JPWO2020097302A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2020097302A5 JPWO2020097302A5 JP2021525318A JP2021525318A JPWO2020097302A5 JP WO2020097302 A5 JPWO2020097302 A5 JP WO2020097302A5 JP 2021525318 A JP2021525318 A JP 2021525318A JP 2021525318 A JP2021525318 A JP 2021525318A JP WO2020097302 A5 JPWO2020097302 A5 JP WO2020097302A5
- Authority
- JP
- Japan
- Prior art keywords
- database
- condensed
- parameters
- machine learning
- channel
- 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.)
- Granted
Links
Claims (20)
前記原子間力顕微鏡を使用することは、マルチチャネル原子間力顕微鏡を使用することを含み、
各チャネルは、前記表面の表面属性に対応し、
前記表面を分類することは、トレーニングデータを用いてトレーニングされ、試験データを用いて試験可能である機械学習モジュールの使用を分類することを含み、かつ、検証データを用いて検証可能であり、
前記トレーニングデータは、分類方法を学習するために用いられてきたデータであり、前記試験データは、前記機械学習モジュールによって実行される分類の有効性を検証するために使用可能なデータである、方法。 obtaining a set of images associated with a surface using an atomic force microscope; combining the images; using a machine learning method applied to the combined images; classifying the surface, the method comprising:
using the atomic force microscope includes using a multi-channel atomic force microscope;
each channel corresponding to a surface attribute of said surface;
classifying the surface includes classifying the use of a machine learning module that is trained using training data, testable using test data, and verifiable using validation data;
The training data is data that has been used to learn a classification method, and the test data is data that can be used to validate the classification performed by the machine learning module. .
前記凝縮データベースを構築することは、 Building the condensed database includes:
前記チャネルにより提供される前記情報に基づいて第1のデータベースを形成することと、ここで、前記第1のデータベースはインデックスを有する、 forming a first database based on the information provided by the channel, wherein the first database has an index;
前記第1のデータベースから凝縮データベースを導出することと、ここで、前記凝縮データベースは、前記第1のデータベースよりも少数のインデックスを有する、 deriving a condensed database from the first database, wherein the condensed database has fewer indexes than the first database;
を含み、including
前記凝縮データベースを導出することは、テンソル加算を実行して、前記第1のデータベースからの情報を前記第1のデータベースの1つ又は複数のインデックスに対応する1つ又は複数のスライスと共に結合するテンソル和を生成することと、前記テンソル和を使用して前記凝縮データベースを形成することとを含む、請求項1に記載の方法。 Deriving the condensed database includes performing tensor addition to combine information from the first database with one or more slices corresponding to one or more indices of the first database. 2. The method of claim 1, comprising generating sums and using the tensor sums to form the condensed database.
前記凝縮データベースを構築することは、 Building the condensed database includes:
前記チャネルにより提供される前記情報に基づいて第1のデータベースを形成することと、ここで、前記第1のデータベースはインデックスを有する、 forming a first database based on the information provided by the channel, wherein the first database has an index;
前記第1のデータベースから凝縮データベースを導出することと、ここで、前記凝縮データベースは、前記第1のデータベースよりも少数のインデックスを有する、 deriving a condensed database from the first database, wherein the condensed database has fewer indexes than the first database;
を含み、including
前記第1のデータベースから凝縮データベースを導出することは、 Deriving a condensed database from the first database comprises:
前記第1のデータベースからの値のサブセットを定義することと、ここで、前記値のそれぞれは前記第1のデータベース内の対応する要素を表す、 defining a subset of values from said first database, wherein each of said values represents a corresponding element in said first database;
前記値のサブセット内の前記値から凝縮値を導出することと、 deriving a condensed value from the values in the subset of values;
前記凝縮値を用いて前記第1のデータベースからの前記対応する要素を表すこと representing the corresponding element from the first database using the condensed value
とを含み、and
前記凝縮値を導出することは、情報を前記第1のデータベースから表面パラメータ抽出機に通して、表面パラメータセットを取得することを含む、請求項1に記載の方法。 2. The method of claim 1, wherein deriving the condensation value comprises passing information from the first database through a surface parameter extractor to obtain a surface parameter set.
試料の画像を区画に分割することと、各区画の表面パラメータを取得することと、各区画の前記表面パラメータのメジアンまたは平均として前記画像の表面パラメータを定義することとを更に含む、請求項1に記載の方法。 the image is an image of a sample;
2. The method of claim 1, further comprising dividing an image of the sample into sections, obtaining a surface parameter for each section, and defining the surface parameter of the image as the median or average of the surface parameters of each section. The method described in .
前記画像を処理して、表面パラメータを取得し、機械学習を使用して、少なくとも部分的に前記表面パラメータに基づいて外部導出パラメータから前記表面を分類することと、 processing the image to obtain surface parameters and using machine learning to classify the surface from externally derived parameters based at least in part on the surface parameters;
前記ボディフリー試料からのボディの不在を示すデータを含むものとして前記外部導出パラメータを選択することと selecting the externally derived parameter as including data indicative of the absence of body from the body-free sample;
を更に含む、請求項1に記載の方法。2. The method of claim 1, further comprising:
前記画像を処理して、表面パラメータを取得し、機械学習を使用して、少なくとも部分的に前記表面パラメータに基づいて外部導出パラメータから前記表面を分類することと、 processing the image to obtain surface parameters and using machine learning to classify the surface from externally derived parameters based at least in part on the surface parameters;
前記患者が特定の疾患を有する確率を示すデータを含むものとして前記外部導出パラメータを選択することを更に含む、請求項1に記載の方法。 2. The method of claim 1, further comprising selecting the externally derived parameters as containing data indicative of the probability that the patient will have a particular disease.
前記表面パラメータのサブセットを定義することと、 defining a subset of the surface parameters;
前記サブセットに基づいてデータベースを生成することと generating a database based on said subset;
を更に含み、further comprising
表面パラメータの前記サブセットを定義することは、前記表面パラメータ間の相関を特定することと、前記相関を閾値と比較して、1組の相関パラメータを識別することと、前記1組の相関パラメータのサブセットを表面パラメータの前記サブセットに含めることとを含む、請求項1に記載の方法。 Defining the subset of surface parameters comprises: identifying correlations between the surface parameters; comparing the correlations to a threshold to identify a set of correlation parameters; and including a subset in said subset of surface parameters.
前記第1の複数に対する前記第2の複数の比率が所定の閾値を超える場合、前記患者を癌として診断することを更に含む、請求項1に記載の方法。 said surface is a surface of a first plurality of said cells from a patient, a second plurality of said cells classified as from a patient with cancer, and a third plurality of said cells from a non-cancer patient are classified as those of
2. The method of claim 1, further comprising diagnosing the patient as having cancer if the ratio of the second plurality to the first plurality exceeds a predetermined threshold.
前記凝縮された情報から凝縮データベースを構築することと、 building a condensed database from the condensed information;
前記チャネルにより提供される前記情報に基づいて第1のデータベースを形成することと forming a first database based on the information provided by the channel;
を更に含み、further comprising
前記凝縮データベースを構築することは、前記第1のデータベースを前記第1のデータベースよりも低い次元のサブ空間に投影することを含み、前記投影は、前記凝縮データベースを定義し、前記凝縮データベースは、前記第1のデータベースよりも低い次元を有する、請求項1に記載の方法。 Constructing the condensed database includes projecting the first database into a lower dimensional subspace than the first database, the projection defining the condensed database, the condensed database comprising: 2. The method of claim 1, having a lower dimensionality than the first database.
前記凝縮された情報から凝縮データベースを構築することと、 building a condensed database from the condensed information;
前記チャネルにより提供される前記情報に基づいて第1のデータベースを形成することと forming a first database based on the information provided by the channel;
を更に含み、further comprising
前記凝縮データベースを構築することは、前記第1のデータベースを前記第1のデータベースよりも低い次元のサブ空間に投影することを含み、前記投影は、前記凝縮データベースを定義し、前記凝縮データベースは、前記第1のデータベースよりも低い次元を有し、 Constructing the condensed database includes projecting the first database into a lower dimensional subspace than the first database, the projection defining the condensed database, the condensed database comprising: having a lower dimensionality than the first database;
前記凝縮データベースを構築することは、それぞれのジニインデックスに基づいて最も高いランクを有する表面パラメータのみを含めることを含む、請求項1に記載の方法。 2. The method of claim 1, wherein building the condensed database comprises including only surface parameters with the highest rankings based on their respective Gini indices.
機械学習を使用して、少なくとも部分的に前記表面パラメータに基づいて外部導出パラメータから前記表面を分類することと、ここで、前記表面は、患者から取得される試料から導出される細胞の表面である、 using machine learning to classify the surface from externally derived parameters based at least in part on the surface parameters, wherein the surface is the surface of a cell derived from a sample obtained from a patient; be,
前記患者が特定の疾患を有する確率を示すデータを含むものとして前記外部導出パラメータを選択することと selecting the externally derived parameter as including data indicative of the probability that the patient has a particular disease;
を更に含み、further comprising
前記確率を示す前記データは、前記患者の年齢と、前記患者の喫煙習慣と、前記患者の家族歴とを含む、請求項1に記載の方法。 2. The method of claim 1, wherein the data indicative of the probability includes the patient's age, the patient's smoking habits, and the patient's family history.
前記チャネルにより提供される前記情報に基づいて第1のデータベースを形成することと、 forming a first database based on the information provided by the channel;
前記第1のデータベースを前記第1のデータベースよりも低い次元のサブ空間に投影することと、ここで、前記投影は、前記第1のデータベースよりも低い次元を有する前記凝縮データベースを定義する、 projecting the first database into a lower dimensional subspace than the first database, wherein the projection defines the condensed database having a lower dimensionality than the first database;
を更に含み、further comprising
前記表面を分類することは、ランダムフォレスト法、エクストリームランダム化フォレスト法、勾配ブースティングツリー法、ニューラルネットワークの使用および決定木法からなる群から選択される方法を含む、請求項1に記載の方法。 2. The method of claim 1, wherein classifying the surface comprises a method selected from the group consisting of random forest methods, extreme randomized forest methods, gradient boosting tree methods, using neural networks and decision tree methods. .
前記原子間力顕微鏡から、前記画像を表す信号を受信し、前記画像を結合する処理システムと、ここで、前記処理システムは、機械学習モジュールと、前記機械学習モジュールから分類の基礎を学習した後、未知の試料を分類する分類器とを備えている、
を備える装置であって、
前記機械学習モジュールは、分類結果が試験データを用いて検証可能であるように、トレーニングデータを用いて前記表面を分類するためにトレーニングされ、
前記トレーニングデータは、分類方法を学習するために用いられてきたデータであり、前記試験データは、前記分類の有効性を検証するために使用可能なデータである、装置。 a multi-channel atomic force microscope for acquiring images associated with a surface , wherein each channel of the microscope corresponds to a surface attribute of the surface;
a processing system for receiving signals representing said images from said atomic force microscope and for combining said images , wherein said processing system comprises a machine learning module, and after learning a classification basis from said machine learning module , and a classifier for classifying unknown samples,
A device comprising
the machine learning module is trained to classify the surface using training data such that the classification results are verifiable using test data;
The apparatus, wherein the training data is data that has been used to learn a classification method and the test data is data that can be used to verify the effectiveness of the classification.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023135953A JP7478292B2 (en) | 2018-11-07 | 2023-08-24 | Atomic force microscopy to identify surfaces |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862756958P | 2018-11-07 | 2018-11-07 | |
US62/756,958 | 2018-11-07 | ||
US201862772327P | 2018-11-28 | 2018-11-28 | |
US62/772,327 | 2018-11-28 | ||
PCT/US2019/060225 WO2020097302A1 (en) | 2018-11-07 | 2019-11-07 | Atomic-force microscopy for identification of surfaces |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023135953A Division JP7478292B2 (en) | 2018-11-07 | 2023-08-24 | Atomic force microscopy to identify surfaces |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022507112A JP2022507112A (en) | 2022-01-18 |
JPWO2020097302A5 true JPWO2020097302A5 (en) | 2022-09-22 |
JP7339337B2 JP7339337B2 (en) | 2023-09-05 |
Family
ID=70612174
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021525318A Active JP7339337B2 (en) | 2018-11-07 | 2019-11-07 | Atomic force microscopy to identify surfaces |
JP2023135953A Active JP7478292B2 (en) | 2018-11-07 | 2023-08-24 | Atomic force microscopy to identify surfaces |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023135953A Active JP7478292B2 (en) | 2018-11-07 | 2023-08-24 | Atomic force microscopy to identify surfaces |
Country Status (8)
Country | Link |
---|---|
US (3) | US11506683B2 (en) |
EP (1) | EP3877823A4 (en) |
JP (2) | JP7339337B2 (en) |
KR (2) | KR102613720B1 (en) |
CN (1) | CN113272860A (en) |
AU (1) | AU2019374820B2 (en) |
CA (2) | CA3118950C (en) |
WO (1) | WO2020097302A1 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3118950C (en) * | 2018-11-07 | 2024-01-09 | Trustees Of Tufts College | Atomic-force microscopy for identification of surfaces |
WO2022258084A1 (en) | 2021-07-13 | 2022-12-15 | Ceske Vysoke Uceni Technicke V Praze | A method of examining a sample in an atomic force microscope |
TWI783684B (en) | 2021-09-15 | 2022-11-11 | 國立成功大學 | Method of detecting magnetic distribution |
KR102713656B1 (en) | 2022-01-05 | 2024-10-04 | 전북대학교산학협력단 | Quartz Oscillator cantilever and probe for Atomic Force Microscope |
KR20230126264A (en) * | 2022-02-21 | 2023-08-30 | 가톨릭대학교 산학협력단 | Apparatus and method for cell selection |
WO2024148067A1 (en) * | 2023-01-03 | 2024-07-11 | Trustees Of Tufts College | Localization of parts of images responsible for classification in weakly supervised problems |
GB202304777D0 (en) * | 2023-03-31 | 2023-05-17 | Infinitesima Ltd | Machine-learning based methods of probe microscopy |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
US20080026410A1 (en) * | 2004-12-02 | 2008-01-31 | Antonia Vlahou | Biomarkers for Bladder Cancer |
KR100794516B1 (en) | 2007-12-03 | 2008-01-14 | 한국정보통신대학교 산학협력단 | System and method for diagnosis and clinical test selection using case based machine learning inference |
RU2010151919A (en) * | 2008-05-20 | 2012-06-27 | Зе Реджентс Оф Зе Юниверсити Оф Калифорния (Us) | ANALYSIS OF EX VIVO CELLS WITH THE PURPOSE OF DETECTING A DISEASE CONDITION AND SELECTING AND MONITORING A THERAPEUTIC AGENT |
EP2649444B1 (en) * | 2010-12-10 | 2015-12-09 | Universität Basel | Method for staging cancer progression by afm |
CA2843756A1 (en) * | 2011-08-22 | 2013-02-28 | Somalogic, Inc. | Renal cell carcinoma biomarkers and uses thereof |
US9904866B1 (en) * | 2012-06-21 | 2018-02-27 | Amazon Technologies, Inc. | Architectures for object recognition |
WO2015017798A2 (en) | 2013-08-02 | 2015-02-05 | CRIXlabs, Inc. | Method and system for predicting spatial and temporal distributions of therapeutic substance carriers |
US9830502B2 (en) * | 2013-10-28 | 2017-11-28 | Dh Technologies Development Pte. Ltd. | Method and system for classifying and identifying individual cells in a microscopy image |
JP6767966B2 (en) | 2014-04-09 | 2020-10-14 | エントルピー インコーポレーテッドEntrupy Inc. | Authenticity of objects using machine learning from microscopic differences |
EP3207499A4 (en) * | 2014-10-17 | 2018-09-19 | Cireca Theranostics, LLC | Methods and systems for classifying biological samples, including optimization of analyses and use of correlation |
EP3308162B1 (en) | 2015-06-11 | 2021-06-02 | Riethmüller, Christoph | In vitro method for quantifying nano-objects of mammalian skin cells |
CN109564617B (en) * | 2016-06-13 | 2023-09-26 | 纳诺利弗股份有限公司 | Method for characterizing and imaging microscopic objects |
FR3062214B1 (en) * | 2017-01-20 | 2022-10-21 | Centre Nat Rech Scient | PROBE FOR ATOMIC FORCE MICROSCOPE EQUIPPED WITH AN OPTOMECHANICAL RESONATOR, AND ATOMIC FORCE MICROSCOPE COMPRISING SUCH A PROBE |
JP6675433B2 (en) * | 2018-04-25 | 2020-04-01 | 信越化学工業株式会社 | Defect classification method, photomask blank sorting method, and mask blank manufacturing method |
CA3118950C (en) * | 2018-11-07 | 2024-01-09 | Trustees Of Tufts College | Atomic-force microscopy for identification of surfaces |
-
2019
- 2019-11-07 CA CA3118950A patent/CA3118950C/en active Active
- 2019-11-07 JP JP2021525318A patent/JP7339337B2/en active Active
- 2019-11-07 AU AU2019374820A patent/AU2019374820B2/en active Active
- 2019-11-07 WO PCT/US2019/060225 patent/WO2020097302A1/en unknown
- 2019-11-07 CN CN201980080842.3A patent/CN113272860A/en active Pending
- 2019-11-07 EP EP19882708.1A patent/EP3877823A4/en active Pending
- 2019-11-07 US US17/291,430 patent/US11506683B2/en active Active
- 2019-11-07 CA CA3221066A patent/CA3221066A1/en active Pending
- 2019-11-07 KR KR1020217016837A patent/KR102613720B1/en active IP Right Grant
- 2019-11-07 KR KR1020237042280A patent/KR20230172608A/en not_active Application Discontinuation
-
2022
- 2022-11-04 US US17/980,667 patent/US11796564B2/en active Active
-
2023
- 2023-08-24 JP JP2023135953A patent/JP7478292B2/en active Active
- 2023-09-21 US US18/370,923 patent/US20240012022A1/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
Labati et al. | All-IDB: The acute lymphoblastic leukemia image database for image processing | |
JP7339337B2 (en) | Atomic force microscopy to identify surfaces | |
Forero et al. | Automatic identification techniques of tuberculosis bacteria | |
CN106096571B (en) | A kind of cell sorting method based on EMD feature extraction and rarefaction representation | |
CN103345633A (en) | Structural nuclear magnetic resonance image processing method used for Alzheimer disease early detection | |
CN112651927A (en) | Raman spectrum intelligent identification method based on convolutional neural network and support vector machine | |
JPWO2020097302A5 (en) | ||
CN117315379B (en) | Deep learning-oriented medical image classification model fairness evaluation method and device | |
CN110827271A (en) | Method for constructing brain function network with improved individual identification capability based on functional image data | |
CN113869382A (en) | Semi-supervised learning epilepsia electroencephalogram signal identification method based on domain embedding probability | |
Nagar et al. | Evidential value of automated latent fingerprint comparison: an empirical approach | |
CN116484290A (en) | Depression recognition model construction method based on Stacking integration | |
Gornale et al. | Fusion of fingerprint and age biometric for gender classification using frequency and texture analysis | |
Abdullah et al. | Support vector machine, multilayer perceptron neural network, bayes net and k-nearest neighbor in classifying gender using fingerprint features | |
Meuwly | Forensic Use of Fingerprints and Fingermarks. | |
Sujathakumari et al. | Detection of MCI from MRI using gradient boosting classifier | |
Lones et al. | Objective Assessment of Visuo‐Spatial Ability Using Implicit Context Representation Cartesian Genetic Programming | |
Di Martino et al. | A statistical approach to reliability estimation for fingerprint recognition | |
Marasco et al. | Accounting for demographic differentials in forensic error rate assessment of latent prints via covariate-specific ROC regression | |
Mostafa et al. | Autism detection based on MRI images using Deep Learning | |
Yang | Effects of sensors, age, and gender on fingerprint image quality | |
Smith et al. | Implicit context representation Cartesian genetic programming for the assessment of visuo-spatial ability | |
Marasco et al. | Demographic-Adapted ROC Curve for Assessing Automated Matching of Latent Fingerprints | |
Hiremath | Breast Cancer Detection and Classification using EfficientNet B0 and EfficientNet B0-HSV |