[发明专利]使用人工智能在大图像数据集中检测目标细胞

说明书

一种选择用于在图像数据集中检测目标细胞的最终模型的方法包括：将策展图像数据集分为训练集、验证集和测试集，其中策展图像数据集中的每个图像已被标记为对于目标细胞阳性或阴性。所述方法使用训练集和验证集训练神经网络集成的每个模型。接下来，使用测试集测试集成的每个模型，并且将集成的预测组合。将组合的预测与标签进行比较，并且所述方法确定组合的预测是否满足预定的检测水平(LOD)。如果是，则所述方法输出集成作为最终集成。如果不是，则所述方法修改集成的模型中的至少一个的超参数，直到组合的预测满足预定的LOD。

优先权声明

本申请要求于2019年2月20日提交的美国临时专利申请号62/808,054号的优先权，其整体通过引用并入本文。

技术背景

在图像中准确识别特定细胞(例如稀有细胞表型)对于实现相关疾病的早期检测至关重要，从而可以开始适当的治疗并且可以改善结果。然而，在大图像数据集中检测稀有细胞表型具有挑战性，因为标准分析方法通常受到假阳性的困扰。另外，这些数据集通常包含数千个图像，这妨碍受过训练的专家在合理的时间量内手动分析这些图像。此外，有效排除假阳性的标准方法需要高度的微调，这可能使结果产生偏差并且导致假阴性。

附图说明

图1是根据本发明的一个实施方案的用于在多个染色的组织学图像中识别目标细胞的系统的框图；

图2是根据本发明的一个实施方案的用于在多个染色的组织学图像中识别目标细胞的方法的流程图；

图3是根据本发明的一个实施方案的染色的组织学图像；

图4是根据本发明的一个实施方案的二值化后的染色的组织学图像；

图5是根据本发明的一个实施方案的二值化后的染色的组织学图像，示出了确定的目标区域；

图6是根据本发明的一个实施方案的包括从二值化图像确定的目标区域的子图像集；

图7是根据本发明的一个实施方案的用于训练图像分类模型以在多个染色的组织学图像中识别目标细胞的方法的流程图；

图8是根据本发明的一个实施方案的OCT4+细胞的计算百分比相对于已知PSC掺入百分比的图；

图9描绘了根据本发明的实施方案的数个染色的组织学图像；

图10是示出了根据本发明的一个实施方案，机器学习模块如何可以使用自动编码器从输入的染色的组织学图像中检测并且除去背景噪声的流程图；

图11是是示出了根据本发明的一个实施方案，用于使用神经网络检测目标细胞的方法的流程图；

图12A-12B是根据本发明的一个实施方案的来自不同预处理阶段的图像的实例；

图13是示出了根据本发明的一个实施方案，机器学习模型的集成如何可以用于检测目标细胞的图；

图14A是根据本发明的一个实施方案的作为时期函数的验证和训练损失的图；

图14B是根据本发明的一个实施方案的并行构建和评价多个模型的流水线的流程图；

图15是根据本发明的一个实施方案的集成的模型中的一个的ROC曲线图；和

图16A-16C是示出了根据本发明的一个实施方案的与预期检测相比在不同稀释度下通过三种方法检测OCT4+细胞的图。

在认为合适的情况下，附图标记可以在附图中重复以表示对应或类似的元件/元件。此外，附图中描绘的一些块可以组合成单个功能。

具体实施方式