[发明专利]用于细胞检测和分割的弱监督多任务学习

说明书

本公开涉及用于使用迁移学习和多任务调度器来分割和检测图像数据内的细胞的技术。特别地，本公开的各方面涉及：访问一个或多个细胞的多个图像；从所述多个图像中提取三个标签，其中所述三个标签是使用Voronoi变换、局部聚类和repel代码应用来提取的；通过所述多任务调度器，基于与所述三个标签对应的三个损失函数来训练卷积神经网络模型；通过所述卷积神经网络模型，基于用所述三个损失函数进行的所述训练，针对所述多个图像中的每个图像生成核概率图和背景概率图；以及提供所述核概率图和所述背景概率图。

相关申请的交叉引用

本申请要求2019年10月14日提交的名称为“WEAKLY SUPERVISED MULTI-TASKLEARNING FOR CELL DETECTION AND SEGMENTATION(用于细胞检测和分割的弱监督多任务学习)”的美国临时申请号62,914,966的优先权和权益，其全部内容以引用方式并入本文以用于所有目的。

技术领域

本公开涉及生物学图像分析，并且特别地涉及用于使用弱监督迁移学习和多任务调度器来分割和检测细胞的系统和方法。

背景技术

在对诸如组织切片、血液、细胞培养物等生物学样本进行的分析中，通常用染色剂或测定的一种或多种组合对生物学样本进行染色，并且随后对染色的生物学样本进行观察或成像以进行进一步分析。通过观察染色或测定的生物学样本可实现各种过程，包括诊断疾病、评定对治疗的应答以及开发新的抗病药物。例如，识别生物学图像(例如，组织病理学图像)中的某些对象或结构，诸如淋巴细胞、癌细胞、癌细胞核等，通常是对获得这些生物学图像的患者的疾病进行分级或诊断的先决条件。这些对象或结构的存在、范围、大小、形状和其他形态外观可以是疾病的存在或严重程度的重要指标。此外，特定对象或结构(诸如细胞或细胞核)的数量或比例对于一些疾病病症具有诊断意义，进一步激发了准确识别特定对象或结构的需求。

在采集生物学图像时，可以导出图像数据的多个通道，例如RGB颜色通道，每个观察到的通道包括多个信号的混合体。该图像数据的处理可以包括颜色分离、光谱解混、颜色反卷积等方法，这些方法被用来确定来自观察到的图像数据的一个或多个通道的特定染色的浓度。对于通过自动化方法处理的、显示在显示器上的图像数据，或对于观察者观察到的测定，可以确定组织的颜色与染色的颜色之间的关系，以确定染色的组织中生物标志物分布的模型。染色的局部存在和量可以指示组织中被查询的生物标志物的存在和浓度。免疫组化(IHC)载玻片染色为一种可以用来识别组织切片的细胞中的特定蛋白质(例如，生物标志物)并被广泛用于研究不同类型的细胞，诸如生物学组织中的癌细胞和免疫细胞的技术。例如，在PMS2 IHC核染色的结直肠癌(CRC)图像中，呈不同形状和大小的(例如，细长且高度聚集的)被染色为棕色的阳性肿瘤核、被弱染色为浅棕色的阳性肿瘤核以及被染色蓝色的阴性肿瘤核可被识别和/或量化以区分患有林奇综合征(LS)的患者和患有DNA错配修复缺陷(dMMR)的患者。

发明内容

在各种实施例中，提供了一种计算机实现的方法，该方法包括：通过数据处理系统访问一个或多个细胞的多个图像；通过该数据处理系统从多个图像中提取三个标签，其中三个标签是使用Voronoi变换、局部聚类和应用Repel代码来提取的；通过该数据处理系统的多任务调度器基于与三个标签对应的三个损失函数来训练卷积神经网络模型；通过该卷积神经网络模型基于用三个损失函数进行的训练，为多个图像中的每个图像生成核概率图和背景概率图；以及通过该数据处理系统提供核概率图和背景概率图。