JP2023536695A - マイクロウェルプレートで実行アーティファクトを分析及び検出するための技法 - Google Patents
マイクロウェルプレートで実行アーティファクトを分析及び検出するための技法 Download PDFInfo
- Publication number
- JP2023536695A JP2023536695A JP2023504097A JP2023504097A JP2023536695A JP 2023536695 A JP2023536695 A JP 2023536695A JP 2023504097 A JP2023504097 A JP 2023504097A JP 2023504097 A JP2023504097 A JP 2023504097A JP 2023536695 A JP2023536695 A JP 2023536695A
- Authority
- JP
- Japan
- Prior art keywords
- label
- features
- heatmap
- spatial
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 77
- 238000002474 experimental method Methods 0.000 claims abstract description 115
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims description 104
- 238000005259 measurement Methods 0.000 claims description 89
- 238000010801 machine learning Methods 0.000 claims description 53
- 230000015654 memory Effects 0.000 claims description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000003491 array Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 65
- 230000004044 response Effects 0.000 abstract description 12
- 238000002372 labelling Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 238000013537 high throughput screening Methods 0.000 description 4
- BFMYDTVEBKDAKJ-UHFFFAOYSA-L disodium;(2',7'-dibromo-3',6'-dioxido-3-oxospiro[2-benzofuran-1,9'-xanthene]-4'-yl)mercury;hydrate Chemical compound O.[Na+].[Na+].O1C(=O)C2=CC=CC=C2C21C1=CC(Br)=C([O-])C([Hg])=C1OC1=C2C=C(Br)C([O-])=C1 BFMYDTVEBKDAKJ-UHFFFAOYSA-L 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Abstract
Description
図1は、様々な実施形態の1つ以上の態様を実装するように構成されているシステムの概念の図である。説明の目的で、同様の対象物の複数のインスタンスは、対象物を識別する参照番号と、必要に応じてインスタンスを識別する括弧内の英数字(複数可)で示される。示されるように、システム100は、非限定的に、計算インスタンス110(1)及び110(2)、表示デバイス108(1)及び108(2)、ラベル付けされていないトレーニングデータセット102、及び実験データセット106を含む。
上記の問題に対処するために、計算インスタンス110(1)は、トレーニングアプリケーション120を含むが、これに限定されない。以下に説明するように、トレーニングアプリケーション120は、マイクロウェルプレートに関連付けられた特徴ベクトル138を、マイクロウェルプレートに関連付けられる実行アーティファクトのタイプ及び/または重大度を示す予測ラベル186に自動的にマッピングする、訓練された分類器170を生成する。いくつかの実施形態では、訓練された分類器170は、予測ラベル186が正確である可能性に相関するラベル信頼度188も生成する。
図3は、様々な実施形態による、図1の出力エンジン190のより詳細な図である。図示のように、出力エンジン190は、非限定的に、実験の概要196及びプレートの概要198(1)~198(E)を含み、Eは任意の正の整数であり得る。出力エンジン190は、予測ラベル186(0)~186(E)、ラベル信頼度188(0)~188(E)、ラベルデータセット156、及び(任意選択で)ラベル付けされていないトレーニングデータセット102に基づいて、実験の概要196とプレートの概要198(1)~198(E)を生成する。
以下、本発明の好ましい実施形態を項分け記載する。
実施形態1
マイクロウェルプレートを伴う実験で実行アーティファクトを検出するためのコンピュータ実装方法であって、
第1のマイクロウェルプレートに関連付けられた1つまたは複数のヒートマップに基づいて、空間的特徴の1つまたは複数のセットを計算すること、
第1の特徴ベクトルを生成するために、前記空間的特徴の1つまたは複数のセットを集約すること、及び
前記第1の特徴ベクトルを訓練された分類器に入力することであって、それに応じて、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられることを示す第1のラベルを生成する、前記入力すること、
を含む前記方法。
実施形態2
前記第1の特徴ベクトル及び前記第1のラベルに関連付けられた特徴ベクトルの第1のクラスタに基づいて、異常スコアを計算することをさらに含む、実施形態1に記載のコンピュータ実装方法。
実施形態3
前記第1のマイクロウェルプレートを含む複数のマイクロウェルプレートに基づいて、実験に関連する第2の特徴ベクトルを計算すること、
前記第2の特徴ベクトルを前記訓練された分類器に入力することであって、それに応じて前記第1のラベルを生成する、前記入力すること、及び
前記複数のマイクロウェルプレートに含まれるマイクロウェルプレートのうちいくつが前記第1のラベルに関連付けられているかを示すパーセンテージを計算すること、
をさらに含む、実施形態1に記載のコンピュータ実装方法。
実施形態4
前記訓練された分類器が、前記第1のラベルが前記第1のマイクロウェルプレートに適用される可能性を示すラベル信頼度をさらに生成する、実施形態1に記載のコンピュータ実装方法。
実施形態5
前記1つまたは複数のヒートマップに含まれる第1のヒートマップが複数の強度を明示し、前記複数の強度に含まれる各強度が、前記第1のマイクロウェルプレートに含まれている異なるウェルに関連付けられる、実施形態1に記載のコンピュータ実装方法。
実施形態6
前記訓練された分類器は、
前記第1のマイクロウェルプレートに関連付けられた第1のヒートマップに基づいて第1の空間情報を計算すること、
前記第1の空間情報に基づいて第1の特徴のセットを計算すること、及び
前記第1の特徴のセットに基づいて1つまたは複数の機械学習操作を実行して、前記訓練された分類器を生成することであって、前記訓練された分類器は、複数の実行アーティファクトに関連する複数のラベルに関して、異なるマイクロウェルプレートに関連する特徴のセットを分類する、前記実行すること、
によりトレーニングされる、実施形態1に記載のコンピュータ実装方法。
実施形態7
前記訓練された分類器が、前記複数のラベルに含まれるラベルのラベル信頼度を推定することによって、特定のマイクロウェルプレートの所与の特徴のセットを分類し、前記ラベル信頼度が、前記ラベルが前記特定のマイクロウェルプレートに適用される可能性を示す、実施形態6に記載のコンピュータ実装方法。
実施形態8
前記第1の空間情報はマルチレベルウェーブレット分解を含み、前記第1の特徴のセットを計算することは、
前記マルチレベルウェーブレット分解の少なくとも最低のレベルから第1の複数の空間的特徴を抽出すること、及び
前記第1の複数の空間的特徴を第2の複数の空間的特徴と集約して、前記第1の特徴のセットを生成することであって、前記第2の複数の空間的特徴は、前記第1のマイクロウェルプレートにまた関連付けられる第2のヒートマップから導出される、前記集約すること、
を含む、実施形態6に記載のコンピュータ実装方法。
実施形態9
前記第1のヒートマップが複数の細胞数を特定し、前記複数の細胞数に含まれる各細胞数が、前記第1のマイクロウェルプレートに含まれる異なるウェルに関連付けられる、実施形態6に記載のコンピュータ実装方法。
実施形態10
前記1つまたは複数の機械学習操作に含まれる第1の機械学習操作は、教師あり機械学習操作、教師なし機械学習操作、半教師あり機械学習操作、または強化学習操作を含む、実施形態6に記載のコンピュータ実装方法。
実施形態11
1つまたは複数のプロセッサによって実行されるとき、前記1つまたは複数のプロセッサに、
第1のマイクロウェルプレートに関連する1つまたは複数の測定値に基づいて空間的特徴の1つまたは複数のセットを計算するステップ、
前記空間的特徴の1つまたは複数のセットに基づいて第1の特徴ベクトルを生成するステップ、及び
前記第1の特徴ベクトルを訓練された機械学習モデルに入力するステップであって、それに応じて、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられることを示す第1のラベルを生成する、前記入力するステップ、
を行うことによって、マイクロウェルプレートを伴う実験で実行アーティファクトを検出させる命令を含む、1つまたは複数の非一時的コンピュータ可読媒体。
実施形態12
複数の測定値配列に基づいて、実験に関連する第2の特徴ベクトルを計算することであって、前記複数の測定値配列は、前記第1のマイクロウェルプレートに関連する前記1つまたは複数の測定値配列を含む、前記計算すること、及び
前記第2の特徴ベクトルを前記訓練された機械学習モデルに入力することであって、それに応じて、前記第1のラベルを含む複数のラベルに関して前記実験を分類する第2のラベルを生成する、前記入力すること、
をさらに含む、実施形態11に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態13
実験に関連付けられたマイクロウェルプレートのサブセットも前記第1のラベルに関連付けられていることを判定することであって、前記マイクロウェルプレートのサブセットは前記第1のマイクロウェルプレートを含む、前記判定すること、及び
グラフィカルユーザインターフェース(「GUI」)を介して、前記第1のラベルに関連付けられた平均測定値配列を表示すること、及び
前記マイクロウェルプレートのサブセットが前記平均測定値配列に関連付けられているという前記GUIを介した表示を生成すること、
をさらに含む、実施形態11に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態14
前記空間的特徴の1つまたは複数のセットを計算することは、
マルチレベルウェーブレット分解を生成するために、前記1つまたは複数の測定値配列に含まれる第1の測定値配列にウェーブレット変換を適用すること、及び
前記マルチレベルウェーブレット分解の少なくとも最低のレベルから第1の空間的特徴のセットを抽出すること、
を含む、実施形態11に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態15
前記空間的特徴の1つまたは複数のセットを計算することは、
前記1つまたは複数の測定値配列に含まれる第1の測定値配列に基づいて第1の空間情報を計算すること、及び
前記第1の空間情報から第1の低周波の空間的特徴のセットを抽出すること、
を含む、実施形態11に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態16
前記訓練された分類器が、
第1のマイクロウェルプレートに関連付けられた第1の測定値配列に基づいて1つまたは複数の空間パターンを判定すること、
前記1つまたは複数の空間パターンに基づいて、第1の特徴のセットを計算すること、及び
前記第1の特徴のセットに基づいて1つまたは複数の機械学習操作を実行して、訓練された分類器を生成することであって、前記訓練された分類器は、複数の実行アーティファクトに関連付けられる複数のラベルに関して、異なるマイクロウェルプレートに関連する特徴のセットを分類する、前記実行すること、
によりトレーニングされる、実施形態11に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態17
前記1つまたは複数の機械学習操作を実行する前に、複数の特徴のセットに対してクラスタリングアルゴリズムを実行して、前記複数のラベルを生成することをさらに含む、実施形態16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態18
前記1つまたは複数の空間パターンを判定することは、前記第1の測定値配列にウェーブレット変換を適用することを含む、実施形態16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態19
前記1つまたは複数の機械学習操作に含まれる第1の機械学習操作は、教師あり機械学習操作、教師なし機械学習操作、半教師あり機械学習操作、または強化学習操作を含む、実施形態16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
実施形態20
システムであって、
命令を格納する1つまたは複数のメモリと、
1つまたは複数のプロセッサであって、前記命令を実行するときに、
第1のマイクロウェルプレートに関連する複数の測定値に基づいて複数の空間的特徴を計算するステップ、
前記複数の空間的特徴に基づいて特徴のセットを生成するステップ、及び
前記特徴のセット及び訓練された機械学習モデルに基づいて第1のラベルを計算するステップであって、前記第1のラベルは、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられていることを示す、前記計算するステップ、
を行う前記1つまたは複数のメモリに結合される、前記1つまたは複数のプロセッサと、を含む、前記システム。
Claims (20)
- マイクロウェルプレートを伴う実験で実行アーティファクトを検出するためのコンピュータ実装方法であって、
第1のマイクロウェルプレートに関連付けられた1つまたは複数のヒートマップに基づいて、空間的特徴の1つまたは複数のセットを計算すること、
第1の特徴ベクトルを生成するために、前記空間的特徴の1つまたは複数のセットを集約すること、及び
前記第1の特徴ベクトルを訓練された分類器に入力することであって、それに応じて、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられることを示す第1のラベルを生成する、前記入力すること、
を含む前記方法。 - 前記第1の特徴ベクトル及び前記第1のラベルに関連付けられた特徴ベクトルの第1のクラスタに基づいて、異常スコアを計算することをさらに含む、請求項1に記載のコンピュータ実装方法。
- 前記第1のマイクロウェルプレートを含む複数のマイクロウェルプレートに基づいて、実験に関連する第2の特徴ベクトルを計算すること、
前記第2の特徴ベクトルを前記訓練された分類器に入力することであって、それに応じて前記第1のラベルを生成する、前記入力すること、及び
前記複数のマイクロウェルプレートに含まれるマイクロウェルプレートのうちいくつが前記第1のラベルに関連付けられているかを示すパーセンテージを計算すること、
をさらに含む、請求項1に記載のコンピュータ実装方法。 - 前記訓練された分類器が、前記第1のラベルが前記第1のマイクロウェルプレートに適用される可能性を示すラベル信頼度をさらに生成する、請求項1に記載のコンピュータ実装方法。
- 前記1つまたは複数のヒートマップに含まれる第1のヒートマップが複数の強度を明示し、前記複数の強度に含まれる各強度が、前記第1のマイクロウェルプレートに含まれている異なるウェルに関連付けられる、請求項1に記載のコンピュータ実装方法。
- 前記訓練された分類器は、
前記第1のマイクロウェルプレートに関連付けられた第1のヒートマップに基づいて第1の空間情報を計算すること、
前記第1の空間情報に基づいて第1の特徴のセットを計算すること、及び
前記第1の特徴のセットに基づいて1つまたは複数の機械学習操作を実行して、前記訓練された分類器を生成することであって、前記訓練された分類器は、複数の実行アーティファクトに関連する複数のラベルに関して、異なるマイクロウェルプレートに関連する特徴のセットを分類する、前記実行すること、
によりトレーニングされる、請求項1に記載のコンピュータ実装方法。 - 前記訓練された分類器が、前記複数のラベルに含まれるラベルのラベル信頼度を推定することによって、特定のマイクロウェルプレートの所与の特徴のセットを分類し、前記ラベル信頼度が、前記ラベルが前記特定のマイクロウェルプレートに適用される可能性を示す、請求項6に記載のコンピュータ実装方法。
- 前記第1の空間情報はマルチレベルウェーブレット分解を含み、前記第1の特徴のセットを計算することは、
前記マルチレベルウェーブレット分解の少なくとも最低のレベルから第1の複数の空間的特徴を抽出すること、及び
前記第1の複数の空間的特徴を第2の複数の空間的特徴と集約して、前記第1の特徴のセットを生成することであって、前記第2の複数の空間的特徴は、前記第1のマイクロウェルプレートにまた関連付けられる第2のヒートマップから導出される、前記集約すること、
を含む、請求項6に記載のコンピュータ実装方法。 - 前記第1のヒートマップが複数の細胞数を特定し、前記複数の細胞数に含まれる各細胞数が、前記第1のマイクロウェルプレートに含まれる異なるウェルに関連付けられる、請求項6に記載のコンピュータ実装方法。
- 前記1つまたは複数の機械学習操作に含まれる第1の機械学習操作は、教師あり機械学習操作、教師なし機械学習操作、半教師あり機械学習操作、または強化学習操作を含む、請求項6に記載のコンピュータ実装方法。
- 1つまたは複数のプロセッサによって実行されるとき、前記1つまたは複数のプロセッサに、
第1のマイクロウェルプレートに関連する1つまたは複数の測定値に基づいて空間的特徴の1つまたは複数のセットを計算するステップ、
前記空間的特徴の1つまたは複数のセットに基づいて第1の特徴ベクトルを生成するステップ、及び
前記第1の特徴ベクトルを訓練された機械学習モデルに入力するステップであって、それに応じて、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられることを示す第1のラベルを生成する、前記入力するステップ、
を行うことによって、マイクロウェルプレートを伴う実験で実行アーティファクトを検出させる命令を含む、1つまたは複数の非一時的コンピュータ可読媒体。 - 複数の測定値配列に基づいて、実験に関連する第2の特徴ベクトルを計算することであって、前記複数の測定値配列は、前記第1のマイクロウェルプレートに関連する前記1つまたは複数の測定値配列を含む、前記計算すること、及び
前記第2の特徴ベクトルを前記訓練された機械学習モデルに入力することであって、それに応じて、前記第1のラベルを含む複数のラベルに関して前記実験を分類する第2のラベルを生成する、前記入力すること、
をさらに含む、請求項11に記載の1つまたは複数の非一時的コンピュータ可読媒体。 - 実験に関連付けられたマイクロウェルプレートのサブセットも前記第1のラベルに関連付けられていることを判定することであって、前記マイクロウェルプレートのサブセットは前記第1のマイクロウェルプレートを含む、前記判定すること、及び
グラフィカルユーザインターフェース(「GUI」)を介して、前記第1のラベルに関連付けられた平均測定値配列を表示すること、及び
前記マイクロウェルプレートのサブセットが前記平均測定値配列に関連付けられているという前記GUIを介した表示を生成すること、
をさらに含む、請求項11に記載の1つまたは複数の非一時的コンピュータ可読媒体。 - 前記空間的特徴の1つまたは複数のセットを計算することは、
マルチレベルウェーブレット分解を生成するために、前記1つまたは複数の測定値配列に含まれる第1の測定値配列にウェーブレット変換を適用すること、及び
前記マルチレベルウェーブレット分解の少なくとも最低のレベルから第1の空間的特徴のセットを抽出すること、
を含む、請求項11に記載の1つまたは複数の非一時的コンピュータ可読媒体。 - 前記空間的特徴の1つまたは複数のセットを計算することは、
前記1つまたは複数の測定値配列に含まれる第1の測定値配列に基づいて第1の空間情報を計算すること、及び
前記第1の空間情報から第1の低周波の空間的特徴のセットを抽出すること、
を含む、請求項11に記載の1つまたは複数の非一時的コンピュータ可読媒体。 - 前記訓練された分類器が、
第1のマイクロウェルプレートに関連付けられた第1の測定値配列に基づいて1つまたは複数の空間パターンを判定すること、
前記1つまたは複数の空間パターンに基づいて、第1の特徴のセットを計算すること、及び
前記第1の特徴のセットに基づいて1つまたは複数の機械学習操作を実行して、訓練された分類器を生成することであって、前記訓練された分類器は、複数の実行アーティファクトに関連付けられる複数のラベルに関して、異なるマイクロウェルプレートに関連する特徴のセットを分類する、前記実行すること、
によりトレーニングされる、請求項11に記載の1つまたは複数の非一時的コンピュータ可読媒体。 - 前記1つまたは複数の機械学習操作を実行する前に、複数の特徴のセットに対してクラスタリングアルゴリズムを実行して、前記複数のラベルを生成することをさらに含む、請求項16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
- 前記1つまたは複数の空間パターンを判定することは、前記第1の測定値配列にウェーブレット変換を適用することを含む、請求項16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
- 前記1つまたは複数の機械学習操作に含まれる第1の機械学習操作は、教師あり機械学習操作、教師なし機械学習操作、半教師あり機械学習操作、または強化学習操作を含む、請求項16に記載の1つまたは複数の非一時的コンピュータ可読媒体。
- システムであって、
命令を格納する1つまたは複数のメモリと、
1つまたは複数のプロセッサであって、前記命令を実行するときに、
第1のマイクロウェルプレートに関連する複数の測定値に基づいて複数の空間的特徴を計算するステップ、
前記複数の空間的特徴に基づいて特徴のセットを生成するステップ、及び
前記特徴のセット及び訓練された機械学習モデルに基づいて第1のラベルを計算するステップであって、前記第1のラベルは、前記第1のマイクロウェルプレートが第1の実行アーティファクトに関連付けられていることを示す、前記計算するステップ、
を行う前記1つまたは複数のメモリに結合される、前記1つまたは複数のプロセッサと、を含む、前記システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/940,325 | 2020-07-27 | ||
US16/940,320 US11361438B2 (en) | 2020-07-27 | 2020-07-27 | Techniques for analyzing and detecting executional artifacts in microwell plates |
US16/940,320 | 2020-07-27 | ||
US16/940,325 US20220027795A1 (en) | 2020-07-27 | 2020-07-27 | Techniques for training a classifier to detect executional artifacts in microwell plates |
PCT/US2021/042139 WO2022026226A1 (en) | 2020-07-27 | 2021-07-19 | Techniques for analyzing and detecting executional artifacts in microwell plates |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023536695A true JP2023536695A (ja) | 2023-08-29 |
Family
ID=80036051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023504097A Pending JP2023536695A (ja) | 2020-07-27 | 2021-07-19 | マイクロウェルプレートで実行アーティファクトを分析及び検出するための技法 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP4189641A1 (ja) |
JP (1) | JP2023536695A (ja) |
CN (1) | CN116210032A (ja) |
AU (1) | AU2021316176B2 (ja) |
CA (1) | CA3186058A1 (ja) |
IL (1) | IL300002A (ja) |
WO (1) | WO2022026226A1 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7711174B2 (en) * | 2004-05-13 | 2010-05-04 | The Charles Stark Draper Laboratory, Inc. | Methods and systems for imaging cells |
DE102018133196A1 (de) * | 2018-12-20 | 2020-06-25 | Carl Zeiss Microscopy Gmbh | Bildbasierte wartungsvorhersage und detektion von fehlbedienungen |
-
2021
- 2021-07-19 EP EP21849802.0A patent/EP4189641A1/en active Pending
- 2021-07-19 CN CN202180060507.4A patent/CN116210032A/zh active Pending
- 2021-07-19 IL IL300002A patent/IL300002A/en unknown
- 2021-07-19 AU AU2021316176A patent/AU2021316176B2/en active Active
- 2021-07-19 JP JP2023504097A patent/JP2023536695A/ja active Pending
- 2021-07-19 CA CA3186058A patent/CA3186058A1/en active Pending
- 2021-07-19 WO PCT/US2021/042139 patent/WO2022026226A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CA3186058A1 (en) | 2022-02-03 |
AU2021316176B2 (en) | 2023-10-19 |
IL300002A (en) | 2023-03-01 |
EP4189641A1 (en) | 2023-06-07 |
CN116210032A (zh) | 2023-06-02 |
WO2022026226A1 (en) | 2022-02-03 |
AU2021316176A1 (en) | 2023-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10303979B2 (en) | System and method for classifying and segmenting microscopy images with deep multiple instance learning | |
Rottmann et al. | Prediction error meta classification in semantic segmentation: Detection via aggregated dispersion measures of softmax probabilities | |
Angermueller et al. | Deep learning for computational biology | |
CA2948499C (en) | System and method for classifying and segmenting microscopy images with deep multiple instance learning | |
US20170147941A1 (en) | Subspace projection of multi-dimensional unsupervised machine learning models | |
Su et al. | Interactive cell segmentation based on active and semi-supervised learning | |
US10614575B2 (en) | Searching trees: live time-lapse cell-cycle progression modeling and analysis | |
Chessel | An overview of data science uses in bioimage informatics | |
Chen et al. | Diagnose like a pathologist: Weakly-supervised pathologist-tree network for slide-level immunohistochemical scoring | |
US20150294052A1 (en) | Anomaly detection using tripoint arbitration | |
US20230027723A1 (en) | Stain-free detection of embryo polarization using deep learning | |
Shahriyar et al. | An approach for multi label image classification using single label convolutional neural network | |
US20220027795A1 (en) | Techniques for training a classifier to detect executional artifacts in microwell plates | |
JP2023536695A (ja) | マイクロウェルプレートで実行アーティファクトを分析及び検出するための技法 | |
WO2023280229A1 (zh) | 图像处理方法、电子设备及存储介质 | |
US20220405299A1 (en) | Visualizing feature variation effects on computer model prediction | |
KR101913952B1 (ko) | V-CNN 접근을 통한 iPSC 집락 자동 인식 방법 | |
US11361438B2 (en) | Techniques for analyzing and detecting executional artifacts in microwell plates | |
Prasetio et al. | Features Selection and k-NN Parameters Optimization based on Genetic Algorithm for Medical Datasets Classification | |
Al-Shammri et al. | A Combined Method for Object Detection under Rain Conditions Using Deep Learning | |
CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
Raveendran et al. | Binary segmentation methods for identifying boundaries of spatial domains | |
Hill | Modeling and analysis of mitochondrial dynamics using dynamic social network graphs | |
US20240061867A1 (en) | Cluster-based dataset evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230130 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230213 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230213 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240410 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240501 |