用于自动化样本分析的系统和方法与流程

背景技术：

技术实现思路

1、在一些方面，应当理解，需要用于进行健康评估和确定男性生育力问题的改进方法。特别地，目前的常规方法和技术由复杂、劳动密集、高成本和以实验室为中心的仪器和方法组成。在一些方面，本文提供了各种系统和方法，其提供了用于进行自动化精子分析的低成本、流线型和技术解决方案。在一些实施方式中，可以在不需要专门的实验室设备、训练有素的专家或将测试外包给昂贵且专业的实验室的情况下实施这样的解决方案。此外，虽然本文主要关于精子分析来描述系统和技术，但是可以理解，该系统和技术可以用于其它生物分析和非生物分析应用，诸如例如，尿液分析、胸膜液显微镜分析、关节液显微镜分析、腹水液显微镜分析、水质分析、工业粒度分布分析或任何其它合适的分析。

2、根据本文中所描述的技术的一些方面，提供一种用于自动化精子分析的成像系统。该成像系统包括：成像设备，其被配置为检测编码有与精子样本相关联的信息的光学信号；处理器，其与成像设备可操作地耦合并且被配置为接收检测到的光学信号并且至少部分地基于检测到的光学信号来生成精子样本的多个图像；以及机器学习模型，其被配置为从处理器接收精子样本的多个图像作为输入，并且至少部分地基于接收到的精子样本的多个图像来确定指示精子样本的健康的输出。

3、在一些实施例中，至少部分地使用具有比接收到的多个图像的分辨率更高的分辨率的训练图像来训练机器学习模型。在一些实施例中，指示精子样本的健康的数据包括精子样本中的精子是否为正常形状的指示。

4、在一些实施例中，机器学习模型是对抗神经网络，其包括：第一部分，其使用具有更高的分辨率的训练图像来训练，被配置为基于接收到的精子样本的多个图像来生成指示精子样本的健康的数据；以及第二部分，其被配置为至少部分地基于由第一部分生成的数据来生成指示精子样本的健康的新数据；并且输出是至少基于由第一部分生成的数据和由第二部分生成的新数据来确定的。

5、在一些实施例中，机器学习模型是对抗神经网络，其包括：第一部分，其使用具有更高的分辨率的训练图像来训练，被配置为基于接收到的精子样本的多个图像提取图像的特征；第二部分，其基于从第一部分接收的特征来生成指示精子样本的健康的数据；以及第三部分，其被配置为至少部分地基于由第一部分生成的数据来生成指示精子的健康的新数据；并且输出是至少基于由第二部分生成的数据和由第三部分生成的新数据来确定的。

6、在一些实施例中，机器学习模型是深度学习模型，其被配置为确定指示精子样本的健康的数据。在一些实施例中，指示精子样本的健康的数据包括以下中的至少一种：精子样本的浓度和精子样本的活力。在一些实施例中，精子样本的活力包括指示精子样本中的至少一个精子的运动的数据。

7、在一些实施例中，机器学习模型是第一机器学习模型，该第一机器学习模型被配置为确定精子样本的浓度和精子样本的活力中的至少一个；该系统还包括第二机器学习模型，该第二机器学习模型被配置为确定精子样本中的精子是否为正常形状；并且指示精子样本的健康的输出包括来自第一机器学习模型的第一确定和来自第二机器学习模型的第二确定。

8、在一些实施例中，成像设备包括：发射器，其包括被配置为照射精子样本的光源；样本保持器，其用于保持精子样本；以及传感器，其被配置为检测编码有与精子样本相关联的信息的光学信号。

9、在一些实施例中，光源是排列成阵列的多个光源中的第一光源，并且被配置为改变多个光源的至少一个照明条件。在一些实施例中，根据权利要求10的系统，其中发射器被配置为以脉冲模式操作，并且发射器的操作被配置为与传感器的操作同步。

10、在一些实施例中，成像设备、处理器和机器学习模型中的至少两个被集成在同一设备上。

11、在一些实施例中，由成像设备检测到的光学信号是与成像设备的第一照明条件相关联的第一组光学信号；并且成像设备还被配置为检测与成像设备的第二照明条件相关联的第二组光学信号。在一些实施例中，生成多个图像包括至少部分地基于第一组光学信号和第二组光学信号生成多个高分辨率图像。

12、根据本文所述的技术的一些方面，提供了一种用于自动化精子分析的方法。该方法包括：利用成像设备检测编码有与精子样本相关联的信息的光学信号；至少部分地基于光学信号来生成精子样本的多个图像；以及使用机器学习模型至少部分地基于所生成的精子样本的多个图像来确定指示精子样本的健康的输出。

13、在一些实施例中，检测编码有与精子样本相关联的信息的光学信号包括：使用成像设备的发射器照射精子样本，发射器被设置在精子样本的第一侧上；以及利用成像设备的光学传感器检测光学信号，光学传感器被设置在精子样本的与第一侧相对的第二侧上。

14、在一些实施例中，使用机器学习模型确定指示精子样本的健康的输出包括：使用机器学习模型的第一部分，基于精子样本的多个图像来生成指示精子样本的健康的数据；以及使用机器学习模型的第二部分，至少部分地基于由第一部分生成的数据来生成指示精子样本的健康的新数据。

15、在一些实施例中，生成精子样本的多个图像包括：确定传感器的第一平面处的检测到的光学信号的第一振幅值和第一相位值；基于第一振幅值和第一相位值来确定精子样本的第二平面处的检测到的光学信号的第二振幅值和第二相位值；以及基于第二振幅值和第二相位值更新第一平面处的第一振幅值和第一相位值。

16、在一些实施例中，生成多个图像包括：使用第二机器学习模型识别存在于多个图像中的一个或多个伪像；以及使用第二机器学习模型从多个图像中移除所识别的一个或多个伪像。

17、根据本文描述的技术的一些方面，提供了一种用于自动化样本分析的成像系统。该成像系统包括：成像设备，其被配置为检测编码有与样本相关联的信息的光学信号，该成像设备包括：发射器，其包括被配置为照射样本的光源；传感器，其被配置为检测编码有与样本相关联的信息的光学信号；以及设置在光源和传感器之间的样本保持器，该样本保持器被配置为保持样本并允许光从光源穿过到传感器；处理器，其与成像设备的传感器可操作地耦合，并且被配置为接收指示检测到的光学信号的数据，并且至少部分地基于检测到的光学信号来生成样本的多个图像；以及机器学习模型，其被配置为从处理器接收样本的多个图像作为输入，并且至少部分地基于接收到的样本的多个图像来确定指示样本的一个或多个属性的输出。

18、在一些实施例中，机器学习模型至少部分地使用具有比接收到的多个图像的分辨率更高的分辨率的训练图像来训练。在一些实施例中，一个或多个属性包括以下中的至少一个：样本中的内含物的存在、样本中的内含物的尺寸、样本中的内含物的形状、样本中的内含物的移动以及样本中的内含物的数量。

19、在一些实施例中，机器学习模型是对抗神经网络，其包括：第一部分，其使用具有更高的分辨率的训练图像来训练，被配置为基于接收到的样本的多个图像来生成指示样本的一个或多个属性的数据；以及第二部分，其被配置为至少部分地基于由第一部分生成的数据来生成指示样本的一个或多个属性的新数据；并且输出是至少基于由第一部分生成的数据和由第二部分生成的新数据来确定的。

20、在一些实施例中，机器学习模型是对抗神经网络，其包括：第一部分，其使用具有更高的分辨率的训练图像来训练，被配置为基于接收到的样本的多个图像提取图像特征；第二部分，其被配置为基于从第一部分接收的特征来生成指示样本的一个或多个属性的数据；以及第三部分，其被配置为至少部分地基于由第一部分生成的数据来生成指示样本的一个或多个属性的新数据；并且输出是至少基于由第二部分生成的数据和由第三部分生成的新数据来确定的。

21、在一些实施例中，机器学习模型是深度学习模型，其被配置为确定样本的一个或多个属性。在一些实施例中，机器学习模型是第一机器学习模型，其被配置为确定样本的一个或多个属性的至少第一属性；该系统还包括第二机器学习模型，其被配置为确定样本的一个或多个属性的至少第二属性；并且输出包括来自第一机器学习模型的第一确定和来自第二机器学习模型的第二确定。

22、在一些实施例中，成像设备、处理器和机器学习模型中的至少两个被集成在同一设备上。在一些实施例中，光源是第一光源；发射器包括排列成阵列的多个光源；并且发射器被配置为改变多个光源的至少一个照明条件。

23、在一些实施例中，由成像设备检测到的光学信号是与多个光源的第一照明条件相关联的第一组光学信号；并且成像设备还被配置为检测与多个光源的第二照明条件相关联的第二组光学信号。

24、在一些实施例中，生成多个图像包括至少部分地基于第一组光学信号和第二组光学信号生成多个高分辨率图像。在一些实施例中，多个图像的至少一个子集中的每一个与精子样本的相应深度相关联。

25、在一些实施例中，发射器被配置为以脉冲模式操作，并且发射器的操作被配置为与传感器的操作同步。在一些实施例中，通过利用发射器从传感器接收一个或多个信号，使发射器的操作与传感器的操作同步。

26、根据本技术的一些方面，提供了一种用于自动化样本分析的方法。该方法包括：利用成像设备通过以下步骤检测编码有与样本相关联的信息的光学信号：使用成像设备的发射器照射样本，该发射器被设置在样本的第一侧上；以及利用成像设备的传感器检测光学信号，传感器被设置在样本的与第一侧相对的第二侧上；至少部分地基于光学信号来生成样本的多个图像；以及使用机器学习模型至少部分地基于所生成的样本的多个图像来确定指示样本的一个或多个指标的输出。

27、在一些实施例中，生成样本的多个图像包括：确定传感器的第一平面处的检测到的光学信号的第一振幅值和第一相位值；基于第一振幅值和第一相位值，确定样本的第二平面处的检测到的光学信号的第二振幅值和第二相位值；以及基于第二振幅值和第二相位值更新第一平面处的第一振幅值和第一相位值。

28、在一些实施例中，生成多个图像包括：使用第二机器学习模型识别存在于多个图像中的一个或多个伪像；以及使用第二机器学习模型从多个图像中移除所识别的一个或多个伪像。

29、在一些实施例中，使用机器学习模型确定指示样本的一个或多个指标的输出包括：使用机器学习模型的第一部分，基于样本的多个图像来生成指示样本的一个或多个指标的数据；以及使用机器学习模型的第二部分，至少部分地基于由第一部分生成的数据来生成指示样本的一个或多个指标的新数据。

30、在一些实施例中，检测光学信号包括：利用成像设备的两个或更多个照明条件照射样本；以及检测与两个或更多个照明条件中的每个照明条件相关联的光学信号。

31、在一些实施例中，生成样本的多个图像包括：将与第一照明条件相关联的检测到的光学信号的第一特征和与第二照明条件相关联的检测到的光学信号的第二特征进行匹配；以及基于匹配的第一特征和第二特征来生成样本的多个图像。