[发明专利]自体免疫抗体的免疫荧光影像型态识别方法

说明书

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型态识别方法，其中方法包括以下步骤：输入多个原始细胞免疫荧光影像；通过处理器进行多个卷积神经网络的运算，多个卷积神经网络包括卷积层、池化层及启动层，得到多个卷积特征数据；进行识别操作，得到原始细胞免疫荧光影像分属于多个抗核抗体影像特征的比例；以及将判断结果输出。

技术领域

本发明涉及一种自体免疫抗体的免疫荧光影像型态识别方法，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，判读免疫荧光影像中分属各种自体免疫抗体特征类型的判断方法。

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。同时，通过免疫荧光法进行筛检后所获得的细胞影像，也可用于了解自体免疫抗体的样态。然而，上述判读或样态分类都是经由人工判读，除了再现性的判读及浓度稀释的费时费工外，由于自体免疫疾病病人口逐年增加，免疫荧光方法使用越趋普遍，未来检验量势必逐年增加检验而造成人工判读上的负担。

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，要利用机器学习技术来进行判读，现有技术上必须先对原始细胞免疫荧光影像进行前处理，包括细胞范围边界的界定切割、像素模糊化处理等，经过处理后的免疫荧光影像才由机器进行分类判读。上述的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，但若不进行原始细胞免疫荧光影像的前处理操作，则判读结果的准确率无法达到要求的水平。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，利用机器学习来完成抗核抗体的判读。

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，有效的对抗核抗体进行分类及判读，提升判读结果的效率及准确性，是相关医学产业所要达成的目标。

发明内容

本发明实施例要解决的问题是提供一种自体免疫抗体的免疫荧光影像判断方法，用以解决现有的自动判读准确率过低及需要对免疫荧光影像进行额外的前处理操作的问题。

为解决上述问题，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型态识别方法，包括下列步骤：通过一输入设备输入多个原始细胞影像，将多个原始细胞免疫荧光影像分别转换成多个三原色图层；通过一处理器将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以卷积层、池化层及启动层，运算后得到多个卷积特征数据，再将多个卷积特征数据作为下一阶卷积神经网络的输入；通过处理器进行判断操作，将多个卷积特征数据与多个神经元进行全连接，判断多个原始细胞免疫荧光影像分属于多个抗核抗体特征的比例；以及通过一输出装置将多个原始细胞免疫荧光影像的判断结果输出。

优选地，如上所述的自体免疫抗体的免疫荧光影像型态识别方法，卷积层可包括触发函数，触发函数包括Sigmoid函数、Tanh函数、ReLU函数、PReLU函数、ArcTan函数、ELU函数、SoftPlus函数、Sinusoid函数、Sinc函数、Bent identity函数或Gaussian函数。

具体地，如上所述的自体免疫抗体的免疫荧光影像型态识别方法，池化层可包括最大池化或平均池化的运算方式。

进一步的，如上所述的自体免疫抗体的免疫荧光影像型态识别方法，启动层可包括在同一层运算中进行不同大小模板的卷积运算及最大池化运算，再将数据进行级联。