[发明专利]通过利用类比例数据的卷积字典学习对对象群体进行分类

说明书

披露了一种用于对图像中的对象(例如，细胞)进行分类和/或计数的方法，该图像包含若干种类型的对象的混合物。使用有关对象混合物的先验统计信息(类比例数据)来改善分类结果。本技术可以针对包含多种对象类型的混合物的图像使用生成模型，以便利用类比例数据和经分类的对象模板两者来推导出用于对细胞进行分类和/或计数的方法。该生成模型将图像描述为许多具有单个细胞的图像的总和，其中，每个细胞的类选自某一统计分布。本技术的实施例已经成功地用于对来自正常血液供体和异常血液供体两者的经裂解血液的图像中的白细胞进行分类。

相关申请的交叉引用

本申请要求现在未决的于2017年11月14日提交的美国临时申请号62/585,872和2018年6月1日提交的美国临时申请号62/679,757的优先权，这些申请的披露内容通过援引并入本文。

技术领域

本披露涉及图像处理，并且具体地涉及图像(比如全息无透镜图像)中的对象分类和/或计数。

背景技术

许多领域受益于确定对象的类的能力、并且尤其是对图像中的对象进行分类和计数的能力。例如，生物样本图像中的对象检测和分类在诊断疾病和预测患者结果方面具有许多潜在的应用。然而，由于各种各样的可能的成像模态，生物数据可能潜在地会受到低分辨率图像或患者之间的显著生物变异性的影响。此外，计算机视觉中的许多现有技术的对象检测和分类方法需要大量的带注释的数据以进行训练，但是对于生物图像而言通常不容易获得此类注释，因为注释者必须是特定生物数据类型方面的专家。另外，许多现有技术的对象检测和分类方法是针对每个类包含少量对象实例的图像进行设计的，而生物图像可能包含成千上万个对象实例。

突显出这些挑战中的许多挑战的一个特定应用是全息无透镜成像(LFI)。由于LFI具有以最低限度的硬件要求产生具有较大视场(FOV)的细胞图像的能力，因此其常用于显微镜的医学应用。然而，关键的挑战在于，当FOV较大时，LFI的分辨率通常较低，从而使得难以对细胞进行检测和分类。由于细胞形态也可能因为人的不同而显著不同(尤其是在涉及疾病时)的事实，细胞分类的任务更加复杂。另外，对于图像中的各个细胞而言，通常无法获得注释，并且可能只能经由使用商业血液学血液分析仪来获得对各种细胞类的预期比例的估计。

在先前的工作中，LFI图像已经用于对荧光标记的白细胞(WBC)进行计数，但未用于将WBC分类为其各种子类型(例如，单核细胞、淋巴细胞和粒细胞)的更困难的任务。在先前的工作中，作者已经建议使用经染色WBC的LFI图像进行分类，但是他们没有提供量化的分类结果。关于WBC分类的现有工作使用来自常规显微镜的经染色细胞的高分辨率图像，并且尝试使用手工制作特征和/或神经网络对细胞进行分类。然而，在不进行染色和/或不具有高分辨率图像的情况下，不容易看到细胞细节(即，细胞核和细胞质)，从而使得对WBC进行分类的任务显著更加困难。此外，纯数据驱动的方法(比如，神经网络)通常需要大量带注释的数据才能成功，这些数据是WBC的无透镜图像不可获得的。

因此，长期以来感到需要一种用于在重建的无透镜图像中对对象(尤其是WBC)的各种子类别(例如，单核细胞、淋巴细胞和粒细胞)进行检测、计数和/或分类的方法，其中，每个图像可能具有每个对象类别数百到成千上万个实例，并且只能用图像中每个类的预期数量的对象实例来对每个训练图像进行注释。因此，一个关键的挑战在于，任何对象实例都没有边界框注释。

发明内容

本披露提供了一种用于除了通过模板字典编码的对象外观之外还使用类比例数据来对对象群体进行分类以更好地使所产生的对象群体的分类合理化的改进技术。在对血液样本(或血液样本的图像)中的血细胞进行分类时，由于血细胞混合物的变异性受到生理学的约束，因此使用当前披露的技术可以非常有利。因此，可以使用有关血细胞混合物的统计信息(类比例数据)来改善分类结果。