[go: up one dir, main page]

CN119246581A - 应用于生物样品的样品状态检测方法、计算机设备 - Google Patents

应用于生物样品的样品状态检测方法、计算机设备 Download PDF

Info

Publication number
CN119246581A
CN119246581A CN202411427232.5A CN202411427232A CN119246581A CN 119246581 A CN119246581 A CN 119246581A CN 202411427232 A CN202411427232 A CN 202411427232A CN 119246581 A CN119246581 A CN 119246581A
Authority
CN
China
Prior art keywords
sample
image
group
target biological
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411427232.5A
Other languages
English (en)
Inventor
付阿宝
高远
赵涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan Shanghai Technology Co ltd
Original Assignee
Fudan Shanghai Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan Shanghai Technology Co ltd filed Critical Fudan Shanghai Technology Co ltd
Priority to CN202411427232.5A priority Critical patent/CN119246581A/zh
Publication of CN119246581A publication Critical patent/CN119246581A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2202—Preparing specimens therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请的实施例公开了应用于生物样品的样品状态检测方法、计算机设备。该方法的一具体实施方式包括：确定针对目标生物样品组的状态检测配置信息；根据储存配置信息，将目标生物样品组移动至样品储存装置中，以对目标生物样品进行样品储存；响应于到达样品检测时间点，对于目标生物样品，执行以下处理步骤：通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片；控制电子显微镜，采集针对待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组；生成针对目标生物样品的子样品检测信息；根据得到的子样品检测信息组，生成针对目标生物样品组的样品检测信息。该实施方式保证了样品检测的一致性，同时大大提高了样品检测效率。

Description

应用于生物样品的样品状态检测方法、计算机设备
技术领域
本申请的实施例涉及计算机技术领域，具体涉及应用于生物样品的样品状态检测方法、计算机设备。
背景技术
针对生物样品，通常采用完整验证，部分验证或交叉验证的方式，以此验证生物样品性能。具体的，通过设置包括但不限于对照组，实验组以此观察生物样品性能。然而，针对较复杂实验，存在多组生物样品需要人工观察，观察效率低下，同时由于采用人工观测的方式，可能因失误导致观察结果不可靠。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本申请的一些实施例提出了应用于生物样品的样品状态检测方法、计算机设备和计算机可读存储介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本申请的一些实施例提供了一种应用于生物样品的样品状态检测方法，该方法包括：确定针对目标生物样品组的状态检测配置信息，其中，上述目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品，目标生物样品是待进行样品状态检测的生物样品，上述状态检测配置信息包括：样品储存配置信息和样品检测配置信息，上述样品检测配置信息包括：样品检测时间点和样品检测指标信息；根据上述储存配置信息，将上述目标生物样品组移动至样品储存装置中，以对上述目标生物样品进行样品储存；响应于到达上述样品检测时间点，对于上述目标生物样品组中的每个目标生物样品，执行以下处理步骤：通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片；控制电子显微镜，采集针对上述待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组；根据上述样品检测指标信息、上述电镜图像组和预先训练的样品检测模型，生成针对上述目标生物样品的子样品检测信息；根据得到的子样品检测信息组，生成针对上述目标生物样品组的样品检测信息。
第二方面，本申请还提供一种计算机设备，上述计算机设备包括处理器、存储器、以及存储在上述存储器上并可被上述处理器执行的计算机程序，其中上述计算机程序被上述处理器执行时，实现如上述第一方面任一实现方式所描述的方法。
第三方面，本申请还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，其中，上述计算机程序被处理器执行时，实现如上述第一方面任一实现方式所描述的方法。
本申请的上述各个实施例具有如下有益效果：通过本申请的一些实施例的应用于生物样品的样品状态检测方法，实现了针对生物样品组的统一标准的样品储存以及样品检测。具体的，首先，确定针对目标生物样品组的状态检测配置信息，其中，上述目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品，目标生物样品是待进行样品状态检测的生物样品，上述状态检测配置信息包括：样品储存配置信息和样品检测配置信息，上述样品检测配置信息包括：样品检测时间点和样品检测指标信息。其次，根据上述储存配置信息，将上述目标生物样品组移动至样品储存装置中，以对上述目标生物样品进行样品储存。以此实现针对生物样品的同一储存。接着，响应于到达上述样品检测时间点，对于上述目标生物样品组中的每个目标生物样品，执行以下处理步骤：第一步，通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片。以此实现自动定量移液以及自动玻片制作。第二步，控制电子显微镜，采集针对上述待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组。以此得到不同视野下的电镜图像。第三步，根据上述样品检测指标信息、上述电镜图像组和预先训练的样品检测模型，生成针对上述目标生物样品的子样品检测信息。通过结合样品检测模型，实现针对样品检测指标信息的自动化样品检测。最后，根据得到的子样品检测信息组，生成针对上述目标生物样品组的样品检测信息。以此得到针对整个目标生物样品组的整体样品评估。此种方式保证了样品检测的一致性，同时大大提高了样品检测效率。
附图说明
结合附图并参考以下具体实施方式，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本申请的应用于生物样品的样品状态检测方法的一些实施例的流程图；
图2是样品存储装置的装置示意图；
图3是样品存储装置、移液装置和玻片制作装置的整体示意图；
图4是样品检测模型的模型结构示意图；
图5是适于用来实现本申请的一些实施例的计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本申请。
参考图1，示出了根据本申请的应用于生物样品的样品状态检测方法的一些实施例的流程100。该应用于生物样品的样品状态检测方法，包括以下步骤：
步骤101，确定针对目标生物样品组的状态检测配置信息。
在一些实施例中，应用于生物样品的样品状态检测方法的执行主体（例如，计算设备）可以确定针对目标生物样品组的状态检测配置信息。其中，目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品。目标生物样品是待进行样品状态检测的生物样品。上述状态检测配置信息包括：样品储存配置信息和样品检测配置信息。上述样品检测配置信息包括：样品检测时间点和样品检测指标信息。其中，样品存储配置信息可以表征目标生物样品的存储要求。样品检测时间点表征目标生物样品开始被检测的时间点。例如，样品检测时间点可以是在目标生物样品配置完毕后的48小时后。样品检测指标信息可以表征待采集的样品指标。例如，样品活性，样品颜色等。实践中，实验人员可以通过图形化界面配置针对目标生物样品组的状态检测配置信息。具体的，当实验较复杂时，可能存在多组多个目标生物样品，因此，实验人员可以通过图形化界面批量化进行状态监测配置信息的配置。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
步骤102，根据储存配置信息，将目标生物样品组移动至样品储存装置中，以对目标生物样品进行样品储存。
在一些实施例中，上述执行主体可以根据储存配置信息，将目标生物样品组移动至样品储存装置中，以对目标生物样品进行样品储存。实践中，存储配置信息可以包括：样品存储湿度、样品存储亮度。因此，上述执行主体可以按照样品存储湿度和样品存储亮度将目标生物样品存储至样品存储装置内。例如，样品存储装置可以是避光的样品存储箱。
可选地，样品储存配置信息包括：样品储存温度。
可选地，样品储存装置包括：样品储存盒。上述样品储存盒包括：第一样品储存盒和第二样品储存盒。上述第一样品存储盒包括：第一样品存储盒盒体和第一样品存储盒盒盖。上述第一样品存储盒盒体内设置有：K个样品管放置舱、温度传感器和气压传感器。K≥1。上述第一样品存储盒设置于上述第二样品存储盒上方。上述第二样品存储盒用于存储导热介质。实践中，导热介质可以是纯水。上述第二样品存储盒包括：温度传感器和加热装置。
作为示例，参见图2所示的样品存储装置的装置示意图，其中，样品存储装置包括：第一样品存储盒和第二样品存储盒4。第一样品存储盒包括：第一样品存储盒盒体3和第一样品存储盒盒盖1。其中，第一样品存储盒盒体内设置有：K个样品管放置舱2。当第一样品存储盒处于密封状态时，第一样品存储盒盒盖1和第一样品存储盒盒体3嵌合密闭。上述第一样品存储盒盒体3充有惰性气体氦气。第二样品存储盒包括加注口5和释放口6。具体的，可以通过加注口5向第二样品存储盒4内加注导热介质，并通过释放口6释放导热介质。温度传感器设置于第一样品存储盒盒体3内部。气压传感器设置于第一样品存储盒盒盖1和第一样品存储盒盒体3之间，例如，设置在第一样品存储盒盒盖1内侧表面，以检测第一样品储存盒密闭时内部是否气压稳定（是否漏气）。此外，由于第一样品存储盒盒体3内为惰性气体，第二样品存储盒4内为导热介质，两者的导热系数往往不同，因此，分别在第一样品存储盒盒体3和第二样品存储盒4设置温度传感器，以保证稳定的精准调控。此外，第二样品存储盒4还可以包括：电加热丝，以实现对导热介质的加热。
在一些实施例的一些可选地实现方式中，上述执行主体根据上述储存配置信息，将上述目标生物样品组移动至样品储存装置中，以对上述目标生物样品进行样品储存，可以包括以下步骤：
第一步，控制机械臂将上述目标生物样品组移动至上述第一样品存储盒盒体包括的K个样品管放置舱内。
实践中，上述执行主体可以控制高精度机械臂，将上述目标生物样品组移动至上述第一样品存储盒盒体包括的K个样品管放置舱内。
第二步，响应于移动成功，控制第一样品存储盒盒盖关闭，以及通过上述第一样品储存盒盒体包括的气压传感器检测盒体气密性。
实践中，首先，上述执行主体可以通过高精度机械臂，控制第一样品存储盒盒盖关闭。然后，将第一样品存储盒放置于负压环境中，并通过第一样品储存盒盒体包括的气压传感器检测气压变化，当气压信号平稳且与未放置于负压环境时的气压读数相同时，表征气密性稳定，当气压信号与未放置于负压环境时的气压读数不相同时，表征气密性不稳定。
第三步，响应于上述第一样品储存盒气密性稳定，控制上述加热装置加热导热介质，并通过上述第一样品存储盒包括的温度传感器和上述第二样品存储盒包括的温度传感器分别进行温度监测，得到第一温度和第二温度。
实践中，上述执行主体可以控制电加热丝，加热导热介质。
第四步，响应于上述第一温度为样品存储温度，控制上述加热装置按上述第二温度进行恒温加热。
步骤103，响应于到达样品检测时间点，对于目标生物样品组中的每个目标生物样品，执行以下处理步骤：
步骤1031，通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片。
在一些实施例中，上述执行主体可以通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片。实践中，移液装置可以是移液枪。
可选地，移液装置包括：移液机械臂、电控移液枪和定位摄像头。上述玻片制作装置包括：载玻片放置台和盖玻片盖片机。上述盖玻片盖片机设置于上述载玻片放置台上方。上述盖玻片盖片机通过微型真空吸盘吸取盖玻片。
作为示例，参见图3所示的样品存储装置、移液装置和玻片制作装置的整体示意图，其中，包括：样品存储装置7、移液装置和玻片制作装置9。具体的，样品存储装置7和玻片制作装置9上方设置有移动架。移动架沿导轨竖直移动。移动架上方设置有移液机械臂8和盖玻片盖片机13。移液机械臂8和盖玻片盖片机13通过设置在移动架内的链条驱动移动。移液机械臂8下方连接有电控移液枪10，其中，电控移液枪通过电控的方式控制吸液量。移液机械臂8外侧设置有朝向下方的定位摄像头11。盖玻片盖片机13包括伸缩臂和微型真空吸盘14。伸缩臂设置于盖玻片盖片机13和微型真空吸盘14之间。微型真空吸盘14吸附有盖玻片。
在一些实施例的一些可选地实现方式中，上述执行主体通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片，可以包括以下步骤：
第一步，控制第一样品存储盒盒盖开启。
第二步，响应于盒盖开启，通过定位摄像头采集第一图像。
其中，第一图像为针对上述第一样品存储盒的俯视图像。
第三步，根据上述第一图像，确定定位点坐标。
其中，上述定位点坐标表征待移液的目标生物样品对应样品管放置舱的位置。
实践中，上述执行主体可以通过Lite-Unet模型，以第一图像为输入，以定位点坐标为输出。
第四步，根据上述定位点坐标和移液机械臂的初始位置，生成第一机械臂运动路线。
实践中，为保证电控移液枪精准伸入样品管内，以实现针对目标生物样品的吸取，可以以定位点坐标为结束点坐标，以移液机械臂的初始位置为起始点坐标，通过轨迹平滑化的方式，生成微动路线，作为第一机械臂运动路线。
第五步，控制上述移液机械臂，沿上述第一机械臂运动路线移动至上述定位点坐标。
实践中，上述执行主体可以控制移动架和移液机械臂，沿上述第一机械臂运动路线移动至上述定位点坐标。
第六步，响应于移动成功，通过上述移液机械臂控制上述电控移液枪定量吸取目标生样品。
第七步，响应于吸取成功，根据上述定位点坐标和载玻片坐标，生成第二机械臂运动路线。
其中，上述载玻片坐标表征载玻片在上述载玻片放置台的中心点坐标。
实践中，为保证目标生物样品准确滴入载玻片中心，上述执行主体可以以载玻片放置台的中心点坐标为结束点坐标，以定位点坐标为起始点坐标，通过轨迹平滑化的方式，生成微动路线，作为第二机械臂运动路线。
第八步，控制上述移液机械臂，沿上述第二机械臂运动路线移动至上述载玻片坐标。
上述执行主体可以控制移动架和移液机械臂，沿上述第二机械臂运动路线移动至上述载玻片坐标。
第九步，响应于移动成功，控制电控移液枪，将吸取的目标生样品移动至载玻片上。
第十步，响应于移动成功，控制盖玻片盖片机将盖玻片覆盖于载玻片上，得到上述待检测玻片。
实践中，首先，上述执行主体可以控制移动架和盖玻片盖片机移动至载玻片上方。然后，控制伸缩臂伸长，以使得载玻片接触盖玻片。接着，释放微型真空吸盘的吸力，以使得盖玻片通过重力完全覆盖于载玻片上方，得到上述待检测玻片。
步骤1032，控制电子显微镜，采集针对待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组。
在一些实施例中，上述执行主体可以控制电子显微镜，采集针对待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组。
实践中，根据不同的图像采集需求，也可以采用常规的光学显微镜采集针对待检测玻片在不同图像尺度下的图像，得到电镜图像组。具体的，可以通过人工转运的方式，将待检测玻片移动至电子显微镜的观测位置。也可以通过机械臂将待检测玻片移动至电子显微镜的观测位置。
步骤1033，根据样品检测指标信息、电镜图像组和预先训练的样品检测模型，生成针对目标生物样品的子样品检测信息。
在一些实施例中，上述执行主体可以根据样品检测指标信息、电镜图像组和预先训练的样品检测模型，生成针对目标生物样品的子样品检测信息。
可选地，样品检测模型包括：图像增强模型、样品图像编码模型和文本编码模型。
在一些实施例的一些可选地实现方式中，上述执行主体根据上述样品检测指标信息、上述电镜图像组和预先训练的样品检测模型，生成针对上述目标生物样品的子样品检测信息，可以包括以下步骤：
第一步，通过上述图像增强模型对上述电镜图像组中的每张电镜图像进行图像增强，以生成增强后电镜图像，得到增强后电镜图像组。
第二步，通过上述样品图像编码模型对上述增强后电镜图像组中的增强后电镜图像进行图像特征提取，以生成图像特征，得到图像特征组。
第三步，通过上述文本编码模型对上述样品检测指标信息进行文本特征提取，以生成文本特征。
第四步，根据上述图像特征组和上述文本特征，生成针对上述目标生物样品的子样品检测信息。
可选地，图像增强模型包括：图像检测头组、融合模型和图像增强头组。
在一些实施例的一些可选地实现方式中，上述执行主体通过上述图像增强模型对上述电镜图像组中的每张电镜图像进行图像增强，以生成增强后电镜图像，得到增强后电镜图像组，可以包括以下步骤：
第一步，通过上述图像检测头组，对上述电镜图像组进行浅图像特征提取，得到浅图像特征组。
第二步，通过融合模型，对上述浅图像特征组进行特征融合，得到融合图像特征。
第三步，根据上述融合图像特征和上述图像增强头组，生成上述增强后电镜图像组。
作为示例，参见图4所示的样品检测模型的模型结构示意图，其中，样品检测模型包括：图像增强模型、样品图像编码模型406、文本编码模型407。图像增强模型包括：图像检测头组402、融合模型403和图像增强头组404。文本编码模型407的输入为样品检测信息405。样品图像编码模型406和文本编码模型407的输出为子样品检测信息408。具体的，图像检测头组402包括：图像检测头A1、图像检测头A2、图像检测头A3、图像检测头A4、图像检测头A5、图像检测头A6、图像检测头A7、图像检测头A8、图像检测头A9。其中，图像检测头A1的输入尺寸为N1×M1×3。图像检测头A2的输入尺寸为N2×M2×3。图像检测头A3的输入尺寸为N3×M3×3。图像检测头A4的输入尺寸为N4×M4×3。图像检测头A5的输入尺寸为N5×M5×3。图像检测头A6的输入尺寸为N6×M6×3。图像检测头A7的输入尺寸为N7×M7×3。图像检测头A8的输入尺寸为N8×M8×3。图像检测头A9的输入尺寸为N9×M9×3。其中，N6＜N1＜N2。N7＜N2＜N3。N8＜N3＜N4。N9＜N4＜N5。M6＜M1＜M2。M7＜M2＜M3。M8＜M3＜M4。M9＜M4＜M5。图像检测头A1、图像检测头A2、图像检测头A3、图像检测头A4、图像检测头A5、图像检测头A6、图像检测头A7、图像检测头A8、图像检测头A9。均采用包含3层串行连接的卷积层。具体的，以图像检测头A1、图像检测头A2和图像检测头A6为例，当电镜图像的图像尺寸位于N1×M1×3和N2×M2×3之间时，可以对电镜图像进行图像扩充，其中扩充后的电镜图像的图像尺寸为N6×M6×3，此时扩充后的电镜图像直接为图像检测头A6的输入。通过此种方式既可以提高模型的鲁棒性，同时降低扩充后的无效像素数量。以图像检测头A1为例，当电镜图像的图像尺寸为N1×M1×3时，电镜图像先输入图像检测头A1，在将图像检测头A1的输出和图像检测头A2的输出进行叠加，作为图像检测头A6的输出。融合模型403包括：融合层B1、融合层B2和融合层B3。其中，融合层B1为叠加层，以将图像检测头A6、图像检测头A7、图像检测头A8、图像检测头A9的输出进行特征叠加。融合层B2和B3的模型结构对称，具体的，融合层B2为下采样网络，融合层B3为上采样网络。图像增强头组404包括：图像增强头C1、图像增强头C2、图像增强头C3、图像增强头C4、图像增强头C5。其中，图像增强头C1、图像增强头C2、图像增强头C3、图像增强头C4、图像增强头C5均为上采样网络，分别对应5个输出尺寸。其中，图像增强头C1的输出尺寸＜图像增强头C2的输出尺寸＜图像增强头C3的输出尺寸＜图像增强头C4的输出尺寸＜图像增强头C5的输出尺寸。样品图像编码模型406包括：N个图像编码单元。图像编码单元包括：SelfAttention层、Add&Norm层、Feed Forward网络和Add&Norm层。文本编码模型407以样品检指标信息为输入，包括：N个文本编码单元，文本编码单元包括：SelfAttention层、Add&Norm层、SelfAttention层、Add&Norm层、CrossAttention层和Add&Norm层。其中，文本编码模型407包括的第一个Add&Norm层与CrossAttention层之间设置有控制单元，以控制文本编码模型407包括的第一个Add&Norm层的输出直接输入文本编码模型407包括的第二个SelfAttention层或CrossAttention层。具体的，当样品检测指标信息为纯文本时，文本编码模型407包括的第一个Add&Norm层的输出直接输入文本编码模型407包括的第二个SelfAttention层。当样品检测指标信息为多模态数据时，控制文本编码模型407包括的第一个Add&Norm层的输出直接输入CrossAttention层。
上述样品检测模型作为本申请的一个发明点，首先，通过图像增强模型实现多尺度的电镜图像增强，其次。通过样品图像编码模型和文本编码模型实现对生物样品的识别，以及识别结果与样品检测指标信息的匹配度的自动检测。此外，考虑到样品检测指标信息的数据类型多样，通过设置控制单元，从单模态的文本数据类型和多模态的数据类型实现文本特征的提取，保证了识别过程的鲁棒性。
步骤104，根据得到的子样品检测信息组，生成针对目标生物样品组的样品检测信息。
在一些实施例中，上述执行主体可以根据得到的子样品检测信息组，生成针对目标生物样品组的样品检测信息。实践中，上述执行主体可以通过投票机制，根据得到的子样品检测信息组，生成针对目标生物样品组的样品检测信息。例如，子样品检测信息组包括：子样品检测信息A、子样品检测信息B、子样品检测信息C、子样品检测信息D。子样品检测信息A、子样品检测信息B、子样品检测信息C表征的检测结果一致，因此，样品检测信息为子样品检测信息A、子样品检测信息B、子样品检测信息C中的任意一个。此外，当投票结果的最大值，即表征相同检测结果的子样品检测信息的数量小于阈值，生成表征样品异常的样品检测信息。
本申请的上述各个实施例具有如下有益效果：通过本申请的一些实施例的应用于生物样品的样品状态检测方法，实现了针对生物样品组的统一标准的样品储存以及样品检测。具体的，首先，确定针对目标生物样品组的状态检测配置信息，其中，上述目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品，目标生物样品是待进行样品状态检测的生物样品，上述状态检测配置信息包括：样品储存配置信息和样品检测配置信息，上述样品检测配置信息包括：样品检测时间点和样品检测指标信息。其次，根据上述储存配置信息，将上述目标生物样品组移动至样品储存装置中，以对上述目标生物样品进行样品储存。以此实现针对生物样品的同一储存。接着，响应于到达上述样品检测时间点，对于上述目标生物样品组中的每个目标生物样品，执行以下处理步骤：第一步，通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片。以此实现自动定量移液以及自动玻片制作。第二步，控制电子显微镜，采集针对上述待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组。以此得到不同视野下的电镜图像。第三步，根据上述样品检测指标信息、上述电镜图像组和预先训练的样品检测模型，生成针对上述目标生物样品的子样品检测信息。通过结合样品检测模型，实现针对样品检测指标信息的自动化样品检测。最后，根据得到的子样品检测信息组，生成针对上述目标生物样品组的样品检测信息。以此得到针对整个目标生物样品组的整体样品评估。此种方式保证了样品检测的一致性，同时大大提高了样品检测效率。
图5为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种应用于生物样品的样品状态检测方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种应用于生物样品的样品状态检测方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，上述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：确定针对目标生物样品组的状态检测配置信息，其中，上述目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品，目标生物样品是待进行样品状态检测的生物样品，上述状态检测配置信息包括：样品储存配置信息和样品检测配置信息，上述样品检测配置信息包括：样品检测时间点和样品检测指标信息；根据上述储存配置信息，将上述目标生物样品组移动至样品储存装置中，以对上述目标生物样品进行样品储存；响应于到达上述样品检测时间点，对于上述目标生物样品组中的每个目标生物样品，执行以下处理步骤：通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片；控制电子显微镜，采集针对上述待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组；根据上述样品检测指标信息、上述电镜图像组和预先训练的样品检测模型，生成针对上述目标生物样品的子样品检测信息；根据得到的子样品检测信息组，生成针对上述目标生物样品组的样品检测信息。
本申请实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，上述计算机程序中包括程序指令，上述程序指令被执行时所实现的方法可参照本申请应用于生物样品的样品状态检测方法的各个实施例。
其中，上述计算机可读存储介质可以是前述实施例上述的计算机设备的内部存储单元，例如上述计算机设备的硬盘或内存。上述计算机可读存储介质也可以是上述计算机设备的外部存储设备，例如上述计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种应用于生物样品的样品状态检测方法，包括：
确定针对目标生物样品组的状态检测配置信息，其中，所述目标生物样品组包含至少三个平行设置的、储存于样品管中的目标生物样品，目标生物样品是待进行样品状态检测的生物样品，所述状态检测配置信息包括：样品储存配置信息和样品检测配置信息，所述样品检测配置信息包括：样品检测时间点和样品检测指标信息；
根据所述储存配置信息，将所述目标生物样品组移动至样品储存装置中，以对所述目标生物样品进行样品储存；
响应于到达所述样品检测时间点，对于所述目标生物样品组中的每个目标生物样品，执行以下处理步骤：
通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片；
控制电子显微镜，采集针对所述待检测玻片在不同图像尺度下的电镜图像，得到电镜图像组；
根据所述样品检测指标信息、所述电镜图像组和预先训练的样品检测模型，生成针对所述目标生物样品的子样品检测信息；
根据得到的子样品检测信息组，生成针对所述目标生物样品组的样品检测信息。
2.根据权利要求1所述的方法，其中，所述样品储存配置信息包括：样品储存温度，所述样品储存装置包括：样品储存盒，所述样品储存盒包括：第一样品储存盒和第二样品储存盒，所述第一样品存储盒包括：第一样品存储盒盒体和第一样品存储盒盒盖，所述第一样品存储盒盒体内设置有：K个样品管放置舱、湿度传感器和气压传感器，K≥1，所述第一样品存储盒设置于所述第二样品存储盒上方，所述第二样品存储盒用于存储导热介质，所述第二样品存储盒包括：温度传感器和加热装置；以及所述根据所述储存配置信息，将所述目标生物样品组移动至样品储存装置中，以对所述目标生物样品进行样品储存，包括：
控制机械臂将所述目标生物样品组移动至所述第一样品存储盒盒体包括的K个样品管放置舱内；
响应于移动成功，控制第一样品存储盒盒盖关闭，以及通过所述第一样品储存盒盒体包括的气压传感器检测盒体气密性；
响应于所述第一样品储存盒气密性稳定，控制所述加热装置加热导热介质，并通过所述第一样品存储盒包括的温度传感器和所述第二样品存储盒包括的温度传感器分别进行温度监测，得到第一温度和第二温度；
响应于所述第一温度为样品存储温度，控制所述加热装置按所述第二温度进行恒温加热。
3.根据权利要求2所述的方法，其中，所述移液装置包括：移液机械臂、电控移液枪和定位摄像头，所述玻片制作装置包括：载玻片放置台和盖玻片盖片机，所述盖玻片盖片机设置于所述载玻片放置台上方，所述盖玻片盖片机通过微型真空吸盘吸取盖玻片；以及所述通过移液装置吸取目标生物样品至玻片制作装置，以生成待检测玻片，包括：
控制第一样品存储盒盒盖开启；
响应于盒盖开启，通过定位摄像头采集第一图像，其中，第一图像为针对所述第一样品存储盒的俯视图像；
根据所述第一图像，确定定位点坐标，其中，所述定位点坐标表征待移液的目标生物样品对应样品管放置舱的位置；
根据所述定位点坐标和移液机械臂的初始位置，生成第一机械臂运动路线；
控制所述移液机械臂，沿所述第一机械臂运动路线移动至所述定位点坐标；
响应于移动成功，通过所述移液机械臂控制所述电控移液枪定量吸取目标生样品；
响应于吸取成功，根据所述定位点坐标和载玻片坐标，生成第二机械臂运动路线，其中，所述载玻片坐标表征载玻片在所述载玻片放置台的中心点坐标；
控制所述移液机械臂，沿所述第二机械臂运动路线移动至所述载玻片坐标；
响应于移动成功，控制电控移液枪，将吸取的目标生样品移动至载玻片上；
响应于移动成功，控制盖玻片盖片机将盖玻片覆盖于载玻片上，得到所述待检测玻片。
4.根据权利要求3所述的方法，其中，所述样品检测模型包括：图像增强模型、样品图像编码模型和文本编码模型；以及所述根据所述样品检测指标信息、所述电镜图像组和预先训练的样品检测模型，生成针对所述目标生物样品的子样品检测信息，包括：
通过所述图像增强模型对所述电镜图像组中的每张电镜图像进行图像增强，以生成增强后电镜图像，得到增强后电镜图像组；
通过所述样品图像编码模型对所述增强后电镜图像组中的增强后电镜图像进行图像特征提取，以生成图像特征，得到图像特征组；
通过所述文本编码模型对所述样品检测指标信息进行文本特征提取，以生成文本特征；
根据所述图像特征组和所述文本特征，生成针对所述目标生物样品的子样品检测信息。
5.根据权利要求4所述的方法，其中，所述图像增强模型包括：图像检测头组、融合模型和图像增强头组；以及所述通过所述图像增强模型对所述电镜图像组中的每张电镜图像进行图像增强，以生成增强后电镜图像，得到增强后电镜图像组，包括：
通过所述图像检测头组，对所述电镜图像组进行浅图像特征提取，得到浅图像特征组；
通过融合模型，对所述浅图像特征组进行特征融合，得到融合图像特征；
根据所述融合图像特征和所述图像增强头组，生成所述增强后电镜图像组。
6.一种计算机设备，其中，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1-5中任一所述的方法的步骤。
7.一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1-5中任一所述的方法的步骤。
CN202411427232.5A 2024-10-14 2024-10-14 应用于生物样品的样品状态检测方法、计算机设备 Pending CN119246581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411427232.5A CN119246581A (zh) 2024-10-14 2024-10-14 应用于生物样品的样品状态检测方法、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411427232.5A CN119246581A (zh) 2024-10-14 2024-10-14 应用于生物样品的样品状态检测方法、计算机设备

Publications (1)

Publication Number Publication Date
CN119246581A true CN119246581A (zh) 2025-01-03

Family

ID=94032770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411427232.5A Pending CN119246581A (zh) 2024-10-14 2024-10-14 应用于生物样品的样品状态检测方法、计算机设备

Country Status (1)

Country Link
CN (1) CN119246581A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120260695A (zh) * 2025-06-05 2025-07-04 复崟(上海)科技有限公司 用于生物样本库管理系统的样本检测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120004853A1 (en) * 2009-12-23 2012-01-05 Roche Diagnostics Operations, Inc. Analysis System And Computer Implemented Method For Analyzing Biological Samples
US20150278625A1 (en) * 2012-12-14 2015-10-01 The J. David Gladstone Institutes Automated robotic microscopy systems
US20210063410A1 (en) * 2017-09-05 2021-03-04 Discerndx, Inc. Automated sample workflow gating and data analysis
US20210156879A1 (en) * 2017-07-14 2021-05-27 Meon Medical Solutions Gmbh & Co Kg Automatic analyzer and method for carrying out chemical, biochemical and/or immunochemical analyses
US20220034919A1 (en) * 2020-07-31 2022-02-03 Alfredo R. Zarate System and Method of Automatically Preparing and Analyzing Urine Samples for Identifying Cancer Cells

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120004853A1 (en) * 2009-12-23 2012-01-05 Roche Diagnostics Operations, Inc. Analysis System And Computer Implemented Method For Analyzing Biological Samples
US20150278625A1 (en) * 2012-12-14 2015-10-01 The J. David Gladstone Institutes Automated robotic microscopy systems
US20210156879A1 (en) * 2017-07-14 2021-05-27 Meon Medical Solutions Gmbh & Co Kg Automatic analyzer and method for carrying out chemical, biochemical and/or immunochemical analyses
US20210063410A1 (en) * 2017-09-05 2021-03-04 Discerndx, Inc. Automated sample workflow gating and data analysis
US20220034919A1 (en) * 2020-07-31 2022-02-03 Alfredo R. Zarate System and Method of Automatically Preparing and Analyzing Urine Samples for Identifying Cancer Cells

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120260695A (zh) * 2025-06-05 2025-07-04 复崟(上海)科技有限公司 用于生物样本库管理系统的样本检测方法和装置
CN120260695B (zh) * 2025-06-05 2025-08-19 复崟(上海)科技有限公司 用于生物样本库管理系统的样本检测方法和装置

Similar Documents

Publication Publication Date Title
JP6960980B2 (ja) 視覚システムにおける画像ベーストレイ位置合わせ及びチューブスロット位置特定
CN109919230B (zh) 基于循环特征金字塔的医学图像肺结节检测方法
JP2023551398A (ja) Ｉｃパッケージ搭載板のマルチスケール外観欠陥検査方法及びその装置、デバイス及び媒体
CN119246581A (zh) 应用于生物样品的样品状态检测方法、计算机设备
WO2021174393A1 (zh) 一种样本位置获取方法、样本分析系统及计算机存储介质
CN115616018A (zh) 用于扫描电镜的定位方法、装置、电子设备及存储介质
CN107427835A (zh) 来自用于实验室自动化的俯视图样品管图像的条码标签状况的分类
CN110133312A (zh) 阴道分泌物检测装置及方法
WO2022147655A1 (zh) 定位方法、空间信息获取方法、装置、拍摄设备
CN115570345A (zh) 线材自动穿针方法、装置、设备及存储介质
WO2023103222A1 (zh) 离心管取放方法、设备和计算机可读存储介质
CN116206052A (zh) 飞机油箱的三维重建方法、装置、电子设备及存储介质
WO2024169384A1 (zh) 视线估计方法、装置、可读存储介质及电子设备
CN109990705B (zh) 基于视觉的机器人末端测温枪坐标系标定方法及系统
CN117437627A (zh) 一种用于石油炼化场景的数字仪表图像识别读数方法
CN112288804B (zh) 一种目标定位的方法及装置
CN114022523B (zh) 低重叠点云数据配准系统及方法
CN106970074A (zh) 具有色彩矫正能力的尿液试纸图像识别方法
CN112710590B (zh) 尿液检测方法、尿液检测设备及计算机可读存储介质
CN113974834A (zh) 手术机器人系统的套管位姿确定方法、装置
CN112919124A (zh) 一种样本信息识别装置及方法
CN112131902B (zh) 闭环检测方法及装置、存储介质和电子设备
JP2013003218A (ja) 撮像装置およびその制御方法
CN117392425A (zh) 样本处理仪的耗材监控方法、装置、样本处理仪及介质
CN210864770U (zh) 一种基于图像识别技术的医疗设置耗材检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination