【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及对用于训练数据的图像进行记录，所述训练数据通过机器学习训练统计模型以在显微术中进行图像处理。
技术介绍
1、本专利技术原则上可以被应用于任何类型的图像处理，也就是说通过机器学习将输入图像加工和处理成输出图像。机器学习可以多样地被用于图像处理。例如可以使用人工神经网络(knn)，其也称为仅神经网络，这是一种特殊形式的机器学习。对于这种类型的图像处理的一些示例如下：
2、图像去噪(英语为denoising或noise reduction，简称nr)，其中，神经网络可以从噪声较强烈的图像中再次生成噪声较低的图像。
3、超分辨率(英语为super resolution)，也作为提高分辨率或分辨率改善已知，其中，神经网络可以提高图像的分辨率。在此，特别是可以通过较高的计算耗费来实现较高的质量。这种方法此外应用于医学目的、天体对象的摄影、图像数据的法医分析、活细胞成像以及更多。
4、反卷积(英语为deconvolution)，由此同样能够增强图像的分辨率，其方式为逆运算之前应用的卷积。点扩散函数(psf，英语为point spread function)描述源与所记录的信号的卷积。反卷积然后尝试再次撤销通过psf描述的效果。为了反卷积，可以使用已知的psf。但是也存在所谓的盲反卷积(英语为blind deconvolution)，其中不必已知psf。
5、另一个应用领域例如是所映射的人员的人为老化或年轻化，其有时也通过生成对抗网络(gan，英语为generative advers
6、压缩检测(英语为compressed sensing、compressive sensing、compressivesampling或sparse sampling)，其中，神经网络可以检测并且重建图像数据中的稀疏的信号或信息源。因为信息基于其冗余而能够在没有显著的信息损失的情况下被压缩，所以这在采集信号时与常规方法相比有效地用于显著降低采样率。
7、虚拟着色或染色(英语为virtual staining)是指在显微术的情景下通过图像分析和处理从源对比度(例如明场)的相应图像产生目标对比度(例如荧光)的图像。特别是，在此使用基于深度学习(英语为deep learning)的图像到图像方法，但是也使用其它机器学习模型。这样的机器学习模型(英语为machine learning models)首先借助训练数据来训练，以便其随后能够在所谓的推断中做出良好的预测。这些训练数据在此由用作用于模型的输入的图像以及说明相应的期望的模型输出的注释组成。
8、在虚拟着色的情况下，所述输入图像是源对比度的图像(通常是明场)，并且所述注释是目标对比度的对应图像(通常是荧光对比度，例如通过引入dna标记(dns代表脱氧核糖核酸，英语dna为deoxyribonucleic acid)，例如dapi(4’,6-二脒-2-苯基吲哚)。其它当前使用的染料是hoechst 33342、nucspot、spirochromse spy、gpf(绿色荧光蛋白)和tdtomato。
9、基于利用显微镜可研究的大的样本多样性，变得困难的是提供普遍适配的预训练模型，利用该预训练模型可以产生虚拟着色。因此，对于每个检查，模型可以利用自身的训练数据来训练。
10、在此，所述检查也可以是新的检查类型(例如细胞类型和标记的新组合)。在此，所述应用场景可以是样本特定的，而且可以是样本类型特定的。此外，人工神经网络(knn)也可以持续学习(英语为“continuous learning”)。所述模型可以在用户处更进一步再学习。这例如可以通过记录新样本来实现。例如，如果用户总是始终仅使用特定的样本类型、例如dapi样本，则统计模型可以在此后特别再训练。
11、这意味着，所述训练数据也通常必须分别针对要检查的样本来记录，由此样本质量受到损害。此外，记录训练数据需要时间，并且记录非常多的训练数据导致用于存储数据的高的耗费。同样因为机器学习模型对不必要大的学习数据集的训练通常比对较小数据集的训练持续得明显更长。
12、根据现有技术，通常提供预训练的、准备好使用的用于虚拟着色的模型(英语为ready-to-use virtual staining models)。但这样的预训练模型可能无法涵盖领域中的全部样本多样性。此外，数据中的异常性(但其大多是令人感兴趣的研究点)没有被足够好地映射。还必须涵盖所有可能的染料和细胞组分或样本类型。但这只能通过专门训练的模型实现。
13、对此的解决方案在现有技术中始终是模型本身针对具体的数据被训练。在此，自动记录图像处理的输入图像与输出图像(也就是说例如用于虚拟着色的源对比度和目标对比度)。但这不是能保护样本的，因为整个图像和/或每个图像始终在一个时间序列中以两个对比度记录。这意味着，特别是在虚拟着色的情况下，样本必须用染料处理，以便能够产生目标对比度的图像。备选地，以规则或随机的间隔来记录输出图像。但在此可能错过短时间的形态状态和/或变化或异常结构，其于是可能无法被模型良好地映射。
14、此外，通常始终处理整个样本，以产生用于训练的输出图像，这同样对样本造成不必要更高的负担。
15、这同样适用于所有其它之前描述的图像处理，因为用于记录训练数据、即图像处理的必要的输入图像和输出图像的样本通常必须被多次记录。因此，本专利技术还可被应用于其它类型的图像处理或图像改善。
技术实现思路
1、本专利技术的任务是，消除现有技术的这些缺点并且提出一种用于以神经网络进行图像处理的改进的或至少备选的方法。
2、所述任务通过根据权利要求的设备和方法来解决。
本文档来自技高网...【技术保护点】
1.用于记录用于训练数据的图像的计算机执行的方法，所述训练数据用于通过机器学习训练统计模型(130)以在显微术中进行图像处理，其中，所述训练数据包括图像处理的输入图像(110)与输出图像(120)的对，所述方法包括：
2.根据前述权利要求中任一项所述的方法，其中，所述图像处理是虚拟着色、去噪、提高分辨率、反卷积、压缩检测或其它类型的图像改善。
3.根据前述权利要求中任一项所述的方法，其中，所述方法还包括训练用于图像处理的所述模型(130)。
4.根据前述权利要求中任一项所述的方法，其中，训练所述模型(130)是为图像处理而适配所述模型(130)。
5.根据前述权利要求中任一项所述的方法，其中，所述方法的分析和确定的步骤通过机器学习的另外的统计模型来执行。
6.根据前述权利要求中任一项所述的方法，其中，所述统计模型(130)和/或所述另外的统计模型是神经网络。
7.根据前述权利要求中任一项所述的方法，其中，要分析的所述至少一个图像是以下中的一个或多个：
8.根据前述权利要求中任一项所述的方法，其中，
9.根据前述权利要求中任一项所述的方法，其中，所述预先确定的标准是以下中的一个或多个：
10.根据前述权利要求中任一项所述的方法，其中，所述预先确定的标准通过所述模型(130)来选择。
11.根据前述权利要求中任一项所述的方法，其中，所述方法还包括：基于分析的结果来确定用于记录附加的输入图像(110)的记录参数，并且基于所确定的记录参数来记录附加的输入图像(110)。
12.根据前述权利要求中任一项所述的方法，其中，所述输入图像(110)中的每一个输入图像与所述输出图像(120)中的一个输出图像彼此相配设，并且示出同一个输入图像和同一个输出图像，
13.根据前述权利要求中任一项所述的方法，其中，所述方法包括记录另外的图像、输入图像(110)和/或输出图像(120)。
14.用于记录用于训练数据的图像的设备，所述训练数据通过机器学习训练统计模型(130)以在显微术中进行图像处理，其中，所述训练数据包括图像处理的输入图像(110)与输出图像(120)的对，其中，所述设备设置用于执行根据前述权利要求中的任一项所述的方法，并且所述设备包括：
15.计算机程序产品，所述计算机程序产品具有用于数据处理装置的程序，所述程序包括软件代码段，所述软件代码段用于当所述程序在数据处理装置上执行时执行根据权利要求1至13中任一项所述的步骤。
16.根据权利要求15所述的计算机程序产品，其中，所述计算机程序产品包括计算机可读介质，在所述计算机可读介质上存储有所述软件代码段，其中，所述程序能被直接加载到所述数据处理装置的内部存储器中。
...【技术特征摘要】
【国外来华专利技术】
1.用于记录用于训练数据的图像的计算机执行的方法，所述训练数据用于通过机器学习训练统计模型(130)以在显微术中进行图像处理，其中，所述训练数据包括图像处理的输入图像(110)与输出图像(120)的对，所述方法包括：
2.根据前述权利要求中任一项所述的方法，其中，所述图像处理是虚拟着色、去噪、提高分辨率、反卷积、压缩检测或其它类型的图像改善。
3.根据前述权利要求中任一项所述的方法，其中，所述方法还包括训练用于图像处理的所述模型(130)。
4.根据前述权利要求中任一项所述的方法，其中，训练所述模型(130)是为图像处理而适配所述模型(130)。
5.根据前述权利要求中任一项所述的方法，其中，所述方法的分析和确定的步骤通过机器学习的另外的统计模型来执行。
6.根据前述权利要求中任一项所述的方法，其中，所述统计模型(130)和/或所述另外的统计模型是神经网络。
7.根据前述权利要求中任一项所述的方法，其中，要分析的所述至少一个图像是以下中的一个或多个：
8.根据前述权利要求中任一项所述的方法，其中，所述记录参数是以下中的一个或多个：
9.根据前述权利要求中任一项所述的方法，其中，所述预先确定的标准是以下中的一个或多个：
10.根据前述权利要求中任一项所述的方法，其中，所述预先确定的标准通过所述模型(130...
【专利技术属性】
技术研发人员：M·阿姆托尔，D·哈泽，A·弗里塔格，C·孔格尔，
申请(专利权)人：卡尔蔡司显微镜有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。