(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111507652.0 (22)申请日 2021.12.10 (71)申请人 肯维捷斯 （武汉） 科技有限公司 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 胡庆磊　陈端　吕晓华　曾绍群　 (74)专利代理 机构 武汉东喻专利代理事务所 (普通合伙) 42224 代理人 宋敏 (51)Int.Cl. G02B 21/24(2006.01) G02B 21/10(2006.01) G02B 21/36(2006.01) G06N 20/00(2019.01) (54)发明名称 一种生物样品的数字显微成像系统及镜检 方法 (57)摘要 本发明公开了一种生物样品的数字显微成 像系统， 包括： 数字显微镜， 照明模块， 对焦机构， 其特征在于还包括自动对焦计算单元， 控制对焦 机构， 使得样品面与数字显微镜物方焦面之间的 距离d调整到 指定范围内 后， 数字显微镜获取样品的显微数字图像， 其中n 代表物方折射率， λ代表照明波长， NA代表所述 数字显微镜的物镜的数值孔径。 所述显微成像系 统可以实现对不经过真实染色的透明或半透明 样品的直接成像； 可以解决传统镜检方法中样品 染色带来的局限性， 简化镜检步骤、 缩短镜检时 间。 同时， 系统操作简单， 更符合病理学家、 生物 学家等的使用习惯。 权利要求书2页 说明书13页 附图8页 CN 114326075 A 2022.04.12 CN 114326075 A 1.一种生物样品的数字 显微成像系统， 包括： 数字显微镜， 其包括物镜和数字相机， 用于获取样品的显微数字图像； 照明模块， 为样品成像提供透射照明条件； 对焦机构， 用于调整样品面与数字 显微镜物方对焦面之间的距离d； 其特征在于还 包括： 自动对焦计算单元， 该自动对焦计算单元控制对焦机构， 使得样品面与数字显微镜物 方焦面之间的距离d调整到 指定范围内后， 数字显微镜获取样品的显微数 字图像， 其中n代表物方折射率， λ代表照明波长， NA代表所述数字显微镜的物镜的数值孔 径。 2.如权利要求1所述的生物样品的数字 显微成像系统， 其特 征在于： 该自动对焦计算单元控制对焦机构， 使得样品面与数字显微镜物方焦面之间的距离d 调整缩小到 指定范围内。 3.如权利要求1所述的生物样品的数字 显微成像系统， 其特 征在于： 所述照明模块的照明波长范围为 400～420nm。 4.如权利要求1所述的生物样品的数字 显微成像系统， 其特 征在于： 所述照明模块使用小角度透射照明， 所述小角度透射照明是指其所提供的照明归一化 强度分布峰值的半高位置对应的照明角度的绝对值θill和所述物镜的孔径角 θobj满足如下 关系： θill<θobj。 5.如权利要求1所述的生物样品的数字 显微成像系统及镜检方法， 其特 征在于： 所述照明模块的照明是暗场照明。 6.一种基于 机器学习的显微数字图像模式识别的方法， 其特 征在于， 包括如下步骤： S1、 采集样品的数字 显微图像； 其中， 采集样品的数字显微图像时， 使得样品面与 数字显微镜物方焦面之间的距离d调 整到 指定范围内， 其中n代表物方折射率， λ代表照明波长， NA代表数字显 微镜的物镜的数值 孔径； S2、 使用机器学习图像模式识别模块， 检测步骤S1采集的数字 显微图像中的预定目标。 7.如权利要求6所述的基于 机器学习的显微数字图像模式识别的方法， 其特 征在于： 在步骤S1与步骤S2之间还 包括步骤： 训练机器学习图像模式识别模块； 其中， 用于训练机器学习图像模式识别模块的训练集包括样品面与显微物镜对焦面之 间的距离d在指定范围内的数字 显微图像。 8.如权利要求7 所述的基于 机器学习的显微数字图像模式识别的方法， 其特 征在于： 所述训练包括如下步骤： 将步骤S1中的样品进行染色， 获取染色样品； 使用明场显微镜采集所述染色样品的在焦显微图像， 获取步骤S1中样品的数字显微图 像中的预定目标的标签；权　利　要　求　书 1/2 页 2 CN 114326075 A 2使用步骤S 1采集的样品的数字显微图像以及上述标签， 训练机器学习图像模式识别模 块。 9.如权利要求6所述的基于 机器学习的显微数字图像模式识别的方法， 其特 征在于： 所述机器学习图像模式识别模块是目标检测或目标分割机器学习图像模式识别模块。 10.如权利要求7 所述的基于 机器学习的显微数字图像模式识别的方法， 其特 征在于： 所述机器学习图像模式识别模块是基于深度学习的目标检测器， 为R ‑CNN、 Fast  R‑ CNN、 RPN、 YOLO中的任一个。 11.一种基于 机器学习的显微数字图像的数字染色方法， 其特 征在于， 包括如下步骤： S1、 采集生物样品的数字 显微图像； 其中， 采集样品的数字显微图像时， 使得样品面与 数字显微镜物方焦面之间的距离d调 整到 指定范围内， 其中n代表物方折射率， λ代表照明波长， NA代表数字显 微镜的物镜的数值 孔径； S2、 使用基于机器学习的图像数字染色模块， 对步骤S1采集的数字显微 图像进行数字 染色。 12.如权利要求1 1所述的基于 机器学习的显微数字图像的数字染色方法， 其特 征在于： 在步骤S1与步骤S2之间还 包括步骤： 训练基于 机器学习的图像数字染色模块； 其中， 用于训练基于机器学习的图像数字染色模块的训练集包括样品面与显微物镜对 焦面之间的距离d在指 定范围内的数字显微图像， 以及步骤S1 中所述样品在经过染色之后， 使用明场显微镜采集的在 焦图像。 13.如权利要求12所述的基于 机器学习的显微数字图像的数字染色方法， 其特 征在于： 所述训练包括如下步骤： 将步骤S1中的样品进行染色， 获取染色样品； 使用明场显微镜采集所述染色样品的在 焦显微图像； 配准步骤S1采集的数字 显微图像与采集的染色样品的在 焦显微图像； 使用所述配准的步骤S1采集的数字显微图像与采集的染色样品的在焦显微图像， 训练 基于机器学习的图像数字染色模块。 14.如权利要求12所述的基于 机器学习的显微数字图像的数字染色方法， 其特 征在于： 步骤S2中的所述基于机器学习的图像数字染色模块是GAN系列的网络模块， 为Cycle   GAN、 Pix2pix  GAN中的任一个。权　利　要　求　书 2/2 页 3 CN 114326075 A 3