技术特征：
1.一种系统(100)，包括一个或多个存储模块(110)以及一个或多个处理器(120)，其中所述系统被配置为：获得有机组织样本的多个图像，所述多个图像是使用多个不同的成像特性获取的；使用所述多个图像训练机器学习模型，所述多个图像被用作训练样本，并且关于有机组织样本的至少一种性质的信息被用作机器学习模型的期望输出，使得机器学习模型适用于在对所述多个不同成像特性的真子集进行再现的图像输入数据中检测所述有机组织样本的所述至少一种性质；以及提供所述机器学习模型。2.根据权利要求1所述的系统，其中关于所述有机组织样本的所述至少一种性质的所述信息指示所述有机组织样本的至少一部分是健康的或病理的，和/或，其中关于所述有机组织样本的所述至少一种性质的所述信息指示所述有机组织样本的一个或多个特征的形状。3.根据权利要求1或2中任一项所述的系统，其中关于病理或健康组织的信息被用作机器学习模型的训练的期望输出，其中机器学习模型被训练使得机器学习模型适用于在对多个不同成像特性的真子集进行再现的图像输入数据中检测病理或健康组织。4.根据权利要求1至3中任一项所述的系统，其中关于有机组织样本的一个或多个特征的形状的信息被用作机器学习模型的训练的期望输出，其中机器学习模型被训练，使得机器学习模型适用于在对多个不同成像特性的真子集进行再现的图像输入数据中确定一个或多个特征的形状。5.根据权利要求1至4中任一项所述的系统，其中，所述多个不同的成像特性与时间分辨的成像系列中的不同光谱带、不同成像模式、不同偏振和不同时间点中的至少一个相关。6.根据权利要求1至5中任一项所述的系统，其中，所述多个图像包括在以下显微图像的组中的一个或多个元素：在不同光谱带处获取的显微图像，在不同成像模式下获取的显微图像，利用不同偏振获取的显微图像，以及表示时间分辨的成像系列中的不同时间点的显微图像。7.根据权利要求1至6中任一项所述的系统，其中所述多个图像包括所述有机组织样本的一个或多个三维表示，和/或，其中关于所述有机组织样本的所述至少一种性质的所述信息是基于所述有机组织样本的所述三维表示。8.根据权利要求1至7中任一项所述的系统，其中关于所述有机组织样本的所述至少一种性质的所述信息是基于所述多个图像中的图像，其中所述系统被配置为处理所述图像以获得关于所述有机组织样本的所述至少一种性质的所述信息。9.根据权利要求8所述的系统，其中所述图像是使用指示特定类型的病理组织的成像特性获取的，和/或，其中所述图像是使用指示所述有机组织样本的一个或多个特征的形状的成像特性获取的，和/或，其中所述图像是荧光光谱图像，和/或，其中所述图像被排除作为训练样本。10.根据权利要求8至10中任一项所述的系统，其中关于所述有机组织样本的所述至少一种性质的所述信息是基于所述多个图像中的两个或更多个图像，其中所述两个或更多个
图像中的每一个是使用指示特定类型的病理组织的成像特性获取的，或者其中所述两个或更多个图像中的每一个是使用指示所述有机组织样本的一个或多个特征的形状的成像特性获取的。11.根据权利要求1至10中任一项所述的系统，其中所述多个图像的至少一个子集对被调谐到应用于所述有机组织样本的至少一种外部荧光染料的光谱带进行再现，和/或，其中所述多个图像的至少一个子集对被调谐到所述有机组织样本的至少一部分的自发荧光的光谱带进行再现。12.根据权利要求1至11中任一项所述的系统，其中，所述系统被配置为在逐个像素的基础上使所述多个图像相关，其中所述机器学习模型是基于经相关的多个图像进行训练的。13.根据权利要求1至11中任一项所述的系统，其中，所述多个图像包括一个或多个反射光谱图像以及一个或多个荧光光谱图像，以及其中所述一个或多个反射光谱图像对可见光谱进行再现，和/或，其中所述一个或多个荧光光谱图像每个对被调谐到在有机组织样本上可观察的特定波长的荧光的光谱带进行再现。14.根据权利要求1至13中任一项所述的系统，其中，所述系统被配置为使用具有对所述多个不同成像特性的真子集进行再现的图像输入数据的机器学习模型，以在所述图像输入数据中检测所述有机组织样本的所述至少一种性质。15.根据权利要求14所述的系统，其中所述图像输入数据是在可见光谱内操作的照相机的图像输入数据，和/或，其中所述图像输入数据是对未用外部荧光染料处理的组织获取的。16.一种机器学习模型，所述机器学习模型是使用根据权利要求1至13中的一项所述的系统训练的。17.一种用于训练机器学习模型的方法，所述方法包括：获得(210)有机组织样本的多个图像，所述多个图像是使用多个不同的成像特性获取的；使用所述多个图像训练(220)机器学习模型，所述多个图像被用作训练样本，并且关于有机组织样本的至少一种性质的信息被用作机器学习模型的期望输出，使得机器学习模型适用于在对所述多个不同成像特性的真子集进行再现的图像输入数据中检测所述有机组织样本的所述至少一种性质；以及提供(230)所述机器学习模型。18.一种用于检测有机组织样本的至少一种性质的方法，所述方法包括使用(250)具有对多个不同成像特性的真子集进行再现的图像输入数据的根据权利要求16所述的机器学习模型。19.一种具有程序代码的计算机程序，所述程序代码用于当所述计算机程序在处理器上执行时执行根据权利要求17或18中的一项所述的方法中的至少一个。20.显微镜系统(300)，被配置为执行权利要求18的方法。
技术总结
示例涉及用于训练机器学习模型的系统、方法和计算机程序，涉及用于检测有机组织样本的至少一种性质的机器学习模型、方法和计算机程序，以及涉及显微镜系统。系统包括一个或多个存储模块以及一个或多个处理器。系统被配置为获得有机组织样本的多个图像。使用多个不同的成像特性获取多个图像。系统被配置为使用多个图像训练机器学习模型。多个图像被用作训练样本，并且关于有机组织样本的至少一种性质的信息被用作机器学习模型的期望输出。训练机器学习模型，使得机器学习模型适用于在(仅)对多个不同成像特性的真子集再现的图像输入数据中检测有机组织样本的至少一种性质。系统被配置为提供机器学习模型。为提供机器学习模型。为提供机器学习模型。
技术研发人员：乔治
受保护的技术使用者：徕卡仪器（新加坡）有限公司
技术研发日：2020.10.30
技术公布日：2022/8/19