显微镜图像和显微镜系统的有序分类方法与流程

本公开涉及用于显微镜图像的有序分类的显微镜系统和计算机实施方法。

背景技术：

1、在现代显微镜系统中自动或部分自动开发被捕获的图像所扮演的角色的重要性正在不断增加。该开发经常通过机器学习模型进行，所述机器模型已经使用预定的训练数据训练，以执行特定的图像开发或图像处理。分类模型(分类器)，是将输入的显微镜图像归类为多个预定类别之一，是机器学习模型的一种非常常见的类型。二进制分类器旨在区分两种情况，即显微镜图像属于特定类别的情况以及显微镜图像不属于所述特定类别的情况。二进制分类器的输出，在本公开中称为估计，可以指示显微镜图像属于相应类别的概率。

2、如果要区分更多的潜在类别，则可以学习多个二进制分类器。例如，可以学习十个二进制分类器用于十个不同类别，以便对显微镜图像是否属于相应类别做出相应的预测。此方法是合适的，例如，用于对样品载体类型进行分类，以区分样品载体类型：带有圆形微孔的微量滴定板，带有矩形样品室的室载玻片，带有方形盖玻片的载玻片和培养皿。这些样品载体类型中的每一种都可以分别学习二进制分类器。

3、本公开涉及形成逻辑顺序的分类中有序分类。在上述样品载体类型的示例中，例如微量滴定板，腔室载玻片和培养皿之间没有逻辑顺序。另一方面，确实存在逻辑顺序，例如，如果要区分以下级别的质量分类的情况下：高图像质量(良好的样品可见性)，中等图像质量(可能有足够的样品可见性)和差图像质量(样品可见性不足)。当类别与数值相关时，也可能发生有序分类，例如在“显微镜图像中存在少于五个生物细胞”；“存在五到十个细胞”；或“存在多于十个细胞”的类别情况下。原则上，可以使用二进制分类器用于相应类别，例如，一个二进制分类器，用于估计是否存在高图像质量，另一个二进制分类器用于中等图像质量和第三个二进制分类器用于估计差的图像质量。但是，这些分类器丢失了类的顺序。如果对图像进行不正确的分类，则所述图像归类为属于远离正确类别的类别可能会增加，例如，当它实际上表现出良好的图像质量时，被分类为具有较差的图像质量。为了训练二进制分类器以检测中等图像质量，有必要使用训练图像，其中高质量和低质量图像都会收到相同的注释，即：“不属于'中等图像质量'的类别”。因此，简单的分类模型对于必须考虑到类别顺序的任务不利。

4、在这种情况下，有序分类具有优势。为了实现用于有序分类的分类模型，以便考虑到类别顺序，抑制特殊辅助类别的利用。相应的过程描述在：

5、弗兰克·e，·霍尔·m，‘有序分类的简单方法’，在计算机科学讲义中的会议论文，2001年8月，doi:10.1007/3-540-44795-4_13。

6、辅助类别包含不同数量的类别，这些类别根据顺序按顺序依次排列。例如，第一个辅助类别可以包括除了第一类别的所有类别，第二个辅助类别可以包括除了前两个类别的所有类别，第三个辅助类别可以包括除了前三个类别的所有类别，等等，依此类推。现在可以学习二进制分类器，其中每个二进制分类器指示其结果是对输入数据(即显微镜图像)是否属于相应辅助类别的估计。

7、数据是否属于某一特定类别，可以从关于所述数据是否属于相应辅助类别别的估计中计算出来。在上述文章中-参见，例如，文章的图1-数据属于一个类别的概率被计算为在所述数据属于两个辅助类别别的各个概率中的差异。在引用的文章中的示例中，区分了温度冷，温和和热。一个辅助类别包括温度“温”和“热”，而另一个辅助类别仅包含温度“热”。类别“温”的概率是通过辅助类别“温/热”的概率和辅助类别“热”的概率之间的差异计算的。

8、与普通的分类相比，使用辅助类别的有序分类考虑了类别顺序，可提供更精确，更鲁棒的结果。在这种情况下，需要进一步提高显微镜图像的有序分类应用的可靠性和可能性。

技术实现思路

1、可以认为是本发明的目的，以指示一种显微镜系统和方法，能够对显微镜图像进行特别精确的有序分类，以用于各种应用。

2、这一目的是通过显微镜系统和独立权利要求的方法实现的。

3、该发明包括一种计算机实施方法，用于至少一个显微镜图像的有序分类，以将分类计算为多个类别中的一个，其中这些类别形成关于图像属性的顺序。将至少一个显微镜图像输入到机器学习的模型中，以进行有序分类。有序分类模型a包含多个二进制分类器，它们分别计算了有关显微镜图像是否属于累积辅助类别的估计。在累积辅助类别中组合了不同数量的类别，这些类别按顺序依次排列。将二进制分类器的估计组合在一起，特别是加在一起，以形成总分。分类是通过将总分与可变定义阈值进行比较而发生的。阈值可以可变定义，例如，取决于应用。

4、该发明还包括一种计算机实施方法，用于至少一个显微镜图像的有序分类，以便将分类计算为多个类别中的一个，其中这些类别形成关于图像属性的顺序。将至少一个显微镜图像输入到机器学习的模型中，以进行有序分类。有序分类模型包括多个二进制分类器，它们分别计算了有关显微镜图像是否属于累积辅助类别的估计。在累积辅助类别中组合了不同数量的类别，这些类别按顺序依次排列。分类是从二进制分类器的估计计算得出的。定义了类别的间隔限制，以便类别形成不同宽度的间隔。

5、当类别描述不同宽度的间隔时，就有可能在特定值范围内提高精度。同时，在一个特别宽的值范围内，也可以至少分类为粗糙类。这同时允许实施各种各样不同显微镜图像的有序分类，以及在兴趣值范围内的高度精度。

6、当从二进制分类器的估计中形成总分时，就可以在不同的应用或目标方面具有特别高的灵活性，然后将其与可变定义阈值进行比较，以便用于分类。通过形成总分，可以在分类中考虑所有分类器的预测，例如，在引言中引用的现有技术，其中计算两个分类器结果之间的差异而不是总分。通过将总分与可变定义阈值进行比较，可以修改分类灵敏度，而无需对有序分类模型进行新的训练。因此，无需重新训练所使用的二进制分类器即可，可以很容易地将显微镜图像分配给特定类别。

7、该发明还包括一种计算机实施方法，用于通过有序分类模型进行评估至少一个要分析的显微镜图像。使用显微镜图像训练有序分类模型，该模型为预定的类别注释分别指示相关显微镜图像所属的类别。这些类别就图像属性形成了从第一个类别到最后一类别的顺序。形成了包含不同数量的顺序类别的多个辅助类别以及至少多个逆辅助类别，这些逆辅助类别精准的包含任一个辅助类别中未包含的类。辅助类别注释肯定或否认关联的显微镜图像属于不同的辅助类别，并根据每个显微镜图像的类别注释生成逆辅助类别。有序分类模型包括每个辅助类别别相应的二进制分类器，所述二进制分类器被训练以计算显微镜图像是否属于相应的辅助类别的估计。有序分类模型还包括用于每个逆辅助类别的二进制分类器，该二进制分类器被训练，以计算显微镜图像是否属于相应的逆辅助类别的估计。要分析的显微镜图像输入到有序分类模型中。将由此计算出的辅助类别别的二进制分类器的估计合并以形成总分，和/或将由此计算出的逆辅助类别别的二进制分类器的估计合并以形成总分。图像属性的度量是基于总分或两个总分确定的。

8、图像属性的度量尤其可以是连续值范围内的分类或精确值。形成总分可以利用与辅助类别或逆辅助类别有关的所有二进制分类器的估计。原则上，这相比在仅通过例如对两个最相关的二进制分类器的估计进行的有序分类的情况下，促使了更好的预测。当形成总分时，在为本发明进行的初步研究中，部分观察到与指定为真实(groundtruth)的训练数据值存在定向偏差。但是，当有序分类模型采用两条路径(头)训练时，其中一条路径包括辅助类别的二进制分类器，另一个路径包括逆辅助类别的二进制分类器，这两个路径相互之间具有稳定作用。这允许一个总体上优越的有序分类模型的训练。因此，在推理阶段并不是绝对必要利用两条路径的分类器，因此原则上，图像属性的度量只能从一个总分数确定。

9、根据本发明的显微镜系统，包括用于图像捕获的显微镜和一个计算设备，该计算设备被配置为执行根据本发明的计算机实施方法之一。

10、根据本发明的实施，可以有利地改善有序分类的灵活性，质量和鲁棒性。

11、可选实施例

12、根据本发明的显微镜系统和根据本发明所述的方法的变体是从属权利要求的目的，并在以下描述中进行解释。

13、上述方法可以彼此结合。特别是，所引用的方法中将总分与可变定义阈值进行比较可以由其他引用方法的特征补充，根据这些特征定义类别的间隔限制，以便类别形成不同宽度的间隔。上述方法使用逆辅助类别也可以由这些方法中的一种或两种方法的特征来补充。也就是说，除了逆辅助类别外，还可以添加具有可变定义阈值与总分比较的特征和/或具有不同宽度间隔的类别的特征。

14、用于分类的可变定义阈值

15、二进制分类器的估计可以采取有关图像数据是否属于辅助类别的概率结果的形式。概率结果可以位于，例如，在0到1的值范围。值1表明图像数据属于由相应分类器评估的一个辅助类别的最高置信水平。可以将所有分类器的概率结果组合在一起，特别是添加在一起，以形成总分。通过将总分与可调阈值进行比较，归类为类别之一。

16、可以为用户提供该选择，特别是通过计算机屏幕，可以多样地调整一个或多个阈值，从而改变相邻类别之间的边界。

17、可选地，根据分类向用户输出操作建议。例如，分类可以与不同的图像质量有关(例如，良好/中等/差的样品可见性；或图像噪声低/中/高)。可以在高图像质量的情况下，自动继续工作流程。在图像质量较低的情况下，则可以规定工作流程会自动中止，或者发出了中止工作流的操作建议。在具有中等图像质量的情况，则可以发出警告，于是用户必须手动选择继续还是取消启动工作流程。

18、可以根据用户的操作自动调整阈值。例如，如果用户选择在中等图像质量的情况下，更频繁地执行工作流程，那么将类别“高图像质量”和“中等图像质量”分开的阈值值可以是修改的。该阈值可以更低，即，沿着阈值的方向移动，通过该移动可以区分类别“中等图像质量”和“低图像质量”。因此，在用户可能会手动选择继续执行工作流程的情况下，类别“高图像质量”将更加频繁地确定，从而自动继续工作流程，并且减少了用户的工作。自动调整阈值也可以根据是否用户(反复)忽略或忽略操作建议。建议被视为无视，例如，当建立类别“低图像质量”并建议取消工作流程，尽管如此但是用户选择继续进行工作流程。在这种情况下，阈值会朝着用户无视操作建议的发生频率降低的方向移动。在引用的示例中，修改了阈值，因此显微镜图像更可能被分配为中等而不是较低的图像质量。

19、类别的顺序；辅助类别和逆辅助类别

20、类别的顺序可以与图像属性或图像属性的组合有关，特别是与图像内容有关，例如许多描绘的对象，描绘的对象的大小，描述的对象的方向和/或所描述的变化。对象可以是样品或样品部分，例如生物细胞或细胞器，或样品载体的盖玻片或其他部分。作为复数形式的“对象”的替代，公开的描述性陈述可能仅涉及一个对象。

21、图像属性也可以与从图像内容得出的属性有关，例如所描绘的图像内容的高度位置，其中，高度位置特别地可以从图像内容的透视变形来估计(显微镜图像中描绘的方形盖玻片，例如，为取决于视角的梯形，其中，梯形的角度取决于视角，从而取决于盖玻片的高度位置)。

22、图像属性也可以与图像本身有关，而与所描绘的对象无关，例如图像噪声，图像亮度和/或图像清晰度。

23、这些类别关于图像属性形成一个顺序，以便与图像属性相对应的值增加，例如，从第一个类别到最后一个类别；例如，所描绘的对象的数量或大小从第一个类别增加到最后一个类别，或者图像噪声的级别从第一个类别到最后一个类别不断增加。反向顺序也是可能的。

24、形成辅助类别，以便每个辅助类别中组合一个或多个类别。可以形成辅助类别，以分别从一个辅助类别到下一个辅助类别包括一个更少的类别。例如，第一个辅助类别可以包括所有类别。第二个辅助类别可以包括除第一个类别外的所有类。第三个辅助类别可以包含除第一个类别和第二个类别以外的所有类，依此类推。可选地，可以省略所述第一个辅助类别。带有注释“属于第二个类别”的训练图像被归类为属于第一个和第二个辅助类别，不属于其他的辅助类别。

25、相反，也可以形成辅助类别，以分别从一个辅助类别到下一个辅助类别包括一个更多的类别。这些辅助类别也可以称为逆辅助类别。例如，第一个(逆)辅助类别可以对应于该顺序的第一个类别，第二个(逆)辅助类别对应于该顺序的第一个类别和第二个类别，第三(逆)辅助类别对应于该顺序的第一个至第三个类别，依此类推。相应的辅助类别注释也可以从这些配置中的类别注释中生成。辅助类别注释和相关显微镜图像用于训练相应的二进制分类器。

26、可以选择形成一个辅助类别，该辅助类别包括所有类别和/或一个辅助类别不包含任何类别。同样，还可以形成一个逆辅助类别，该逆辅助类别包括所有类别和/或一个逆辅助类别不包含任何类别。

27、换句话说，可以形成多个辅助类别，其中不同数量的类别按顺序依次排列被合并为如下：第一个辅助类别包括所有类别。根据顺序，从第一个类别开始，每个附加的辅助类别分别包括一个较少的类别。也就是说，第二个辅助类别包括与第一个辅助类别除了第一个类别外相同的类别。第三个辅助类别包括与第二个辅助类别除了第二个类别外相同的类别，依此类推。最后一个辅助类别仅包括最后一个类别。类似地，可以形成多个逆辅助类别，其中不同数量的类别按顺序依次排列组合如下：第一个逆辅助类别仅包含第一个类别，而每个附加的逆辅助类别，根据顺序，分别包括一个其他的类别。也就是说，第二个逆辅助类别包括第一个逆辅助类别的类别以及第二个类别。第三个逆辅助类别包括第二个辅助类别的类别，额外的是第三个类别，等等。最后一个逆辅助类别包括所有类别。可以在适当的情况下省略最后一个逆辅助类别。

28、有序分类模型

29、用于有序分类的模型(有序分类模型)可以包括至少一个神经网络，并且可以使用训练数据来学习。它包含多个二进制分类器，分别输出了有关输入显微镜图像是属于上述辅助类别还是逆辅助类别之一的估计。有序分类模型执行的分类也可以称为有序回归。特别地，有序分类模型可以包括一个或多个卷积神经网或网络(cnn)。有序分类模型的模型参数值，例如cnn的卷积矩阵的条目，是使用训练数据，特别是通过具有相关的，预定(辅助)类注释的显微镜图像确定的。参数定义可以通过学习算法迭代地执行，例如，通过梯度下降方法和反向传播。

30、在有序分类模型训练中，可以使用多个显微镜图像作为输入数据，其中可以为每个二进制分类器以注释的形式为每个显微镜图像指定所需的结果(真实值)。注释可以分别指示显微镜图像是否属于相应二进制分类器查询的辅助类别。因此，对于每个显微镜图像，可以使用多个注释，与(单个)二进制分类器的数量相对应。这些注释可以从指示显微镜图像所属的特定类别的单个注释自动确定。

31、(单个)二进制分类器可以是一个程序，例如神经网络或其中的一部分，以区分存在和不存在属性的情况，在当前内容下是否存在“属于辅助类别”的情况，或相反的“不属于辅助类别”的情况。原则上，二进制分类器的输出可以是两个可能的值之一，以区分上述情况，例如，通过值0和1。或者，输出是属性存在的估计或概率，在这种情况下，属性“属于辅助类别”。输出可以采用间隔0到1中任何值，其中较大的值指示图像数据(例如，显微镜图像)属于相应的辅助类别的概率更高。每个辅助类别都提供了二进制分类器，其中特别地可以有三个或更多的辅助类别和相应的二进制分类器。

32、在总分中，将所有二进制分类器(用于辅助类别或逆辅助类别)的估计组合，例如作为总和，尽管原则上也可以进行其他数学操作。

33、可以通过将总分四舍五入到整数的情况下，通过总分进行分类。现在可以分类至与上述类别和辅助类别计数中的整数数字上相对应的类别。例如，如果总分为5.8，则该值将四舍五入为整数6，并且对应的执行分类至第六个类别。

34、换句话说，可以识别以数字上对应于总分四舍五入的整数的辅助类别。分类发生至一个类别，该类别涵盖了从确定的辅助类别的限制值到后续辅助类别的限制值的间隔。在引用的数值示例中，总分数为5.8四舍五入为6，从而选择覆盖第六个辅助类别的限制值与第七个辅助类别的极限值之间间隔的类别。

35、有序分类模型不一定必须用于分类。取而代之的是，计算出的总分也可以转换为图像属性的连续变量，即在图像属性的连续值范围内的任何值。可以通过函数将总分转换为一个连续值范围内的值，该函数将类别编号或辅助类别的编号映射到类别/辅助类别的限制值，如下面的更详细的描述。图像属性的限制值区分相邻类别或辅助类别，指定用于这些类别，因此也指定用于辅助类别。例如，如果为图像属性“对象大小”指定了限制值4.0像素和4.8像素，则其中一个类别覆盖了4.0到4.8像素的间隔。这些限制值表示辅助类别的最小值，即一个辅助类别覆盖“对象大小≥4.0像素”范围，一个辅助类别覆盖“对象大小≥4.8像素”范围。逆辅助类别可以将这些限制值用作上限，即一个逆辅助类别覆盖“对象大小<4.0像素”范围，一个逆辅助类别别覆盖“对象大小<4.8像素”范围。可以指定或(迭代地)确定将辅助类别的编号映射到相应限制值的函数。限制值也可以最初由此函数确切地定义，即将值1、2、3等输入到该函数中以定义相应的限制值。现在，总分可以增加0.5，并输入此函数，以计算(而不是限制值)图像属性的寻求值。增加0.5是因为相关二进制分类器应在限制值处提供较低的置信水平，因此值约为0.5，而在限制值的定义中，函数中输入了一个整数。

36、其他总分，是根据逆辅助类别的二进制分类器的估计计算得出的，理想情况下应等于辅助类别的二进制分类器的总分。两个总分之间的差异指示估计不准确。在这种情况下，可以平均两个总分。在这种情况下，可以选择生成关于低置信水平的反馈或警告。

37、对于输入显微镜图像的每个像素，有序分类也可能发生。这允许生成语义分割，其中在语义分割中区分的至少一些类别由序列控制，从而形成顺序。语义分割被理解为意味着显微镜图像的每个像素都分配给了多个可能的类别之一。这些类别可以指定，例如，不同的结构。如果要分割的显微镜图像是概览图像，则例如可以通过与实际样品的距离形成顺序。按照与样品距离的增加顺序，可以是不同的类别，例如：“样品”，“样品外部的盖玻片区域”，“盖玻片边缘”，“透明样品载体面积”，“样品载体上的标记字段”，“固定样品载体的夹子”。有序分类降低了严重错误分类的概率，例如，图像像素被归类为属于类别“样品”，尽管所述图像像素与被归类为“固定样品载体的夹子”的像素直接相邻并被其包围。

38、不同宽度间隔的类别

39、可以定义类别的间隔限制，以使类别形成不同宽度的间隔，即不同宽度的值范围。一个间隔的限制和宽度可以用数值指示，以便数字表示或表示基于图像属性的类别的顺序。例如，图像属性“合流”可以指示为一个数字，即显微镜图像细胞过度生长或被细胞覆盖的比例，以百分比或多个像素表示。不同宽度的间隔意味着相应间隔的下限和上限之间的各个差异在不同的间隔中是不同的。宽度较小的间隔代表关于图像属性的分辨率更高。因此，相对于图像属性，有序分类能够在特定值范围内与其他值范围相比，提供更高的分辨率。通过更广泛的间隔，可以覆盖更大的总体价值范围，以便不同宽度的间隔结合了兴趣值范围内高分辨率的优点和在特别大的值范围内预测的优点。

40、由于辅助类别是由类别形成的，并且类别的间隔具有不同的宽度，因此辅助类别之间的限制也位于彼此不同的距离。特定类别的间隔更宽，所述类别属于一种情况，而不属于另一种情况的两个相应的辅助类别的限制距离越远。

41、可以定义其中一个类别的间隔的宽度为，例如，越大，该类别的间隔下限越大。换句话说，随着图像属性的数值增加，间隔变得更宽。特别是，间隔宽度可以是图像属性数值的指数函数。图像属性可以是，例如，描绘的细胞的长度或大小或者以像素为单位的其他对象。例如，间隔的宽度(或类别之间的间隔限制)可以与2^(s+c)成正比，其中指数s指示以像素为单位的细胞大小以及c是常数。对于辅助类别的限制，可以导致像素px或任意单元具有以下限制：

42、"≥1px","≥2px","≥4px","≥8px","≥16px","≥32px"

43、可以定义间隔的宽度以使其越大，相应类别与预定目标值的距离越大。可以基于接近目标值的间隔限制来测量距离。这些类别可以与，例如，显微镜图像的图像内容的几何特性相关，以及预定目标值可以是几何特性的期望值/目标值。特别是，类别顺序所基于的图像属性可以是对象大小，并且目标值可以是，例如，10个像素。狭窄的类别可以定义为10左右的值，例如6-9像素，9-11像素和11-14像素，而较宽的类别定义为更远的值，例如50-60像素和60-80像素。

44、可以提供一种图像处理算法，该算法根据分类或者根据总分转换显微镜图像，从而使几何特性更接近预定的目标值。例如，如果几何特性是所描绘对象的图像大小，则图像处理算法可以执行显微镜图像的缩放，以使以像素为单位的对象大小呈现得更接近例如10个像素的期望目标值。这有助于随后的图像分析。可以使用，例如，另一个机器学习模型，例如用于计数细胞，用于所述图像分析，且当仅具有大约10个像素的均匀大小的对象的图像预期作为输入时，可以大大简化该模型的训练。更一般而言，预定的目标值可以是图像处理算法的期望结果，是由显微镜图像的图像处理算法计算得出的，其中结果与显微镜图像的图像内容的几何特性有关。

45、图像处理算法的数学操作可以取决于有序分类的分类。例如，如果对对象大小计算类别50-60像素，而目标值为10像素，则图像处理算法可以根据确定的对象大小缩放至目标值执行缩放，在这个特定的数值示例中，例如，通过根据因子10/55进行缩放，即通过因子“目标值除以计算出的类别的平均值”。如果，代替分类，图像属性的值是在连续值范围内计算的(例如，对象大小为53像素)，则可以使用连续值进行显微镜图像的转换，例如，通过按因子10/53进行缩放。

46、对于通过图像处理算法转换的显微镜图像，可以按照所述方式进行新的分类。这可以提供质量控制，以确保通过图像处理算法已经达到目标值，例如，对象大小实际上是10个像素。可选地，图像处理算法可以将转换的显微镜图像转换为新分类的函数，以进一步改进几何属性的期望值的近似，即减少几何属性和期望值之间的差异。例如，如果确定缩放后的对象大小实际上是11-13像素，则可能会发生新的缩放，以提高期望值10个像素的近似。不同宽度的类别适合这种迭代方法，以最终允许在特别大的值范围内非常精确地近似目标值。

47、显微镜图像可以用作多个训练图像之一，通过该训练图像，学习一个模型，即序数分类模型或其他模型。可以将模型设计为，例如，一个cnn。特别地，这种情况可以将自己放在数据增强中，其中从显微镜图像中计算出一个或多个新图像，其中计算出的新图像也被用作训练图像。显微镜图像和新图像在引用的图像属性方面可以彼此不同，例如，可以改变显微镜图像的缩放或旋转以生成新图像。在数据增强中，可以考虑在训练中显微镜图像的图像属性使用可选预定值，或者分类或总分，以便新图像与显微镜图像属于同一类别。在此过程的进一步变体中，以可控方式生成了属于其他类别的新图像。对于训练，训练数据以代表性的方式覆盖不同的类别是重要的，并且一个类别的图像相对另一类的图像不会无意的过度表示。通过(辅助)类别保护的数据增强可以确保这一点。

48、一般特征

49、显微镜系统表示一种包含至少一个计算设备和显微镜的设备。具体的，显微镜可以理解为光学显微镜，x射线显微镜，电子显微镜或宏观镜。

50、计算设备可以设计成分散的，物理上是显微镜的一部分，也可以在显微镜附近或在距显微镜任意距离的位置单独布置。它通常可以通过电子和软件的任何组合形成，包括特别是计算机，服务器，基于云的计算系统或一个或多个微处理器或图形处理器。计算设备还可以配置为控制显微镜组件。

51、方法变体可以可选的包含通过显微镜捕获的至少一个显微镜图像，而在其他方法变体中，现有显微镜图像从内存中加载。

52、单数的描述旨在涵盖变体“恰好1”和“至少一个”。将显微镜图像输入到有序分类模型中的描述旨在包括，例如，使用恰好一个或至少一个显微镜图像的可能性。对多个显微镜图像的通用处理是合适的，例如，当显微镜图像构成图像堆栈(z堆栈)时，该图像显示了不同高度的样品层。

53、显微镜图像可以理解为由显微镜捕获的图像或通过显微镜的测量数据计算得出的图像。特别是，显微镜图像可以由一个或多个原始图像或已经处理过的显微镜图像形成。显微镜图像也可以根据显微镜上的概览相机的测量数据计算出来。如果显微镜是光学显微镜，则显微镜图像也可以是由样品捕获的样品图像，该样品相机除了概览相机外额外提供的，它可以捕获比概览相机更高的放大倍率的图像。显微镜图像也可以由其他类型的显微镜产生，例如电子显微镜或原子力显微镜。更一般地，显微镜图像也可以理解为源自至少一个显微镜图像的数据，例如，通过神经网络从至少一个显微镜图像的计算出的特征向量。原则上，未被显微镜捕获的模拟或人为生成的图像也可以用作显微镜图像。

54、被描述为附加设备特征的本发明的特征，当按预期实施时，产生根据本发明的方法的变。相反，显微镜系统，尤其是计算设备也可以配置为执行所描述的方法变体。当在某些变体中使用了训练好的模型，但本发明的其他变体是由相应训练步骤的实现产生的，反之亦然。