專利名稱：基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)細(xì)胞試樣分類系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明總的涉及，如標(biāo)題所指的那樣細(xì)胞分類，更具體地說(shuō)涉及利用神經(jīng)網(wǎng)絡(luò)和/或神經(jīng)計(jì)數(shù)機(jī)以提高細(xì)胞分類速度和精確度。
子宮頸部涂片(巴氏試驗(yàn))是唯一大量篩選的細(xì)胞學(xué)檢查，這種檢查要求用肉眼檢查在載片上的每一個(gè)細(xì)胞。由于目前的手工操作所固有的單調(diào)和疲勞，使得這種試驗(yàn)存在著很高的錯(cuò)誤率。細(xì)胞分類一般是按“計(jì)件工作”來(lái)執(zhí)行的，這種計(jì)件工作是由病理實(shí)驗(yàn)室雇用的和有些地方由按月付薪水的細(xì)胞學(xué)專家來(lái)進(jìn)行的。由于高錯(cuò)誤率有可能導(dǎo)致診斷不出子宮頸癌從而帶來(lái)威脅生命后果。所以，美國(guó)癌癥協(xié)會(huì)正在考慮把所建議巴氏涂片檢查頻率提高二倍。但是，這樣勢(shì)必使得已經(jīng)超載的子宮頸癌普查業(yè)更加超載，因?yàn)樵絹?lái)越多人不愿意從事這種單調(diào)而緊張的手工子宮頸部涂片分類工作。美國(guó)癌癥協(xié)會(huì)關(guān)于增加巴氏涂片頻率的建議的結(jié)果只能是增加了錯(cuò)誤率，因?yàn)樵黾影褪贤科l率勢(shì)必減少花在每張涂片上的手工檢驗(yàn)的時(shí)間。每張涂片的詳盡的手工檢驗(yàn)至少要化費(fèi)15分鐘，而一個(gè)細(xì)胞學(xué)技術(shù)專家，尤其是在滿負(fù)荷工作條件下，所花費(fèi)的時(shí)間可能不到一半。美國(guó)病理研究院充分了解了這一問(wèn)題并且將謀求用自動(dòng)化來(lái)解決子宮頸涂片篩選問(wèn)題手段。
由于自動(dòng)子宮頸涂片分析方法有明顯的市場(chǎng)前景，在已有技術(shù)中已有好幾種嘗試，這種嘗試均告失敗，因?yàn)樗鼈儍H僅依賴于傳統(tǒng)的圖形識(shí)別技術(shù)(幾何圖形，符號(hào)關(guān)系學(xué)，樣板，統(tǒng)計(jì)技術(shù))或基于人工智能(AI)的圖形識(shí)別，即基于規(guī)則的專家系統(tǒng)。但是，目前并沒(méi)有明顯的算法或完整、明顯細(xì)胞學(xué)技術(shù)專家或病理學(xué)家利用他們的經(jīng)驗(yàn)綜合大量特征以格式塔(gestalt)方式進(jìn)行分類的規(guī)則。因此，子宮頸涂片分類對(duì)于基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別來(lái)說(shuō)是一個(gè)極好的應(yīng)用。已有技術(shù)存在的局限性的例子可以在1987年的Tien等人的題為“自動(dòng)子宮頸篩選分類”一文中看到。
有關(guān)的背景材料如下魯姆哈特(Rumelhart)，德維德(David).E，和姆科勒倫達(dá)(Moclelland)杰姆斯(James).L，“平行分布處理”，MIT出版社1986，第一卷。
廷(Tien)，D.等，“自動(dòng)頸部涂片分類”，電氣與電子工程師協(xié)會(huì)/醫(yī)學(xué)和生物學(xué)工程第九次年會(huì)會(huì)刊。1987，1457-1458頁(yè)。
赫克特-尼爾森，羅伯特(Hecht-Nielsen，Robert)，“神經(jīng)計(jì)算模仿人腦”，電氣與電子工程師協(xié)會(huì)譜，1988.3，36-41頁(yè);和李普曼(Lippman)，理查得(Richard)P，“關(guān)于神經(jīng)網(wǎng)絡(luò)計(jì)算初探”，電氣與電子工程師協(xié)會(huì)ASSP雜志1987.4，4-22頁(yè)。
因此，本發(fā)明的主要目的在于提供一個(gè)關(guān)于把細(xì)胞試樣分門別類的自動(dòng)系統(tǒng)和方法，例如，顯著特征的分門別類。
簡(jiǎn)單地說(shuō)，本發(fā)明包括一初級(jí)分類器(有時(shí)稱作一級(jí)分類器)以初步地將細(xì)胞試樣分類和一次級(jí)分類器(有時(shí)稱作二級(jí)分類器)以把初級(jí)分類器挑選出來(lái)的細(xì)胞試樣的部分進(jìn)行分類以供以后進(jìn)一步的分類，其中，該次級(jí)分類器包括一神經(jīng)計(jì)算或神經(jīng)網(wǎng)絡(luò)。
在一實(shí)施例中，一級(jí)分類器可以包括市場(chǎng)上可以購(gòu)得的以標(biāo)準(zhǔn)顯微鏡形式出售的自動(dòng)顯微鏡，這種顯微鏡帶有攝像機(jī)或電荷耦合器件陣列，顯微鏡載片可加以控制以自動(dòng)掃描載片。從攝像機(jī)中所得到的圖像被數(shù)字化和輸出到以計(jì)算系統(tǒng)存在的二級(jí)分類器中。該計(jì)算機(jī)系統(tǒng)包括一個(gè)下面將詳細(xì)說(shuō)明的神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)在這里援引的幾個(gè)參數(shù)材料中也有所揭示。包括神經(jīng)網(wǎng)絡(luò)的計(jì)算系統(tǒng)用來(lái)識(shí)別細(xì)胞圖像并把它們按有關(guān)診斷特征分成若干類別。在另一實(shí)施例中，該初級(jí)分類器可以包括一神經(jīng)網(wǎng)絡(luò)。下面還揭示了其他一些實(shí)施例。
本發(fā)明的進(jìn)一步目的在于在手工仔細(xì)篩透完成這項(xiàng)工作所花費(fèi)的時(shí)間內(nèi)執(zhí)行對(duì)試樣的分類工作。即約15分鐘/試樣。
本發(fā)明的進(jìn)一步目的在于對(duì)細(xì)胞試樣進(jìn)行的分類，還包括有關(guān)目的物的數(shù)目及類型，而不單是對(duì)在子宮涂片中可以找到的一般的單層細(xì)胞(例細(xì)胞群，重疊細(xì)胞，碎片，白血球，細(xì)菌，粘液)。
本發(fā)明的進(jìn)一步目的在于在進(jìn)行上面描述的子宮頸涂片的分類時(shí)能探測(cè)前期惡性細(xì)胞和惡性細(xì)胞。
本發(fā)明的進(jìn)一步目的在于能以比傳統(tǒng)的手工子宮頸涂片篩選錯(cuò)誤率為小的錯(cuò)誤率進(jìn)行。
本發(fā)明的細(xì)胞分類系統(tǒng)的一個(gè)優(yōu)點(diǎn)在于它將細(xì)胞試樣按醫(yī)學(xué)顯著特征的分類將更為可靠，即具有較小的差錯(cuò)率。
本發(fā)明的細(xì)胞分類系統(tǒng)的一個(gè)進(jìn)一步的優(yōu)點(diǎn)在于它不需要在對(duì)從病人處得到細(xì)胞的試樣的步驟上再作進(jìn)一步的改變。
本發(fā)明的細(xì)胞分類系統(tǒng)的一個(gè)進(jìn)一步優(yōu)點(diǎn)在于它將在允許經(jīng)濟(jì)地進(jìn)行手術(shù)的操作時(shí)間限制內(nèi)允許可靠的分類。
對(duì)那些在該技術(shù)領(lǐng)域內(nèi)的具有普通技能的人來(lái)說(shuō)，在閱讀了下面所提到的實(shí)施例的詳細(xì)說(shuō)明后，本發(fā)明的種種目的，優(yōu)點(diǎn)和特征將變得非常明顯。
這里所引用的已出版的文章在這里專供參考之用。
此外，本發(fā)明在這里主要是針對(duì)以子宮頸涂片形式的細(xì)胞試樣分類，即巴氏試驗(yàn)中所用的方式進(jìn)行描述的。但是應(yīng)當(dāng)知道這是本發(fā)明原理運(yùn)用的一個(gè)例子，本發(fā)明也可以用于許多其他細(xì)胞試樣的分類。
在附圖中

圖1是根據(jù)本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)細(xì)胞試樣篩選裝置的示意性方框圖;
圖2是實(shí)施例中所用的三層神經(jīng)網(wǎng)絡(luò)的示意圖。
圖3是根據(jù)本發(fā)明的自動(dòng)篩選裝置的另一實(shí)施例的方框圖。
圖4是根據(jù)本發(fā)明的自動(dòng)篩選裝置的又一個(gè)實(shí)施例的方框圖。
圖5是根據(jù)本發(fā)明的自動(dòng)篩選裝置的再一個(gè)實(shí)施例的方框圖。
圖6是根據(jù)本發(fā)明的自動(dòng)篩選裝置的又一個(gè)實(shí)施例的方框圖，以及圖7是根據(jù)本發(fā)明的自動(dòng)篩選裝置的再一個(gè)實(shí)施例的方框圖。
圖1是根據(jù)本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)細(xì)胞試樣篩選裝置的示意圖，圖中該裝置總的用碼號(hào)10表示。該分類裝置10包括一自動(dòng)顯微鏡11，一攝像機(jī)或CCD元件12，一圖像數(shù)字轉(zhuǎn)換器13，和分類級(jí)14，15和17。
該自動(dòng)顯微鏡11使顯微鏡物鏡和試樣產(chǎn)生相對(duì)移動(dòng)，而攝像機(jī)或CCD12得到一細(xì)胞試樣的特定部分的圖像或照片。該圖像經(jīng)圖像數(shù)字轉(zhuǎn)換器13加以數(shù)字化，從中得到的信息送到分類器14上。在所述的實(shí)施例中，分類器14是市場(chǎng)上可以買到的通過(guò)測(cè)量它們的總的光密度(核染色密度)而鑒定有關(guān)的細(xì)胞核的統(tǒng)計(jì)分類器。這是對(duì)光學(xué)誤差進(jìn)行校正過(guò)的物體象素灰值的總和。與正常細(xì)胞相比，惡性細(xì)胞趨向于具有一個(gè)較大而濃的染色的核。
經(jīng)過(guò)分類器14的物體包括前期惡性細(xì)胞和惡性細(xì)胞，但同時(shí)還包括其它諸如細(xì)胞群、鱗片、白血球和粘液等具有高度總光密度的物體。二級(jí)分類器15的任務(wù)就是將前期惡性細(xì)胞和惡性細(xì)胞與這些其他物體這分開(kāi)來(lái)。
在二級(jí)分類器15中采用了神經(jīng)網(wǎng)絡(luò)，適于二級(jí)分類器15的神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和操作詳細(xì)說(shuō)明可以在這里引用的參考文獻(xiàn)中找到。下面提供這種信息的簡(jiǎn)單的說(shuō)明。
以細(xì)胞試樣初級(jí)分類器中得到的數(shù)據(jù)為基礎(chǔ)，該二級(jí)分類器被用于檢驗(yàn)，例如，決定需要進(jìn)一步篩選或分類的該試樣的特定的區(qū)城。二級(jí)分類器的這種進(jìn)一步的檢驗(yàn)可以根據(jù)已經(jīng)取得的試樣中被挑選出來(lái)的區(qū)城的數(shù)字化的圖像數(shù)據(jù)來(lái)進(jìn)行，或者根據(jù)由元件11-13或其他市場(chǎng)上可以買到的可以為二級(jí)分類器15的使用和分析提供可接受的數(shù)據(jù)的光學(xué)的或其他的儀器所得到的數(shù)據(jù)進(jìn)行。
神經(jīng)網(wǎng)絡(luò)是一個(gè)具有定向圖表布局的高度平行分布系統(tǒng)，神經(jīng)網(wǎng)絡(luò)上的節(jié)點(diǎn)通稱為“處理元件”或“神經(jīng)層”，而其間的鏈接通稱為“內(nèi)連”，每一個(gè)處理元件接受多種輸入而產(chǎn)生一單一的輸出信號(hào)，它分成多個(gè)拷貝，然后這些拷貝再分布給其他處理元件作為輸入信號(hào)。信息按稱為“權(quán)重”的鏈接強(qiáng)度存儲(chǔ)存儲(chǔ)起來(lái)。每一個(gè)處理元件用不同步的方式計(jì)算著每一輸入線上的權(quán)重乘以該線上信號(hào)電平(通常為0或1)的乘積之和。如果乘積之和超過(guò)預(yù)置活性閾值，處理元件的輸出便置位于1，如果小于它，便置位于0。通過(guò)權(quán)重值的調(diào)節(jié)實(shí)現(xiàn)學(xué)習(xí)。
對(duì)于本發(fā)明來(lái)說(shuō)，所述的實(shí)施例用在李普曼(LIPPMAN)的參考文獻(xiàn)中所描述的三層神經(jīng)網(wǎng)絡(luò)作為感知器。在魯梅哈特(Rumelhart參考文獻(xiàn)第8章對(duì)三層神經(jīng)網(wǎng)絡(luò)有詳細(xì)的敘述。其他類型的神經(jīng)網(wǎng)絡(luò)系統(tǒng)也可使用。
三層神經(jīng)網(wǎng)絡(luò)包括一輸入層，一輸出層，和一隱藏著的中間層。該中間層用以供網(wǎng)絡(luò)內(nèi)部圖形的表示用。如明斯基(Minsky)和帕佩爾特(Papert)在他們1969的題為“感知器”的書中所指示的那樣，兩層相關(guān)的網(wǎng)絡(luò)所能解決的問(wèn)題的類型是有限的，只具有“輸入”和“輸出”處理元件的兩層網(wǎng)絡(luò)只能表示相似的輸入圖形導(dǎo)致相似的輸出圖形的映射。當(dāng)實(shí)際的問(wèn)題不是這種類型時(shí)，就需要三層網(wǎng)絡(luò)。業(yè)已證實(shí)具有一足夠大的隱藏層的三層神經(jīng)網(wǎng)絡(luò)總可以找到一個(gè)可以將一個(gè)輸入圖形映射成所要求的輸出圖形的表示方法。用在所述的實(shí)施例采用的這種三層神經(jīng)網(wǎng)絡(luò)示于圖2中。
神經(jīng)網(wǎng)絡(luò)經(jīng)構(gòu)的幾個(gè)重要的特點(diǎn)使它們與已有技術(shù)中用于分類器15的方法有所不同。
1.很少或沒(méi)有執(zhí)行功能。只有極為簡(jiǎn)單的各自進(jìn)行其乘積之和計(jì)算的單元。每一處理元件的任務(wù)限于從其相鄰處接受輸入并且，作為這些輸入的一個(gè)函數(shù)，計(jì)算出送往其相鄰處的輸出值。每一個(gè)處理元件周期性地，與其任何相鄰(元件)的活動(dòng)平行，但不同步地執(zhí)行著這種運(yùn)算。
2.所有的知識(shí)信息都存在于聯(lián)結(jié)處。只有很短暫的存儲(chǔ)可以發(fā)生在處理元件的狀態(tài)上。所有長(zhǎng)存儲(chǔ)是通過(guò)在處理元件之間的連接的“強(qiáng)度”或“權(quán)重”值加以表現(xiàn)的。正是建立這些權(quán)重以及改變它們以進(jìn)行學(xué)習(xí)的規(guī)則使神經(jīng)網(wǎng)絡(luò)模型彼此區(qū)別。所有的知識(shí)信息隱函地表示在權(quán)重連接的強(qiáng)度中，而不是明顯地表示在處理元件的狀態(tài)中。
3.與算法計(jì)算機(jī)和專家系統(tǒng)不同，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目的并不是形成算式或一套明顯的規(guī)則。一個(gè)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)運(yùn)程中自我組織以建立一整套權(quán)重。這一整套權(quán)重將產(chǎn)生出對(duì)一給定輸入來(lái)說(shuō)最接近于它被先知是該輸入的正確輸出的輸出。正是這種連接強(qiáng)度的適應(yīng)性獲得允許神經(jīng)網(wǎng)絡(luò)具有好象它了解規(guī)則的行為。一般的計(jì)算機(jī)用在信息可以明顯地以算法或明顯且完整地以一套規(guī)則表示的場(chǎng)合是非常好的。如果不是這種情形時(shí)，一般的計(jì)算機(jī)就會(huì)遭到很大的困難。雖然一般的計(jì)算機(jī)進(jìn)行算法運(yùn)算時(shí)運(yùn)比任何人都快，它們?cè)趫?zhí)行非算法運(yùn)算的任務(wù)中例如在圖像識(shí)別，最近鄰的分類，和面對(duì)許多同時(shí)聯(lián)立的約束要求達(dá)到最佳答案時(shí)就很難與人類相匹敵。如果要尋找N樣品圖形以分類出一未知的輸入圖形，如果一算法系統(tǒng)可以在約N時(shí)間內(nèi)完成這項(xiàng)任務(wù)。在一神經(jīng)網(wǎng)絡(luò)中，所有的供選擇物的特征同時(shí)通過(guò)整個(gè)系統(tǒng)中的一整套連接權(quán)重表示出來(lái)。所以神經(jīng)網(wǎng)絡(luò)在自動(dòng)地以1時(shí)間到達(dá)模糊輸入的最鄰近值而不是N時(shí)間。
對(duì)本發(fā)明的來(lái)說(shuō)，所述的實(shí)施例是通過(guò)用如魯姆哈特(Rumelhart)參考文獻(xiàn)中所描述的三層反向梯網(wǎng)絡(luò)作為分類級(jí)15的神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)的。在魯姆哈特參考文獻(xiàn)中，對(duì)反向傳播有詳細(xì)描述。簡(jiǎn)單說(shuō)來(lái)，反向傳播是這樣工作的。在網(wǎng)絡(luò)訓(xùn)練中，誤差(即一樣品輸入的適當(dāng)?shù)妮敵雠c該輸出現(xiàn)行的網(wǎng)絡(luò)輸出之間的差值)逆向地從輸出層傳送到中間層然后到輸入層。這些誤差在每層被練習(xí)算法利用以重新調(diào)整連接權(quán)重使樣品圖形的未來(lái)表示將達(dá)到適當(dāng)?shù)妮敵鲱悇e。在網(wǎng)絡(luò)訓(xùn)練以后，在正向工作模式中未知的輸入圖形通過(guò)神經(jīng)網(wǎng)絡(luò)分類到與其最為相似的樣品類別。
神經(jīng)網(wǎng)絡(luò)分類器15的輸出指明了前期惡性細(xì)胞和惡性細(xì)胞的存在與否。在輸入載片上細(xì)胞的位置是通過(guò)自動(dòng)顯微鏡連續(xù)輸出的X-Y平面位置坐標(biāo)中得到的。這種位置信息隨著診斷和病人識(shí)別信息被輸出到打印機(jī)或視頻顯示器17這樣使得分類可讓病理學(xué)家研究。
在所述的實(shí)施例中神經(jīng)網(wǎng)絡(luò)的平行結(jié)構(gòu)是通過(guò)如市售神經(jīng)計(jì)算機(jī)加速板的流水串行處理而模擬的。這種神經(jīng)計(jì)算器的工作過(guò)程在spectrum中有所討論神經(jīng)網(wǎng)絡(luò)最好是“Delta”處理機(jī)，它是國(guó)際科學(xué)應(yīng)用公司(SAIC)供應(yīng)的市場(chǎng)上可以買到的神經(jīng)計(jì)數(shù)器(參見(jiàn)上述赫克特-尼爾森Hecht-Nielsen)參考文獻(xiàn)該神經(jīng)計(jì)算機(jī)可以在正向饋給工作模式中(即非訓(xùn)練模式中)持續(xù)不斷地以107互連/秒的速率進(jìn)行處理。對(duì)于典型的具有100，000細(xì)胞的子宮頸涂片來(lái)說(shuō)，細(xì)胞中1-2%或近似1，500個(gè)圖像將要求由分類器15來(lái)處理。(作為所產(chǎn)生的數(shù)據(jù)率的一個(gè)例子，假定數(shù)據(jù)壓縮后，由分類器15處理50×50(圖像像李)因此該神經(jīng)網(wǎng)絡(luò)的輸入層由2，500個(gè)處理單元或“神經(jīng)原”組成。中層由約輸入層的25%或625神經(jīng)原組成(輸出神經(jīng)原的數(shù)目等于有關(guān)的診斷分類的數(shù)目相同。這小數(shù)目對(duì)計(jì)算的影響不大)因此互連的數(shù)目大于2500×625或者約為1.5×10。在107互連/秒的處理速率下，分類器15對(duì)分類器14送來(lái)的1500幅圖像的處理時(shí)間不到4分鐘。目前可以得到的分類器14的實(shí)施例的處理速率為50000細(xì)胞/分(參見(jiàn)Tien等的文獻(xiàn))。分類器14以50，000細(xì)胞/分的速率處理時(shí)，將分類器15的處理所耗費(fèi)的4分鐘加到分類器14所耗費(fèi)的2分鐘上總共達(dá)6分鐘，6分鐘可以分析載片上100，000個(gè)細(xì)胞圖像。如上所述，精確的手工子宮頸涂片的分析約要15分鐘/每載片。已有的自動(dòng)化技術(shù)的嘗試使用的是非神經(jīng)網(wǎng)絡(luò)實(shí)施例所需的時(shí)間超過(guò)1小時(shí)/載片。這個(gè)例子并不意味著本發(fā)明限于這樣的構(gòu)造而是要表明它在所要求的時(shí)間內(nèi)作為商品所要求的時(shí)間是可以達(dá)到處理子宮頸涂片和其他細(xì)胞樣品的目標(biāo)的。
在所述的實(shí)施例中，初級(jí)分類器14限于評(píng)價(jià)細(xì)胞核，而次級(jí)分類器15既評(píng)價(jià)細(xì)胞核也評(píng)價(jià)它周圍的細(xì)胞質(zhì)。細(xì)胞核與細(xì)胞質(zhì)之間的比率關(guān)系對(duì)前期惡性細(xì)胞和惡性細(xì)胞來(lái)說(shuō)是一個(gè)重要的數(shù)據(jù)。在另一實(shí)施例中，分類器14和15都限于對(duì)細(xì)胞核的鑒定。
從二級(jí)分類器中輸出的信息送到輸出監(jiān)控器和打印機(jī)17，它可以顯示出多種信息包括細(xì)胞是否是惡性細(xì)胞或前期惡性細(xì)胞，是否要進(jìn)一步作檢查等等。
圖3說(shuō)明的是另一個(gè)實(shí)施例，其中，另外加上了一個(gè)神經(jīng)網(wǎng)絡(luò)分類器16，它的增加是為對(duì)大面積物質(zhì)載片進(jìn)行處理，即所關(guān)心的單一細(xì)胞層以外的物質(zhì)，它包括細(xì)胞群、碎片、粘液、白血球等等。在這預(yù)篩選中獲得的位置信息被存貯起來(lái)供分類系統(tǒng)其余部分之用。從分類級(jí)16處得到的信息被用于限制要求分類器15處理的處理量。分類級(jí)14可以忽略由分類器16輸出的平面位置坐標(biāo)限定區(qū)域內(nèi)的所有的材料這可以減少必須由分類器15處理的信息。因此，判斷是根據(jù)位于這些區(qū)域之外的那些細(xì)胞的分類而作出的。如果位于這些區(qū)域之外的細(xì)胞試樣不足，不足以構(gòu)成有效的判斷，則這種信息將作為不足細(xì)胞試樣而在17上輸出。
圖4說(shuō)明又一個(gè)實(shí)施例，其中分類器16所限定的區(qū)域內(nèi)的圖像沒(méi)有被忽視而是由另一獨(dú)立的分類器18進(jìn)行處理，該分類器18與分類器15并行操作。包含分類器18的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練專門用來(lái)區(qū)別所述的人工物質(zhì)與前期惡性細(xì)胞與惡性細(xì)胞。
圖5是又一個(gè)實(shí)施例，其中增加了一個(gè)非神經(jīng)網(wǎng)絡(luò)對(duì)除了總光密度以外的核的形態(tài)組成部分進(jìn)行分類該非神經(jīng)網(wǎng)絡(luò)分類被安排在分類器14和分類器15之間，該分類由分類器19來(lái)執(zhí)行。
圖6是另一個(gè)實(shí)施例，其中一市場(chǎng)上可以買到的SAIC神經(jīng)計(jì)算機(jī)專用于正向饋給處理20(最佳化于正向饋給處理20)。通過(guò)對(duì)學(xué)習(xí)工作能力的刪除，所有的神經(jīng)計(jì)算器均用作正向饋給操作上。學(xué)習(xí)通過(guò)一獨(dú)立的未經(jīng)改動(dòng)過(guò)的神經(jīng)計(jì)算器完成，該神經(jīng)計(jì)算器同時(shí)包含學(xué)習(xí)和正向饋給兩種作用。
學(xué)習(xí)完成之后，最終的互連權(quán)重被輸送到最佳化的正向饋給神經(jīng)計(jì)數(shù)器20中，神經(jīng)計(jì)算器20專門從事正向饋給操作，產(chǎn)生了持續(xù)的108互連/秒的正向饋給操作速率，而市場(chǎng)供應(yīng)的非優(yōu)化板的速率為109互連/秒。該優(yōu)化的正向饋給神經(jīng)網(wǎng)絡(luò)20用于執(zhí)行圖1，3，4和5中的分類器14和16的作用。通過(guò)利用神位網(wǎng)絡(luò)分類器20去執(zhí)行統(tǒng)計(jì)分類器14的功能，首先細(xì)胞仍然得以檢測(cè)，有關(guān)的未必是惡性子宮頸細(xì)胞并且不超出分類器14的總光密度閾值的細(xì)胞也將被檢測(cè)出來(lái)。一個(gè)例子是將子宮內(nèi)膜細(xì)胞也檢測(cè)了出來(lái)，該細(xì)胞雖然未必是子宮頸部惡性的征兆，但是在絕經(jīng)后病人的巴氏涂片中發(fā)現(xiàn)時(shí)，卻指示有可能是子宮惡性腫瘤。
作為從圖6的這個(gè)實(shí)施例中得出的數(shù)據(jù)速率的例子，假設(shè)載片外周尺寸為15mm×45mm或總的載片面積為675×106微米2。神經(jīng)網(wǎng)絡(luò)20在其上具有一個(gè)分析用的滑動(dòng)觀察孔。這個(gè)觀察孔的尺寸為20微米×20微米或者是400微米的面積。因此，在15mm×45mm的載片上有1.5×10的這些觀察孔。對(duì)由神經(jīng)網(wǎng)絡(luò)20執(zhí)行的初級(jí)分類功能來(lái)說(shuō)，一個(gè)1微米/象素的分辨率就足以充分地探測(cè)出那些必需送到次級(jí)神經(jīng)網(wǎng)絡(luò)分類器15中供進(jìn)一步分析的物體。由分類器20分析的圖像觀察孔的輸入圖像因此對(duì)神經(jīng)網(wǎng)絡(luò)20的輸入層來(lái)說(shuō)是20×20象素或400神經(jīng)原。中間層包括輸入層的25%或100個(gè)神經(jīng)原(和上述分類器15的數(shù)據(jù)速率計(jì)算一樣，輸出層的神經(jīng)原數(shù)目很小不影響我們的結(jié)論)。分類器20的互連數(shù)目接近400×100或40×103。在一個(gè)108互連/秒的處理速率下，對(duì)神經(jīng)網(wǎng)20的分類來(lái)說(shuō)，每一個(gè)從滑動(dòng)觀察孔中得到的圖像要化去400微秒的時(shí)間。在一個(gè)15mm×45mm的載片上，需要神經(jīng)網(wǎng)絡(luò)20分類的有1.5×106個(gè)400微米2的觀察孔。神經(jīng)網(wǎng)絡(luò)20的總的分類時(shí)間因此為(1.5×106)(400×10-6)＝600秒或10分鐘。如果將這10分鐘加到次級(jí)神經(jīng)分類器15所需要的4分鐘時(shí)間上，那么總的時(shí)間為14分鐘/載片。這個(gè)例子并不說(shuō)明本發(fā)明的結(jié)構(gòu)限于14分鐘/載片，相反，它只是表明了在一段(符合商品化要求)的時(shí)間以內(nèi)處理子宮頸涂片和其它細(xì)胞樣品是可以達(dá)到的目的。
通過(guò)并行的處理，處理數(shù)據(jù)速度也可以增加。例如，可以將SAIC提供的市場(chǎng)上可以買到的多個(gè)神經(jīng)計(jì)算器并聯(lián)起來(lái)對(duì)數(shù)據(jù)進(jìn)行并行處理，從而，使分類器的處理速度得以增加。
圖7說(shuō)明了又一個(gè)實(shí)施例，其中神經(jīng)網(wǎng)絡(luò)初級(jí)分類器也一同被使用，而不是代替形態(tài)分類和區(qū)域分類，通過(guò)分類器20專門對(duì)那些有關(guān)的少數(shù)而其它方法又不能檢測(cè)出來(lái)的細(xì)胞類型進(jìn)行探測(cè)，對(duì)分類器20的分辨力的要求就可以達(dá)到最小。
盡管本發(fā)明是用本發(fā)明前的較佳實(shí)施例來(lái)加以描述的，但是應(yīng)該理解這種揭示并不構(gòu)成對(duì)本發(fā)明的限制。本技術(shù)領(lǐng)域的技術(shù)人員，在閱讀上述說(shuō)明后，可以作出各種變換和修改，這無(wú)疑是很顯而易見(jiàn)的。為此，下面所附的權(quán)項(xiàng)被認(rèn)為覆蓋了所有沒(méi)有脫離本發(fā)明的真實(shí)范圍的精神的所有變換和改進(jìn)。
權(quán)利要求
1.-自動(dòng)細(xì)胞試樣分類器，其特征在于包括a.-自動(dòng)顯微鏡，b.-攝像-電荷耦合器件裝置，c.-圖像數(shù)字轉(zhuǎn)換器，d.-用以探測(cè)細(xì)胞試樣中超過(guò)-總光密度閾值的物質(zhì)的初級(jí)統(tǒng)計(jì)分類器，和e.-采用神經(jīng)網(wǎng)絡(luò)的、用以從經(jīng)初級(jí)分類器鑒別后的物質(zhì)中檢測(cè)出前期惡性細(xì)胞和惡性細(xì)胞的次級(jí)分類器。
2.如權(quán)利要求1所述的一自動(dòng)細(xì)胞分類器，其進(jìn)一步特征在于包括一神經(jīng)網(wǎng)絡(luò)預(yù)篩選分類器用以對(duì)包含除細(xì)胞單層以外物質(zhì)的細(xì)胞試樣內(nèi)的區(qū)域加以鑒別(識(shí)別)和分類。
3.如權(quán)利要求2所述的自動(dòng)分類器，其特征在于從預(yù)篩選分類器中輸出的信息被用于將所述已識(shí)別的區(qū)域剔出不再讓二級(jí)分類器進(jìn)行分析。
4.如權(quán)利要求2所述的自動(dòng)分類器，其特征在于從預(yù)篩選分類器中輸出的信息用于對(duì)在所述預(yù)篩選分類器鑒別過(guò)的試樣區(qū)域內(nèi)找到的圖像的二級(jí)分類進(jìn)行修改。
5.如權(quán)利要求1所述的自動(dòng)分類器，其特征在于初級(jí)統(tǒng)計(jì)篩選分類器僅限于對(duì)細(xì)胞核的鑒別而二級(jí)分類器既鑒別細(xì)胞核又鑒別其周圍的細(xì)胞質(zhì)。
6.如權(quán)利要求1所述的自動(dòng)分類器，其特征在于初級(jí)篩選分類器和次級(jí)分類器兩者都限于對(duì)細(xì)胞核的鑒別。
7.如權(quán)利要求1所述的自動(dòng)分類器，其進(jìn)一步特征在于，除了總光密度以外，還包括對(duì)細(xì)胞形態(tài)組成份進(jìn)行非神經(jīng)網(wǎng)絡(luò)分類的裝置，所述的裝置連接在初級(jí)和次級(jí)分類器之間。
8.一自動(dòng)細(xì)胞試樣分類器，其特征在于包括一低分辨率的對(duì)細(xì)胞試樣進(jìn)行初步分類的神經(jīng)網(wǎng)絡(luò)，一高分辨率的，對(duì)細(xì)胞試樣進(jìn)行次級(jí)分類的神經(jīng)網(wǎng)絡(luò)，以及連接所述低和高分辨率的神經(jīng)網(wǎng)絡(luò)以便將代表有關(guān)位置的數(shù)據(jù)從前者傳遞到后者的裝置。
9.一種對(duì)細(xì)胞試樣進(jìn)行分類的方法，其特征在于包括用一決定有關(guān)特征的位置的初級(jí)分類器進(jìn)行初級(jí)分類和利用一神經(jīng)網(wǎng)絡(luò)對(duì)所述位置進(jìn)行次級(jí)分類的細(xì)胞試樣分類法。
10.如權(quán)利要求9所述的方法，其特征在于所述的初級(jí)分類包括用一攝像機(jī)或電荷耦合器件以獲得試樣的圖像，一使這些圖像轉(zhuǎn)換成數(shù)字的圖像數(shù)字轉(zhuǎn)換器和一總光密度檢測(cè)器。
11.如權(quán)利要求9所述的方法，其特征在于所述的初級(jí)分類包括神經(jīng)網(wǎng)絡(luò)的使用。
全文摘要
一對(duì)細(xì)胞試樣進(jìn)行分類的自動(dòng)篩選系統(tǒng)，其中的分類使用了神經(jīng)網(wǎng)絡(luò)，該系統(tǒng)還包括自動(dòng)顯微鏡和有關(guān)的圖像處理電路。
文檔編號(hào)G06Q50/00GK1037035SQ8910219
公開(kāi)日1989年11月8日 申請(qǐng)日期1989年4月7日 優(yōu)先權(quán)日1988年4月8日
發(fā)明者馬克·R·魯滕貝格 申請(qǐng)人:神經(jīng)醫(yī)學(xué)系統(tǒng)公司