combination and contour fitting | |
US10108845B2 (en) | Anomaly detection for medical samples under multiple settings | |
WO2024032623A1 (zh) | 细胞核图像中荧光染色信号点的识别方法和装置 | |
CN114998332B (zh) | 核型异常细胞的确定方法和装置 | |
CN105631481B (zh) | 基于遗传编程的铁谱磨粒复合特征构造方法 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN107735838B (zh) | 在多种设置下用于医学样品的异常检测 | |
JP4854832B2 (ja) | 細胞の画像解析方法,装置、及び記録媒体 | |
CN116385443B (zh) | 基于图像的样本质量确定方法和装置 | |
CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
CN107239676B (zh) | 一种针对胚胎染色体的序列数据处理装置 | |
CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与系统 | |
CN102509106A (zh) | 血浆絮状物的检测方法 | |
CN114494103A (zh) | 缺陷检测方法及检测装置 | |
Del Bimbo et al. | Accurate evaluation of HER-2 amplification in FISH images | |
EP4379676A1 (en) | Detection system, detection apparatus, learning apparatus, detection method, learning method and program | |
TWI773057B (zh) | 抗細胞抗體之自動判讀系統及其自動判讀方法 | |
CN112037854B (zh) | 一种基于甲基化芯片数据获取肿瘤甲基化标记物的方法及系统 |
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 |