在有纹理的电子显微图中识别和分类病毒粒子的制作方法

专利名称：在有纹理的电子显微图中识别和分类病毒粒子的制作方法
技术领域：
本发明涉及识别图像中的结构。具体地，本发明提供在有纹理的 电子显微图中识别和分类病毒粒子的方法和装置。
背景技术：
病毒装配是一个错综复杂的过程和研究集中的主题。病毒利用宿 主细胞经过复杂的成熟和细胞内运输过程产生其子代病毒粒子。可以 利用电子显微镜法在高度放大下监视该过程，从而允许可视地识别不 同细胞区室中的病毒粒子的不同类型。有待解决的重要问题包括病毒 装配过程中的每一步涉及到的病毒蛋白质的特性，以及在病毒成熟过 程中不同类型的病毒粒子的细胞内易位和定位的机理。虽然可视化技术，如断层摄影法和croy电子显微镜已经对病毒结构的海量信息作 出巨大的贡献，但通常很难用于病毒成熟的结构方面。这些技术提供 稳态的信息，通常是成熟的病毒粒子。基因工具可用于产生关键病毒 蛋白质成分的突变体，并能通过电子显微镜显示结构效果。但是，缺 少合适的工具表征结构效果，尤其是中间和模糊粒子的形式和以客观 的方法适当地对其量化。表征和量化病毒粒子、成熟和细胞内运送的 图像分析工具有助于使用电子显微法客观地研究不同的病毒装配状 态。需要从图像分析工具中构造和统计地获取大量信息，从而评估效 果和得出结论。发明内容表征电子显微图中病毒粒子的结构形态是一项复杂的任务，但是 与响应于所使用的突变和抗病毒药物的效果而研究成熟过程和监测 病毒粒子形态的变化关系密切。因此已经开发了一套根据对给定病毒 结构的投影的不变特征的测定来描述和分类病毒粒子形式的方法。在从电子显微图的小训练集获取的信息的基础上形成用于病毒粒子的 模板，随后使用模板通过相关处理分类和量化无限多个电子显微图中 的感兴趣的类似结果。使用线性变形分析，在此所述的新颖算法能够 处理病毒粒子变异，如椭圆形，而且允许评估特性，如病毒粒子的大 小和方位。定位感染人细胞巨化病毒的成纤维细胞的投射电子显微图 中的三个不同类别的病毒粒子的能力展示了该方法的实际应用。总之，该方法用于识别和表征电子显微图中的结构。选择第一图 像中的结构。该结构具有在第一方向变形的第一形状类型。所选结构 转换到不同于第一形状类型的第二形状类型。第二形状类型的转换结 构用于形成多个模板。识别第二图像中新的结构。新的结构具有第一 形状类型。每一个模板的第二形状类型结构在第一方向变形。确定哪 一个模板是最匹配新结构的优选模板。


图1A和1B是生长中的疱疹病毒的典型投射电子显微图；图2A是空的疱疹病毒核壳；图2B是具有半透明内核的疱疹病毒核壳；图2C是包含己包覆的DNA的疱疹病毒核壳；图3A是椭圆形的病毒粒子；图3B是已经变形为圆形的病毒粒子；图4A-C是在不使用系数减小(无)或使用展示最小变异(VAR) 的80%的系数的电子显微图中，用于病毒壳体结构(A、 B和C)的检 验函数；图5A是检验函数A与真实的壳体结构及类似伪结构的匹配； 图5B是检验函数B与真实的壳体结构及类似伪结构的匹配； 图6是与泡囊内部的检验函数A的匹配；图7A-C是分别用于不同检验函数A、 B和C的伪正比和(FPR) 和伪负比(服);图8是用于检验函数A、 B和C的正可能性函数(PPF);图9是病毒学家确定的出现在一组检验图像中的病毒结构的实 际总数(X轴)与本程序识别的数量的比较。图10是在所示用于C检验函数的电子显微图中自动生成的识别 感兴趣的位置的图谱。
具体实施方式
在此描述了有助于在电子显微图中识别病毒粒子的自动化系统的开发。作为模型，使用己感染人巨细胞病毒(HCMV)的成纤维细胞，巨细胞病毒是一种e疱疹类病毒。应当理解疱疹病毒仅用作说明性示 例及本发明不限于疱疹病毒。在感染人巨细胞病毒期间，产生病毒粒 子的许多不同的中间形式。在疱疹病毒装配期间，迫使宿主细胞复制 病毒基因物质，并产生壳体、病毒蛋白质外壳，其包裹和保护基因物 质。壳体是球形结构，其尺寸和对称性可以变化，且当成熟时可以由 双层薄膜套封。病毒壳体的成熟是病毒粒子生成的重要阶段，经常为 人们所研究。但是，其在电子显微图中的外观变化显著，这使研究面 临挑战。疱疹病毒唯一的特征是被膜，在最终包膜之前包裹壳体的病 毒蛋白质层。通过在细胞质内的分泌泡囊中生长被膜壳体获得包膜。 其后，通过用血浆薄膜融合包含泡囊的病毒，感染的病毒粒子退出宿 主细胞。己经在投射电子显微图中开发出用于分类和量化病毒粒子的目标程序。在相关的croy电子显微镜(croy-EM)图像分析中，相当多 的努力投入不同的识别方法的研究中。在croy显微图中，采取用于 边缘检测的多模板和方法的交叉相关已经得到成功的应用。允许表征和量化病毒粒子的成熟及其细胞内部易位的适当方法 有助于采用电子显微法客观地研究这些现象。然而，电子显微镜的图 像很难以客观的方式分析和描述，因为其有很重的纹理背景。此外， 各个病毒粒子显示出多种形状，这取决于其在电子显微图中的投影、 用于准备电子显微法的样本的过程和用于摄影术的设置。提供有价值 的信息的典型显微像100、 102分别如图1A和1B所示。在本发明中，方法已应用于分析被感染的细胞核中的HCMV壳体， 其处于定义的成熟状态，如空壳体104 (称为A)、具有半透明核心 的壳体106 (称为B)和包含已包覆的DNA的壳体108 (称为C)，如 图2A-C所示。根据本发明的方法和装置与病毒粒子共同表示。其应当被视为非 限定性实施例。其他类型的粒子，包括生物体，例如细胞或细胞结构， 还有非有机粒子和结构通过略微修改所述方法和装置也可以识别和 表征。根据本发明的方法包括图像获取步骤。电子显微图可以作为待扫 描的文件或图片由电子显微镜提供。该方法进一步的步骤是完成和存 储每一张显微图的像素大小、分辨率和放大信息。在预处理步骤中，选择相关的粒子，其从可能的变形外观转换为 圆形。在形成模板的步骤中，选择和转换的粒子用于形成模板，模板可 以由检验函数表征。在匹配步骤中，模板或检验函数用于识别进一步的图像中的粒 子。以下进一步描述和举例说明本方法的步骤。根据本发明的识别和分类装置可以基于具有足够计算能力的通 用个人计算机。识别和分类的装置具有用于接收显微图的接口、用于 转换变形图像的预处理装置、用于形成模板或提取检验函数的装置和 用于执行匹配程序的装置。这些步骤通常和优选由软件代码模块执 行。细胞培养物如人胚胎的肺成纤维细胞(HF)保存在具有汉克氏 (Hank's)盐(GIBCO BRL)的无碳酸氢盐的最低基础培养基中，汉 克氏盐中添加有25rnM的HEPES (4- (2羟乙基)-1-哌嗪乙磺酸)、 10%的热灭活小牛血清、L-谷氨酰胺(2mM)、青霉素(100U/ml)和 链霉素(100mg/ml) (G翻BRL，美国纽约州格兰德岛市)。细胞 培养在1752的组织培养瓶中用于最多17次继代。在病毒感染步骤中，HF细胞采用感染复数(MOI) 1感染HCMV菌 株AD169。在感染后7或10天(7或10dpi)收集包含上清液的病毒， 通过低速离心清除细胞碎屑并冷冻在-7(TC直到用于接种。为了用电子显微镜检查感染病毒的细胞，在l、 3、 5和7dpi收 获未感染和已感染HCMV的细胞，随后在包含0. 1M的蔗糖和3mM、 PH 值7. 4的CaCL的0. 1M的二甲基胂酸钠缓冲剂中将其在室温下固定在 2%的戊二醛中30分钟。然后用木棒刮掉细胞，转移到埃彭道夫管中 继续在4。C固定一整夜。该步骤之后，在包含3raM、PH值为7. 4的CaCh 的0. 15M的二甲基胂酸钠缓冲剂漂洗细胞，并通过离心分离制成小球 状。随后在溶解于包含L 5mM、 PH值7.4的CaCl2的0.07M的二甲基 胂酸钠缓冲剂中的2%的四氯化锇中以4"C后固定这些小球2小时，随 后在乙醇和丙酮中脱水，并埋入LX-112 (Ladd，美国佛蒙特州伯灵 顿)中。通过跟随柠檬酸铅的醋酸盐铀酰获得截面对照，并在Philips 420或Tecnai 10 (FEI公司，美国俄勒冈州)透射电子显微镜中在 80kV下进行检查。随后进行图像捕获、离散化和分析。感染HCMV的HF细胞的电子 显微图在HP ScanJet 3970中采用8位灰度图按5. 5nm/像素的分辨 率数字化。采用Matlab 7.0.1 (Mathworks公司，美国马萨诸塞州 内蒂克)和Sun Java 1. 4. 2软件在Dell的0ptiplex GX260个人电 脑上实现。该分析涉及如下所述快速和方便使用的易用图形界面和自 动化参数。已经开发出了用于研究细胞内病毒装配的用户友好和可靠的工 具。该方法是基于在显微图的区域^中查找点的密集集合，对于每一 个显微图，点具有对应的函数值。点的集合及其函数值总称为检验函 数或模板，并由序列描述((、，c》h，其中x是点，c是函数值。检验函数优选以函数值的序列与对应点的灰度值关联的方式产生。因此， 需要同一类型的病毒粒子的定义集合，从而训练和设计该序列提供具体病毒粒子的模板。该稀疏表示能够容易地变形和调整模板为单个的 病毒粒子，其形状在显微图中或多或少是椭圆形。在变形预处理步骤中，在不同的图像中相同类型的病毒粒子中的 子结构位置会变化。例如，有时病毒粒子以这样的方式变形，以至显 示在不同的椭圆形式中。为了形成检验函数，使用线性矢量空间，其 要求被分析的矢量空间位置相对固定。选择统一的线性变换以模拟变 形，因为其涵盖显微图中所见的最明显的变形。这些计算的计算成本 相当低，并简化了边界管理。该方法需要4维变换算子，即2X2的 矩阵。所涉及的这些变量可以表示为变形前的结构旋转(&)、主半 径变形(F)、引起椭圆结构的变形率(")和变形后的旋转。 这些共同形成如下表示的变形<formula>formula see original document page 9</formula>为了识别单个病毒的变形变量，椭圆集合人工地用于评估位置、大小和每一个壳体壁的变形，如图3A和3B所示，图像110(称为A) 为椭圆形，而图像112 (称为B)变形更接近于圆形。因此提供四个 变量中的三个(&、 F和d)。部分变换样本以获得不变形(J = l) 测量到的主半径，如图3B所示。独立于旋转的特征，如壳体壁的多边形结构和DNA核的位置可以 由每一个样本的^值确定。为了找到该值，在覆盖图像U4a、 116a 和118a的明显可见区域的圆的内部用每一个部分转换样本的平均值 对样本进行正规化，如图4A-C左侧列所示。然后，相对于角度最小化在每一个样本的丄2指向的距离的平方和。由于该最小化涉及iV -1个 变量，W是涉及待固定样本的参考样本的数量。该过程可以通过一一 最小化到已处理的样本的距离来简化。图像所有的变换可以以双线性 的方式进行，因此在点(x,力函数的值近似为/(x,力=/fe》(1 — & )(l — L,) + Z)、 (1 — L,) + /fe力(l —、,)凡，+ / (x, y)x",乂 其中；是最接近x的较小整数值，i是最接近x的较大整数值，且 x。,=x-p使用同样的内插法进行积分。从该处理步骤得到的测量结果提供变形特性范围的指示，即主半径和变形率，但是这些参数应当 在额外的经验的基础上确定。由于病毒结构的所有类型的旋转和所有 方向的变形都预期能在电子显微图中提供，所以这些变量优选不固 定。随后可以识别用于病毒粒子模板的点和局部函数值(参数)。当 变形的样本与同样位置的部分结构对准时，该方法可用于查找不变函 数的值。为了更清楚地描述该过程，变形样本/可通过列举(单个列举)像素位置x和其对应的函数值c为/ = , c,t)L转化为该函数的图。在包含像素位置的相同序列的函数值乂.和力(以下称为矢量)的两序列之间，其匹配度使用标准的估计统计相关确定其中歹是矢量的平均值，并映射所有系数到[-l,l]的匹配。使用该 方法的基本原理是其指明两结构之间的线性相似度。将使用其平均值=/^正规化的样本矢量放在矩阵的列中，确定使|#/(.||尽可能大的检验函数序列.z;,(W卜i)，从而为用于训练的样本提供最佳匹配。奇异值分解(SVD)描述如下|#/c| = |fwVc|= (r是规格正交化方矩阵)=|5:"7(.|| = ||^||应用到j，如果预计到/c"戸"((7)，则|卜| = 1。当w是对应于S的最大特征值的特征向量时最后的表达式最大，并因此y^应当是t/的对应列。因此该函数是乂中的列的线性组合，匹配(式2a)简化为(式2b)在最初的SVD中的检验函数利用与假设的第一支点关联的系数。这些点中的一部分位于图像中的病毒结构之外的某处，此外结构中的一些点的系数变化相当大。因此，为了排列每一个系数的重要性，从而消除最差方差，为每一个系数计算下式的值 隱,S([义,-〈/c雄]J应当在检验函数中保持特定百分比的点。因为这些运算基于检验 函数变化，所以随后计算新的SVD。图4A-C说明使用全部系数和只使用识别到的变化系数的80%获 得的检验函数，系数的80%展示根据方差排列的最小方差。很明显， DNA核的大小在用于C壳体的检验函数中出现变化，因此在右侧的图 像114b、 116b和118b中清除了大部分不确定的点。从而，通常采用 减少系数数量的方式获得的检验函数。随后可以合成变形。由于所分析的结构假设为在任意方向定位和 在任意方向变形，所以当分析图像时这些特征必须自动应用到检验函数。变形检验函数时，还感兴趣匹配函数的动作提供的信息，并在类似的情况下采用。在保持图像B和检验函数(不变以及变化变形r的 同时，分析匹配函数g(r^ikf(/c,讽rxjL)，其中序列(x^从使用的检验函数的结果获得。为了用参数<formula>formula see original document page 12</formula>柳,描述r ，作出以下假设<formula>formula see original document page 12</formula>变形的检验函数代表最类似于图像中的目标的结构。假设这个r是最大化g的:r。 (ii)与最大变形关联的r应当 位于变形集合的内部，而不在边界上。在这些条件下，即使g最大化 超过集合边界(即结构过大、过小或变形太严重)，与最接近的边界 点的匹配仍然很吻合。考虑到识别，结构应当配合这些标准。匹配函数的最大化应当用 反向最陡下降方案进行，使用无变形检验函数作为起始点，近似的导 数作为八点中心差分方案(即变形中每一个变量两个点)。所采用的匹配标准的应用如图5和6所述。图5A说明了当应用 于真实的A壳体以及类似的伪结构时，这些标准如何产生作用。在图 像120 (称为A)中表示真实的壳体。当检验函数变形时，图形说明 匹配函数g如何随半径大小(F)和变形度(d)变化，半径大小和 变形度来自最大化g的可接受变形集合中的点。变形后的检验函数的 外观类似于样本的外观，且变形在边界的内部。因此分类应当是正的。 在图5B的图像122 (称为B)中，不同于图像A，最大化g的变形集合中的点位于边界上，且图形显示在集合之外的较高匹配值。因此， 分类应当是负的。在这种情况下，为了说明的目的，变形边界设置为<formula>formula see original document page 12</formula>病毒的壳体通过发芽穿过细胞器的薄膜退出细胞核。与该过程有关的是很难分辨病毒与其他结构，如图6中的图像126a和126b所示。 用蓝叉标记的结构执行匹配标准(i)和(ii)，而用红圈标记的结 构只执行标准(i)。在该图中，蓝叉指示图像中检验函数与壳体结 构之间的匹配好于0.8、变形度可接受的图像中的点。红圈指示匹配 好于0. 8但是变形度不可接受的点。标为匹配的结构具有0. 94的配 合，值非常高。随后可以在电子显微图中识别病毒粒子结构。为了在图像B中查 找类似于检验函数々的结构，公式2b扩展为巻积。因此在m点的检 验函数的匹配可以表达肘^—)= sup M(/c,{S(m + 7^)}4)。然而，该过程非常消耗时间。其通过进行下列观察和假设可以加速(i) 检验函数的变形变量不相互正交，并且因为这些结构实质 上独立于旋转，所以非变形检验函数的匹配优于特定值对同样类型的 任何可接受变形结构的匹配。(ii) 由于转换进一步变形结构，假设对非变形检验函数的匹配 在病毒粒子的实际位置高于在远离该位置的检验函数的至少一直径 的位置。实施这些标准时，可以在较大的图像内识别潜在感兴趣的点的子集。随后采用上述部分中的优化进行分析。该方法提供了与匹配值 尸=^ 关联的图像中的点的最终集合。为了确保包含图像中所有感兴趣的点，与上述假设(i)相关的阈值设定为O. 5。在最终集合的后处理中，计数病毒粒子。在所有的图像中没有区 别真实结构与伪结构的阈值(t)，采用该方法分配的结构与有经验 的病毒学家得出的结论不完全一致。因此设置阈值水平不是一个选 项。相反，正可能性函数PPF:[-1,1] —[O,l]可以用于确定与特定匹配值关联的给定点实际上与病毒粒子关联的可能性。通过计算正确识别的 结构的数量与采用特定的匹配值识别的结构的总数的比率获得正预 测值的扩展。因此，对于用该方法识别的结构的集合尸包含与给定类 型的病毒粒子关联的点的子集Pcorrect:<formula>formula see original document page 14</formula>为了获得平滑和单调增长的函数，s的值选择0.05。指示图像中结构的预期数量的可能性函数是<formula>formula see original document page 14</formula>该方法的FNR / FPR精确度描述如下。为了根据成熟的阶段组织 电子显微图中所见的病毒粒子，需要如在此所述的模型描述每一个特 定阶段。此外，由于该模型用于检测和量化图像中的病毒粒子，其必 须能够抛弃伪结构。因此，理想的模型应当检测不同类型的病毒结构 的所有可能的图像。但是不包括位于同一空间即背景中的其他物质。 为了在这方面表征我们的模型，通常使用伪负比(FNR)和伪正比 (FPR) 。 FNR定义为该方法不正确地抛弃的真实病毒粒子的数量与 真实病毒的实际数量的比率，而FPR定义为识别为真实结构的伪结构 的数量与该方法视为真实结构的总数量的比率。从而这两个比率都在 0到1之间，O是理想值。为了根据由匹配值的集合提供的信息确定病毒粒子的数量，匹配 值通过搜寻整幅图像获取，可使用上述正可能性函数。识别粒子的预 期数量与图像中提供的真实粒子数相比以获得计数误差的平均值和 标准差。此外估计是否有系统平均差，即是否该方法平均识别过多或 过少的粒子。H()假设为检验"平均差二0"。对图像的各个集合进行标准化和检验，2用于训练，12用于检验。用于标准化的样本数量是分别用于检验函数A、 B和C的4， 7和10。检验图像包含总共53个A壳体、239个B壳体和83个C壳体。变形边界i殳置为(&,F,^&) e (
,
,
，
)。伪负比(FNR)和伪正比(FPR)描述如下。通过比较我们的结果 与经验丰富的病毒学家的结果评估该方法。作为用于匹配测量的阈值 的函数计算FPR和FNR，分别如图7A-C的图形128、 130和132所示。 FNR定义为采取用于匹配测量的特定阈值的方法不正确地抛弃的真实 结构的数量与病毒学家确定提出的病毒粒子的实际数量之间的比率。 类似地，FPR为识别为真实结构的伪结构的数量与由该方法视为真实 结构的结构总数之间的比率。与其他方法比较，对于检验函数A曲线 交叉出现在0.25，对于检验函数B出现在O. 13，对于检验函数C出 现在O. 23。在电子显微图中量化结构可以如下所示描述。从以上提供的结果 计算出的PPF值134如图8所示。图形描述了在特定的匹配值该方法 正确地识别病毒的相对频率。通过比较，提供完全分别真与伪结构的 理想方法会在某个阈值导致海维赛德阶跃函数。通过比较，提供完全 分别真与伪结构的理想情况过程会在某个阈值导致海维赛德阶跃函 数。我们的方法识别为检验图像的集合中出现的病毒粒子的总数对 比病毒学家确定的正确数量的离散点图及恒等函数如图9所示。该图形中的直线表示恒等函数。平均差是O. 16，标准差是5.63。零假设，即"平均差=0"的重要等级是0.92。很明显，这两个值(平均差=0. 16， 标准差=5.63)之间具有紧密的相似性，其在理想情况下会出现在恒 等函数上。根据学生t检验H。的重要等级是0. 92的事实表明平均来 看在两种方法之间极有可能没有系统差。这些结果表示在电子显微图 的大集合中处于不同成熟阶段的病毒结构的总数的快速筛选，这对专 家来说是一项既耗时又乏味的任务，而我们的自动程序可以迅速和可 靠地完成。根据图像138中的位置集合，其中定位了感兴趣的结构，可以产 生如图10所示的图谱。这极大地促进了人工计数结构，还给出了人 工分析的框架。不用简单地计数和比较未处理的图像中的结果，这样 的图谱在该任务中极大地帮助了病毒学家。各种结构按匹配值递减的 顺序从左到右排列，从首行左侧开始。当研究病毒装配过程时，与成熟阶段有关的结构拓扑的信息通常 不可用或定义得模糊。因此，需要用于排列和分类不同成熟阶段的病 毒粒子的工具。当通过分类明显结构的集合获得几个起始点时，通过 所采用的分类函数识别类似的结构，这些点可以用于扩展已分类结构 的集合。该方法有助于快速、可靠和易于描述地映射电子显微图中的 病毒成熟。虽然本发明已经根据优选的组成和实施例进行了描述，但是应当 理解可以不脱离本发明的精神和范围作出替换和改动。
权利要求
1. 识别和表征电子显微图中的结构的方法，包括选择第一图像中的结构，该结构具有在第一方向变形的第一形状类型；将所选结构转换为不同于第一形状类型的第二形状类型；使用第二形状类型的转换结构形成多个模板；识别第二图像中的新结构，新结构具有第一形状类型；在第一方向变形每一个模板的第二形状类型的结构；及确定哪一个模板是最匹配新结构的优选模板。
2、 根据权利要求1所述的方法，其中该方法进一步包括从椭圆 形或圆形机械地变形病毒粒子。
3、 根据权利要求2所述的方法，其中该方法进一步包括在变形 病毒粒子之前表达病毒粒子的旋转。
4、 根据权利要求3所述的方法，其中该方法进一步包括在变形 病毒粒子之后表达病毒粒子的旋转。
5、 根据权利要求1所述的方法，其中该方法进一步包括检验其 他模板以验证优选模板提供最佳匹配。
6、 根据权利要求5所述的方法，其中该方法进一步包括根据涉 及结构的大小和椭圆度的参数选择结构。
7、 根据权利要求1所述的方法，其中该方法进一歩包括变形多 个模板为新椭圆形结构的形状，及检验每一个变形的模板以验证优选 模板最精确地匹配第二图像中的新椭圆形结构。
8、 根据权利要求7所述的方法，其中该方法进一步包括检验不 同于第一方向的其他方向以验证优选模板的变形的第一方向提供新 椭圆形结构的最佳匹配。
9、 根据权利要求8所述的方法，其中该方法进一步包括确定在 不同于第一方向的其他方向匹配不太精确。
10、 根据权利要求7所述的方法，其中该方法进一步包括根据优 选模板确定新椭圆形结构的成熟阶段和结构类型。
11、根据权利要求1所述的方法，其中该方法进一步包括过滤布 置在新椭圆形结构的半径距离之内的结构。
全文摘要
本发明方法用于识别和表征电子显微图中的结构。选择第一图像中的结构，该结构具有在第一方向变形的第一形状类型。所选结构转换到不同于第一形状类型的第二形状类型。第二形状类型的转换结构用于形成多个模板。识别第二图像中新的结构。新的结构具有第一形状类型。每一个模板的第二形状类型结构在第一方向变形。确定哪一个模板是最匹配新结构的优选模板。
文档编号G06K9/42GK101278303SQ200680033492
公开日2008年10月1日 申请日期2006年9月12日 优先权日2005年10月12日
发明者穆罕默德·霍曼, 马丁·赖纳 申请人:智能病毒成像公司