[发明专利]通过使用卷积神经网络来标识利用数字全息显微镜所获取的细胞图像的品质

权利要求书

1.一种用于检测失焦显微镜图像的计算机实现的方法，所述方法包括：

获取对细胞进行描绘的多个显微镜图像；

从所述多个显微镜图像中提取一个或多个像素集合，其中每个像素集合对应于独立的细胞；

向每个像素集合指派多个图像品质标签之一，其指示独立细胞对焦所至的程度；

训练分类器以将像素集合分类到所述多个图像品质标签中，其中根据多层架构来配置分类器，并且训练导致用于多层架构中连接层的多个权重的确定；

基于多层架构、所述多个权重和所述多个图像品质标签来创建分类器的部署。

2.根据权利要求1所述的方法，其中所述分类器是卷积神经网络。

3.根据权利要求1所述的方法，其中所述显微镜图像是通过如下而被生成的综合图像：

使用深度卷积一般对抗网络（DCGAN）来基于图像的训练集合、以多个不同的聚焦来生成综合图像。

4.根据权利要求1所述的方法，其中通过使用包括以下各项的过程来从所述多个显微镜图像中提取所述一个或多个像素集合：

对所述多个显微镜图像求平均以产生平均图像；

从所述多个显微镜图像中减去平均图像以产生多个经变换的显微镜图像；

向所述多个经变换的显微镜图像应用自适应阈值化以产生多个经阈值化的显微镜图像；

向所述多个经阈值化的显微镜图像应用一个或多个排除准则，以从所述多个经阈值化的显微镜图像中移除与非细胞成分相对应的一个或多个像素；

在应用排除准则之后，向所述多个经阈值化的显微镜图像应用所连接成分分析，以标识与独立细胞相对应的所述一个或多个像素集合；以及

从所述多个经阈值化的显微镜图像中裁剪所述一个或多个像素集合。

5.根据权利要求4所述的方法，其中所述排除准则包括所述多个经阈值化的显微镜图像中的非细胞成分的宽度、高度、纵横比和圆度中的一个或多个。

6.根据权利要求1所述的方法，其中通过使用包括以下各项的过程来从所述多个显微镜图像中提取所述一个或多个像素集合：

应用一个或多个机器学习模型以在所述多个显微镜图像中标识像素集合；以及

从所述多个显微镜图像中裁剪所述一个或多个像素集合。

7.根据权利要求6所述的方法，其中所述机器学习模型包括概率提升树模型和深度卷积神经网络（CNN）中的一个或多个。

8.根据权利要求1所述的方法，其中分类器的部署包括对以下各项进行描述的一个或多个文件：（i）所述多层架构，（ii）所述多个权重，（iii）所述多个图像品质标签。

9.根据权利要求1所述的方法，其中所述多个显微镜图像是数字全息显微镜（DHM）图像。

10.根据权利要求1所述的方法，其中所述多个图像品质标签包括两个值，其分别地指示对焦图像或失焦图像。

11.根据权利要求1所述的方法，其中所述多个图像品质标签包括在指示最拙劣图像品质的最小值与指示最佳图像品质的最大值之间的一系列的多于两个值。

12.一种用于执行显微镜设备的自适应聚焦的计算机实现的方法，所述方法包括：

通过使用显微镜设备来获取对细胞进行描绘的多个显微镜图像；

从所述多个显微镜图像中提取一个或多个像素集合，其中每个像素集合对应于独立的细胞；

使用经训练的分类器来向每个像素集合指派多个图像品质标签之一，其指示独立细胞对焦所至的程度；

如果与像素集合相对应的图像品质标签指示细胞失焦，则通过使用经训练的机器学习模型来确定用于调整显微镜设备的聚焦的焦距调整；以及

将可执行的指令发送到显微镜设备以执行焦距调整。