[发明专利]一种自体免疫抗体的免疫荧光影像分类系统及其分类方法

说明书

本发明的实施例提供了一种自体免疫抗体免疫荧光影像分类系统及其分类方法，包括输入设备、处理器及输出装置。通过输入设备输入多个细胞免疫荧光影像及对应的可提取核抗原检测结果，由处理器进行多个卷积神经网络的运算，将可提取核抗原检测结果作为分类输出，建立可提取核抗原分类模型。将待测细胞免疫荧光影像输入，预测对应的可提取核抗原类型。将分类结果通过输出装置输出。

技术领域

本发明涉及一种自体免疫抗体的免疫荧光影像分类系统及其分类方法，特别涉及一种利用卷积神经网络(Convolutional neural networks,简称CNN)运算，对原始细胞免疫荧光影像进行分析，预测免疫荧光影像中分属各种可提取核抗原的分类系统及分类方法。

背景技术

抗核抗体(Antinuclear antibodies,简称ANA)可视为一组将人体细胞中各种与细胞核相关成分作为标靶原的自体免疫抗体的总称。这些自体免疫抗体存在于各种不同的免疫疾病，例如类风湿性关节炎、红斑性狼疮、硬皮症、干燥症、皮肌炎等，对于风湿疾病的诊断占有非常重要的角色。目前筛检自体免疫抗体的标准筛检方法是采用免疫荧光法(Indirect Immunofluorescence,简称IIF)进行检验，测定结果大于或等于1:80稀释后可判读出型别就认为是有意义的阳性，即与多种自身免疫疾病相关。接着，配合血液检查，进行不同类别的可提取核抗体(Extractable nuclear antigen,简称ENA)的检验，能进一步得出与免疫疾病间的对应关系，作为判断是否归类于特定的免疫疾病。然而，现有荧光影像的判读多以人工判读方式进行，造成人力需求的负担，可提取核抗体的检验类别也相当多，在决定检验项目时也必须考虑如何选择对应的可提取核抗体检验类别。

对此，利用机器学习的技术来处理免疫荧光影像的判读，可能是解决上述人工判读需耗费人力成本及判读一致性问题的解决方式。然而，现有技术上在进行机器判读前必须先对原始细胞免疫荧光影像进行前处理，例如细胞范围边界的界定切割、像素模糊化处理等，才能取得较为有效的判读结果。然而，前处理过程反而增加了判读的步骤，降低了判断抗核抗体结果的判读效率，也无法直接连接到可提取核抗体的血液检验结果。因此，目前现有的抗核抗体的检验及判断方法，仍无法以简化且准确的方式直接利用机器学习方式来完成免疫荧光影像的判读及预测可提取核抗体的类别。

因此，如何建立一种机器学习模型，使其能直接读取原始细胞的免疫荧光影像，摘取其中的特征，并通过输入可提取核抗体的实际检测结果进行学习，建立对应的抗核抗体分类模型，提升判读结果的效率及准确性是一急需解决的问题。

发明内容

本发明实施例要达到的技术目的是提供一种自体免疫抗体的免疫荧光影像分类系统及其分类方法，用以解决现有技术中自动判读准确率过低及无法预测抗核抗体分类的问题。

为达到上述目的，本发明的实施例提供了一种自体免疫抗体的免疫荧光影像分类系统，包括：输入设备、处理器及输出装置。其中，输入设备是用于输入多个细胞免疫荧光影像及多个细胞免疫荧光图像映射的可提取核抗原检测结果。处理器连接于输入设备，将多个细胞免疫荧光影像分别转换成多个三原色图层，进行多个卷积神经网络的运算，多个卷积神经网络分别包括通过卷积层、池化层及启动层，运算后得到多个卷积特征数据，将多个卷积特征数据作为下一阶卷积神经网络的输入，并将多个卷积特征数据与可提取核抗原检测结果进行全连接，根据多个细胞免疫荧光影像分属于多个可提取核抗原的比例，建立可提取核抗原分类模型。输出装置连接于处理器，将处理器产生的可提取核抗原分类结果通过输出装置输出。可提取核抗原分类结果是通过输入设备输入待测细胞免疫荧光影像，并通过处理器根据可提取核抗原分类模型，预测待测细胞免疫荧光图像映射的多个可提取核抗原。

优选地，输入设备可输入多个可提取核抗原对应于多个疾病种类的对应表，通过处理器建立多个细胞免疫荧光影像分属于多个疾病种类的疾病分类模型，通过输出装置将处理器产生的疾病分类结果输出。疾病分类结果是由处理器将待测细胞免疫荧光影像依据疾病分类模型，预测待测细胞免疫荧光图像映射的多个疾病种类。