【技术实现步骤摘要】
本专利技术一般涉及机器学习图像到图像转换，更具体地，涉及用于预处理免疫细胞化学图像以改进机器学习图像到图像转换准确性的系统和方法。
技术介绍
1、基于免疫细胞化学的犬细针穿刺术(fna)通常用于通过使用与特定蛋白质或抗原结合的称为生物标记物的特定初级抗体，在解剖学上观察特定蛋白质或抗体在细胞中的定位。然而，大尺寸的配对图像(染色和未染色的图像，每个图像的大小约为五千兆字节(～5gb))所获得的格式无法简单地使用机器学习和深度学习算法进行分析。
2、目前，当涉及到配对图像时，深度学习算法需要更长的时间来训练，并且复杂性很高；此外，定位和标记需要太长的时间以跟踪和注释每个单元格。为了进行有意义的机器学习，将用于描绘细胞特征和形态的图像像素转换为用于分析的特征需要在机器学习之前进行定义良好的预处理，其中预处理是将原始特征转换为机器学习算法可以理解和学习的数据。
3、因此，需要用于预处理免疫细胞化学图像以用于机器学习图像到图像转换的方法和系统，该方法和系统克服了现有系统和方法的缺点，并提供了更简单的机器学习，具有更高的准确性，并减少了计算时间。此外，结合附图和本公开的背景，从随后的详细描述和所附权利要求中，其他期望的特征和特性将变得显而易见。
技术实现思路
1、根据本实施例的至少一个方面，提供了用于预处理免疫细胞化学图像以用于机器学习的方法。所述预处理方法包括：接收配对的阳性和阴性多蛋白图像；以及对所述配对的多蛋白图像进行染色分割。所述方法还包括：标记与所述配对的多
2、根据本实施例的另一方面，提供了用于预处理免疫细胞化学图像以用于机器学习的系统。所述系统包括图像接收模块、图像分割模块、细胞标记模块、表格生成模块和数据输出模块。所述图像接收模块被配置为接收配对的阳性和阴性多蛋白图像，且所述图像分割模块被配置为对所述配对的多蛋白图像进行染色分割。所述细胞标记模块被配置为对应于所述配对的多蛋白图像的细胞来标记所述配对的多蛋白图像的每个图像像素，且所述表格生成模块被配置为将标记的所述图像像素的图像像素信息转换为表格形式，以生成用于每个所述配对的多蛋白图像的细胞坐标和几何特征的表格。所述数据输出模块被配置为，在输入用于所述机器学习时，根据基于欧几里得距离的配对，为每个所述配对的多蛋白图像生成两个细胞配对表，其中，所述基于欧几里德距离的配对是基于在用于每个所述配对的多蛋白图像的所述细胞坐标和几何特征的表格中的细胞坐标。
本文档来自技高网...【技术保护点】
1.一种用于预处理免疫细胞化学图像以用于机器学习的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，所述成对的多蛋白图像包括成对的WG-CD3/PAX5图像。
3.根据权利要求1所述的方法，还包括在分割之前用苏木精和/或曙红对接收的所述成对的多蛋白图像进行染色。
4.根据权利要求3所述的方法，还包括在分割之前对所述成对的多蛋白图像的所述染色进行归一化。
5.根据权利要求1所述的方法，其中，所述分割包括：利用细胞核检测来对所述成对的多蛋白图像的所述染色进行实例分割。
6.根据权利要求5所述的方法，其中，所述利用细胞核检测对所述成对多蛋白图像的染色进行实例分割包括：利用StarDist非最大分离卷积神经网络对所述染色进行分离。
7.根据权利要求1所述的方法，还包括基于在用于每个所述成对的多蛋白图像的所述细胞坐标和几何特征的表格中的所述细胞坐标，对所述成对的多蛋白图像的所述细胞进行分选。
8.根据权利要求7所述的方法，其中，基于所述细胞坐标对所述成对的多蛋白图像的细胞进行分选包括：
10.根据权利要求1所述的方法，其中，接收成对的阳性和阴性多蛋白图像包括：接收多个蛋白质细胞的整面图像，并裁剪所述整面图像以生成所述成对的阳性和阴性多蛋白图像。
11.一种用于预处理免疫细胞化学图像以用于机器学习的系统，所述系统包括：
12.根据权利要求11所述的系统，其中，所述配对的多蛋白图像包括配对的WG-CD3/PAX5图像。
13.根据权利要求11所述的系统，还包括细胞染色模块，所述细胞染色模块被配置为用苏木精和/或曙红对接收的所述配对的多蛋白图像进行染色，其中，所述细胞染色模块被连接到所述图像分割模块以向其提供染色的图像。
14.根据权利要求13所述的系统，其中，所述细胞染色模块进一步被配置为在将所述染色的图像提供给所述分割模块之前对所述配对的多蛋白图像的所述染色进行归一化。
15.根据权利要求11所述的系统，其中，所述分割模块执行：利用细胞核检测对所述配对的多蛋白图像的所述染色进行实例分割。
16.根据权利要求15所述的系统，其中，所述分割模块利用StarDist非最大分离卷积神经网络对所述染色进行分离来执行利用细胞核检测对所述成对多蛋白图像的染色进行实例分割。
17.根据权利要求11所述的系统，还包括分选模块，所述分选模块被配置为基于在用于每个所述配对的多蛋白图像的所述细胞坐标和几何特征的表格中的所述细胞坐标，对所述配对的多蛋白图像的所述细胞进行分选。
18.根据权利要求17所述的系统，其中，所述分选模块被配置为：通过基于所述细胞坐标来定义包括多个分选单元的分选矩阵、以及响应于所述细胞坐标来将每个所述细胞分选到所述多个分选单元中的一个分选单元中，来基于所述细胞坐标对所述配对的多蛋白图像的细胞进行分选。
19.根据权利要求11所述的系统，其中，所述基于欧几里德距离的配对包括：基于最小欧几里得间隔，对在每个所述配对的多蛋白图像中的对应细胞进行配对。
20.根据权利要求11所述的系统，其中，所述图像接收模块被配置为接收多个蛋白质细胞的全侧图像，并裁剪所述全侧图像以生成所述配对的阳性和阴性多蛋白图像。
...【技术特征摘要】
1.一种用于预处理免疫细胞化学图像以用于机器学习的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，所述成对的多蛋白图像包括成对的wg-cd3/pax5图像。
3.根据权利要求1所述的方法，还包括在分割之前用苏木精和/或曙红对接收的所述成对的多蛋白图像进行染色。
4.根据权利要求3所述的方法，还包括在分割之前对所述成对的多蛋白图像的所述染色进行归一化。
5.根据权利要求1所述的方法，其中，所述分割包括：利用细胞核检测来对所述成对的多蛋白图像的所述染色进行实例分割。
6.根据权利要求5所述的方法，其中，所述利用细胞核检测对所述成对多蛋白图像的染色进行实例分割包括：利用stardist非最大分离卷积神经网络对所述染色进行分离。
7.根据权利要求1所述的方法，还包括基于在用于每个所述成对的多蛋白图像的所述细胞坐标和几何特征的表格中的所述细胞坐标，对所述成对的多蛋白图像的所述细胞进行分选。
8.根据权利要求7所述的方法，其中，基于所述细胞坐标对所述成对的多蛋白图像的细胞进行分选包括：
9.根据权利要求1所述的方法，其中，所述基于欧几里德距离的配对包括：基于最小欧几里得间隔，对每个所述成对的多蛋白图像中的对应细胞进行配对。
10.根据权利要求1所述的方法，其中，接收成对的阳性和阴性多蛋白图像包括：接收多个蛋白质细胞的整面图像，并裁剪所述整面图像以生成所述成对的阳性和阴性多蛋白图像。
11.一种用于预处理免疫细胞化学图像以用于机器学习的系统，所述系统包括：
12.根据权利要求11所述的系统，其中，所述配对的多蛋白图像包括配对的wg-cd3/pax5图像...
【专利技术属性】
技术研发人员：I·阿赫麦德，刘康德，F·希尔，张伟，李忻月，D·霍克利，卓华，张天恩，曹志成，罗永伦，A·朱利亚诺，D·赫尔南德兹穆戈洛，袁奕萱，陈卓莹，纪咏诗，
申请(专利权)人：香港城市大学，
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。