DE102023112159A1

DE102023112159A1 - Verfahren zur automatischen klassifizierung von bildqualität und -merkmalen

Info

Publication number: DE102023112159A1
Application number: DE102023112159.6A
Authority: DE
Inventors: Kevin Ferguson
Original assignee: Araceli Biosciences Inc
Current assignee: Araceli Biosciences Inc
Priority date: 2022-05-13
Filing date: 2023-05-09
Publication date: 2023-11-16
Also published as: US20230368549A1; JP2023168287A

Abstract

Hierin werden Verfahren und Systeme für die automatische Bildbeurteilung bereitgestellt, wie z. B. die Beurteilung der Bildqualität oder die Klassifizierung/- Quantifizierung von Merkmalen durch den Vergleich von zwei oder mehr Bildern. In einem Beispiel kann ein Verfahren das Ausgeben einer Metrik einschließen, die den Ähnlichkeitsgrad zwischen einem Testbild und einem Referenzbild für ein ausgewähltes Merkmal anzeigt, basierend auf einer Schnittmenge-über-Vereinigung-Berechnung, die auf räumliche Frequenzbereichstransformationen des Testbildes und des Referenzbildes angewendet wird.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNG
Die vorliegende Anmeldung beansprucht die Priorität der vorläufigen US-Anmeldung Nr. 63/364,708 mit dem Titel „AUTOMATIC IMAGE QUALITY AND FEATURE CLASSIFICATION METHOD“, die am 13. Mai 2022 eingereicht wurde. Der gesamte Inhalt der oben genannten Anmeldung wird hiermit durch Bezugnahme für alle Zwecke einbezogen.
GEBIET
Ausführungsformen des hier offenbarten Gegenstandes beziehen sich allgemein auf die Bewertung von Bildqualität und -merkmalen.
HINTERGRUND/ZUSAMMENFASSUNG
Verschiedene Bildgebungstechnologien, wie z. B. Mikroskopietechniken, können verwendet werden, um digitale Bilder von Zellen, biologischen Strukturen oder anderen Materialien zu erfassen. Eine Echtzeitbewertung der Bildqualität kann verwendet werden, um zu bestimmen, falls es ein Problem bei der Bilderfassung gab, wie z. B. ein Fokusproblem (z. B. Unschärfe), Durchscheinen der Beleuchtung, Streuung, Rauschen im optischen Pfad (z. B. aufgrund von Schmutz oder anderen Ablagerungen) und/oder unlösbare Faltungsprobleme. In einigen Beispielen können subjektive Bildqualitätsmetriken als eine Referenz für Korrelations- und Fehlermetriken zur Verifizierung der Genauigkeit verwendet werden. Der Erhalt solcher Bewertungen kann jedoch zeitaufwändig und relativ teuer sein und ist bei Anwendungen wie z. B. der Fluoreszenzmikroskopie für Bioassays, bei denen keine exakten Referenzwerte zum Vergleich zur Verfügung stehen, möglicherweise hinderlich.
Ein Ansatz für die Bewertung der Bildqualität bei Bioassays ist ein stellvertretender metrischer Statistikansatz, wie z. B. ein zweidimensionaler (2D) Fourier-Ringgewichteter Histogramm-Korrelationsansatz (FRC). Obwohl der FRC-Ansatz und ähnliche Verfahren verwendet wurden, um die relative Unschärfe und einige andere Bildqualitätskorrelate zu bestimmen, ermöglichen sie keine Gesamtqualitätsbewertung im Vergleich zu einem Referenzbild. Stattdessen unterscheidet der FRC-Ansatz allgemein zwischen sehr guter und sehr schlechter Bildqualität, ohne feine Unterscheidungen zwischen sehr gut und sehr schlecht.
Die Erfinder haben die oben genannten Probleme erkannt und einen Weg gefunden, sie zumindest teilweise zu adressieren. In einem Beispiel kann ein Verfahren das Ausgeben einer Metrik einschließen, die den Ähnlichkeitsgrad zwischen einem Testbild und einem Referenzbild für ein ausgewähltes Merkmal angibt, basierend auf einer Schnittmenge-über-Vereinigung-Berechnung, die auf räumliche Frequenzbereichstransformationen des Testbilds und des Referenzbilds angewendet wird. Die Metrik kann hier als Fourier-Ring-Schnittmenge-über-Vereinigung- (FRIOU) -Metrik bezeichnet werden. Auf diese Weise können Echtzeitbewertungen des Ähnlichkeitsgrads zwischen dem Testbild und dem Referenzbild für die Bildqualität oder andere Bildmerkmale bestimmt werden, insbesondere für Zellzahlen und andere zelluläre Veränderungen, die in Bioassays abgefragt werden können.
Vorteile, die durch das Praktizieren des oben beschriebenen Verfahrens realisiert werden können, schließen höhere Korrelationen (sowohl der lineare Pearson-Koeffizient als auch der Spearman-Rangordnungskoeffizient) mit subjektiven Qualitätsbewertungen im Vergleich zum FRC-Ansatz, eine einfachere und rechnerisch effizientere Verarbeitung der Bildmetrik im Vergleich zum FRC-Ansatz, eine unkomplizierte Anwendbarkeit auf eine große Sammlung von Bildern und ein hohes Maß an Empfindlichkeit gegenüber der Bildqualität ein. Darüber hinaus kann die FRIOU-Metrik zur Messung eines Ähnlichkeitsgrades und/oder zur Klassifizierung von Merkmalen verwendet werden, was ihre Anwendbarkeit auf zellbasierte Bioassays im Vergleich zum Beispiel zum FRC-Ansatz und zu Ansätzen mit tiefen neuronalen Netzen erhöhen kann.
Die oben genannten Vorteile und andere Vorteile und Merkmale der vorliegenden Beschreibung werden aus der folgenden detaillierten Beschreibung leicht ersichtlich sein, wenn sie allein oder in Verbindung mit den beigefügten Zeichnungen betrachtet werden.
Es sollte verstanden werden, dass die obige Zusammenfassung bereitgestellt wird, um in vereinfachter Form eine Auswahl von Konzepten vorzustellen, die in der detaillierten Beschreibung weiter beschrieben werden. Es ist nicht beabsichtigt, Schlüssel- oder wesentliche Merkmale des beanspruchten Gegenstandes zu identifizieren, dessen Umfang eindeutig durch die Ansprüche definiert ist, die auf die detaillierte Beschreibung folgen. Weiterhin ist der beanspruchte Gegenstand nicht auf Implementierungen beschränkt, die die oben oder in irgendeinem Teil dieser Offenbarung genannten Nachteile lösen.
KURZE BESCHREIBUNG DER ZEICHNUNGEN

1 zeigt eine schematische Darstellung einer Rechenvorrichtung.
2 zeigt ein Flussdiagramm auf hoher Ebene eines beispielhaften Verfahrens zur Berechnung einer Fourier-Ring-Schnittmenge-über-Vereinigung (FRIOU) sowie von Unschärfe und Rauschen für ein Bild verglichen mit einem Referenzbild.
3 zeigt ein Flussdiagramm eines beispielhaften Verfahrens zum Erzeugen eines gewichteten Fourier-Größenhistogramms eines Bildes.
4 zeigt ein Flussdiagramm eines beispielhaften Verfahrens zur Berechnung der FRIOU-Metrik.
5 zeigt ein Flussdiagramm eines Beispielverfahrens zum Berechnen von Unschärfe und Rauschen.
6 zeigt ein Diagramm eines räumlichen Frequenzraumbildes, das einen Frequenzring einschließt.
7 zeigt ein Flussdiagramm eines Beispielverfahrens zum Klassifizieren von Zellen innerhalb eines Bildes basierend auf der FRIOU-Metrik.
8 zeigt einen Satz von Bildern von Zellen, die unterschiedliche Bildqualitäten haben.
9 zeigt ein Diagramm, in Zellzahlen verglichen werden, unter Verwendung verschiedener bildbasierter Zellzählverfahren in Bezug auf die entsprechende FRIOU-Metrik für jedes Bild.

AUSFÜHRLICHE BESCHREIBUNG
Die vorliegende Beschreibung betrifft die Bewertung der Bildqualität von Bildern, die mit optischen Bildgebungstechniken erhalten wurden. Die Bewertung der Bildqualität kann unter Verwendung eines Rechensystems durchgeführt werden, wie z. B. des in 1 gezeigten Rechensystems. Das Rechensystem kann ein oder mehrere Verfahren verwenden, wie z. B. die in den 3-5 gezeigten Verfahren, um die Bildqualität von Bildern unter Verwendung einer Fourier-Ring-Schnittmenge-über-Vereinigung-(FRIOU) -Metrik zu bewerten, wobei ein Beispiel für den Fourier-Ring in 6 gezeigt ist. 7 zeigt zusätzlich ein Verfahren, das zur Klassifizierung von Zellen innerhalb von Bildern unter Verwendung der FRIOU-Metrik verwendet werden kann. 8 zeigt einen Satz von Bildern mit unterschiedlichen Bildqualitäten, die jeweils durch das Bestimmen der FRIOU-Metrik ausgewertet werden können, und 9 zeigt die Zellzahlen innerhalb von Bildern, wie sie durch zwei verschiedene Verfahren bestimmt werden, von denen eines robuster gegenüber Bildverschlechterungen ist als die anderen, bezogen auf die FRIOU-Metrik des Bildes.
Nun den Figuren zugewandt, zeigt 1 ein beispielhaftes Rechensystem 100 gemäß einer Ausführungsform. Das Rechensystem 100 schließt eine Rechenvorrichtung 110 ein, die ferner einen Prozessor 112 und einen Speicher 114 einschließt. Der Prozessor 112 kann eine oder mehrere Rechenkomponenten umfassen, die zum Ausführen von maschinenlesbaren Anweisungen verwendet werden können. Zum Beispiel kann der Prozessor 112 eine zentrale Verarbeitungseinheit (CPU) umfassen oder zum Beispiel eine Grafikverarbeitungseinheit (GPU) einschließen. Der Prozessor 112 kann sich innerhalb der Rechenvorrichtung 110 befinden oder über eine geeignete Fernverbindung mit der Rechenvorrichtung 110 kommunikativ verbunden sein.
Der Speicher 114 kann einen oder mehrere Typen von computerlesbaren Medien umfassen, einschließlich flüchtiger und/oder nicht-flüchtiger Speicher. Der flüchtige Speicher kann zum Beispiel einen Direktzugriffsspeicher (RAM) umfassen, und der nicht-flüchtige Speicher kann einen Festwertspeicher (ROM) umfassen. Der Speicher 114 kann ein oder mehrere Festplattenlaufwerke (HDDs), Solid State Drives (SSDs), Flash-Speicher und dergleichen einschließen. Der Speicher 114 ist verwendbar, um maschinenlesbare Anweisungen zu speichern, die von dem Prozessor 112 ausgeführt werden können. Der Speicher 114 ist ferner konfiguriert, um Bilder 116 zu speichern, die digitale Bilder umfassen können, die mit einer Vielzahl von Techniken erfasst oder kreiert wurden, einschließlich digitaler Bildgebung, digitaler Illustration und mehr. Die Bilder 116 können ferner ein oder mehrere Referenzbilder einschließen, die als Vergleich verwendet werden können, um eine Bildmetrik zu bestimmen, wie hierin weiter beschrieben wird. Zum Beispiel kann es sich bei der Bildmetrik um einen oder mehrere Bildqualitätswerte oder einen Ähnlichkeitswert handeln.
Mindestens ein Abschnitt der Bilder 116 kann über einen Bildgeber 106 erfasst werden. Der Bildgeber 106 kann eines aus einem Mikroskop (z. B. ein Lichtmikroskop, ein Fluoreszenzmikroskop), einem Multiwell-Platten-Bildgeber oder einer anderen Art von Bioassay-Bildgeber sein. Der Bildgeber 106 kann eine oder mehrere Lichtquellen einschließen, einschließlich Lichtquellen mit breitem und/oder engem Spektrum. Beispiele für Lichtquellen mit breitem Spektrum schließen Lichtquellen ein, die Licht über einen breiten Wellenlängenbereich emittieren, wie z. B. Lampen (Quecksilberlampen, Halogenlampen), die Licht in den ultravioletten (UV) und sichtbaren Bereichen emittieren. Beispiele für Lichtquellen mit engem Spektrum schließen Lichtquellen ein, die Licht aus einem engen Wellenlängenbereich oder Wellenlängenband emittieren, wie z. B. Leuchtdioden (LEDs) und Laser. Der Bildgeber 106 kann ferner mindestens einen Bildsensor einschließen, wie z. B. eine ladungsgekoppelte Vorrichtung (CCD), einen elektronenvervielfachenden CCD (EMCCD), einen aktiven Pixelsensor (z. B. einen komplementären Metalloxid-Halbleitersensor oder CMOS-Sensor) oder einen anderen Sensortyp, der Licht ortsspezifisch, z. B. in einer Array-basierten Weise, erfasst. Darüber hinaus kann der Bildgeber 106 eine oder mehrere optische Kopplungsvorrichtungen (z. B. Linsen und Spiegel), Filter, Strahlteiler und dergleichen einschließen, die verwendet werden können, um Licht einer gewünschten Wellenlänge oder eines gewünschten Wellenlängenbereichs auf eine abzubildende Probe zu richten und Licht zu empfangen, das von der Probe übertragen, reflektiert oder emittiert wird (z. B. abhängig von der Abbildungsmodalität) und an dem (den) Bildsensor(en) ankommt.
Der Speicher 114 schließt ferner ein Bildverarbeitungsmodul 118 ein, das maschinenlesbare Anweisungen umfasst, die von dem Prozessor 112 ausgeführt werden können, um eine oder mehrere Bildmetriken der Bilder 116 zu berechnen. Das Bildverarbeitungsmodul 118 enthält somit maschinenlesbare Anweisungen zur Manipulation digitaler Bilder (z. B. der Bilder 116), wie z. B. Anweisungen zum Durchführen einer Fouriertransformation und zum Bestimmen einer Schnittmenge-über-Vereinigung-Metrik für ein Paar aus Test- und Referenzbild(ern). Zum Beispiel können die maschinenlesbaren Anweisungen, die in dem Bildverarbeitungsmodul 118 gespeichert sind, einer oder mehreren Routinen entsprechen, von denen Beispiele in den 2-5 und 7 bereitgestellt werden.
Das Rechensystem 100 schließt ferner eine Benutzerschnittstelle 102 ein, die ein oder mehrere Peripheriegeräte und/oder Eingabevorrichtungen umfassen kann, einschließlich, aber nicht beschränkt auf eine Tastatur, eine Maus, ein Touchpad oder praktisch jede andere Eingabevorrichtungs-Technologie, die kommunikativ mit der Rechenvorrichtung 110 gekoppelt ist. Die Benutzerschnittstelle 102 kann es einem Benutzer ermöglichen, mit der Rechenvorrichtung 110 zu interagieren, z. B. ein oder mehrere zu bewertende Bilder auszuwählen, einen oder mehrere Parameter der Bildmetrik auszuwählen und so weiter.
Das Rechensystem 100 schließt ferner eine Anzeigevorrichtung 104 ein, die so konfiguriert sein kann, dass sie Ergebnisse von Bildmetriken anzeigt, die Bilder selbst anzeigt und mögliche Parameteroptionen und -auswahlen im Zusammenhang mit der Berechnung von Bildmetriken anzeigt, einschließend zum Beispiel eine oder mehrere Cutoff-Frequenzen, ein oder mehrere Referenzbilder und eine oder mehrere Histogramm-Bin-Breiten. Der Benutzer kann basierend auf den über die Anzeigevorrichtung 104 angezeigten Optionen Parameter über die Benutzerschnittstelle 102 auswählen oder anderweitig eingeben.
2 zeigt ein Verfahren 200 zum Berechnen von Bildqualitätsmetriken, einschließlich einer Fourier-Ring-Schnittmenge-über-Vereinigung- (FRIOU) -Metrik, gemäß einer Ausführungsform. Das Verfahren 200 und die übrigen hier eingeschlossenen Verfahren können von einem Prozessor eines Rechensystems, wie z. B. dem Prozessor 112 des Rechensystems 100 von 1, gemäß Anweisungen ausgeführt werden, die in einem nicht-transitorischen Speicher des Rechensystems (z. B. innerhalb des Bildverarbeitungsmoduls 118 des Speichers 114 von 1) gespeichert sind.
Bei 202 schließt das Verfahren 200 das Erhalten von einem oder mehreren Testbildern ein. Die Testbilder können digitale Bilder umfassen, die mit einem Bildverarbeitungssystem, wie z. B. dem Bildgeber 106 von 1, erfasst oder erzeugt wurden. Zum Beispiel können die Testbilder Bilder von einem oder mehreren Bioassays sein, die mittels Fluoreszenzmikroskopie, Hellfeldmikroskopie oder anderen bildgebenden Verfahren erhalten wurden. Zum Beispiel kann jeder Bioassay eine Multi-Well-Platte umfassen, wobei jede Vertiefung der Multi-Well-Platte eine Vielzahl von Zellen enthält, die einer gleichen oder unterschiedlichen Behandlungsbedingung oder einer Kontrolle, bei der keine Behandlung bereitgestellt wird, unterzogen werden. Bei der Behandlungsbedingung kann es sich beispielsweise um die Behandlung mit unterschiedlichen Konzentrationen eines Arzneimittels oder einer anderen Verbindung, die Behandlung mit einem infektiösen Agens (z. B. einer viralen oder bakteriellen Infektion) und dergleichen handeln. In einigen Beispielen können die Zellen mit einem oder mehreren Fluorophoren (z. B. Fluoreszenzfarbstoffen) behandelt werden, um sie mittels Fluoreszenzmikroskopie und anderen fluoreszenzbasierten Bildgebungstechniken sichtbar zu machen. Wenn mehrere Fluoreszenzfarbstoffe verwendet werden, kann sich jeder Fluoreszenzfarbstoff spektral von den anderen Fluoreszenzfarbstoffen unterscheiden (z. B. kann er nicht überlappende Anregungs- und Emissionsmaxima haben) und auf unterschiedliche zelluläre Strukturen, Kompartimente oder Prozesse abzielen. Wie hierin verwendet, bezeichnet der Begriff „Testbild“ ein Bild, das im Vergleich zu einem Referenzbild ausgewertet wird, um den Ähnlichkeitsgrad mit dem Referenzbild zu bestimmen.
Jedes der erhaltenen Bilder kann die gleiche Auflösung haben (z. B. die gleiche Anzahl von Pixeln in Höhe und Breite). Hier werden Graustufenbilder beschrieben, bei denen jedes Pixel in jedem digitalen Bild durch einen Helligkeitswert dargestellt wird. Es versteht sich jedoch von selbst, dass die hierin offenbarte Bildmetrik auch auf Mehrkanal- oder Farbbilder angewendet werden kann. Zum Beispiel kann ein Mehrkanalbild ein Komposit aus mehreren Bildern (z. B. mehreren Graustufenbildern) sein, die in spektral unterschiedlichen Bildgebungskanälen des Bildgebungssystems erhalten wurden. In einem Beispiel kann ein dreifarbiges Bild ein erstes Bild einschließen, das über einen ersten Bildgebungskanal (z. B. einen roten Kanal) erhalten wird, ein zweites Bild, das über einen zweiten Bildgebungskanal (z. B. einen blauen Kanal) erhalten wird, und ein drittes Bild, das über einen dritten Bildgebungskanal (z. B. einen grünen Kanal) erhalten wird. Die FRIOU-Metrik kann für jeden Kanal oder für das zusammengesetzte Bild bewertet werden.
Bei 204 schließt das Verfahren 200 das Erhalten des Referenzbildes ein. Das Referenzbild kann einen gewünschten räumlichen Frequenzinhalt und/oder ein oder mehrere gewünschte Merkmale, wie z. B. Bildqualitätsmerkmale (z. B. Fokus, geringes Rauschen), enthalten. In einigen Beispielen kann das Referenzbild die gleiche Auflösung haben wie jedes der bei 202 erhaltenen Testbilder. Bei dem Referenzbild kann es sich um ein vorbestimmtes Referenzbild handeln, das von einem Benutzer manuell oder unter Verwendung eines Algorithmus ausgewählt wird, z. B. eines auf maschinellem Lernen basierenden Algorithmus, der aus einer Vielzahl von Kandidatenreferenzbildern die am besten geeigneten identifiziert. Zum Beispiel kann der Benutzer eine gewünschte Qualität auswählen, und der Algorithmus kann das Referenzbild identifizieren, das der gewünschten Qualität aus der Vielzahl Kandidatenreferenzbilder am nächsten kommt. Als weiteres Beispiel kann der Algorithmus die Vielzahl von Referenzbildern miteinander vergleichen und das Referenzbild auswählen, das den anderen am ähnlichsten ist (z. B. die höchste FRIOU-Metrik hat, wenn es mit jedem anderen Kandidatenreferenzbild verglichen wird). Zum Beispiel kann das Verfahren 200 die Berechnung der FRIOU-Metriken für Kandidatenreferenzbilder gemäß den hierin beschriebenen Verfahren, insbesondere in den 2 und 4, einschließen, bevor das Referenzbild gegen Nicht-Referenz-Testbilder verwendet wird.
Bei 206 schließt das Verfahren 200 das Erhalten von Koordinaten für Frequenzringe ein. Frequenzringe, wie hier beschrieben, sind Sammlungen von Datenpunkten innerhalb des räumlichen Frequenzbereichs, die eine gemeinsame räumliche Frequenz haben. Das vorherige Erhalten von Koordinatensätzen für jeden Frequenzring erlaubt es, die Verarbeitungszeit für das Bestimmen der FRIOU-Metrik zu reduzieren, da das Berechnen von Koordinatensätzen für jeden Frequenzring rechnerisch schwierig sein kann. Da die Testbilder und das Referenzbild die gleiche Auflösung haben können, können die gleichen Koordinatensätze für alle Bilder verwendbar sein. Darüber hinaus können Histogramm-Bins definiert werden. Ein Radius des Frequenzbereichs, der die Frequenz jedes Punktes innerhalb des Frequenzrings darstellt, wird entsprechend dem Bin-Index festgelegt, und es können mehrere Radien in ein Histogramm-Bin integriert werden. Der Bin-Index b wird zur Adressierung des Histogramms verwendet. Ein Parameter b₀ ist eine erste verwendete Bin-Nummer und stellt eine Histogramm-Bin-Cutoff-Frequenz für die Hochpassfilterung bereit, wie weiter unten bei 210 erläutert wird.
Kurz 6 zugewendet, wird eine Grafik 600 eines Bildes im räumlichen Frequenzbereich 602 gezeigt. Das Bild 602 im räumlichen Frequenzbereich schließt einen räumlichen Frequenzbildinhalt mit einer Breite 604 und einer Höhe 606 ein. Das räumliche Frequenzbild 602 schließt einen Frequenzring 608 ein, der einen Radius 610 proportional zur Raumfrequenz hat. Alle Punkte innerhalb des Frequenzrings 608 haben annähernd die gleiche Raumfrequenz, mit einer gewissen Toleranz für Quantisierungsfehler, wie die Pixelierung des Frequenzrings 608 zeigt.
Zurückkehrend zu 2, schließt das Verfahren 200 bei 208 die Berechnung eines gewichteten Fourier-Ringgrößenhistogramms (WFRMH) für jeden Frequenzring in jedem Bild ein. Wie in Bezug auf 3 näher beschrieben wird, umfasst die Berechnung des WFRMH für jeden Frequenzring das Auswerten einer zweidimensionalen (2D) schnellen Fourier-Transformation (FFT) des Bildes, die Berechnung von Histogrammen für jeden Frequenzring innerhalb der 2D-FFT und die Normalisierung jedes Histogramms. Nominell werden alle Radien verwendet, um die 2D-FFT-Größenkoeffizienten zu integrieren. Die Histogramme können so gewählt werden, dass die Bins für jede Frequenz die gleiche Breite und Anzahl haben. Wie weiter unten in Bezug auf 3 näher beschrieben wird, können Histogramme verschiedener Bilder verglichen werden.
Bei 210 schließt das Verfahren 200 das Bestimmen des Histogramm-Bin-Cutoffs ein. Der Histogramm-Bin-Cutoff ist ein Histogramm-Bin, unterhalb dessen das Histogramm nicht verglichen werden soll, analog zu einem Hochpassfilter-Frequenz-Cutoff. In einigen Beispielen kann der Histogramm-Bin-Cutoff eine vorher festgelegte (z. B. feste) Frequenz haben, die für eine bestimmte Anmeldung ausgewählt wird. In anderen Beispielen kann der Histogramm-Bin-Cutoff berechnet werden, um Leistungsmetriken zu optimieren. In einem Beispiel wird der Cutoff-Wert bestimmt, indem die Spitze des Spektralinhalts innerhalb eines Frequenzring-Histogramms (z. B. das größte Bin) bestimmt und eine kleine ganze Zahl addiert wird, wodurch sich ein Index ergibt, der einem etwas höheren Histogramm-Bin entspricht. Als ein illustrierendes Beispiel liegt bei typischen menschlichen Zellen, die für die Fluoreszenzmikroskopie gefärbte Zellkerne haben, der Durchmesser der Zellkerne in der Regel zwischen 1 und 10 Mikrometern (µm). Daher kann der Histogramm-Bin-Cutoff für 4400x4400-Pixel-Bilder mit einer Breite von 1,1 Millimetern 10 betragen, so dass die untersten Bins relativ zu den Zellkernen optimiert werden. Die Informationen mit niedrigeren Frequenzen sind weniger nützlich als die den Zellkernen entsprechenden Spektralinformationen (z. B. viel kleinere Details), so dass der Histogramm-Bin-Cutoff verwendet werden kann, um diese Informationen mit niedrigeren Frequenzen herauszufiltern. Die Bestimmung des Cutoff-Wertes erlaubt die Anwendung eines Hochpassfilters auf jedes Bild (z. B. jedes Testbild und das Referenzbild) während der Berechnung des FRIOU, wie weiter unten näher erläutert wird.
Bei 212 schließt das Verfahren 200 das Berechnen der FRIOU-Metrik ein. Die Berechnung der FRIOU-Metrik schließt das Vergleichen der gewichteten Fourier-Größenhistogramme für jedes Bild ein. Die Vergleiche werden ferner basierend auf einem Hochpassfilter durchgeführt, der unter Verwendung des bei 210 bestimmten Histogramm-Bin-Cutoffs definiert wird. Einzelheiten zum Bestimmen der FRIOU-Metrik werden im Folgenden unter Bezugnahme auf 4 beschrieben. Insbesondere kann die FRIOU-Metrik jedes Testbildes einen Ähnlichkeitsgrad zwischen dem Testbild und der Referenz darstellen, wobei der Ähnlichkeitsgrad von 0,0 (keine Ähnlichkeit) bis 1,0 (maximale Ähnlichkeit) reicht. Wenn das Referenzbild eine hohe Qualität (z. B. maximale Qualität) aufweist, können Testbilder, die eine hohe FRIOU-Metrik haben (z. B. höher als ein vorbestimmter Schwellenwert für die FRIOU-Metrik, der nicht Null ist, wie z. B. höher als 0,6), als Bilder mit hoher Qualität bestimmt werden. Wie in Bezug auf 7 beschrieben werden wird, kann die FRIOU-Metrik auch verwendet werden, um den Ähnlichkeitsgrad zwischen den Testbildern und den Referenzbildern für andere Merkmale als die Bildqualität zu bestimmen. Zum Beispiel kann das Merkmal zur Zellklassifizierung, zur Zählung von Zelltypen oder zur Quantifizierung einer relativen Veränderung der Zellmorphologie oder des Zelltods in Bezug auf die Behandlungskonzentration verwendet werden.
Bei 214 schließt das Verfahren 200 optional die Schätzung von Unschärfe und Rauschen ein. Unschärfe und Rauschen können nach dem Verfahren von 5 geschätzt werden, wie unten beschrieben wird. So können Unschärfe und Rauschen zusätzlich zur FRIOU-Metrik geschätzt und mit der FRIOU-Metrik als Gesamtbewertung der Bildqualität kombiniert werden. In anderen Beispielen kann die FRIOU-Metrik allein zur Bewertung der Bildqualität verwendet werden.
Bei 216 schließt das Verfahren 200 die Ausgabe einer Anzeige der Bildqualität für jedes Testbild ein. In einigen Beispielen kann die Anzeige der Bildqualität die FRIOU-Metrik sein. In anderen Beispielen kann die Anzeige der Bildqualität aus der FRIOU-Metrik allein oder in Kombination mit den Unschärfe- und Rauschschätzungen bestimmt werden. Zum Beispiel kann die Angabe der Bildqualität nach vorher festgelegten FRIOU-Metrikbereichen zugewiesen werden, die verschiedenen Qualifizierungsmerkmalen entsprechen (z. B. schlecht, niedrig, akzeptabel, gut, großartig, ausgezeichnet). Zum Beispiel können Bilder, die sich in einem niedrigsten vorbestimmten FRIOU-Metrikbereich befinden, als von schlechter Bildqualität gekennzeichnet werden, während Bilder, die sich in einem höchsten vorbestimmten FRIOU-Metrikbereich befinden, als von ausgezeichneter Bildqualität gekennzeichnet werden können. Die Anzeige kann über eine Anzeigevorrichtung, wie z. B. die Anzeigevorrichtung 104 in 1, ausgegeben werden. Die Anzeige kann zusätzlich oder alternativ als ein Tag oder eine andere Art von Daten ausgegeben werden, die neben dem entsprechenden Testbild gespeichert oder mit diesem assoziiert sind. Das Verfahren 200 kann dann beendet werden.
3 zeigt ein Verfahren 300 zum Berechnen eines Satzes von Frequenzbereichs-Größenhistogrammen für jeden Frequenzring innerhalb eines Bildes. In einer Ausführungsform wird das Verfahren 300 als Teil des Verfahrens 200 von 2 durchgeführt (z. B. bei 208).
Bei 304 schließt das Verfahren 300 den Empfang eines Test- oder Referenzbildes ein. In einigen Beispielen kann das Verfahren 300 gleichzeitig oder nacheinander für eine Vielzahl von Bildern ausgeführt werden, einschließlich eines oder mehrerer Testbilder und Kandidatenreferenzbilder, wie sie bei 202 und 204 des Verfahrens 200 erhalten wurden.
Bei 306 schließt das Verfahren 300 das Durchführen einer 2D-FFT des Bildes ein. Die 2D-FFT des Bildes stellt das Bild im räumlichen Frequenzbereich dar und schließt die gleiche Anzahl von Werten ein wie die Anzahl von Pixeln innerhalb des Originalbildes. Jeder Wert innerhalb des räumlichen Frequenzbereichs wird durch eine komplexe Zahl dargestellt, z. B. eine Zahl mit realen und imaginären Komponenten. Zum Beispiel, falls das Bild mit X bezeichnet wird und das Pixel in Zeile m und Spalte n durch einen Helligkeitswert x_mn dargestellt wird, ist die FFT des Bildes X ein Bild im räumlichen Frequenzbereich X̂, dessen Werte $\hat{x_{u v}}$
komplexe Zahlen sind, die durch die Gleichung $\hat{x_{u v}} = \sum_{m, n} x_{m n} e^{- i (u m + v m)}$
gegeben, wobei die obige Summe über alle Pixel des digitalen Bildes ausgewertet wird, der Wert e die Eulersche Zahl und i die imaginäre Einheit ist, die i² = -1. erfüllt. Jeder Wert $\hat{x_{u v}}$
ist eine Frequenzkomponente des räumlichen Frequenzbereichsbildes X. Die obige Gleichung ist als diskrete Fourier-Transformation (DFT) bekannt. Es sollte beachtet werden, dass die DFT im Allgemeinen gewöhnlich nicht unter Verwendung der Definition selbst ausgewertet wird, sondern durch die Verwendung einer oder mehrerer Optimierungen. Die Optimierungen vereinfachen die Auswertung der DFT unter Verwendung von Computerhardware und umfassen die FFT. In der Praxis wird die FFT verwendet, um die DFT eines jeden Bildes auszuwerten.
Bei 308 schließt das Verfahren 300 das Bestimmen des Absolutwerts aller Frequenzkomponenten ein. Jede der Frequenzkomponenten wird, wie oben beschrieben, durch eine komplexe Zahl mit einer realen Komponente und einer imaginären Komponente dargestellt. Das heißt, jede Frequenzkomponente $\hat{x_{u v}}$
kann geschrieben werden als $\hat{x_{u v}} = a_{u v} + b_{u v} i,$
wobei sowohl a_uv (die reale Komponente) als auch b_uv (die imaginäre Komponente) Zahlen sind. Die Größe $| \hat{x_{u v}} |$
von $\hat{x_{u v}}$
ist definiert als $| \hat{x_{u v}} | = \sqrt{a_{u v}^{2} + b_{u v}^{2}} .$
Die Größe jeder Frequenzkomponente ist ebenfalls eine reelle Zahl und ist immer nicht negativ.
Die räumliche Frequenz f_uv der räumlichen Frequenzkomponente $\hat{x_{u v}}$
ist gegeben durch $f_{u v} = \sqrt{u^{2} + v^{2}} .$
Ein Frequenzring mit der hier definierten räumlichen Frequenz / kann durch eine Sammlung von Indizes {u, v: |f_uv - f| ≤ t} beschrieben werden, wobei t ein Schwellenwert ist. Da jeder der Indizes u und v ganzzahlig ist, kann jeder Frequenzring einen Ring einschließen, der bis auf Quantisierungsfehler ungefähr einen Kreis beschreibt. Frequenzringe und Schwellenwerte können so gewählt oder erhalten werden (z. B. bei 206), dass jedes Pixel u, v innerhalb des Frequenzbereichsbildes in genau einen Frequenzring fällt und jedes Pixel innerhalb eines gegebenen Frequenzrings ungefähr die gleiche Frequenz hat.
Die Berechnung der Größe jeder Frequenz ist vorteilhaft für die Effizienz der Berechnung und die Unempfindlichkeit gegenüber der Ausrichtung des Bildes. Im Allgemeinen verwenden reelle Zahlen (z. B. die Größe der Frequenzkomponenten) weniger Rechenressourcen für die Berechnung. Eine Änderung der Ausrichtung des Bildes, wie z. B. durch Drehen des Bildes um einen bestimmten Betrag, multipliziert jede der Frequenzkomponenten mit einem Faktor von e^iθ, wobei θ der Drehwinkel ist. Indem man die Größe jeder Frequenzkomponente nimmt, werden alle Faktoren, die sich aus der Drehung ergeben, effektiv ignoriert. Daher führt jede Ausrichtung des Bildes zu einer FFT mit derselben Größe, und daher ist die FRIOU-Metrik nicht empfindlich gegenüber der Ausrichtung von Bildern.
Bei 312 schließt das Verfahren 300 das Erzeugen eines Histogramms der Größen (z. B. der absoluten Werte) der Frequenzkomponenten innerhalb des Frequenzrings ein. Für jede Frequenz / können die Frequenzkomponenten innerhalb des Frequenzrings, die f entsprechen, innerhalb einer Vielzahl von Histogrammbins gezählt werden, die vorher definiert werden können (z. B. erhalten bei 206). Zum Beispiel kann eine Sammlung von Bins so indiziert werden, dass das Histogramm durch H = {m_i: 0 ≤ ε < M}, gegeben ist, wobei M die Anzahl der Bins im Histogramm, i die Indexvariable und m_i das i-te Bin ist, das der i-ten Größe entspricht. Jedes m_i ist also eine ganze Zahl, die die Anzahl der Frequenzkomponenten mit der i-ten Größe darstellt. In einigen Beispielen können die Bins gleichmäßig beabstandet sein, z. B. repräsentiert jedes Bin m_i einen gleichen Bereich von Größen. Keiner der Bins kann sich überschneiden (z. B. können die Bins jeweils diskrete Bereiche von Größen umfassen), zumindest in einigen Beispielen.
Bei 314 schließt das Verfahren 300 das Normalisieren des Histogramms ein. Das Normalisieren des Histogramms umfasst das Berechnen der Summe aller Bins innerhalb des Histogramms, die der Frequenz f entsprechen, und das Dividieren jedes Bins des Histogramms durch die Summe. Bei einem Histogramm H ist das normalisierte Histogramm NH durch die folgende Gleichung gegeben: $N H = {\frac{m_{i}}{S} : 0 \leq i < M},$
wobei $S = \sum_{i = 0}^{M - 1} m_{i} .$
Das normalisierte Histogramm für das Bild wird im Speicher gespeichert, was erlaubt, darauf zuzugreifen, um die FRIOU-Metrik zu bestimmen, wie nachstehend mit Bezug auf 4 beschrieben. Das normalisierte Histogramm umfasst ein WFRMH. Das Verfahren 300 kann dann zurückkehren.
Nun fortsetzend bei 4, wird ein Verfahren 400 zur Berechnung einer Fourier-Ring-Schnittmenge-über-Vereinigung- (FRIOU) -Metrik gezeigt. In einer Ausführungsform wird das Verfahren 400 als Teil des Verfahrens 200 von 2 (z. B. bei 212) und unter Verwendung eines normalisierten Histogramms durchgeführt, das mit dem Verfahren 300 von 3 erzeugt wurde. Ferner kann das Verfahren 400 für eine Vielzahl von Testbildern parallel ausgeführt werden, zumindest in einigen Beispielen.
Bei 402 schließt das Verfahren 400 ein, ein normalisiertes Histogramm (z. B. ein WFRMH) für ein Referenzbild und ein normalisiertes Histogramm für ein Testbild zu erhalten. Das normalisierte Histogramm für das Referenzbild wird mit dem normalisierten Histogramm für das Testbild verglichen, wie im Folgenden näher erläutert. Die normalisierten Histogramme werden über denselben Fourier-Ring erhalten, sind beide normalisiert und enthalten dieselbe Sammlung von Bins. Die Histogramme für die Test- und Referenzbilder werden entsprechend mit NH_test = {m_testi :0 ≤ i < M} und NH_ref = {m_refi: 0 ≤ i < M}bezeichnet.
Bei 404 schließt das Verfahren 400 das Berechnen einer Vereinigung der beiden Histogramme ein. Die Vereinigung ist ebenfalls ein Histogramm, das in Bezug auf die Bins der Histogramme für das Testbild und das Referenzbild definiert ist als: $U = {m_{U_{i}} : 0 \leq i < M},$
wobei m_Ui = max{m_testi,m_refi}.
Bei 406 schließt das Verfahren 400 die Berechnung einer Schnittmenge der beiden Histogramme ein. Die Schnittmenge ist ebenfalls ein Histogramm, das in Bezug auf die Bins der Histogramme für das Testbild und das Referenzbild definiert ist als: $I = {m_{I_{i}} : 0 \leq i < M},$
wobei $m_{I_{i}} = min {m_{t e s t_{i}}, m_{r e f_{i}}} .$
Bei 408 schließt das Verfahren 400 das Durchführen einer Hochpassfilterung an der Schnittmenge und der Vereinigung unter Verwendung eines Histogramm-Bin-Cutoffs ein. Der Histogramm-Bin-Cutoff ist ein Histogramm-Bin, unterhalb dessen der spektrale Inhalt der Histogramme außer Acht gelassen werden sollte, wie oben bei 210 in 2 näher erläutert. Der Histogramm-Bin-Cutoff kann als Index b₀ ausgedrückt werden, der 0 ≤ b₀ < M erfüllt. Die Hochpassfilterung der Schnittmenge und der Vereinigung umfasst die Ermittlung der Histogramme U₊ und I₊, die durch die folgenden Gleichungen definiert sind: $U_{+} = {m_{U_{i}} : b_{0} \leq i < M};$
$I_{+} = {m_{I_{i}} : b_{0} \leq i \leq M} .$
Bei 410 schließt das Verfahren 400 die Berechnung der FRIOU-Metrik ein. Die FRIOU-Metrik wird erhalten, indem die Summe aller Bins im Hochpass-Schnittmengenhistogramm durch die Summe aller Bins im Hochpass-Vereinigungshistogramm gemäß der folgenden Gleichung dividiert wird: $F R I O U = \frac{\sum I_{+}}{\sum U_{+}} = \frac{\sum_{i = b_{0}}^{M - 1} m_{I_{i}}}{\sum_{i = b_{0}}^{M - 1} m_{U_{i}}}$
Wie oben in Bezug auf 2 beschrieben, gibt die FRIOU-Metrik den Ähnlichkeitsgrad zwischen dem Testbild und dem Referenzbild an und reicht von 0,0 (keine Ähnlichkeit) bis 1,0 (maximale Ähnlichkeit). Die FRIOU-Metrik kann also verwendet werden, um zu bestimmen, wie sehr das Testbild einem gewünschten Merkmal des Referenzbildes ähnelt, z. B. der Bildqualität oder der Zellmorphologie. Die FRIOU-Metrik kann gespeichert werden, wie z. B. im Speicher der Rechenvorrichtung, und/oder dem Benutzer angezeigt werden, um die Qualität des Bildes zu beurteilen, wie z. B. oben in Bezug auf 216 in 2 beschrieben. Das Verfahren 400 kann dann zurückkehren.
Als nächstes zeigt 5 ein Verfahren 500 zur Berechnung von Unschärfe und Rauschen. In einer Ausführungsform wird das Verfahren 500 als Teil des Verfahrens 200 von 2 (z. B. bei 214) durchgeführt. Außerdem kann das Verfahren 500 parallel für eine Vielzahl von Testbildern ausgeführt werden.
Bei 502 schließt das Verfahren 500 das Erhalten eines Histogramms für das Referenzbild und eines Histogramms für das Testbild ein. Histogramme für das Referenzbild und das Testbild können zum Beispiel dadurch erhalten werden, dass das Verfahren 300 von 3 für das Referenzbild und das Testbild ausgeführt wird. Die Histogramme können normalisierte Histogramme (z. B. WFRMHs) umfassen, zumindest in einigen Beispielen. Das Histogramm für das Testbild wird als NH_test = {m_testi: 0 ≤ i < M} bezeichnet, und das Histogramm für das Referenzbild wird als NH_ref = (m_refi: 0 ≤ i < M} bezeichnet.
Bei 504 schließt das Verfahren 500 das Durchführen einer Hochpassfilterung der Histogramme ein. Die Hochpassfilterung der Histogramme wird in ähnlicher Weise durchgeführt wie die Hochpassfilterung, die bei den Schnittmengen- und Vereinigungshistogrammen in 408 durchgeführt wurde. Ein Parameter b₁ kann jedoch das erste Histogramm-Bin angeben, das für Unschärfe- und Rauschschätzungen verwendet wird und sich von dem für die FRIOU-Metrik verwendeten Parameter b₀ unterscheidet. In der Regel ist b₁ ein höherer Indexwert als der für die FRIOU-Metrik verwendete b₀. In einem illustrativen Beispiel, in dem b₀ 10 ist, ist b₁ ist 20. Zum Beispiel können das Hochpass-Testhistogramm H_test+ und das Hochpass-Referenzhistogramm H_ref+ durch die folgenden Gleichungen gegeben werden: $H_{t e s t +} = {m_{t e s t_{i}} : b_{1} \leq i < M};$
$H_{r e f +} = {m_{r e f_{i}} : b_{1} \leq i < M} .$
Es ist zu beachten, dass die Hochpass-Histogramme gemäß den obigen Gleichungen möglicherweise nicht normalisiert werden.
In 506 schließt das Verfahren 500 die Normalisierung der hochpassgefilterten Histogramme ein. Die Hochpass-Histogramme NH_test+ (entsprechend dem normalisierten Hochpass-Test-Histogramm) und NH_ref+ (entsprechend dem normalisierten Hochpass-Referenz-Histogramm) können jeweils normalisiert werden, indem jedes Histogramm durch seine Summe dividiert wird: $N H_{t e s t +} = {\frac{m_{t e s t_{i}}}{S_{t e s t}} : b_{1} \leq i < M};$
$N H_{r e f} = {\frac{m_{r e f}}{S_{r e f}} : b_{1} \leq i < M},$
wobei $S_{t e s t} = \sum_{i = b 1}^{M - 1} m_{t e s t_{i}} und S_{r e f} = \sum_{i = b 1}^{M - 1} m_{r e f_{i}} .$
Bei 508 schließt das Verfahren 500 das Bestimmen der Differenz der normalisierten Hochpass-Histogramme ein. Die Differenz ergibt ein Differenzhistogramm D = {d_i: b₁ ≤ i < M}, wobei d_i das i-te Bin ist. Das i-te Bin des Differenzhistogramms wird berechnet, indem die bin-weise Differenz der normalisierten Hochpass-Histogramme, die bei 508 erhalten wurden, gemäß der Gleichung $d_{t} = \frac{m_{t e s t_{i}}}{S_{t e s t}} = \frac{m_{r e f_{i}}}{S_{r e f}} .$
genommen werden.
Bei 510 schließt das Verfahren 500 das Bestimmen von hinzugefügten und verlorenen Histogrammen ein. Das hinzugefügte Histogramm repräsentiert Bins des Differenzhistogramms, die größer als 0 sind, und das verlorene Histogramm repräsentiert Bins des Differenzhistogramms, die kleiner als 0 sind. Die hinzugefügten und verlorenen Histogramme können durch Berechnen einer Sammlung von hinzugefügten Indizes A und einer Sammlung von verlorenen Indizes L bestimmt werden. Die hinzugefügten und verlorenen Indizes können gemäß den folgenden Gleichungen definiert werden $A = {a : b_{1} \leq a < M, d_{a} > 0};$
$L = {l : b_{1} \leq l < M, d_{l} < 0} .$
Das hinzugefügte Histogramm H_A und das verlorene Histogramm H_L, die durch die oben genannten Indizes definiert sind, sind die Histogramme, die gemäß den folgenden Gleichungen definiert sind: $H_{A} = {d_{a} : a \in A};$
$H_{L} = {d_{l} : l \in L} .$
In 512 schließt das Verfahren 500 eine Schätzung der Unschärfe und des Rauschens basierend auf den verlorenen bzw. hinzugefügten Histogramme ein. Ein Unschärfewert (BLUR) kann anhand der folgenden Gleichung bestimmt werden: $B L U R = | \sum H_{L} | = | \sum_{l \in L} d_{l} | .$
Der absolute Wert wird nach der Durchführung der Summe genommen, da die Werte von d_ℓ per Definition für alle f E L negativ sind. Ein Rauschwert (NOISE) kann berechnet werden, indem eine ähnliche Summe unter Verwendung des hinzugefügten Histogramms nach folgender Gleichung durchgeführt wird: $N O I S E = \sum H_{A} = \sum_{a \in A} d_{a} .$
Da alle d_a für das addierte Histogramm positiv sind, wird der absolute Wert nicht berücksichtigt. Der Unschärfewert und der Rauschwert können jeweils gespeichert werden, wie z. B. im Speicher der Rechenvorrichtung, und/oder dem Benutzer angezeigt werden, um die Qualität des Bildes zu beurteilen, wie z. B. oben in Bezug auf 216 von 2 beschrieben. Das Verfahren 500 kann dann zurückkehren.
Als nächstes zeigt 7 ein Verfahren 700 zur Klassifizierung von Zellen innerhalb eines Bildes basierend auf der FRIOU-Metrik gemäß einer Ausführungsform. Das Verfahren 700 kann von einem Prozessor eines Rechensystems, wie z. B. dem Prozessor 112 des Rechensystems 100 von 1, gemäß Anweisungen ausgeführt werden, die in einem nicht-transitorischen Speicher des Rechensystems (z. B. innerhalb des Bildverarbeitungsmoduls 118 des Speichers 114 von 1) gespeichert sind. Das Verfahren 700 kann in Kombination mit zumindest Teilen der Verfahren ausgeführt werden, die oben in Bezug auf die 2-5 beschrieben wurden. Zum Beispiel kann das Verfahren 700 besonders auf Bioassays anwendbar sein.
Bei 702 schließt das Verfahren 700 das Empfangen von einem oder mehreren Testbildern von Zellen und einem oder mehreren Referenzbildern ein. Das (die) Testbild(er) und das (die) Referenzbild(er) können wie oben in Bezug auf 202 und 204 von 2 beschrieben erzeugt werden, wie z. B. unter Verwendung eines beliebigen Zellbildgebungsverfahrens. In einigen Beispielen kann ein Benutzer das (die) Referenzbild(er) oder eine Vielzahl von Kandidatenreferenzbildern auswählen. In ähnlicher Weise kann der Benutzer das (die) Testbild(er) auswählen, das (die) mittels der FRIOU-Metrik über das Verfahren 700 ausgewertet werden soll(en). Jedes Referenzbild kann visuell eine oder mehrere gewünschte Qualitäten (oder Merkmale) für das (die) zu bewertende(n) Testbild(er) darstellen.
Darüber hinaus können Bilder (sowohl Testbilder als auch Referenzbilder) mit einer Vielzahl von interessierenden Objekten (wie z. B. Zellen) in Teilbilder unterteilt werden, die für die Objektklassifizierung verwendet werden können, so dass jedes Objekt (z. B. eine Zelle) einzeln nach dem unten beschriebenen Verfahren bewertet wird. Alternativ können die Originalbilder der Vielzahl von Objekten ausgewertet werden, um Ensemble-Ähnlichkeitsmessungen vorzunehmen, um eine Gesamtähnlichkeit des Testbildes relativ zum Referenzbild zu bewerten, ähnlich wie beim Beispiel der Bildqualität, das in Bezug auf 2 beschrieben wurde. Zum Beispiel kann das Verfahren 700 verwendet werden, um die Gesamtähnlichkeit einer Vielzahl von Zellen in einem Testbild im Vergleich zu einer Vielzahl von Zellen in einem Referenzbild zu bewerten, oder das Verfahren kann verwendet werden, um die Ähnlichkeit einer Vielzahl von Teilbildern einer einzelnen Zelle im Vergleich zu einer einzelnen Referenzzelle eines Referenzbildes individuell zu bewerten.
Bei 704 schließt das Verfahren 700 das Empfangen einer Auswahl eines Merkmals ein, das über die FRIOU-Metrik bewertet werden soll. Das Merkmal kann aus einer Vielzahl von möglichen Merkmalen ausgewählt werden, die allgemein in Klassifikationsmerkmale und Ähnlichkeitsmerkmale unterteilt werden können. Die Klassifizierungsmerkmale können verwendet werden, um Zellen zu quantifizieren, die das ausgewählte Merkmal aufweisen, während die Ähnlichkeitsmerkmale verwendet werden können, um einen relativen Grad des ausgewählten Merkmals zu quantifizieren, der in den Zellen vorhanden ist. Die Klassifizierungsmerkmale können zum Beispiel eine Art von Zelle, eine Anzahl von Zellen, die eine bestimmte Größe haben, und eine Anzahl von infizierten Zellen einschließen. Die Ähnlichkeitsmerkmale können zum Beispiel den Zellabbau, die Zellgesundheit (wobei es keine Zelldegradation gibt) und die Zellmorphologie einschließen. Zum Beispiel, wenn das ausgewählte Merkmal die Zellgesundheit ist, kann das Referenzbild eine oder mehrere nominale, gesunde Zellen einschließen, die frei von Infektionen und Degradation sind. Niedrige Werte der FRIOU-Metrik für die Zellgesundheit können somit Zellen identifizieren, die eine breite Palette von Pathologien haben, die auf Veränderungen der Bildmerkmale basieren. In einigen Beispielen kann das Merkmal durch eine Benutzereingabe ausgewählt werden, die z. B. über eine Benutzerschnittstelle (z. B. die Benutzerschnittstelle 102 von 1) erfolgt. In anderen Beispielen kann das Merkmal gemäß einem vom Benutzer ausgewählten Protokoll ausgewählt werden.
Die Merkmale können ferner eine One-Hot-Klassifizierungscodierung einschließen. Zum Beispiel kann das Verfahren 700 automatisch das Merkmal mit der jeweils höchsten FRIOU-Metrik für ein ausgewähltes Referenzbild auswählen. In einem Beispiel kann das Verfahren 700 das Merkmal identifizieren, weil bekannt sein kann, dass das entsprechende Referenzbild das Merkmal darstellt, wie z. B. aufgrund von Tags, die von einem Benutzer oder über eine auf maschinellem Lernen basierende Klassifizierung zugewiesen werden können.
Bei 706 schließt das Verfahren 700 das Bestimmen der FRIOU-Metrik für jedes Testbild relativ zu dem (den) Referenzbild(ern) ein, wie oben in Bezug auf 4 beschrieben. Die FRIOU-Metrik kann separat für jedes Testbild oder für einen Satz von Testbildern bestimmt werden, der mehrere Bilder von verschiedenen Stellen innerhalb einer einzelnen Vertiefung eines Bioassays, verschiedene Vertiefungen, die die gleichen Behandlungsbedingungen haben, und dergleichen umfasst. Der Satzansatz erlaubt es, mehrere Referenzen und mehrere Testbilder für einen breiteren Satz von Metriken und Vergleichen zu verwenden. Zum Beispiel können die jeweiligen Fourier-Ringgewichteten Histogramme aller Bilder in der Schnittmenge- und Vereinigungsberechnung verwendet werden, um zu bestimmen, wie unterschiedlich die Bilder in einer Vertiefung, einer Platte oder einer Gruppe von Platten voneinander sind.
In 708 schließt das Verfahren 700 ein, zu bestimmen, falls ein Klassifizierungsmerkmal das ausgewählte Merkmal für die Auswertung über die FRIOU-Metrik ist (z. B. wie in 704 ausgewählt). Falls das ausgewählte Merkmal ein Klassifikationsmerkmal ist, fährt das Verfahren 700 mit 710 fort und schließt die Quantifizierung der Zellen in jedem Test ein, die das ausgewählte Merkmal auf der Grundlage der FRIOU-Metrik relativ zu einem Schwellenwert haben. Der Schwellenwert bezieht sich auf einen vorbestimmten Wert ungleich Null, der Zellen, die ausgewählte Merkmale haben, von Zellen, die das ausgewählte Merkmal nicht haben, unterscheidet. Zum Beispiel kann der Schwellenwert 0,6 betragen. In anderen Beispielen kann der Schwellenwert jedoch auch höher (z. B. 0,8) oder niedriger (z. B. 0,5) sein. Der Schwellenwert kann entsprechend dem ausgewählten Merkmal vorbestimmt und/oder vom Benutzer angepasst werden.
Bei 714 schließt das Verfahren 700 das Ausgeben der Ergebnisse der FRIOU-Metrik-Analyse ein. Zum Beispiel ein Bericht, der die Menge (z. B. die Anzahl) der Zellen in jedem Testbild anzeigt, die das ausgewählte Merkmal haben. Als ein veranschaulichendes Beispiel, in dem das ausgewählte Merkmal eine Virusinfektion ist, kann der Bericht die Gesamtzahl und/oder den Prozentsatz der mit dem Virus infizierten Zellen in dem (den) Testbild(ern) anzeigen. Die Ergebnisse können an eine Anzeigevorrichtung (z. B. die Anzeigevorrichtung 104 von 1) ausgegeben und/oder im Speicher gespeichert werden. Das Verfahren 700 kann dann zurückkehren.
Zurückkehrend zu 708, falls es sich bei dem ausgewählten Merkmal nicht um ein Klassifizierungsmerkmal handelt (z. B. falls das ausgewählte Merkmal ein Ähnlichkeitsmerkmal ist), fährt das Verfahren 700 mit 712 fort und schließt das Bestimmen eines Ähnlichkeitsgrades des Testbildes mit dem ausgewählten Merkmal direkt aus der FRIOU-Metrik ein. Als solches kann die FRIOU-Metrik ein quantitatives Maß für den Grad bereitstellen, in dem jede Zelle im Testbild das ausgewählte Merkmal aufweist.
Wie oben erwähnt, schließt das Verfahren 700 bei 714 das Ausgeben der Ergebnisse der FRIOU-Metrik-Analyse ein. Als ein veranschaulichendes Beispiel, bei dem das ausgewählte Merkmal die Zelldegradation ist, kann der Bericht eine relative Änderung des Ausmaßes der Zelldegradation bei verschiedenen Behandlungskonzentrationen einer Verbindung anzeigen. Das Verfahren 700 kann dann zurückkehren.
8 zeigt zwei Bilder: ein erstes Bild 800 und ein zweites Bild 850. Das erste Bild 800 hat einen hohen Wert für die FRIOU-Metrik und niedrige Werte für Unschärfe und Rauschen. Das zweite Bild 850 hat einen niedrigen Wert für FRIOU und hohe Werte für die Unschärfe und das Rauschen. Somit hat das erste Bild 800 eine höhere Bildqualität, während das zweite Bild 850 eine niedrige Bildqualität hat.
9 zeigt eine Beispielgrafik 900, in der zwei Verfahren zur Zellzählung, die an einer Vielzahl von Bildern mit Zellen durchgeführt wurden, und der entsprechende FRIOU-Metrikwert, der jedem Bild zugeordnet ist, verglichen werden. Die vertikale Achse zeigt die Anzahl der Zellen, die aus den Bildern unter Verwendung eines ersten Zellzählverfahrens (z. B. „Zellzählverfahren 1“) gezählt wurden, und die horizontale Achse zeigt die Anzahl der Zellen, die aus den Bildern unter Verwendung eines zweiten Zellzählverfahrens (z. B. „Zellzählverfahren 2“) gezählt wurden. Jedes Symbol auf dem Diagramm 900 stellt die Anzahl der Zellen dar, die für ein und dasselbe Bild mit beiden Zellzählverfahren gezählt wurden. Das Diagramm 900 schließt auch eine Legende 902 ein. Wie in der Legende 902 angegeben, stellen kreisförmige Symbole Bilder dar, die einen metrischen FRIOU-Wert von größer oder gleich 0,6 haben, und X-förmige Symbole stellen Bilder dar, die einen metrischen FRIOU-Wert von weniger als 0,6 haben. Der FRIOU-Metrikwert von 0,6 kann ein Schwellenwert sein, der Bilder höherer Qualität von Bildern geringerer Qualität unterscheidet.
Wie in der Grafik 900 gezeigt, hat eine Mehrheit der Bilder mit hoher Bildqualität (z. B. FRIOU-Werte größer oder gleich 0,6) bei Verwendung des ersten Zellzählverfahrens und des zweiten Zellzählverfahrens die gleiche oder eine ähnliche Zellzahl zur Folge, was zu einem diagonal verlaufenden Trend führt. Bilder von geringerer Qualität führen zu variableren Zellzahlen bei dem ersten Zellzählverfahren und dem zweiten Zellzählverfahren. Zum Beispiel ist das zweite Zellzählverfahren empfindlicher gegenüber Bilddegradation aufgrund von Unschärfe, wie ein Punkt 904 zeigt, bei dem das zweite Zellzählverfahren zu wesentlich weniger Zellen führte als das erste Zellzählverfahren (z. B. Unterzählung). Als ein weiteres Beispiel ist das zweite Zellzählverfahren empfindlicher auf Bilddegradation aufgrund von Rauschen, wie der Punkt 906 zeigt, bei dem das zweite Zellzählverfahren wesentlich mehr Zellen gezählt hat als das erste Zellzählverfahren (z. B. Überzählung).
Das erste Zellzählverfahren verwendet die FRIOU-Metrik zur Klassifizierung von Zellen und zur Zählung der Zellen, die eine gewünschte Klassifizierung haben. Zum Beispiel kann das erste Zellzählverfahren zunächst die FRIOU-Metrik verwenden, um Zellen der gewünschten Klassifizierung zu identifizieren und dann die Zellen, die die gewünschte Klassifizierung haben, zu quantifizieren. Im Gegensatz dazu kann das zweite Zellzählverfahren maschinelles Lernen oder von Hand erstellte Merkmale aus anderen Verfahren verwenden, wie z. B. aus der Segmentierung abgeleitete Merkmale (z. B. aus Watershed-Algorithmen), um Zellen mit der gewünschten Klassifizierung zu identifizieren, was im Vergleich zur FRIOU-Metrik eine geringere Genauigkeit haben kann, zusätzlich zur erhöhten Empfindlichkeit gegenüber schlechter Bildqualität. Man beachte, dass die FRIOU-Metrik verwendet werden kann, um die Bildqualität vor der Zellklassifizierung zu bewerten, und falls die Qualität unter einem ausgewählten Schwellenwert liegt, kann das Bild optional von der weiteren Analyse durch das erste Zellzählverfahren ausgenommen werden, um die Berechnungszeit zu verringern.
Auf diese Weise kann die FRIOU-Metrik verwendet werden, um den Ähnlichkeitsgrad zwischen einem Testbild und einem Referenzbild zu bestimmen, der wiederum mit der Bildqualität oder einem anderen ausgewählten Merkmal in Verbindung gebracht werden kann. Die FRIOU-Metrik kann aufgrund ihrer relativen Berechnungseffizienz in Echtzeit bestimmt werden (z. B. ein Bruchteil einer Sekunde pro Testbild) und ist weniger empfindlich gegenüber Ausreißern als die derzeitigen Verfahren zur Bewertung der Bildqualität, einschließlich FRC. Darüber hinaus kann das FRIOU-Verfahren zur schnellen Auswertung großer Datensätze, einschließlich Bioassay-Datensätzen, verwendet werden, um zu bestimmen, wie ähnlich oder unterschiedlich die Bilder zueinander sind. So kann die FRIOU-Metrik verwendet werden, um Bioassay-Treffer, erwartete und anomale Ergebnisse und dergleichen zu identifizieren.
Der technische Effekt des Bestimmens einer Fourier-Ring-Schnittmenge-über-Vereinigung-Metrik für einen Satz von Bildern ist, dass der Ähnlichkeitsgrad zwischen den Bildern in Echtzeit ausgegeben werden kann.
Die Offenbarung stellt auch Unterstützung für ein Verfahren bereit, das Folgendes umfasst: Ausgabe einer Metrik, die einen Ähnlichkeitsgrad zwischen einem Testbild und einem Referenzbild für ein ausgewähltes Merkmal anzeigt, basierend auf einer Schnittmenge-über-Vereinigung-Berechnung, die auf räumliche Frequenzbereichstransformationen des Testbildes und des Referenzbildes angewendet wird. In einem ersten Beispiel des Verfahrens umfasst das ausgewählte Merkmal die Bildqualität. In einem zweiten Beispiel des Verfahrens, das optional das erste Beispiel einschließt, umfassen das Testbild und das Referenzbild Bilder von Zellen in einem Bioassay. In einem dritten Beispiel des Verfahrens, das wahlweise eines oder beide der ersten und zweiten Beispiele einschließt, umfasst das ausgewählte Merkmal eine Zellzahl. In einem vierten Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis dritten Beispiele einschließt, umfasst das ausgewählte Merkmal eine Zellmorphologie. In einem fünften Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis vierten Beispiele einschließt, umfasst das ausgewählte Merkmal die Zellgesundheit, und wobei das Referenzbild eine oder mehrere gesunde Zellen darstellt. In einem sechsten Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis fünften Beispiele einschließt, umfasst das Verfahren ferner: Durchführen der Schnittmenge-über-Vereinigung-Berechnung auf den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes. In einem siebten Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis sechsten Beispiele einschließt, umfasst das Durchführen der Schnittmenge-über-Vereinigungs-Berechnung auf den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes: Erhalten von Koordinaten für Frequenzringe in den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes, und Berechnen und Normalisieren eines ersten gewichteten Fouriertransformations-Ringgrößenhistogramms für die Frequenzringe des Testbildes und eines zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms für die Frequenzringe des Referenzbildes. In einem achten Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis siebten Beispiele einschließt, umfasst das Verfahren ferner: Berechnen einer Vereinigung des ersten gewichteten Fouriertransformations-Ringgrößenhistogramms und des zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms, Berechnen einer Schnittmenge des ersten gewichteten Fouriertransformations-Ringgrößenhistogramms und des zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms und Filtern der Schnittmenge und der Vereinigung unter Verwendung eines Histogramm-Bin-Cutoffs.
Die Offenbarung stellt auch Unterstützung für ein System bereit, das Folgendes umfasst: eine Rechenvorrichtung, die einen Prozessor einschließt, der so konfiguriert ist, dass er Anweisungen ausführt, die in einem nicht transitorischen Speicher gespeichert sind, die, wenn sie ausgeführt werden, den Prozessor dazu veranlassen: ein Bild eines Bioassays und ein Referenzbild zu empfangen, um ein ausgewähltes Merkmal des Bildes des Bioassays zu bewerten, und einen Ähnlichkeitsgrad zwischen dem Bild des Bioassays und dem Referenzbild für das ausgewählte Merkmal auszugeben, der auf einer Schnittmenge-über-Vereinigung-Berechnung basiert, die auf ein Fourierring-Histogrammpaar angewendet wird, das für das Bild des Bioassays und das Referenzbild bestimmt wurde. In einem ersten Beispiel des Systems umfasst das System ferner: einen Bildgeber, der kommunikativ mit der Rechenvorrichtung verbunden ist, und wobei die Rechenvorrichtung das Bild des Biotests von dem Bildgeber empfängt. In einem zweiten Beispiel des Systems, das optional das erste Beispiel einschließt, schließt der nicht-transitorische Speicher weitere Anweisungen ein, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor zu Folgendem veranlassen: Auswählen des Referenzbilds aus einer Vielzahl von Kandidatenreferenzbildern basierend auf dem Ähnlichkeitsgrad zwischen jedem der Kandidatenreferenzbilder in Bezug aufeinander, wobei das ausgewählte Referenzbild einen höchsten Ähnlichkeitsgrad hat. In einem dritten Beispiel des Systems, das optional eines oder beide der ersten und zweiten Beispiele einschließt, umfasst das ausgewählte Merkmal eines oder mehrere aus einer Bildqualität, einer Zellzahl und einem Zellmerkmal. In einem vierten Beispiel des Systems, das optional eines oder mehrere oder jedes der ersten bis dritten Beispiele einschließt, umfasst das Zellmerkmal mindestens eines aus einer Zellmorphologie, einer Zellgröße, einer Zellgesundheit und einer Zelldegradation.
Die Offenbarung stellt auch Unterstützung für ein Verfahren bereit, das Folgendes umfasst: Quantifizierung eines Merkmals von Zellen in einem Bioassay basierend auf einer Fourierring-Schnittmenge-über-Vereinigung-Metrik (FRIOU), die für Bilder des Bioassays relativ zu Referenzbildern bestimmt wird. In einem ersten Beispiel des Verfahrens umfasst das Merkmal eine Anzahl von Zellen, die die FRIOU-Metrik größer als ein vorbestimmter Schwellenwert haben. In einem zweiten Beispiel des Verfahrens, das optional das erste Beispiel einschließt, umfasst das Merkmal eine relative Änderung in Bezug auf eine Behandlungsbedingung des Bioassays. In einem dritten Beispiel des Verfahrens, das wahlweise eines oder beide der ersten und zweiten Beispiele einschließt, umfasst das Merkmal einen Prozentsatz von Zellen, die durch ein im Bioassay verwendetes infektiöses Agens infiziert wurden. In einem vierten Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis dritten Beispiele einschließt, wird das Merkmal auf der Grundlage einer höchsten FRIOU-Metrik zwischen den Bildern des Bioassays und einem Referenzbild, das das Merkmal darstellt, bestimmt. In einem fünften Beispiel des Verfahrens, das optional eines oder mehrere oder jedes der ersten bis vierten Beispiele einschließt, gibt die FRIOU-Metrik einen Ähnlichkeitsgrad für ein bestimmtes Bild des Bioassays relativ zu einem bestimmten Referenzbild an.
Wie hierin verwendet, sollte ein Element oder ein Schritt in der Einzahl und dem das Wort „ein“ oder „eine“ vorangestellt ist, so verstanden werden, dass die Mehrzahl der genannten Elemente oder Schritte nicht ausgeschlossen ist, es sei denn, ein solcher Ausschluss wird ausdrücklich erwähnt. Weiterhin sind Bezugnahmen auf „eine Ausführungsform“ der vorliegenden Erfindung nicht so zu verstehen, dass sie das Vorhandensein weiterer Ausführungsformen ausschließen, die ebenfalls die genannten Merkmale aufweisen. Darüber hinaus können, insoweit nicht ausdrücklich gegenteilig angegeben, Ausführungsformen, die ein Element oder eine Vielzahl von Elementen, die eine bestimmte Eigenschaft haben, „umfassen“, „einschließen“ oder „aufweisen“ zusätzliche solche Elemente einschließen, die diese Eigenschaft nicht haben. Die Begriffe „einschließlich“ und „in denen“ werden als Klartextentsprechungen der jeweiligen Begriffe „umfassend“ und „wobei“ verwendet. Darüber hinaus werden die Begriffe „erste“, „zweite“, „dritte“ usw. lediglich als Bezeichnungen verwendet und sollen nicht dazu dienen, ihren Objekten numerische Anforderungen oder eine bestimmte Reihenfolge aufzuerlegen.
Diese schriftliche Beschreibung verwendet Beispiele, die die Erfindung offenbaren, einschließlich der vorteilhaftesten Weise, und auch, um einen Durchschnittsfachmann auf dem relevanten Gebiet in die Lage zu versetzen, die Erfindung zu praktizieren, einschließlich der Herstellung und Verwendung von Vorrichtungen oder Systemen und der Durchführung von einbezogenen Verfahren. Der patentierbare Umfang der Erfindung wird durch die Ansprüche definiert und kann weitere Beispiele einschließen, die dem Durchschnittsfachmann in den Sinn kommen. Solche anderen Beispiele sollen in den Umfang der Ansprüche fallen, falls sie Strukturelemente haben, die sich nicht von der wörtlichen Fassung der Ansprüche unterscheiden, oder falls sie äquivalente Strukturelemente einschließen, die sich nur unwesentlich von der wörtlichen Fassung der Ansprüche unterscheiden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 63364708 [0001]

Claims

Verfahren, umfassend: Ausgeben einer Metrik, die den Ähnlichkeitsgrad zwischen einem Testbild und einem Referenzbild für ein ausgewähltes Merkmal anzeigt, basierend auf einer Schnittmenge-über-Vereinigung-Berechnung, die auf räumliche Frequenzbereichstransformationen des Testbildes und des Referenzbildes angewendet wird.
Verfahren nach Anspruch 1, wobei das ausgewählte Merkmal die Bildqualität umfasst.
Verfahren nach Anspruch 2, wobei das Testbild und das Referenzbild Bilder von Zellen in einem Bioassay umfassen.
Verfahren nach Anspruch 3, wobei das ausgewählte Merkmal eine Zellzahl umfasst.
Verfahren nach Anspruch 3, wobei das ausgewählte Merkmal eine Zellmorphologie umfasst.
Verfahren nach Anspruch 3, wobei das ausgewählte Merkmal die Zellgesundheit umfasst, und wobei das Referenzbild eine oder mehrere gesunde Zellen darstellt.
Verfahren nach Anspruch 1, ferner umfassend das Durchführen der Schnittmenge-über-Vereinigung-Berechnung an den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes.
Verfahren nach Anspruch 7, wobei das Durchführen der Schnittmenge-über-Vereinigung-Berechnung mit den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes Folgendes umfasst: Erhalten von Koordinaten für Frequenzringe in den räumlichen Frequenzbereichstransformationen des Testbildes und des Referenzbildes; und Berechnen und Normalisieren eines ersten gewichteten Fouriertransformations-Ringgrößenhistogramms für die Frequenzringe des Testbildes und eines zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms für die Frequenzringe des Referenzbildes.
Verfahren nach Anspruch 8, ferner umfassend: Berechnen einer Vereinigung des ersten gewichteten Fouriertransformations-Ringgrößenhistogramms und des zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms; Berechnen einer Schnittmenge des ersten gewichteten Fouriertransformations-Ringgrößenhistogramms und des zweiten gewichteten Fouriertransformations-Ringgrößenhistogramms; und Filtern der Schnittmenge und der Vereinigung unter Verwendung eines Histogramm-Bin-Cutoffs.
System, umfassend: eine Rechenvorrichtung, die einen Prozessor einschließt, der konfiguriert ist, um Anweisungen auszuführen, die in einem nicht-transitorischen Speicher gespeichert sind, die, wenn sie ausgeführt werden, den Prozessor zu Folgendem veranlassen: Empfangen eines Bild eines Bioassays und eines Referenzbilds, um eine ausgewählte Eigenschaft des Bildes des Bioassays zu bewerten; und Ausgeben eines Ähnlichkeitsgrades zwischen dem Bild des Bioassays und dem Referenzbild für das ausgewählte Merkmal auf der Grundlage einer Schnittmenge-über-Vereinigung-Berechnung, die auf ein für das Bild des Bioassays und das Referenzbild bestimmtes Fourierring-Größenhistogrammpaar angewendet wird.
System nach Anspruch 10, ferner umfassend einen Bildgeber, der kommunikativ mit der Rechenvorrichtung verbunden ist, und wobei die Rechenvorrichtung das Bild des Bioassays von dem Bildgeber empfängt.
System nach Anspruch 11, wobei der nicht-transitorische Speicher weitere Anweisungen einschließt, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor zu Folgendem veranlassen: das Referenzbild aus einer Vielzahl von Kandidatenreferenzbildern basierend auf des Ähnlichkeitsgrades zwischen jedem der Vielzahl von Kandidatenreferenzbildern in Bezug aufeinander auszuwählen, wobei das Referenzbild den höchsten Ähnlichkeitsgrad hat.
System nach einem der Ansprüche 12, wobei das ausgewählte Merkmal eines oder mehreres aus einer Bildqualität, einer Zellzahl und einem Zellmerkmal umfasst.
System nach Anspruch 13, wobei das Zellmerkmal mindestens eines aus einer Zellmorphologie, einer Zellgröße, Zellgesundheit und Zellabbau umfasst.