-
公开(公告)号：CN119719403A
公开(公告)日：2025-03-28
申请号：CN202411299994.1
申请日：2024-09-18
Applicant: 卡尔蔡司显微镜有限责任公司
IPC: G06F16/58 , G02B21/36 , G06F16/3329 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V20/69 , G06V10/764 , G06V10/82
Abstract: 在用于控制显微镜的计算机实施程序中，接收描述所期望的显微镜图像和所采用的样本(10)的文本输入(T)。所采用样本的文本输入(T)和概览图像(20)被输入到大型语言模型(LLM)中，所述大型语言模型经过训练，可以一起处理文本输入(T)和概览图像(20)，以计算(P4)用于捕获与所期望的显微镜图像相对应的显微镜图像(50)的显微镜设置(40)。然后用这些计算出的显微镜设置(40)捕获显微镜图像(50)。
-
公开(公告)号：CN117425919A
公开(公告)日：2024-01-19
申请号：CN202280036167.6
申请日：2022-05-30
Applicant: 卡尔蔡司显微镜有限责任公司
IPC: G06T11/00
Abstract: 一种计算机实现的方法生成图像处理模型(M)，以便从显微镜图像(20)计算出虚拟染色图像(30)。使用训练数据(T)对图像处理模型(M)执行训练(15)，训练数据包括作为图像处理模型(M)输入数据的显微镜图像(20)和通过与显微镜图像(20)相关的局部配准的化学染色图像(60)形成的目标图像(50)。通过优化目标函数(L)，捕获虚拟染色图像(30)和目标图像(50)之间的差异，训练图像处理模型(M)从输入的显微镜图像(20)计算虚拟染色图像(30)。经过一定数量的训练步骤后，使用任一化学染色图像(60)和在一定数量的训练步骤后计算出的相关虚拟染色图像(30)定义至少一个加权掩膜(W)。在加权掩膜(W)中，一个或多个图像区域(W1、W2、W6)基于虚拟染色图像(30)和化学染色图像(60)中局部对应图像区域之间的差异加权。继续进行训练(15)，其中在目标函数(L)中将考虑加权掩膜(W)。
-
公开(公告)号：CN117237940A
公开(公告)日：2023-12-15
申请号：CN202310700803.7
申请日：2023-06-13
Applicant: 卡尔蔡司显微镜有限责任公司
Abstract: 本发明涉及使用点云特征进行种群分类，其中，一种计算机实现的方法，用于基于相应对象的类型的种群训练人工神经网络识别显微镜图像中的对象类型，特别是生物体和病毒的类型，具有以下工作步骤：读入描绘对象的多个显微镜图像；通过图像处理方法和/或图像识别模型在显微镜图像中定位对象；从显微镜图像中提取对象的特征，对象的特征构成特征空间；将相应的对象的特征组合成特征向量，其中通过特征向量定义的点描述特征空间中的点云；读入表征种群的对象的性质的真值数据；以及将点云和/或点云的特征连同真值数据一起提供给人工神经网络。
-
公开(公告)号：CN115937848A
公开(公告)日：2023-04-07
申请号：CN202211208903.X
申请日：2022-09-30
Applicant: 卡尔蔡司显微镜有限责任公司
IPC: G06V20/69 , G06V10/32 , G06V10/762 , G06V10/766 , G06V10/82 , G06T7/00
Abstract: 本公开的各种示例涉及对显微镜图像中的细胞进行计数和/或确定显微镜图像中细胞的汇合度的技术。为此，使用了机器学习算法。
-
公开(公告)号：CN108012554A
公开(公告)日：2018-05-08
申请号：CN201680034370.4
申请日：2016-06-03
Applicant: 卡尔蔡司显微镜有限责任公司
Abstract: 本发明涉及用于确定和补偿几何成像偏差的方法，所述成像偏差在通过用显微成像系统的顺次单光斑或多光斑扫描进行的物体成像过程中产生，所述方法包括如下方法步骤：-确定参照物，该参照物具有限定的平面结构，-产生该结构的没有几何成像偏差的电子图像数据记录，-用成像系统产生至少一个电子实际图像数据记录，-将实际图像数据记录与参考图像数据记录就各自源于相同物体点的图像点的位置进行比较，-确定实际图像数据记录中相对于参考图像数据记录的位置偏离，-将确定的位置偏离作为校正数据存储，-通过根据校正数据校正实际图像数据记录中的位置偏离补偿几何成像偏差。
-
Patent Agency Ranking
公开(公告)号：CN118334476A
公开(公告)日：2024-07-12
申请号：CN202410024513.X
申请日：2024-01-08
Applicant: 卡尔蔡司显微镜有限责任公司
IPC: G06V10/776 , G02B21/36 , G06V10/764 , G06V10/82 , G06V20/69 , G06T7/00 , G01N21/84
Abstract: 在用于确定计算等级的可信度的计算机实施方法中，显微镜图像(20)用一个有序分级模型(M)进行处理，该模型针对形成一个顺序(R)的级(K；K1‑K17)计算等级(E)。有序分级模型(M)包括多个二进制分类器(c，c1‑c17)，这些分类器不计算关于级(K；K1‑K17)的分级估计，而是计算关于累积辅助级(H；H1‑H17)的分级估计(s；s1‑s17)，其中累积辅助级(H；H1‑H17)的不同之处在于合并了多少个顺序下的连续级(K；K1‑K17)。等级(E)由二进制分类器(c,c1‑c17)的分级估计(s；s1‑s17)计算得出。基于二进制分类器(c；c1‑c17)的分级估计(s；s1‑s17)的一致性确定等级(E)的可信度(50)。
-
公开(公告)号：CN114846382B
公开(公告)日：2024-05-28
申请号：CN202080077686.8
申请日：2020-11-13
Applicant: 卡尔蔡司显微镜有限责任公司
Abstract: 一种用于处理显微镜图像以产生图像处理结果的方法，包括：执行卷积神经网络，其中第一卷积层从由显微镜图像形成的输入张量计算输出张量。输出张量被输入到卷积神经网络的一个或多个进一步的层中，以便计算图像处理结果。第一卷积层包括多个过滤卷积核。至少多个过滤卷积核分别由至少一个具有学习参数过滤矩阵和具有隐式参数的从属过滤矩阵表示，所述隐式参数由学习参数和一个或多个要学习的权重(W)确定，其中不同过滤卷积核的具有学习参数的过滤矩阵彼此不同，且输出张量的不同层由不同的过滤卷积核计算。
-
公开(公告)号：CN114998184A
公开(公告)日：2022-09-02
申请号：CN202210172068.2
申请日：2022-02-24
Applicant: 卡尔蔡司显微镜有限责任公司
Abstract: 在用于处理显微镜图像(10)的方法中，在输入图像处理程序(B)之前，从显微镜图像(10)形成输入图像(30)。图像处理程序(B)包括用于图像处理的学习模型(M)，所述学习模型通过显示具有特定图像属性(S0，α0)的结构(15)的训练图像(T)学习。图像处理程序(B)从输入图像(30)计算图像处理结果(19)。通过图像转换程序(U)将显微镜图像(10)转换为输入图像(30)，其方式是相对于显微镜图像(10)的结构(15)的图像特性(S1，α1)修改输入图像(30)中结构(15)的图像特性(S2，α2)，以使其更接近训练图像(T)的结构(15)的性质(S0，α0)。
-
公开(公告)号：CN114326078A
公开(公告)日：2022-04-12
申请号：CN202111129866.9
申请日：2021-09-26
Applicant: 卡尔蔡司显微镜有限责任公司
Abstract: 一种显微镜系统包括用于拍摄样品位置环境的全景图像(11、12)的全景相机(9)和被设置用于评估全景图像(11、12)的计算设备(20)。计算设备(20)具有用于解释所述全景图像(11、12)的图像坐标的校准参数(P)。全景相机(9)在不同的样品位置或样品台位置下拍摄至少两个全景图像(11、12)。然后，计算用于叠加所述全景图像(11、12；21、22)的位移映射(31)，其中，借助于校准参数(P)将所述全景图像(11、12；21、22)转换为相同的视角。基于在叠加的全景图像(32)之间的一致性优度(Q)来评估是否所述校准参数(P)是有效的。此外描述了一种用于校准检验的方法。
-
公开(公告)号：CN114236803A
公开(公告)日：2022-03-25
申请号：CN202110790405.X
申请日：2021-07-13
Applicant: 卡尔蔡司显微镜有限责任公司
Inventor： 克里斯蒂安·迪特里希 , 丹尼尔·哈泽 , 曼努埃尔·阿姆托尔 , 约翰内斯·克诺布利希
Abstract: 一种显微系统包括用于拍摄样品环境的至少一个全景图像(10)的全景相机(9)和被设置用于评估至少一个全景图像(10)的计算设备(20)。所述计算设备(20)具有校准参数(P)，利用所述校准参数(P)解释所述至少一个全景图像(10)的图像坐标。从所述至少一个全景图像(10)中确定关于在所述全景图像(10)中成像的至少一个参考结构(15)的几何信息(G)，所述参考结构在所述全景图像(10)中的位置或形状取决于至少一个显微镜部件(3、5、6、9、9B)的位置。通过用预先给定的参考数据(a、b)计算所述确定的几何信息(G)来确定是否所述显微镜部件(3、5、6、9、9B)发生了影响所述校准参数(P)的有效性的变化。描述了一种相应的方法以及一种方法，该方法借助于训练的机器学习模型来确定所提及的变化。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.03 seconds)
