[发明专利]显微镜切片图像的聚焦加权的机器学习分类器误差预测

权利要求书

1.一种用于生成对样本的放大的数字显微镜切片图像的分类误差的预测的方法，包括以下步骤：

(a)用切片扫描仪扫描包含所述样本的显微镜切片，并生成所述数字显微镜切片图像，所述数字显微镜切片图像包括像素图像数据的多个图块；

(b)计算所述数字显微镜切片图像的每个图块的失焦度；

(c)检索表示机器学习分类器针对多个失焦度的预期的分类器误差统计信息的数据；

(d)基于在步骤(b)中计算出的每个图块的计算的失焦度，计算预期的分类器误差统计信息到数字显微镜切片图像的每个图块的映射，从而生成每个图块的分类器误差预测；

(e)在所有图块上汇总在步骤(d)中生成的分类器误差预测。

2.根据权利要求1所述的方法，其中，所述样本包括组织样本。

3.根据权利要求1所述的方法，其中，所述组织样本包括淋巴结样本或前列腺组织样本。

4.根据权利要求1至3中的任一项所述的方法，其中，步骤b)由深度卷积神经网络执行，所述深度卷积神经网络经训练以通过失焦程度对组织图像的图块进行分类。

5.根据权利要求1至3中的任一项所述的方法，还包括步骤(f)：生成作为整体的所述数字显微镜切片图像的聚焦加权的分类器误差预测。

6.根据权利要求1至3中的任一项所述的方法，其中，步骤b)-e)是通过所述切片扫描仪中的计算资源在本地执行的。

7.一种病理系统，组合包括：

a)切片扫描仪，适于生成显微镜切片的数字切片图像；

b)存储器，存储：

1)卷积神经网络的参数，所述卷积神经网络经训练以计算由所述切片扫描仪生成的数字显微镜切片图像的每个图块的失焦度；

2)表示机器学习分类器针对多个失焦度的预期的分类器误差统计信息的数据；

c)计算机，被配置为用于(1)使用所述卷积神经网络计算所述数字显微镜切片图像的每个图块的失焦度，(2)基于每个图块的计算出的失焦度，计算预期的分类器误差统计信息到所述数字显微镜切片图像的每个图块的映射，从而生成每个图块的分类器误差预测；和(3)计算所有图块上的分类器误差预测的汇总。

8.根据权利要求7所述的系统，其中，所述显微镜切片包含组织样本。

9.根据权利要求8所述的系统，其中，所述组织样本包括淋巴结样本或前列腺组织样本。

10.根据权利要求7至9中的任一项所述的系统，其中，所述存储器和计算机位于所述切片扫描仪的本地。

11.根据权利要求7至9中的任一项所述的系统，其中，所述存储器和计算机远离所述切片扫描仪。

12.一种用于生成对放大的数字显微镜切片图像的分类误差的预测的方法，所述数字显微镜切片图像包括像素图像数据的多个图块，所述方法包括以下步骤：

(a)计算所述数字显微镜切片图像的每个图块的失焦度；

(b)检索表示机器学习疾病分类器针对多个失焦度的预期的分类器误差统计信息的数据；

(c)基于在步骤(a)中计算出的每个图块的计算的失焦度，计算预期的分类器误差统计信息到所述数字显微镜切片图像的每个图块的映射，从而生成每个图块的分类器误差预测；和

(d)汇总在所有图块上在步骤(c)中生成的所述分类器误差预测。

13.根据权利要求12所述的方法，其中，所述显微镜图像是组织样本的图像。

14.根据权利要求13所述的方法，其中，显微镜图像是淋巴结样本或前列腺组织样本的图像。