[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

说明书

一种用于执行显微镜设备的自适应聚焦的系统包括：显微镜设备，其被配置成获取对细胞进行描绘的显微镜图像；以及一个或多个处理器，其执行用于施行如下方法的指令：所述方法包括从显微镜图像中提取像素。每个像素集合对应于独立的细胞。所述方法此外包括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。如果与像素的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。然后，可执行的指令被发送到显微镜设备以执行焦距调整。

相关申请的交叉引用

本申请要求2017年8月15日提交的、美国临时申请序列号62/545,517的权益，其通过引用以其全部被并入本文中。

技术领域

本公开内容一般地涉及使用卷积神经网络（CNN）来标识通过使用数字全息显微镜（DHM）和其它显微镜技术所获取的图像的品质。本文中所述的各种系统、方法和装置可以被应用到例如增强分类工作流以及后续的诊断决策，其通过从分析中移除失焦或拙劣品质图像。

背景技术

数字全息显微镜（DHM）——也被称为干涉相位显微镜——是如下一种成像技术：其提供用于定量地追踪透明样品中的亚纳米光学厚度改变的能力。不像其中仅仅捕获关于样品的强度（幅度）信息的传统数字显微镜，DHM捕获相位和强度两者。作为全息图被捕获的相位信息可以用来通过使用计算机算法来重构关于样品的经扩展的形态信息（诸如深度和表面特性）。现代DHM实现方式提供若干附加的益处，诸如快速扫描/数据获取速度、低噪声、高分辨率以及对于无标签样本获取的潜能。

DHM尤其很好地适合用于获取血细胞的图像以用于分类目的，或执行后续的诊断决策。例如，全血计数的重要特征之一是将白血细胞（WBC）分类成五个不同的类别，因为一个或多个类别中细胞数目的不平衡有助于疾病诊断。WBC的自动分类可以通过如下来被执行：在通过使用DHM所获取的细胞图像上应用高级图像分析技术。细胞图像的品质是关键性的并且将会影响分类的准确性。因此，重要的是能够标识良好品质的细胞图像。

离轴全息显微镜系统创建全息图，其中由于在对象和参考射束之间的小角度而在整个视场之上存在调制图案。此外，如在图1中所示的特定的DHM设置中所描绘的，通过使用两个透镜和针孔来从对象射束创建参考射束，以擦除对象空间特征（signature）以及提供均匀的平面波来用于创建干涉或全息图图像。焦距将会大大地影响所获取的细胞图像的品质。在焦平面与对象之间的距离影响相位图像及其品质的外观。图2图示了具有不同品质的示例性细胞图像。在顶行中，细胞被对焦，并且图像的信息内容可以用来在不同的细胞类型之间进行区别。底行中的图像是失焦并且失真的细胞的。图像品质是非常拙劣的并且不能在诊断工作流中被使用。

发明内容

本发明的实施例通过如下来解决并且克服以上缺点和缺陷中的一个或多个：提供与通过使用卷积神经网络（CNN）来标识利用显微镜设备所获取的细胞图像的品质有关的方法、系统和装置。简言之，CNN被训练以确定细胞在所获取的图像中是对焦的还是失焦的。在一些实施例中，基于此确定，可以将指令提供到显微镜设备来调整焦距，以便使得所获取的图像聚焦。

根据一些实施例，一种用于检测失焦显微镜图像的计算机实现的方法包括获取对细胞进行描绘的显微镜图像，并且从显微图像中提取一个或多个像素集合。每个像素集合对应于独立的细胞。多个图像品质标签之一被指派给每个像素集合，其指示独立细胞对焦所至的程度。分类器被训练以将像素的集合分类到图像品质标签中。根据多层架构来对分类器进行配置，并且训练导致用于多层架构中连接层的权重的确定。基于多层架构、权重和图像品质标签来创建分类器的部署。