[发明专利]使用区域级注释的自举的基于图像处理的对象分类

说明书

本发明的技术涉及使用区域级注释的自举进行对象分类。对于多个图像中的每个图像，可以识别所述图像内的区域。对于每个区域，可以识别区域特定标签，可以检测所述区域内的对象集，并且可以向每个对象分配对象特定标签。所述对象特定标签可以与分配给所述对象所位于的所述区域的所述区域特定标签相同。对于所述多个图像中的每个图像，可以定义训练数据集以包括对象位置数据(指示用于检测到的对象的图像内位置数据)和标签数据(指示分配给所述对象的所述对象特定标签)。可以使用训练数据来训练图像处理模型。所述训练可以包括学习定义由所述图像处理模型执行的计算的参数集的值。

相关申请的交叉引用

本申请要求于2019年10月31日提交的美国临时申请号62/929,100的权益和优先权，该美国临时申请出于所有目的通过引用将其整体被并入本文。

背景技术

通常，处理图像以检测每个图像内的不同对象并将不同对象中的每个不同对象进行分类。这种处理可涉及手动工作和/或自动化方法。一个示例性使用案例是在生物学环境中，其中处理组织学图像以识别单独细胞并识别用于每个细胞的细胞类型。手动完成这种处理可能花费大量时间和财务费用，尤其是正在审查大量图像时(通常是这样的)。例如，全载玻片组织学图像可以是很大的并且包含成千上万细胞的描述。进一步地，这种标记可能需要大量的领域专业知识。

一种加快这种过程的方法是使用自动化技术处理图像。例如，深度学习模型可以用于向图像内的单独对象(例如，单独细胞)分配标签。然而，训练数据集的大小可以强烈地影响这种方法的灵敏性与特异性。训练数据通常包括传统上作为图像的手动评估的结果而产生的有注释的图像(其识别图像内对象的位置和对象特定分类)。

假如手动评估产生上述的大量时间和财务费用，获得大型训练集可能是高成本的和/或困难的。因此，训练图像处理模型(例如，深度学习模型)以准确地执行这些任务可能是困难的。

发明内容

在一些实施例中，使用自举技术处理用于对象检测和分类的图像。更具体地，可以处理一个或多个图像中的每个图像以初始识别图像内较高级区域并且将每个较高级区域与区域特定标签相关联。例如，可以定义较高级区域对应于由用户输入轮廓定义的图像的一部分，并且区域特定标签可以包括由用户输入指示的细胞类型。然后，可以(例如，使用边缘检测技术、对比分析、强度分析、颜色分析等)检测区域内较低级对象。较低级对象可以包括(或是)单独细胞或细胞核。

可以将对象特定标签分配给较低级对象中的每个较低级对象，该对象特定标签与分配给较高级区域的区域特定标签相同，该较低级对象位于该较高级区域内。可以训练图像处理模型(例如，机器学习模型，诸如深度神经网络和/或卷积神经网络)。后处理可以包括识别相关联的对象特定标签的手动审查的自动检测到的对象的子集。例如，可以生成和输出一个或多个呈现，该一个或多个呈现包括部分或全部图像以及对象子集的识别及其分配到的对象特定标签。收到的任何输入可以用作关于对象特定标签是否准确(或其他标签是否对应于识别出的对象)的指示。可以用这种反馈重新训练图像处理模型。因此，可以训练图像处理模型以具有高特异性和灵敏度同时需要指示手动审查的相对较少的输入。

在一些实施例中，提供了一种计算机实现的方法。对于图像集中的每个图像，可以识别图像内的多个区域。对于多个区域中的每个区域，可以针对每个区域识别区域特定标签，可以检测区域内的对象集，并且可以向对象集的每个对象分配对象特定标签。对象特定标签可以与分配给对象所位于的区域的区域特定标签相同。对于图像集的每个图像，可以定义训练数据集以包括对象位置数据(对于检测到的对象集中的每个对象，指示用于对象的图像内位置数据)和标签数据(关于检测到的对象集中的每个对象，指示分配给该对象的对象特定标签)。可以使用训练数据来训练图像处理模型。训练可以包括学习定义由图像处理模型执行的计算的参数集的参数值集。