用于检测器官切片上荧光图案类型的存在的方法和设备与流程

1.本发明涉及用于通过免疫荧光显微术并且通过数字图像处理来检测器官切片上荧光图案类型的潜在存在的方法和设备。


背景技术：

2.免疫荧光显微术或间接免疫荧光显微术是一种体外测试，用于确定针对特定抗原的人类抗体的存在，以便能够回答或评估诊断问题。例如，此类抗原存在于器官切片、例如鼠肾脏或猿猴食道的特定区域中。因此，所使用的基质是器官切片，其与呈血液或稀释血液或血清或稀释血清形式的患者样品一起培育。因此，患者样品潜在包含特定初级抗体，其可以表达患者中疾病的存在。这样的初级抗体或特异性抗体然后可以与基质或器官切片的抗原结合。以这种方式结合的初级抗体然后可以通过将所谓的次级抗体、优选抗人抗体在进一步的培育步骤中与结合的初级抗体结合来标记，并且之后可以通过如下方式变得可见，即，次级抗体利用荧光染料标记。这种荧光染料优选为绿色荧光染料，尤其是荧光染料fitc。初级抗体连同经荧光标记的次级抗体的这种结合随后可以通过用特定波长的激励光照射器官切片并因此激发结合的荧光染料发射荧光辐射而显现。
3.根据诊断问题，重点可以是在特定器官切片或器官切片的非常特定的子区域或子面上一种荧光图案类型或非常特定的荧光图案类型的存在。因此产生的任务是通过在免疫荧光显微术过程中对以规定方式培养的器官切片进行数字图像处理来检测免疫荧光显微术的荧光图像中的一种或多种荧光图案类型。
4.图8示出作为器官切片示例的大鼠胃的荧光图像。这样的器官切片具有不同的器官层。器官层在此例如是所谓的粘膜层sc2或具有壁细胞和腺间收缩原纤维的粘膜，也称为粘膜层。
5.另一个器官层例如是环肌和纵肌，也称为肌层sc1。另一个器官层例如是所谓的移动层，也称为粘膜下层sc3。例如，另一个器官层例如是粘膜肌层sc4。例如，另一个器官层是血管sc5。
6.对于示例性的抗平滑肌抗体图案(asma)，对于图案的检测而言两个特定的器官层是相关的：一方面是肌层，另一方面是粘膜层。通过检测asma图案的存在，则接着可以通过医生或专家推断出存在肝炎。
7.如果在前面提到的两个器官层上出现共同形成荧光图案asma的相应的特定的子荧光图案，则表明所谓asma图案的存在。尤其是，这里使用了由器官层肌层中的网状或格子状图案和粘膜层-器官层上的细线(腺间收缩原纤维)图案构成的组合。因此，这两个上述器官层需要以足够的程度或者相对于荧光图像的总面以足够的子面存在于荧光图像中，以便能够通过数字图像处理可靠地检测asma图案的存在。
8.发明人因此认识到，在免疫荧光显微术的原理中基于生产中的器官切片可能会发生特定的负面影响，所述负面影响可能反作用于通过图像处理对荧光图案的存在的可靠检测。如图8所示的器官切片可能分别在足够面积份额上不具有前面提到的两个器官层。由于
生产故障可能导致两个层中的至少一个层或两个层分别仅在非常小的面积份额上存在于荧光图像中。通过数字图像处理和神经网络对荧光图案的检测可能会导致错误结果，应避免所述错误结果。
9.在生产过程中，必需的器官材料并非无限量提供。首先将较大的器官切片施加到载体面上，然后将载体面在玻璃上分开成子载体面，优选通过切割分开成子载体面，从而只能在器官切片的一定区域中发生载片的部分覆盖。因此，在生产过程中，特定的器官层可能仅以小的份额存在于器官切片中。
10.替代地或附加地，可能会出现另外的负面效果：为了荧光图像中的图案的充分的呈现或可识别性，有时使用特定光学放大率的显微镜光学系统来获取荧光图像。这可能引起如下荧光图像，该荧光图像无法囊括或呈现整个载片或整个器官切片。由此也可能导致特定的器官层仅以小的份额存在于器官切片的荧光图像中。


技术实现要素：

11.因此提出用于通过免疫荧光显微术并且通过数字图像处理来检测器官切片上荧光图案类型的潜在存在的方法。
12.所述方法具有不同的步骤。首先，在载片上提供器官切片。然后将器官切片与潜在具有初级抗体的液态的患者样本一起培育。此外，将器官切片与用荧光染料标记的次级抗体一起培育。然后在与荧光染料相对应的颜色通道中获取器官切片的荧光图像。此外，将荧光图像提供给一个神经网络。
13.所述方法的特征在于，借助所述一个神经网络同时地通过分割荧光图像确定分割信息并且此外也同时确定指示荧光图案类型的实际存在的置信量度。
14.此外，基于先前确定的分割信息确定荧光图像的与荧光图案类型的构成相关的至少一个子面。
15.此外，基于先前确定的至少一个子面确定指示置信量度的有效性程度的有效性信息。
16.最后，此外根据有效性信息输出荧光图案类型的实际存在的置信量度。
17.为了阐明一个或多个可能的优点，下面更详细地解释根据本发明的方法的相应方面。
18.如上所述，当在载片上制备器官切片时可能会出现不同的问题，使得与要检测的图案或荧光图案相关的器官层不能以足够的覆盖度或足够的子面存在。通过根据本发明的方法检验特定的器官层作为与荧光图案类型的构成相关的子面是否以足够的程度存在，并且然后基于先前确定的子面确定有效性信息，可以相应地控制或影响置信量度的输出。换言之：可以依据子面检验置信量度。因此，特定的子面与特定的器官层相对应。荧光图像的子面因此尤其是如下子面，该子面基于分割信息配设给特定器官切片或特定器官层。换言之：子面被确定为代表特定器官层的子面，该子面或该器官层基于分割信息确定。
19.因此可以通过检验子面来确保所确定的关于荧光图案类型的存在的置信量度也是有效的，因为在例如子面或器官层具有过小的面积或过小的情况下，置信量度可能被检测为无效。
20.例如，在子面太小的情况下，可以优选地不输出置信量度。
21.此外，所提出的方法尤其是由于另一个原因是有利的。所述一个神经网络同时确定关于荧光图像的分割信息和针对荧光图案类型的存在的置信量度。神经网络因此如此设计，使得关于荧光图案和至少一个特定的可见的器官层或其子面的信息可以流入到通过神经网络进行的分析中，并且流入到关于荧光图案类型的存在的置信量度的确定中。换言之：神经网络是经预训练的神经网络，该经预训练的神经网络在训练期间不仅已经学习了关于荧光图案类型的存在的置信量度而且学习了关于荧光图像的分割的分割信息。在此，分割信息尤其代表多个子分割信息，这些子分割信息分别代表器官切片的相应的不同器官层。
22.根据本发明，不进行由现有技术已知的图像处理：在现有技术中，可以首先确定以图像片段形式或作为分割信息的所谓掩膜，然后将其置于实际的荧光图像上，然后神经网络仅还分析荧光图像的那些被掩盖的子区域，这些子区域被掩膜或分割信息过滤掉，以确定置信量度。在此，将首先最终确定分割信息，然后将其作为掩膜应用于荧光图像，并且仅荧光图像的通过掩膜确定的子图像区域被输入到关于荧光图案的存在的置信量度的分析或确定中。
23.根据本发明不依循根据现有技术的这种方法，因为不仅分割信息而且置信量度都同时通过神经网络确定。尤其是，优选地在根据本发明的方法中，首先通过借助至少一个卷积运算变换荧光图像将荧光图像变换成所谓的特征空间，然后只有在变换成特征空间之后才对得到的特征信息进行进一步处理，以便基于该特征信息不仅确定分割信息而且确定置信量度。在根据优选实施方式的这种优选设计的方法中，不将分割信息或分割掩膜放置到荧光图像上，而是分割信息的确定和置信量度的确定在神经网络的处理中彼此间相依赖。由此，可以优选正好在神经网络的训练阶段中通过以下方式有利地影响置信量度的确定，即，同样同时确定的分割信息影响置信量度的确定并且因此隐含地确定的分割信息或确定的器官层可以被突显或被更强地输入。另一个优点尤其在于，神经网络的训练不是在两个单独的步骤中进行，而是训练同时带来神经网络关于分割和置信量度的确定的优化。
24.本发明的有利实施方式是从属权利要求的技术方案并且在以下描述中部分参考附图更详细地解释。
25.所述方法优选地具有进一步的步骤：基于分割信息确定荧光图像的与荧光图案类型的构成相关的多个子面；并且基于先前确定的子面确定指示置信量度的有效性程度的有效性信息。
26.所述方法优选地具有进一步的步骤：确定所述至少一个子面相对于荧光图像的面的面积份额；并且基于所述面积份额确定有效性信息。
27.所述方法优选地具有进一步的步骤：确定相应的子面相对于荧光图像的面的相应的面积份额；并且基于所述面积份额确定有效性信息。
28.所述方法优选地具有进一步的步骤：基于分割信息确定荧光图像的与荧光图案类型的构成相关的多个子面；确定相应的子面相对于荧光图像的面的相应的面积份额；基于所述面积份额并且基于相应的阈值确定有效性信息；在相应的面积份额超过相应的阈值的情况下，输出荧光图案类型的实际存在的置信量度。
29.神经网络优选设计为使得首先基于荧光图像通过至少一个或多个卷积运算在特征空间中生成多个特征信息的第一集合；并且然后基于特征信息的第一集合来确定分割信息和置信量度。
30.神经网络优选设计为使得首先基于荧光图像通过一个或多个卷积运算在特征空间中生成多个特征信息的第一集合；然后基于特征信息的第一集合来确定分割信息；并且然后基于特征信息的第一集合以及基于分割信息来确定置信量度。
31.神经网络优选设计为使得首先基于荧光图像通过一个或多个卷积运算在特征空间中生成多个特征信息的第一集合；然后基于特征信息的第一集合来确定分割信息；然后基于分割信息通过至少一个卷积运算在特征空间中生成多个特征信息的第二集合；并且然后基于特征信息的第一集合和特征信息的第二集合来确定置信量度。
32.所述方法优选地具有进一步的步骤：基于分割信息确定荧光图像的与荧光图案类型的构成相关的多个子面；在将荧光图案类型确定为实际存在的情况下，确定荧光图像中的子面之中的一个与荧光图案类型的构成潜在相关的子面的亮度；并且估计患者样本的最大稀释度，在该最大稀释度的情况下，器官切片与患者样本的培育仍引起荧光图案类型的存在。
33.还提出了一种用于通过免疫荧光显微术以及通过数字图像处理来检测器官切片上至少一种荧光图案类型的至少一个潜在存在的设备，所述设备包括：用于载片的保持装置，该载片带有器官切片，该器官切片已与具有自身抗体的患者样本以及还与分别用荧光染料标记的次级抗体一起培育；至少一个图像获取单元，用于在与荧光染料相对应的颜色通道中获取器官切片的荧光图像。所述设备此外包括：至少一个计算单元，所述计算单元构造用于：将荧光图像提供给一个神经网络；借助所述一个神经网络同时地通过分割荧光图像确定分割信息并且此外确定指示荧光图案类型的实际存在的置信量度；基于分割信息确定荧光图像的与荧光图案类型的构成相关的至少一个子面；基于先前确定的至少一个子面确定指示置信量度的有效性程度的有效性信息；并且根据有效性信息输出荧光图案类型的实际存在的置信量度(km)。
34.还提出了一种用于数字图像处理的方法，所述方法包括：接收荧光图像，所述荧光图像代表器官切片被荧光染料染色；将荧光图像提供给一个神经网络；借助所述一个共同的神经网络同时地通过分割荧光图像确定分割信息并且确定指示荧光图案类型的实际存在的置信量度；基于分割信息确定荧光图像的与荧光图案类型的构成相关的至少一个子面；基于先前确定的至少一个子面确定指示置信量度的有效性程度的有效性信息；根据有效性信息输出荧光图案类型的实际存在的置信量度。
35.还提出了一种计算机程序产品，包括指令，所述指令在通过计算机执行程序时促使所述计算机执行用于数字图像处理的方法。
附图说明
36.下面借助特定的实施方式在不限制本发明一般构思的情况下依据附图更详细地解释本发明。附图中：
37.图1示出根据本发明的方法的实施方式，
38.图2示出用于确定相应的面积份额的优选步骤，
39.图3示出关于相应的阈值的相应的子面的检验，
40.图4示出根据本发明的方法的实施方式，该方法包括用于生成特征信息的不同集合的确定步骤，
41.图5示出用于估计患者样本的最大稀释度的优选步骤，在该最大稀释度的情况下，器官切片与患者样本的培育仍引起荧光图案类型的存在，
42.图6示出所提出的用于数字图像处理的方法的优选步骤，
43.图7示出所提出的设备的实施方式，
44.图8示出具有不同的器官层的示例性器官切片，
45.图9示出图8中所示的荧光图像连同分割信息，
46.图10示出不同的突显的器官层，
47.图11示出实验结果，
48.图12示出神经网络的实施方式的纵览结构，以及
49.图13示出神经网络的各单个的处理块的详细图示。
具体实施方式
50.图10示出设备v1，通过该设备可以优选地执行根据本发明的方法。设备v1可以称为荧光显微镜。设备v1包括用于以上述方式培育的基质s或载片的保持装置h。经由光学装置o，激励光源lq的激励光al被导向基质s。所产生的荧光辐射fl然后通过光学装置o传回并穿过分色镜sp1和可选的光学过滤器f2。优选地，荧光辐射fl穿过光学过滤器fg，光学过滤器将绿色通道过滤出。相机k1优选地是单色相机，该单色相机然后在存在光学过滤器fg的情况下在绿色通道中获取荧光辐射fl。根据一种替代的实施方式，相机k1是彩色相机，该彩色相机在不使用光学过滤器fg的情况下够用并且通过拜耳矩阵在作为绿色通道的相应颜色通道中获取荧光图像。相机k1将图像信息bi或荧光图像提供给计算单元r，该计算单元处理所述图像信息bi。优选地，计算单元r可以通过数据接口ds1输出或提供数据ed、例如荧光图像、置信量度和/或有效性信息
51.图1示出所提出方法的实施方式的步骤。在步骤s1中，在载片上提供器官切片。在步骤s2中，将器官切片与潜在具有初级抗体的液态患者样本一起培育。在步骤s3中，将器官切片与用荧光染料标记的次级抗体一起培育。
52.在步骤s4中，在与荧光染料相对应的颜色通道中获取器官切片的荧光图像。
53.则得到荧光图像fb，该荧光图像在此例如也示出为数据元素fb。这种荧光图像也示例性地在图8和图9h中示出。
54.图8对于荧光图像fb将器官层肌层示出作为层sc1，此外将器官层粘膜层示出作为层sc2，此外将粘膜下层示出作为层sc3，此外将粘膜肌层示出作为层sc4，以及此外将血管层示出作为sc5层。
55.根据图1，在步骤s5中，将荧光图像提供给神经网络。
56.神经网络例如可以用作步骤s6中的网络nn。在步骤s6中，同时通过分割荧光图像fb确定分割信息seg。该分割信息seg在此示例性地示出为数据元素seg并且可以具有例如两个子分割信息seg1和seg2，所述两个子分割信息也在图9a和9b中示出。此外，神经网络同时确定关于要检测的荧光图案类型的实际存在的置信量度km。
57.优选地，神经网络nn不仅确定关于单个荧光图案类型或单个荧光图案类型的单个存在的单个置信量度km，而且神经网络nn确定关于多个荧光图案类型的多个置信量度。在这种情况下，图1中的数据元素km包含针对相应的荧光图案类型的相应存在的相应的置信
量度。在此，例如图1中的数据元素km不仅具有单个置信量度，而且例如具有与十三个不同荧光图案类型相关的十三个置信量度。
58.确定相应的荧光图案类型的相应实际存在的相应的置信量度的这种优选设计方案尤其是有利的，因为当通过神经网络nn分析荧光图像fb时，不同荧光图案类型的出现在解的过程中被认为是可能的，并且特定的荧光图案类型(应查明该荧光图案类型的存在)的更准确的界定或确定在分析过程中通过神经网络考虑到和实现。因此，在此不是基于关于想要检测为存在的特定的类型荧光图案的存在的纯粹的肯定或否定判定，而是在解空间中也考虑了其他可能的图案。
59.优选地，因此神经网络确定关于相应的荧光图案类型的相应存在的相应的置信量度，其中，这些置信量度的所确定的置信量度指示特定的荧光图案类型的实际存在。然后在该方法的过程中，优选地根据有效性信息输出特定的荧光图案类型的实际存在的所确定的置信量度。
60.对于图1，还可以确定，在步骤s7中，基于分割信息seg确定荧光图像的与荧光图案类型的构成相关的子面。在优选的实施方式中，分割信息seg例如具有七个不同的子分割信息seg1至seg7，如图9a至9g中所示。优选地，可以考虑关于另外的层的多个分割信息。例如，可以设置关于胃脘的器官层的存在的分割信息、关于所谓的伪影的另外的分割信息以及关于其他器官结构的另外的分割信息。例如，可以设置多达十一个不同的分割信息。
61.图10a在叠加(overlay)中以突出显示的方式示出基于图9a中的先前查明或者说确定的分割信息seg1的器官层肌层的图案。图10b在叠加中示出在器官层粘膜层的区域中的图案构成，其中，使用了图9b中的分割信息seg2。
62.对于图案的存在，尤其是仅考虑或使用与特定的荧光图案类型的构成相关的那些图像区域或子面。这可以是荧光图像的与特定的相应的器官层相对应的至少一个子面。在asma图案的示例中，例如使用或考虑荧光图像的多个子面或多个器官层、例如两个器官层，即肌层和粘膜层。这两个层与荧光图案类型asma的构成相关。荧光图像的子面或相应的器官层的子面的这种确定基于相应的分割信息进行，例如在图9a的分割信息seg1和图9b的分割信息seg2中进行。子面tf1例如通过来自图9a的分割信息seg1的白色像素给出。子面tf2例如通过来自图9b的分割信息seg2的白色像素给出。
63.然后在步骤s8中，基于先前确定的至少一个子面确定有效性信息。在图1中，一个或多个子面被示出为数据元素tf。因此，有效性信息基于预定的子面tf作为信息vi确定，该信息在此作为数据元素vi示出。
64.尤其是，确定相应的子面或相应的器官层相对于相应荧光图像的面的面积份额，并且基于该面积份额确定有效性信息。
65.例如，该有效性信息vi可以是布尔参量，所述布尔参量对于先前以置信量度km视为有效的情况假定值1。
66.在步骤s9中，则根据有效性信息vi输出这样的置信量度km，该置信量度与特定的荧光图案类型的实际存在相关。
67.优选地，在有效性信息vi指示置信量度km的无效的情况下，可以不输出置信量度km。尤其是，代替置信量度km，则可以输出错误消息，该错误消息没有明确示出。
68.优选地，还在步骤s9中输出有效性信息vi。
69.先前确定的置信量度km例如可以是多个标量值的向量，其中，相应的向量条目代表或指示关于相应的荧光图案类型的相应的置信量度。优选地，在步骤s9中，可以仅输出这样的标量值作为置信量度km，该标量值指示关于要检测的荧光图案(例如asma图案)的置信量度。
70.图2示出步骤s7的替代步骤s71，在该步骤中，基于分割信息seg确定与荧光图案类型的构成相关的多个子面tf1、tf2。正是在asma图案的示例中，所述图案的上述构成在两个不同的器官层、即粘膜层和肌层上得到。两个器官层必须在荧光图像fb中以足够的程度或足够的面积份额存在。
71.此外，图2示出步骤s8的替代步骤s81，在该步骤中，则根据所述多个子面tf1、tf2确定有效性信息vi。
72.图3示出依据相应的阈值sw1、sw2对子面tf1、tf2的检验。
73.这里所示的步骤s82是如下步骤，该步骤可以替代于图2中的步骤s81或图3中的步骤s8执行。然后根据所述多个子面tf1、tf2和相应的阈值sw1、sw2确定有效性信息vi。子面tf1和tf2具有相对于荧光图像的面的相应的面积份额。
74.然后，例如根据规定得到有效性信息vi
[0075][0076]
总之，可以确定，使用图3中的步骤s82，在相应的面tf1、tf2的相应的面积份额超过相应的阈值sw1、sw2的情况下输出特定的荧光图案类型的实际存在的置信量度。由此尤其确保了不仅相关子面之一或相关器官层之一在荧光图像中以足够的程度存在，而且这对于所有相关子面或所有相关器官层都是这种情况。
[0077]
图4示出用于确定不同的特征信息集合的优选步骤。根据图4，示出可以优选地在神经网络nn中执行的步骤。
[0078]
在步骤co中，通过一个或多个卷积运算来处理荧光图像fb。在步骤co中，则基于荧光图像fb通过所述一个或多个卷积运算在特征空间中生成多个特征信息的第一集合fi1。随后根据特征信息的该集合fi1确定分割信息seg和置信量度km。
[0079]
与现有技术中的方法相反，在现有技术中的方法中首先在第一网络中分析荧光图像fb以确定分割信息seg，以便然后将分割信息seg作为所谓的图像掩膜放置到荧光图像fb上，并且然后此外在另一个网络中分析被掩盖的荧光图像以确定置信量度km，与本文的方法明显偏离。一个神经网络nn同时确定分割信息seg和置信量度km。由此，在特征空间中可以同时确定分割信息seg和置信量度km，并且在神经网络nn的训练阶段分割信息和置信量度彼此间相依赖。由此，分割信息seg在特征空间中仍对置信量度km的确定有影响。
[0080]
在生成了特征信息的第一集合fi1之后，然后在确定步骤bs1中基于特征信息的第一集合fi1确定分割信息seg。然后才基于特征信息的第一集合fi1以及基于分割信息seg确定置信量度km。在此，神经网络nn也因此同时确定分割信息seg和置信量度km。
[0081]
优选地，在确定步骤bs1中基于特征信息fi1确定的分割信息seg在确定步骤bs2中在特征空间中再次变换为特征信息的第二集合fi2。因此，基于分割信息seg，通过至少一个卷积运算在特征空间中生成多个特征信息的第二集合fi2。然后才在特征空间中在确定步
骤bs3中基于特征信息的第一集合fi1和特征信息的第二集合fi2确定置信量度km。
[0082]
换言之：因此在确定步骤bs2中将分割信息seg变换成特征空间或特征信息fi2，所述特征信息然后在特征空间中与第一特征信息fi1一起使用以确定置信量度km。分割信息seg因此不(如从现有技术中已知的那样)直接应用于荧光图像fb，而是在特征空间中变换为特征信息fi2，并且在那在特征空间中分割信息seg找到确定置信量度km的入口，尤其是与特征信息的第一集合fi1一起确定置信量度。
[0083]
因此，首先将整个荧光图像fb作为特征信息fi1变换成特征空间，并且在确定分割信息seg之前没有反向变换成图像空间。
[0084]
图5示出用于估计患者样本的最大稀释度的优选步骤，在该最大稀释度的情况下，器官切片与患者样本的培育仍引起荧光图案类型的存在。
[0085]
如先前参考图3所描述的，子面tf1和tf2在步骤s82中用于确定有效性信息vi。在之前参考图1提到的步骤s9中，则可以根据有效性信息vi输出置信量度km。
[0086]
另一个优选的步骤s10在图5中示出。如果有效性信息vi指示荧光图案类型被确定为实际存在，则在步骤s10中可以确定荧光图像中的子面的亮度，其中，该子面与荧光图案类型的构成潜在相关。例如，在此在两个器官层本身相关的情况下，则可以仅使用一个单个的器官层。例如，所述单个的器官层可以是器官层肌层，对于该肌层，在图9a中示出子面tf1。
[0087]
然后在步骤s10中，基于子面tf1和荧光图像fb，作为信息vg估计最大稀释度。在此，例如在优选实施方式中，参见图9a，可以将子面tf1的分割信息作为分割信息seg1作为掩膜放置到荧光图像fb上，然后确定该子面区域中的亮度或强度，并且基于这种亮度，估计相应的最大稀释度。
[0088]
为此，优选对器官层的这个相关的荧光图像区域进行像素统计。确定荧光图像的子图像tf1中的亮度值的95％分位数。例如，亮度值可以在0到255的范围内量化。然后可以将0到255的亮度值的整个量化范围等距划分为五个子值范围。然后第一个范围从0到51。其他范围以相应的等距步长跟随，最上面的第五个范围以255结束。基于95％分位数形式的亮度，则可以执行患者样本的最大稀释度的估计，在该最大稀释度的情况下，器官切片与患者样本的培育仍引起荧光图案类型的存在。然后将要确定的信息hi作为95％分位数相应地配设给子值范围之一。所确定的子值范围或所确定的子值范围的指标从用于产生荧光图像的患者样本的现有稀释出发确定步长，以便确定如下稀释度，在该稀释度的情况下，患者样本仍引起阳性图案或引起荧光图案类型的存在。因此，来自培育的样品的稀释度vd作为辅助信息提供。在1:10的稀释或稀释度vd的情况下，则可以在如下分级的10稀释序列下的情况下
[0089]
10,32,100,320,1000,3200,10000,32000
[0090]
从值10出发基于所确定的步长(例如2)并且进一步行进两步，然后可以确定100的稀释作为如下稀释度，在该稀释度的情况下，器官切片与患者样本的培育正好还将引起荧光图案类型的存在。这则是所确定的稀释度vg。
[0091]
图6示出所提出的用于数字图像处理的方法的优选实施方式的优选步骤。在步骤s1a中接收荧光图像fb。图1中的步骤s5至s9在步骤s1a之后。
[0092]
还提出一种计算机程序产品，包括指令，所述指令在通过计算机执行程序时促使
所述计算机执行所提出的形式的用于数字图像处理的方法。
[0093]
根据图1，可以在另一步骤s9a中再次检验置信量度km。如果置信量度km具有超过所提供的阈值swx的值，则输出置信量度km。在此，置信量度km因此必须具有关于特定的荧光图案类型的存在的最小确定性。
[0094]
图12示出接收荧光图像fb的神经网络nn的优选实施方式的纵览结构。在处理块b1中接收和预处理荧光图像fb。随后跟着块db，在该块中执行降采样。
[0095]
然后将块db的输出参量供应给处理块vb1并且还供应给上采样块ub。随后跟着四个另外的块布置结构，在所述块布置结构中，分别将处理块vb1的输出参量供应给另一个随后的处理块vb1并且还供应给上采样块ub。
[0096]
上采样块ub的输出参量和最后的处理块vb1的输出参量在拼接块conc中拼接。
[0097]
然后将拼接块conc的输出参量供应给处理块vb1并且还供应给处理块vb2。
[0098]
然后将处理块vb1的输出参量供应给块sob以用于输出分割结果seg。然后在块sob中输出分割结果或分割信息seg。
[0099]
该分割信息seg也被提供给另一个处理块vb2。处理块vb2则由拼接块conc的输出参量inf和分割信息seg来确定置信量度km，在置信量度在块cob中输出。
[0100]
图12中所示模块的细节可在图13中找到。
[0101]
输入块b1具有接收输入参量的块i1和执行二维卷积的后续的块c1。这优选以大小：步幅＝2来完成。
[0102]
上采样块ub最初具有块cb，在该块中执行二维卷积。后续跟着带有泄漏relu函数的块lb。此外，后续跟着所谓的上采样块upb。
[0103]
降采样块db最初具有块cb，其后跟着块lb，然后跟着块apb，在该块中，执行大小为2(大小＝2)的平均池化。
[0104]
处理块vb1最初具有块ib，在该块中接收输入参量，然后将输入参量供应给不同的块bac、adb。在bac块中，发生一系列运算批标准化、激活、卷积。在块adb中，将(在此从块ib和块bac)提供给块adb的多个输入参量逐个元素相加。
[0105]
卷积-批标准化-激活块cbnb首先具有块cb，然后具有批标准化块bnb，然后具有块lb。
[0106]
批标准化-激活-卷积块bac首先具有块bnb，然后具有块lb，然后具有块cb。
[0107]
处理块vb2具有输入块ib1，分割信息seg进入该输入块中。
[0108]
另一个并行的输入块ib2接收信息inf，该信息也在图12中示出。信息inf是这样的信息，拼接块conc在那里生成所述信息并送交到处理块vb2。
[0109]
分割信息seg在块ib1之后则送交到块cbnb中。在那生成的信息一方面被送交到左侧的最大池化2d块mb和右侧的最大池化2d块mb。
[0110]
然后在左侧的处理线中将由块mb确定的参量送交到拼接块conc处。在相应确定的信息也被送交到拼接块conc处之前，在右侧的线中执行块mb、块conc和块cbnb的序列。随后跟着两个cbnb类型块。
[0111]
最后，在块gb中执行全局最大池化和sigmoid激活。由此，确定了置信量度信息km。
[0112]
对于这里提出的卷积神经网络nn的一个或多个实施例的实现，本领域技术人员可以采用被称为“keras”的开源深度学习库。本领域技术人员可以在https://keras.io中找
到详细信息。
[0113]
结果
[0114]
借助78个患者样本确定性能数据。每个样本分别在3个滴定级中滴定，然后为每个滴定级培育一个基底或一个器官切片。在此，借助europattern microscope 1.5显微镜以荧光图像的形式获取经培育的基底。每个样本分别得到相应的3个滴定级的3个结果。如果所提出的方法对于特定样本的3个荧光图像中的至少一个荧光图像检测到荧光图案类型的存在为阳性，则判定荧光图案类型原则上存在。
[0115]
图11中的表tab对此表明，在21个实际阳性样本中，所提出的方法将19个样本识别为阳性，而将2个样本错误地识别为阴性。图11中的表格还表明，在57个实际阴性样本中，所提出的方法将55个样本识别为阴性样本，而将2个样本错误地识别为阳性样本。由此得到0.90的解析的灵敏度。此外，由此得到0.96的解析的特异性。
[0116]
虽然已经结合设备描述了一些方面，但不言而喻，这些方面也是对相应方法的描述，从而设备的块或结构元件也应理解为相应的方法步骤或方法步骤的特征。类似地，已经结合方法步骤或作为方法步骤描述的方面也是对相应设备的相应块或细节或特征的描述。
[0117]
根据具体的实施要求，在本发明的示例性实施例中，计算单元r或数据网络装置能够以硬件和/或软件实现。这里提到的计算单元r在此可以实现为至少一个计算单元或者也可以通过相连接的多个计算单元来实现。可以在使用数字存储介质的情况下实现所述实施，数字存储介质例如是软盘、dvd、蓝光光盘、cd、rom、prom、eprom、eeprom或闪存、硬盘驱动器或其他磁性或光学存储设备，其存储电子可读控制信号，该控制信号与可编程硬件组件相互作用或能相互作用，使得执行相应的方法。
[0118]
作为计算单元，可编程硬件组件可以由处理器、中央处理器(cpu)、计算机、计算机系统、专用集成电路(asic)、集成电路(ic)、单芯片系统(soc)、可编程逻辑元件或带有微处理器的现场可编程门阵列(fpga)形成。
[0119]
因此，数字存储介质可以是机器可读的或计算机可读的。因此，一些实施例包括具有电子可读控制信号的数据载体，所述控制信号能够与可编程计算机系统或可编程硬件组件如此相互作用，使得执行本文描述的方法之一。
[0120]
一般而言，本发明的实施例或实施例的部分可被实现为具有程序代码的程序、固件、计算机程序或计算机程序产品或实现为数据，其中，程序代码或数据可在程序在处理器或可编程硬件组件上运行时起作用而执行方法之一或一个方法的一部分。