本發(fā)明涉及細(xì)胞分選。更具體而言，本發(fā)明涉及基于圖像的細(xì)胞分選。

背景技術(shù)：

1、傳統(tǒng)的熒光激活細(xì)胞分選(facs)沒(méi)有圖像信息。facs使用細(xì)胞的激光散射信號(hào)來(lái)檢測(cè)噪聲事件。facs無(wú)法區(qū)分某些影響實(shí)驗(yàn)準(zhǔn)確性和分選產(chǎn)品純度的噪聲事件。

技術(shù)實(shí)現(xiàn)思路

1、本文描述的單細(xì)胞識(shí)別利用細(xì)胞圖像信息，并使用神經(jīng)網(wǎng)絡(luò)模型提取細(xì)胞特征，以精細(xì)地將噪聲事件與單細(xì)胞區(qū)分開(kāi)來(lái)，從而允許用戶取決于應(yīng)用要求選擇要排除哪些不同類(lèi)型的噪聲事件?？焖偕窠?jīng)網(wǎng)絡(luò)模型能夠提取比手選的特征更豐富和更具體的細(xì)胞特征，這使得模型能夠具有更高的準(zhǔn)確性和更高的實(shí)時(shí)識(shí)別單細(xì)胞和區(qū)分噪聲事件的辨別能力。利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)單細(xì)胞識(shí)別表示了一種以前從未應(yīng)用過(guò)的新穎技術(shù)。與傳統(tǒng)的facs(熒光激活細(xì)胞分選)相比，它具有高辨別能力和高準(zhǔn)確性。該技術(shù)的有用性在于與任何明場(chǎng)(bf)模型和熒光(fl)模型集成，以針對(duì)不同的下游應(yīng)用識(shí)別單細(xì)胞。

2、在一個(gè)方面，在設(shè)備的非暫態(tài)存儲(chǔ)器中編程的方法包括接收輸入、使用神經(jīng)網(wǎng)絡(luò)處理輸入以識(shí)別噪聲事件或單細(xì)胞以及將輸入分類(lèi)為噪聲事件或單細(xì)胞。輸入包括多個(gè)細(xì)胞圖像。神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離(detached)泡和泡的組。對(duì)輸入進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注每個(gè)圖像。神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。該方法還包括與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

3、在另一方面，一種裝置包括：用于存儲(chǔ)應(yīng)用的非暫態(tài)存儲(chǔ)器，該應(yīng)用用于：接收輸入、使用神經(jīng)網(wǎng)絡(luò)處理輸入以識(shí)別噪聲事件或單細(xì)胞以及將輸入分類(lèi)為噪聲事件或單細(xì)胞；以及耦合到存儲(chǔ)器的處理器，該處理器被配置為處理應(yīng)用。輸入包括多個(gè)細(xì)胞圖像。神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離泡和泡的組。對(duì)輸入進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注每個(gè)圖像。神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。該應(yīng)用還被配置為與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

4、在另一方面，一種系統(tǒng)包括第一設(shè)備和第二設(shè)備，第一設(shè)備被配置用于獲取細(xì)胞圖像，并且第二設(shè)備被配置用于：接收細(xì)胞圖像、使用神經(jīng)網(wǎng)絡(luò)處理細(xì)胞圖像以識(shí)別噪聲事件或單細(xì)胞以及將細(xì)胞圖像分類(lèi)為噪聲事件或單細(xì)胞。神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離泡和泡的組。對(duì)細(xì)胞圖像進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注細(xì)胞圖像。神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。第二設(shè)備還被配置用于與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

技術(shù)特征：

1.一種在設(shè)備的非暫態(tài)存儲(chǔ)器中編程的方法，包括：

2.如權(quán)利要求1所述的方法，其中輸入包括多個(gè)細(xì)胞圖像。

3.如權(quán)利要求1所述的方法，其中神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。

4.如權(quán)利要求1所述的方法，其中神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。

5.如權(quán)利要求1所述的方法，其中噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離泡和泡的組。

6.如權(quán)利要求1所述的方法，其中對(duì)輸入進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注每個(gè)圖像。

7.如權(quán)利要求1所述的方法，其中神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。

8.如權(quán)利要求1所述的方法，還包括與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

9.一種裝置，包括：

10.如權(quán)利要求9所述的裝置，其中輸入包括多個(gè)細(xì)胞圖像。

11.如權(quán)利要求9所述的裝置，其中神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。

12.如權(quán)利要求9所述的裝置，其中神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。

13.如權(quán)利要求9所述的裝置，其中噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離泡和泡的組。

14.如權(quán)利要求9所述的裝置，其中對(duì)輸入進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注每個(gè)圖像。

15.如權(quán)利要求9所述的裝置，其中神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。

16.如權(quán)利要求9所述的裝置，其中應(yīng)用還被配置為與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

17.一種系統(tǒng)，包括：

18.如權(quán)利要求17所述的系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積層和一個(gè)全連接層。

19.如權(quán)利要求17所述的系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)包括多個(gè)內(nèi)核，以從輸入中提取具有不同細(xì)粒度級(jí)別的特征。

20.如權(quán)利要求17所述的系統(tǒng)，其中噪聲事件選自包括聚集體、碎片、雙聯(lián)體、邊緣、失焦、分離泡和泡的組。

21.如權(quán)利要求17所述的系統(tǒng)，其中對(duì)細(xì)胞圖像進(jìn)行分類(lèi)包括用噪聲事件或單細(xì)胞標(biāo)注細(xì)胞圖像。

22.如權(quán)利要求17所述的系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)被配置為每秒對(duì)超過(guò)2000個(gè)圖像進(jìn)行分類(lèi)。

23.如權(quán)利要求17所述的系統(tǒng)，其中第二設(shè)備還被配置為與對(duì)輸入進(jìn)行分類(lèi)并行地實(shí)現(xiàn)明場(chǎng)模型或熒光模型。

技術(shù)總結(jié)
本文描述的單細(xì)胞識(shí)別利用細(xì)胞圖像信息，并使用神經(jīng)網(wǎng)絡(luò)模型提取細(xì)胞特征，以精細(xì)地將噪聲事件與單細(xì)胞區(qū)分開(kāi)來(lái)，從而允許用戶取決于應(yīng)用要求選擇要排除哪些不同類(lèi)型的噪聲事件?？焖偕窠?jīng)網(wǎng)絡(luò)模型能夠提取比手選的特征更豐富和更具體的細(xì)胞特征，這使得模型能夠具有更高的準(zhǔn)確性和更高的實(shí)時(shí)識(shí)別單細(xì)胞和區(qū)分噪聲事件的辨別能力。利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)單細(xì)胞識(shí)別表示了一種以前從未應(yīng)用過(guò)的新穎技術(shù)。與傳統(tǒng)的FACS(熒光激活細(xì)胞分選)相比，它具有高辨別能力和高準(zhǔn)確性。該技術(shù)的有用性在于與任何明場(chǎng)(BF)模型和熒光(FL)模型集成，以針對(duì)不同的下游應(yīng)用識(shí)別單細(xì)胞。

技術(shù)研發(fā)人員：唐海鵬,M·佐爾丹,劉明昌
受保護(hù)的技術(shù)使用者：索尼集團(tuán)公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9