CN101167101A - 自动图像分析 - Google Patents
自动图像分析 Download PDFInfo
- Publication number
- CN101167101A CN101167101A CNA2006800143422A CN200680014342A CN101167101A CN 101167101 A CN101167101 A CN 101167101A CN A2006800143422 A CNA2006800143422 A CN A2006800143422A CN 200680014342 A CN200680014342 A CN 200680014342A CN 101167101 A CN101167101 A CN 101167101A
- Authority
- CN
- China
- Prior art keywords
- image
- handled
- automated imaging
- imaging according
- wavelength
- 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
Links
- 238000010191 image analysis Methods 0.000 title description 6
- 238000003384 imaging method Methods 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims description 27
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 208000015181 infectious disease Diseases 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 27
- 239000012472 biological sample Substances 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 86
- 239000000523 sample Substances 0.000 description 60
- 210000004940 nucleus Anatomy 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 15
- CWHJIJJSDGEHNS-MYLFLSLOSA-N Senegenin Chemical compound C1[C@H](O)[C@H](O)[C@@](C)(C(O)=O)[C@@H]2CC[C@@]3(C)C(CC[C@]4(CCC(C[C@H]44)(C)C)C(O)=O)=C4[C@@H](CCl)C[C@@H]3[C@]21C CWHJIJJSDGEHNS-MYLFLSLOSA-N 0.000 description 12
- 239000009871 tenuigenin Substances 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000004043 dyeing Methods 0.000 description 8
- 238000010186 staining Methods 0.000 description 7
- 238000007792 addition Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 5
- 230000001086 cytosolic effect Effects 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000009595 pap smear Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 239000000427 antigen Substances 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 230000032696 parturition Effects 0.000 description 3
- -1 prostatin Proteins 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000005168 endometrial cell Anatomy 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229920001282 polysaccharide Polymers 0.000 description 2
- 239000005017 polysaccharide Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001502050 Acis Species 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 108700020463 BRCA1 Proteins 0.000 description 1
- 102000036365 BRCA1 Human genes 0.000 description 1
- 101150072950 BRCA1 gene Proteins 0.000 description 1
- 108700020462 BRCA2 Proteins 0.000 description 1
- 102000052609 BRCA2 Human genes 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 101150008921 Brca2 gene Proteins 0.000 description 1
- 102000000905 Cadherin Human genes 0.000 description 1
- 108050007957 Cadherin Proteins 0.000 description 1
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 108090000565 Capsid Proteins Proteins 0.000 description 1
- 102000003846 Carbonic anhydrases Human genes 0.000 description 1
- 108090000209 Carbonic anhydrases Proteins 0.000 description 1
- 102100025064 Cellular tumor antigen p53 Human genes 0.000 description 1
- 102100023321 Ceruloplasmin Human genes 0.000 description 1
- 241000606153 Chlamydia trachomatis Species 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 241000938605 Crocodylia Species 0.000 description 1
- 102100024458 Cyclin-dependent kinase inhibitor 2A Human genes 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 108050007372 Fibroblast Growth Factor Proteins 0.000 description 1
- 102000018233 Fibroblast Growth Factor Human genes 0.000 description 1
- 102000016359 Fibronectins Human genes 0.000 description 1
- 108010067306 Fibronectins Proteins 0.000 description 1
- 101710113436 GTPase KRas Proteins 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 208000005176 Hepatitis C Diseases 0.000 description 1
- 101000721661 Homo sapiens Cellular tumor antigen p53 Proteins 0.000 description 1
- 101000583175 Homo sapiens Prolactin-inducible protein Proteins 0.000 description 1
- 101000733249 Homo sapiens Tumor suppressor ARF Proteins 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 101710125507 Integrase/recombinase Proteins 0.000 description 1
- 241000589902 Leptospira Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 241001529936 Murinae Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 101001096236 Mus musculus Prolactin-inducible protein homolog Proteins 0.000 description 1
- 241000186359 Mycobacterium Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 108020004711 Nucleic Acid Probes Proteins 0.000 description 1
- 108010081689 Osteopontin Proteins 0.000 description 1
- 102000004264 Osteopontin Human genes 0.000 description 1
- 101710116435 Outer membrane protein Proteins 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 102000012288 Phosphopyruvate Hydratase Human genes 0.000 description 1
- 108010022181 Phosphopyruvate Hydratase Proteins 0.000 description 1
- 102100030350 Prolactin-inducible protein Human genes 0.000 description 1
- 108050002653 Retinoblastoma protein Proteins 0.000 description 1
- 241000235342 Saccharomycetes Species 0.000 description 1
- 208000019802 Sexually transmitted disease Diseases 0.000 description 1
- 102000004874 Synaptophysin Human genes 0.000 description 1
- 108090001076 Synaptophysin Proteins 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000000627 alternating current impedance spectroscopy Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 210000004718 centriole Anatomy 0.000 description 1
- 229940038705 chlamydia trachomatis Drugs 0.000 description 1
- 239000005321 cobalt glass Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 210000004748 cultured cell Anatomy 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 102000052116 epidermal growth factor receptor activity proteins Human genes 0.000 description 1
- 108700015053 epidermal growth factor receptor activity proteins Proteins 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229940126864 fibroblast growth factor Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012239 gene modification Methods 0.000 description 1
- 230000005017 genetic modification Effects 0.000 description 1
- 235000013617 genetically modified food Nutrition 0.000 description 1
- 108060003196 globin Proteins 0.000 description 1
- 102000018146 globin Human genes 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- HLUCICHZHWJHLL-UHFFFAOYSA-N hematein Chemical compound C12=CC=C(O)C(O)=C2OCC2(O)C1=C1C=C(O)C(=O)C=C1C2 HLUCICHZHWJHLL-UHFFFAOYSA-N 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- YOHYSYJDKVYCJI-UHFFFAOYSA-N n-[3-[[6-[3-(trifluoromethyl)anilino]pyrimidin-4-yl]amino]phenyl]cyclopropanecarboxamide Chemical compound FC(F)(F)C1=CC=CC(NC=2N=CN=C(NC=3C=C(NC(=O)C4CC4)C=CC=3)C=2)=C1 YOHYSYJDKVYCJI-UHFFFAOYSA-N 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 108091008104 nucleic acid aptamers Proteins 0.000 description 1
- 239000002853 nucleic acid probe Substances 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 108091033319 polynucleotide Proteins 0.000 description 1
- 102000040430 polynucleotide Human genes 0.000 description 1
- 239000002157 polynucleotide Substances 0.000 description 1
- 239000013641 positive control Substances 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 208000016254 weariness Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/922—Computer assisted medical diagnostics including image analysis
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本文所描述的一种自动成像处理包括：a)获取生物样本中对象的数字图像；b)从数字图像中选择多个感兴趣对象；c)获取处于多个不同波长的所选感兴趣对象的多个图像；d)将所述多个图像中的一个与对应的数字图像进行组合，以生成组合图像；以及e)分析组合图像以表征生物样本。
Description
技术领域
本文所描述的主题涉及用于自动图像分析的方法和装置。
背景技术
医学标本的细胞成像对于医学分析是繁重但重要的工具。已经开发了自动细胞成像器来满足更一致的细胞图像分析的需要。自动细胞成像器不像它们的载波片判读那样剧烈变化，不易老化，并且与人力相比可以提供更多的生产量。
几个先前已开发以及一些当前可用的自动系统与辅助的人为分析一起使用，并用于增加所化验的样本数而减轻人类分析者的疲劳工作。自动筛选器可用于从每个样本中选择进一步需要人为检查的对象。该方法可以增加这种化验的敏感性，因为机器可以更容易和更经济地从将被人分析的每个样本中识别出那些感兴趣的对象。
然而，自动成像器被提供给其的样本和数据，以及其自身的程序化所限制。此外，由于计算的原因，成像器一般使用单色、黑白图像用于它们的分析，而样本自身可提供大范围的光谱数据和其它信息，尤其是细胞染色(stain)的样本。
例如，在巴氏染色样本的自动图像分析中，可通过正常化生细胞和其它混杂对象的存在使在传统自动筛选系统中对异常对象的分类变得复杂。一些成像系统基于它们的光学密度识别巴氏染色样品中的感兴趣的细胞，这是因为这些细胞或它们的细胞核会比样本中正常细胞“更深(光学上更加致密)”和/或更大。染色样品中的化生细胞还具有较暗的细胞质，从而减小了在测量中可能产生错误的细胞核与细胞质的对比度。在载波片上化生细胞可能非常多，而异常细胞不会经常出现，因此，不期望自动成像器能够选择用于人为检查的化生细胞，这是因为它们与成像器的颜色一样深，但比异常细胞多很多。由成像器检测的阴性疾病(disease-negative)化生细胞的错误选择率频繁发生，从而限制了精确的疾病检测。
发明内容
根据本文中公开的一个实施例，自动成像处理包括：a)获取生物样本中对象的数字图像；b)从数字图像中选择多个感兴趣对象；c)获取处于多个不同波长的感兴趣对象的多个图像；d)将所述多个图像中的一个与对应的数字图像进行组合，以生成组合图像；以及e)分析组合图像以表征生物样本。
根据本文中公开的另一实施例，自动成像处理包括：a)获取生物样本中对象的数字图像；b)从数字图像中选择至少一个感兴趣对象；c)获取处于多个不同波长的至少一个感兴趣对象的至少一个图像，以形成多波长图像集合；d)分析多波长图像集合以表征生物样本。
根据本文中公开的又一实施例，在自动成像处理中使用的装置包括：a)至少一个光源，可以向样本提供至少一个光谱区；b)至少一个检测器，当样本被至少一个光谱区照射时，可以检测一部分样本的至少一个图像集合；以及c)至少一个计算机，可基于至少一个标准组选择图像的至少一个子集。如果收集了多于两个的图像集合，则可以组合这些图像以形成至少一个组合图像。然后，至少一个计算机还可以分析所选子集的图像集合，以及可以基于第二标准组选择图像集合的另一子集，其中，第二标准组可以是第一标准组或是不同组。
根据本文中公开的再一实施例，在自动成像处理中使用的装置包括：a)第一光源，可以向样本提供第一光谱区；b)第一检测器，当第一光谱区照射样本时，可以检测一部分样本的第一图像；c)第一计算机，可基于第一标准组选择第一图像的子集；d)第二光源，可以是第一光源或是不同的光源，该第二光源可以提供与第一光谱区不同的第二光谱区；e)第二检测器，可以是第一检测器或是不同检测器，当第二光谱区照射所选子集时，所述第二检测器可以检测所选子集中图像的第二图像；以及f)第二计算机，可以是第一计算机或是不同计算机，第二计算机可以生成包括所选子集的第二图像和第一图像的组合图像，以及可以基于第二标准组选择组合图像的另一子集，第二标准组可以是第一标准组或是不同的标准组。
根据本文中公开的再一实施例，在自动成像处理中使用的装置包括：a)第一光源，可以向样本提供第一光谱区；b)第一检测器，当第一光谱区照射样本时，可以检测一部分样本的第一图像；c)第一计算机，可基于第一标准组选择第一图像的子集；d)第二光源，可以提供与第一光谱区不同的第二光谱区，其中，第二光源可以是第一光源或是不同光源；e)第二检测器，当第二光谱区照射所选子集时，可以检测所选子集中图像的第二图像，其中，第二检测器可以是第一检测器或是不同检测器；以及f)第二计算机，可分析所选子集的第一和第二图像，以及可以基于第二标准组选择第一和第二图像的另一子集，其中，第二计算机可以是第一计算机或是不同计算机，以及其中，第二标准组可以是第一标准组或是不同组。
附图说明
图1示出了对于11个测量对象的与单波长(570nm)图像相比的双波长(570nm加上第二波长)组合图像的递增的细胞核与细胞质的对比度。其中，圆圈＝正常中间细胞，x＝正常化生细胞，圆点＝异常细胞。
具体实施方式
如本文所描述，自动成像处理和/或装置利用多个波长的光来照射样本，并获得可被自动处理或被操作者处理的图像。还可以在不同波长处获得包含相关信息的图像，以对组合图像进行附加分析。此外，在一个图像中得到的对象可经受不同波长的光的照射，以在基于样本实行诊断之前深入地分析对象。在一些实施例中，可通过以白光照射样本或样品并在样品/样本与至少一个TV像机或其它像机之间放置至少一个滤色器来获得相关信息。还可以利用具有可切换滤色器的像机。在一些实施例中，如果特定的图像集合包括“感兴趣细胞”，则系统操作者可回到细胞的位置，并生成或检索附加图像以帮助研究者、计算机、或技术人员完善关于样本或样品的信息。
本文还提供了多种方法、处理、和装置，用于进一步通过自动成像器研究对象集，其中，可以单独或组合地使用这些方法、处理、和装置。通过使用通过分析多个波长处的对象所获得的信息，可以更好地将包含感兴趣特征(“阳性”)的细胞或群与所选集合中的虚报或阴性细胞区别开来。也可通过这种探询识别特定的细胞类型(例如，子宫内膜细胞或宫颈管细胞)或者确定异常的细胞。
在提交本发明的申请时，商业上已经应用了许多离散成像系统，包括Cytyc公司的THINPREP成像系统、TriPathFOCALPOINTTM廓线仪、ChromaVision ACIS系统、CompuCytiCyte成像系统、应用的成像CYTOVISIONTM系统、以及VeracelVerasysTM成像系统。应当理解，可以更改这些设备和装置，以附加成像步骤(例如，本文中所描述的成像步骤)相结合。
当前的THINPREP成像系统(“TIS”)确定通过巴氏染色处理染色以及数字成像的包括单个细胞和群的在一个样本采样载波片中具有一个或多个感兴趣对象的视场。例如，TIS可编辑具有最高集成光学密度的在给定样本载波片上的100个单独对象的列表以及具有最高平均光学密度的20个群的列表。可在先前描述的值100和20上下采集其它值的对象和群。本文提供的其它分析提高了这些所识别对象的区别、适当选择、以及改进分析。这种附加分析的等级是唯一的，因为其关注所识别对象并且涉及特定分析的使用。
识别光的波长的预期方法允许细胞样本的改进分类涉及在整个光谱区上扫描样本并确定该区内的特定波长是否能够改进样本参数的分类。可以在整个光谱区上以规则或不规则的间隔扫描样本，然后，以不同的方式将其与未修改的图像和/或与一个或多个不同特定波长的图像组合。也可以在整个光谱区上以规则或不规则的间隔扫描样本的一部分，其中，每个波长的特定部分被自动查看或被用户查看，因此，创建了相同样本部分的多个特定波长图像。
可分析多种不同的样本参数，以确定它们对工作能力的影响，从而更精确地对成像样本进行分类。在一些实施例中，可以期望识别细胞核的边界。细胞核形状的规则性可以提供关于成像细胞情况的重要线索，而细胞核形状的不规则性可表示恶化前的情况。因此，例如，通过增加细胞核和细胞质之间的对比度所提高的识别细胞核能力可以产生自动诊断细胞条件的改进方法。
在一些实施例中，对细胞的细胞核进行成像包括确定细胞核的纹理、其形状、综合暗度、平均暗度、或它们的组合。如现有技术中已知的，纹理是指与相邻像素相比分析给定像素的值。例如，通过确定周长除以4π倍的面积的平方，可以通过任何适合的技术确定形状。此外，还可以使用细胞核周围细胞质的“环”。可从图像中数字地减去该环中细胞质的光学密度，以提供提高的测量细胞核的能力，以及可以提高在样本中不同细胞的细胞质彼此重叠情况下的可视性。
尽管本文的实例描述了通过巴氏染色处理染色的细胞样本，但应该理解，本文所描述的方法可与通过其它适当和/或传统的处理和/或材料染色的样本结合使用。预期的染色方法包括苏木精和曙红染色、福尔根染色、DNA染色、化学计量染色、以及对比染色。在一些实施例中，这些方法可包括或利用未经染色的样本。此外，尽管实例示出了对于由巴氏试验获得的妇产科医学样本使用这些方法，但在本文描述的方法中可类似地使用任何适当的生物样本。
在本文中公开了组合的情况下，应该理解，还具体公开了该组合的元素的每一种子组合，并且也在本发明主题的范围内。相反，在公开了不同元素和元素组的情况下，还公开了它们的组合。在公开了主题的任何元素具有多种选择的情况下，还因此公开了该主题的实例，其中，每种选择被单独排除，或者与其它选择进行任何组合；预期主题的一个以上的元素可以具有这种排除，从而，公开了具有这种排除的元素的所有组合。
除非另外定义或文中另外明确指出，否则如本领域技术人员一般所理解的，本文使用的所有技术和科学术语具有相同的含义。尽管可在本文所公开主题的实践和测试中使用与本文描述的方法和材料类似和等同的任何方法和材料，但现在仅描述优选的方法和材料。
如上所述，本文描述的方法、处理、和/或装置将现有自动成像系统(例如，TIS)的能力与其它能力进行组合，以分析所识别的样品采样中“感兴趣对象”的子集，从而提供对正常细胞、异常细胞、特定疾病相关条件、或其组合的自动识别。
如本文所述，一种自动成像处理包括：a)获取生物样本中对象的数字图像；b)从数字图像中选择多个感兴趣对象；c)获取处于多个不同波长的感兴趣对象的多个图像；d)将所述多个图像中的一个与对应的数字图像进行组合，以生成组合图像；以及e)分析组合图像以表征生物样本。
在该预期实施例中，在样本中识别感兴趣对象，然后通过利用其它光谱区照射对象来获得这些对象的其它图像。可以通过任何数学方法(例如，相加、相减)和/或占组合图像的比例来组合其它图像。可以组合多于两个图像。然后，通过本文描述的标准组分析组合图像，并将结果与由单个波长照射而获得的结果进行比较。以这种方式，可以识别其它有用的照射波长。在获取原始图像，然后为了稍候可能使用将其存储的同时，可以获得处于多个波长的其它图像。或者，可重新定位对象，然后可获得处于多个波长的新图像。
如本文所述，另一种预期的自动成像处理包括：：a)获取生物样本中对象的数字图像；b)从数字图像中选择至少一个感兴趣对象；c)获取处于多个不同波长的至少一个感兴趣对象的至少一个图像，以形成多波长图像集合；d)分析多波长图像集合以表征生物样本。
在这个其他预期实施例中，在多个不同波长处采集的至少一个图像被用于从图像中提取特征。例如，光谱中红色端点的暗度与光谱中蓝色端点的暗度之比可用于表征从生物样本中获取的图像。该预期实施例的目的在于对相同图像或来自生物样本的图像收集提供多种透视。在相关实施例中，用户可获取4或5个图像，并找到来自不同图像的细胞核内像素的一些加权值给出可表示异常与常态相比较的结果。该处理可给出来自生物样本的图像的“光谱特征”。
在一些实施例中，成像器首先基于最高综合光学密度细胞核和最高平均光学密度群识别特定子集。在异常样品中，该子集通常包括异常对象和一些“虚报”。在正常样品中，该子集通常包括正常对象，并且也包括一些“虚报”。虚报是由于存在活性/修复类型的细胞或伪影而产生的，例如，叠加细胞核或具有细胞核和细胞质之间的固有低对比度的正常对象。
在本文提供的一些实施例中，成像器返回这些识别对象并应用附加分析以更好地从活性/修复类型的变化和/或从“虚报”中分辨出真实的异常对象。附加分析可以包括光谱分析或标志检测，并且可涉及从细胞的细胞核和细胞质得到的测量值。
在本文提供的一些实施例中，对对象的特定子集(例如，顶部的2000个对象、顶部的1000个以下的对象(例如，顶部的500个对象、顶部的200个对象、或顶部的120个对象))执行光谱分析。为子集选择的对象数是如计算机存储器、计算机速度、以及用户需要的函数，以表征具有较高精度的样本。一旦选择并存储了对象的子集，就可基于适当的标准选择该子集中顶部120个图像或对象的分析。因而，例如，对象的子集可包含在一个波长处获得的2000个图像。在另一波长处，采集1000个图像。在分析期间，从2000个图像的集合和1000个图像的集合的每一个中均取出120个图像。
在其它实施例中，不需要返回对象的子集，而是可在获取初始图像的同时存储多个波长处的图像。然后，可对感兴趣对象的子集执行附加分析，而不需要重新定位对象。
多波长的光可用于数字化在单个和多个波长处获得的黑白图像。所得到的“彩色”图像可比纯黑白图像更容易表征。在一些实施例中，可尝试对对象进行分类。基于对所识别的对象的分析，可做出判断以将样品识别为正常，而不需要任何人为的附加观察。
光谱信息也可用于识别细胞的具体类型。例如，在识别群列表的过程中，可以期望识别子宫内膜细胞或宫颈管细胞。在识别单个细胞核列表的过程中，化生细胞或宫颈管细胞或者其它特定细胞类型的识别对细胞学家是有用的。在这两种识别类型中，均可通过本文所提供的光谱分析确定异常的具体等级。这种测量可包括形态学和光谱信息的细胞核和细胞质测量。
光谱信息还可以检测与疾病相关的特定细胞变化或其它细胞变化。例如，HPV感染可引起细胞变化，其导致光谱变化。这可以通过成像器进行检测，使样本被识别为被HPV感染，而不需要分子化验。
经常通过标志的存在来证明由于存在疾病和感染而在细胞中引起变化。例如，抗体可检测感染(例如，HPV或衣原体感染)的存在。其它分子标志(例如，核酸探针或核酸适体)也可以用于表示疾病或感染的存在。在一些实施例中，可将探针附着于在正使用的染色剂中不经常存在的独特颜色标签，例如，标准巴氏染色。该标签可包括特定的吸收光谱，或者其可以仅在特定波长的光被用于照射时发荧光。可对所识别的对象进行颜色分析和/或标志照射。
总的来说，该方法对载波片上较少数量的对象提供了后续分析，与通过全部载波片分析获得的结果相比，其能够更快的执行。该方法还提高了敏感度或独特性，这是因为附加分析仅应用于已经由于相关特性中可感知的变化(例如，细胞核密度)而被选择为可疑对象的对象。
例如，TIS识别具有最高综合光学密度(IOD)的100个对象(通常为细胞核)。在利用本文所提供的方法的系统中，可对这100个所识别的对象中的一些或全部进行光谱分析。光谱分析可用于给出这些对象是否是具有与阴性细胞核或异常细胞核类似的光谱特性的细胞核的指示。基于这种分析，可做出载波片很可能是阴性且可无需进一步人为分析的判断。
自动光谱成像方法的其它实施例包括用于诊断、分类、或选择用于附加分析、用于Pap测试、乳管灌洗、肺等的细胞的样品的自动分析；以及通过组合由两种或更多颜色照射获得的图像来进行改进的分裂分析。此外，自动方法可包括涉及多光谱分离、分裂、和/或感兴趣图像或对象的量化的步骤。
应该理解，本文所使用的诸如“颜色”、“波长”、和“光谱区”的术语可包含具有窄带宽的精确波长(例如，可由激光源提供)以及具有稍宽的带宽的波长(例如，可通过使用具有宽或多频带光源的滤波器来提供)。发光二极管(LED)照射可根据各个LED提供窄的或稍宽的照射。
被分析的样本(还可以被称作样品)可以是任何生物材料源，其可以从包括细胞、组织、或流体的有机体直接或间接地获得。样本的非限制实例包括血液、尿、精液、乳汁、痰、粘液、胸膜液、骨盆液、滑液、腹水、体腔清洗液、眼睛清洗液(eye brushing)、表皮碎屑、口腔清洗、阴道清洗、巴氏抹片、直肠清洗、吸气、穿剌活检、例如通过外科手术或尸体解剖获得的组织切片、血浆、血清、脊髓液、淋巴液、皮肤的外部分泌物、呼吸的、内脏的、和泌尿的生殖器官、眼泪、唾液、瘤、器官、微生物培养、病毒、以及试管细胞培养成分的样本。样本可以是已知包括感兴趣对象的阳性控制样本。
可由自动装置选择的感兴趣对象可以是期望检测的样本的任何组分。对象的非限制实例包括多核苷酸、蛋白质、缩氨酸、多醣、黏多糖、蛋白多糖、碳水化合物、类脂物、脂肪、细胞、细胞类型、有机体、病毒、组织、抗原、无机化合物、和其它传感器可以获得的分子。
示例性分子对象包括HPV E2蛋白质、HPV E6和E7蛋白质、HPV L1衣壳蛋白质、p16INK4a、上皮钙粘着蛋白、神经钙粘着蛋白、p53、GCDFP-15、Pericyclin、NuMA、碳酸酐酶、基质金属蛋白酶、核基质蛋白质、铁蛋白、aurora A、中心粒周围蛋白、骨桥蛋白、prostatin、胰岛素样生长因子、纤维原细胞生长因子、BRCA1、BRCA2、乳腺珠蛋白、PSE、CEA、CA-125、CA 19-9、CA 15-3、生长激素抑制素、突触体素、嗜铬粒蛋白、kallikriens、纤连蛋白、EGFR、K-ras、Her-2/neu、螺旋体抗原、神经元特定烯醇酶、视网膜神经胶质瘤蛋白质、肝炎C表面抗原、包括沙眼衣原体的外部膜蛋白质的性传播疾病标记物、癌标记物、以及HIV gp120。
在对象为细胞或者细胞成分或产品的情况下，细胞可以来自包括原核、真核状态、或古细菌(archea)的任何地方。细胞可以是活的或死的。如果从多细胞有机体获得，则细胞可以是任何细胞类型。细胞可以为培养细胞系或原始隔离，细胞可以是哺乳动物、两栖动物、爬行动物、植物、酵母菌、细菌、分枝杆菌、由螺旋体引起的、或原生动物的细胞。细胞可以是人类、鼠科动物、似鼠动物、仓鼠、鸡、鹌鹑、或狗的细胞。细胞可以是正常细胞、变异细胞、经基因改造的细胞、肿瘤细胞等。
在用于执行本文所描述的自动成像方法的一个实施例中，装置包括一个或多个能够以多波长的光照射样品的光源。装置还包括一个或多个能够获得以多波长照射的样品图像的检测器。
装置还包括计算机或其它选择装置，能够在第一波长处从样品获得的图像中选择感兴趣对象的子集。装置可基于任一标准组选择这些对象，其可以包括一种或多种单独的分析。在这里提供了这种标准的实例，包括平均光学密度、综合光学密度、形状、纹理等。装置能够以第二波长对所识别的感兴趣对象进行成像，然后，将这些附加图像与对象的第一图像进行组合，以生成组合图像，随后可以对其进行附加分析以基于进一步的标准选择对象的特定子集，该进一步的标准可以与最初执行的标准相同或不同。
图像可被相加，或者通过模拟装置或数字装置相互比较。例如，可通过同时开启两种颜色的照射(即，来自两个不同波长的LED的照射)并在模拟处理中添加图像来将两个图像相加。在另一实施例中，可以将图像数字化，并将其相加或对其进行比较。
实例
阐述以下实例，以向本领域技术人员提供怎样制造和使用本文所描述的主题的完整描述，但并不是为了限制本发明的范围。进行努力以确保相对于所使用数字(例如，数量、温度等)的精度，但存在一些试验错误和偏差。
实例1.多波长筛选以改善自动成像
执行试验以确定以多波长使样本成像是否可以改进自动成像器的景物分割操作和/或特征提取操作。由于细胞质非常厚，所以一些异常细胞和许多化生细胞具有减小的细胞核比。此外，一些染色系统在染色样本中产生多种颜色，并且对样本中的所有细胞单一颜色的照射可能不会是最佳的。例如，巴氏染色可生成具有红色、蓝色、和绿色细胞质的细胞，以及由一些数字成像器使用的单一波长不能够提供这种偏离细胞(divergent cell)的最佳成像。因此，对比度的全面提高被用作评定用于改善分析的潜在方法的一种方式。
使用具有黑白摄像机的Zeiss Axioskop显微镜，利用51个不同波长将包含正常、异常、和化生巴氏染色细胞的一组11个显微镜场进行数字化。这可通过在光源和显微镜之间设置单色仪(EG&G模型585-22)来实现。然后，以450到700纳米之间的波长以5纳米的步长对图像进行数字化。一旦多个波长的图像被数字化，则研究算法以将两个图像的组合相加，然后，自动确定细胞核和细胞质之间的对比度。将对比度定义为与细胞质内10×10像素盒相比细胞核内10×10像素盒的灰级差。选择单一波长(570nm)，给出对于大多数图像的最佳对比度。
对于组合图像(两个图像相加然后除以2)，分析该图像与其它波长的组合，以确定与570nm的图像相比对比度的改变。图1示出了对于具有570nm图像的所有51个波长组合(y轴)的11个对象中的每一个对比度的净变的散点图(x轴为diff3；diff3＝双波长图像的细胞核和细胞质之间灰度值的差，单波长图像的细胞核和细胞质之间灰度值的负差)。
不管细胞质的颜色或细胞类型，确定在所有对象的组合图像的对比度都提高的情况下的范围(大约在600和670之间)。这表示组合多波长的图像可以提高对比度。
实例2.多波长成像改善困难样品的分析
为了研究使用多波长成像的潜力，使用基于实例1选取的两个波长(570和650nm)，利用具有黑白摄像机的Zeiss Axioskop显微镜将来自巴氏染色载波片的一系列异常细胞和正常化生细胞数字化。全部图像被数字化以使群、死细胞、血液等“混乱”。首先，仅使用单波长(在Pap测试成像系统中使用的标准绿色照射(570nm))分析图像。然后，使用两种波长570和650nm的组合分析图像。
然后，自动分割细胞以找到细胞核。通过自动找到潜在的细胞核(深色对象)来运算分割算法，然后，使用基于图像的灰度级直方图的迭代方法。该方法根据对象的当前轮廓内灰度级直方图来监控最小和最大深度值的变化。可将许多其它的分割方法应用于定位图像中的细胞核、细胞质、和其它对象。在分割之后，基于形状和纹理测量，提取细胞核的特征并进行人为拒绝。为了测试组合图像的性能，使用细胞的综合光学密度(“IOD”)按顺序排列细胞的简单列表。该特征是在载波片上测量的容易辨别的所有特征中的一个。然而，遇到在异常细胞的列表中的位置上出现“大/黑”但正常的“化生”细胞的难题。
对具有“麻烦”的化生细胞的病人样本(patient sample)进行测量，并将具有最高IOD的40个细胞存储在列表中。当仅使用单波长时，化生细胞核出现在具有高级鳞片状上皮内损害的特征的异常细胞核组的列表中，一个在位置28处，而更多的在位置33至40处。在具有最高综合光学密度的100个细胞核列表中发现许多异常细胞核。
然而，当将来自两个波长的组合图像用于从前40个细胞核的相同病人样本中创建细胞IOD值的列表时，在位置37中仅出现一个化生细胞核。现在，在列表的前40个位置中示出更多的异常细胞核。因此，组合论证了通过在顶部排列中提供较少“假阳性”细胞核来排列细胞的能力，并且示出了两种颜色分析对这种非常困难的问题的用处。
作为最终检查，通过比较来自单波长和双波长组合图像中匹配群的数据来分析群的图像。数据示出了对白血球群的“椒盐”出现与异常细胞的平滑群(像素密度很少改变)之间灰度级的标准偏差的差分的重要改善。该特征是非常重要的，这是因为其允许去除由于白血球群而引起的“虚报”。如果没有这种区别，则代替可存在于相同载波片上的不频繁出现的异常群，成像器可选择大量白血球群中的一些来展示给细胞学家。这些数据清楚地表示提高了对比度，允许成像器进行更好的区别。在具有来自Pap测试载波片的细胞的临床应用中，双波长照射改善了分割和分类。
因此，公开了改进的自动图像分析系统的具体实施例、使用方法和应用。然而，应该明白，对于本领域的技术人员来说，在不背离本发明概念的情况下，可对已经描述的实施例进行许多修改。
Claims (25)
1.一种自动成像处理，包括：
获取生物样本中对象的数字图像；
从所述数字图像中选择多个感兴趣对象；
获取处于多个不同波长的所述感兴趣对象的多个图像；
将所述多个图像中的一个与对应的数字图像进行组合，以生成组合图像；以及
分析所述组合图像以表征所述生物样本。
2.根据权利要求1所述的自动成像处理，其中，所述感兴趣对象包括与所述生物样本中的其它对象相比光学密度相对较高的对象。
3.根据权利要求1所述的自动成像处理，其中，在紫外线到红外线的范围内从至少一个波长获得所述数字图像。
4.根据权利要求3所述的自动成像处理，其中，从小于约670nm的至少一个波长获得所述数字图像。
5.根据权利要求1所述的自动成像处理，其中，所述多个不同波长均匀递增。
6.根据权利要求1所述的自动成像处理，其中，所述感兴趣对象包括细胞。
7.根据权利要求1所述的自动成像处理，其中，所述处理用于确定正常样品。
8.根据权利要求1所述的自动成像处理，其中，所述处理用于识别感染或其它疾病。
9.根据权利要求1所述的自动成像处理，其中，所述生物样本的表征包括标志的检测。
10.根据权利要求1所述的自动成像处理，其中，所述生物样本的表征包括异常或感染细胞的光谱标记的检测。
11.一种自动成像处理，包括：
获取生物样本中对象的数字图像；
从所述数字图像中选择至少一个感兴趣对象；
获取处于多个不同波长的所述至少一个感兴趣对象中的至少一个图像，以形成多波长图像集合；以及
分析所述多波长图像集合以表征所述生物样本。
12.根据权利要求11所述的自动成像处理，其中，所述至少一个感兴趣对象包括与所述生物样本中的其它对象相比光学密度相对较高的对象。
13.根据权利要求11所述的自动成像处理，其中，在紫外线到红外线的范围内从至少一个波长获得所述数字图像。
14.根据权利要求13所述的自动成像处理，其中，从小于约670nm的至少一个波长获得所述数字图像。
15.根据权利要求11所述的自动成像处理，其中，所述多个不同波长均匀递增。
16.根据权利要求11所述的自动成像处理，其中，所述至少一个感兴趣对象包括细胞。
17.根据权利要求11所述的自动成像处理，其中，所述处理用于确定精确识别细胞核的提高能力。
18.根据权利要求17所述的自动成像处理，其中，所述处理用于确定精确识别细胞核密度的提高能力。
19.根据权利要求11所述的自动成像处理，其中，所述生物样本的表征包括标志的检测。
20.根据权利要求11所述的自动成像处理，其中，所述处理用于确定正常样本。
21.根据权利要求11所述的自动成像处理，其中，所述处理用于识别感染或其它疾病。
22.根据权利要求11所述的自动成像处理，其中，所述生物样本的表征包括异常或感染细胞的光谱标记的检测。
23.一种装置，包括：
第一光源，可以向样本提供第一光谱区；
第一检测器，当所述第一光谱区照射所述样本时，能够检测一部分所述样本的第一图像；
第一计算机，能够基于第一标准组选择所述第一图像的子集；
第二光源，可以是所述第一光源或是不同的光源，所述
第二光源能够提供与所述第一光谱区不同的第二光谱区；
第二检测器，可以是所述第一检测器或是不同的检测器，
当所述第二光谱区照射所选子集时，所述第二检测器能够检测所选子集中图像的第二图像；以及
第二计算机，可以是所述第一计算机或是不同的计算机，所述第二计算机能够生成包括所选子集的所述第二图像和所述第一图像的组合图像，以及能够基于第二标准组选择所述组合图像的另一子集，所述第二标准组可以是所述第一标准组或是不同的标准组。
24.根据权利要求23所述的装置，其中，所述第二计算机能够分析所选子集的所述第一图像和所述第二图像，并且能够基于第二标准组选择所述第一图像和所述第二图像的另一子集，其中，所述第二计算机可以是所述第一计算机或是不同的计算机，以及所述第二标准组可以是所述第一标准组或是不同的标准组。
25.根据权利要求23所述的装置，其中，所述第一标准组或所述第二标准组中的至少一个包括至少一个波长。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/120,437 US7587078B2 (en) | 2005-05-02 | 2005-05-02 | Automated image analysis |
| US11/120,437 | 2005-05-02 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101167101A true CN101167101A (zh) | 2008-04-23 |
Family
ID=36710368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2006800143422A Pending CN101167101A (zh) | 2005-05-02 | 2006-04-25 | 自动图像分析 |
Country Status (12)
| Country | Link |
|---|---|
| US (2) | US7587078B2 (zh) |
| EP (1) | EP1877979A1 (zh) |
| JP (1) | JP2008541048A (zh) |
| KR (1) | KR20080007447A (zh) |
| CN (1) | CN101167101A (zh) |
| AU (1) | AU2006242644A1 (zh) |
| BR (1) | BRPI0611381A2 (zh) |
| CA (1) | CA2603801A1 (zh) |
| IL (1) | IL187123A0 (zh) |
| MX (1) | MX2007013581A (zh) |
| TW (1) | TW200709799A (zh) |
| WO (1) | WO2006118888A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435313A (zh) * | 2010-09-03 | 2012-05-02 | 索尼公司 | 荧光强度补偿方法及荧光强度计算装置 |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7860727B2 (en) | 2003-07-17 | 2010-12-28 | Ventana Medical Systems, Inc. | Laboratory instrumentation information management and control network |
| US8719053B2 (en) | 2003-07-17 | 2014-05-06 | Ventana Medical Systems, Inc. | Laboratory instrumentation information management and control network |
| US7587078B2 (en) * | 2005-05-02 | 2009-09-08 | Cytyc Corporation | Automated image analysis |
| WO2008079745A2 (en) * | 2006-12-19 | 2008-07-03 | Cytyc Corporation | Systems and methods for processing an image of a biological specimen |
| GB2451076A (en) * | 2007-07-16 | 2009-01-21 | Illinois Tool Works | Inspection apparatus and method using penetrating radiation |
| EP2201518A4 (en) * | 2007-09-21 | 2011-12-21 | Aperio Technologies Inc | IMPROVED IMAGE QUALITY FOR DIGITAL DIAGNOSTIC RESOLUTION DIGITAL PICTURE PICTURES |
| US8326014B2 (en) * | 2007-09-28 | 2012-12-04 | Cytyc Corporation | Methods and systems for processing biological specimens utilizing multiple wavelengths |
| US9602777B2 (en) | 2008-04-25 | 2017-03-21 | Roche Diagnostics Hematology, Inc. | Systems and methods for analyzing body fluids |
| JP2012515931A (ja) * | 2008-04-25 | 2012-07-12 | ウィンケルマン、ジェイムズ | 全血球数及び白血球百分率を決定するシステム及び方法 |
| GB2464747B (en) * | 2008-10-10 | 2013-05-15 | Hai Kang Life Corp Ltd | Method for detection of analyte in microarray of samples and apparatus for performing such method |
| US8891851B2 (en) * | 2009-07-15 | 2014-11-18 | Glenn F. Spaulding | Home healthcare management system and hardware |
| CN102096914B (zh) * | 2011-01-26 | 2012-10-10 | 中国科学院自动化研究所 | 一种生物荧光图像中自体荧光干扰的去除方法 |
| AU2012242587B2 (en) | 2011-04-15 | 2015-11-26 | Roche Diagnostics Hematology, Inc. | Measuring volume and constituents of cells |
| TWI708052B (zh) * | 2011-08-29 | 2020-10-21 | 美商安美基公司 | 用於非破壞性檢測-流體中未溶解粒子之方法及裝置 |
| US8977017B2 (en) * | 2011-09-15 | 2015-03-10 | The General Hospital Corporation | System and method for support of medical diagnosis |
| CN102519861B (zh) * | 2011-12-09 | 2013-10-30 | 南昌百特生物高新技术股份有限公司 | 血细胞形态多模式图像筛选方法 |
| US9020192B2 (en) | 2012-04-11 | 2015-04-28 | Access Business Group International Llc | Human submental profile measurement |
| JP5789786B2 (ja) * | 2012-11-27 | 2015-10-07 | パナソニックＩｐマネジメント株式会社 | 画像計測装置および画像計測方法 |
| CN103413281B (zh) * | 2013-08-28 | 2016-03-30 | 西安电子科技大学 | 一种生物活体激发荧光成像中的去除背景荧光干扰的方法 |
| EP3016116A1 (en) | 2014-11-03 | 2016-05-04 | Roche Diagniostics GmbH | Printed circuit board arrangement, coil for a laboratory sample distribution system, laboratory sample distribution system and laboratory automation system |
| WO2017057970A1 (ko) * | 2015-09-30 | 2017-04-06 | 주식회사 싸이토젠 | 광학적 세포 식별방법 |
| EP3529591B1 (en) | 2016-10-20 | 2021-08-04 | Optina Diagnostics, Inc. | Method and system for detecting an anomaly within a biological tissue |
| KR102643765B1 (ko) | 2017-03-09 | 2024-03-05 | 홀로직, 인크. | 생물학적 표본의 자동 제조를 위한 시스템 및 방법 |
| US11067526B2 (en) | 2017-08-17 | 2021-07-20 | Abbott Point Of Care Inc. | Devices, systems, and methods for performing optical and electrochemical assays |
| KR101926117B1 (ko) * | 2017-08-18 | 2018-12-06 | 주식회사 싸이토젠 | 안드로겐 수용체의 변이체 기반 전립선암환자 스크리닝 방법 |
| US10586336B2 (en) | 2018-05-18 | 2020-03-10 | Hong Kong Applied Science and Technology Research Institute Company Limited | Image pre-processing for accelerating cytological image classification by fully convolutional neural networks |
| US11508168B2 (en) * | 2018-10-15 | 2022-11-22 | Upmc | Systems and methods for specimen interpretation |
| CN115903205A (zh) | 2018-11-02 | 2023-04-04 | 豪洛捷公司 | 用于检视整个样本图像的系统 |
| TWI691936B (zh) * | 2019-09-02 | 2020-04-21 | 臺中榮民總醫院 | 偵測、分類及定量醫學影像中多目標之方法 |
| TWI817063B (zh) | 2019-11-25 | 2023-10-01 | 美商好樂杰公司 | 數位影像系統及方法 |
| US11755845B2 (en) | 2021-06-18 | 2023-09-12 | International Business Machines Corporation | Automated process for generating natural language descriptions of raster-based weather visualizations for output in written and audible form |
| TW202349336A (zh) | 2022-02-28 | 2023-12-16 | 美商好樂杰公司 | 數位成像系統及方法 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4191940A (en) * | 1978-01-09 | 1980-03-04 | Environmental Research Institute Of Michigan | Method and apparatus for analyzing microscopic specimens and the like |
| US5134662A (en) * | 1985-11-04 | 1992-07-28 | Cell Analysis Systems, Inc. | Dual color camera microscope and methodology for cell staining and analysis |
| US5008185A (en) | 1985-11-04 | 1991-04-16 | Cell Analysis Systems, Inc. | Methods and apparatus for the quantitation of nuclear proteins |
| US4998284A (en) * | 1987-11-17 | 1991-03-05 | Cell Analysis Systems, Inc. | Dual color camera microscope and methodology for cell staining and analysis |
| US4845552A (en) * | 1987-08-20 | 1989-07-04 | Bruno Jaggi | Quantitative light microscope using a solid state detector in the primary image plane |
| US5202931A (en) * | 1987-10-06 | 1993-04-13 | Cell Analysis Systems, Inc. | Methods and apparatus for the quantitation of nuclear protein |
| US5016173A (en) * | 1989-04-13 | 1991-05-14 | Vanguard Imaging Ltd. | Apparatus and method for monitoring visually accessible surfaces of the body |
| EP0568596A1 (en) * | 1991-01-24 | 1993-11-10 | The University Of Maryland | Method and apparatus for multi-dimensional phase fluorescence lifetime imaging |
| US5548661A (en) * | 1991-07-12 | 1996-08-20 | Price; Jeffrey H. | Operator independent image cytometer |
| US5995645A (en) * | 1993-08-18 | 1999-11-30 | Applied Spectral Imaging Ltd. | Method of cancer cell detection |
| EP0839362A1 (en) * | 1995-07-19 | 1998-05-06 | Morphometrix Technologies Inc. | Multi-spectral segmentation for image analysis |
| US5764792A (en) | 1996-01-19 | 1998-06-09 | Oncor, Inc. | Method and apparatus for processing images |
| AU740638B2 (en) * | 1997-02-28 | 2001-11-08 | Electro-Optical Sciences, Inc. | Systems and methods for the multispectral imaging and characterization of skin tissue |
| US6259807B1 (en) | 1997-05-14 | 2001-07-10 | Applied Imaging Corp. | Identification of objects of interest using multiple illumination schemes and finding overlap of features in corresponding multiple images |
| US6438261B1 (en) * | 1998-09-03 | 2002-08-20 | Green Vision Systems Ltd. | Method of in-situ focus-fusion multi-layer spectral imaging and analysis of particulate samples |
| JP2003513268A (ja) * | 1999-10-29 | 2003-04-08 | サイティック コーポレイション | 細胞学的撮像システムおよび方法 |
| US20030048933A1 (en) * | 2001-08-08 | 2003-03-13 | Brown Carl S. | Time-delay integration imaging of biological specimen |
| JP2004286666A (ja) * | 2003-03-24 | 2004-10-14 | Olympus Corp | 病理診断支援装置および病理診断支援プログラム |
| US7697975B2 (en) | 2003-06-03 | 2010-04-13 | British Colombia Cancer Agency | Methods and apparatus for fluorescence imaging using multiple excitation-emission pairs and simultaneous multi-channel image detection |
| US8185317B2 (en) * | 2003-06-12 | 2012-05-22 | Cytyc Corporation | Method and system of determining the stain quality of slides using scatter plot distribution |
| US7587078B2 (en) * | 2005-05-02 | 2009-09-08 | Cytyc Corporation | Automated image analysis |
-
2005
- 2005-05-02 US US11/120,437 patent/US7587078B2/en active Active
-
2006
- 2006-04-25 EP EP06758606A patent/EP1877979A1/en not_active Withdrawn
- 2006-04-25 WO PCT/US2006/015720 patent/WO2006118888A1/en active Application Filing
- 2006-04-25 MX MX2007013581A patent/MX2007013581A/es active IP Right Grant
- 2006-04-25 AU AU2006242644A patent/AU2006242644A1/en not_active Abandoned
- 2006-04-25 KR KR1020077025500A patent/KR20080007447A/ko not_active Application Discontinuation
- 2006-04-25 JP JP2008510046A patent/JP2008541048A/ja active Pending
- 2006-04-25 BR BRPI0611381-8A patent/BRPI0611381A2/pt not_active IP Right Cessation
- 2006-04-25 CA CA002603801A patent/CA2603801A1/en not_active Abandoned
- 2006-04-25 CN CNA2006800143422A patent/CN101167101A/zh active Pending
- 2006-05-02 TW TW095115585A patent/TW200709799A/zh unknown
-
2007
- 2007-11-01 IL IL187123A patent/IL187123A0/en unknown
-
2009
- 2009-06-08 US US12/480,452 patent/US20090245612A1/en not_active Abandoned
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435313A (zh) * | 2010-09-03 | 2012-05-02 | 索尼公司 | 荧光强度补偿方法及荧光强度计算装置 |
| CN102435313B (zh) * | 2010-09-03 | 2015-10-28 | 索尼公司 | 荧光强度补偿方法及荧光强度计算装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| BRPI0611381A2 (pt) | 2010-08-31 |
| AU2006242644A1 (en) | 2006-11-09 |
| TW200709799A (en) | 2007-03-16 |
| US20090245612A1 (en) | 2009-10-01 |
| WO2006118888A1 (en) | 2006-11-09 |
| JP2008541048A (ja) | 2008-11-20 |
| US20060245630A1 (en) | 2006-11-02 |
| CA2603801A1 (en) | 2006-11-09 |
| KR20080007447A (ko) | 2008-01-21 |
| IL187123A0 (en) | 2008-02-09 |
| MX2007013581A (es) | 2008-01-24 |
| US7587078B2 (en) | 2009-09-08 |
| EP1877979A1 (en) | 2008-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101167101A (zh) | 自动图像分析 | |
| US10025271B2 (en) | Method and system for detecting and/or classifying cancerous cells in a cell sample | |
| US6246785B1 (en) | Automated, microscope-assisted examination process of tissue or bodily fluid samples | |
| AU2011285527B2 (en) | Method and apparatus for automated whole blood sample analyses from microscopy images | |
| Embleton et al. | Automated counting of phytoplankton by pattern recognition: a comparison with a manual counting method | |
| ES2267825T3 (es) | Metodo y sistema para analizar celulas. | |
| KR20130056886A (ko) | 스펙트럼 이미징에 의해 생물 표본을 분석하는 방법 | |
| Forero et al. | Automatic identification techniques of tuberculosis bacteria | |
| WO2006104201A1 (ja) | 細胞画像解析方法、細胞画像解析プログラム、細胞画像解析装置、スクリーニング方法およびスクリーニング装置 | |
| JPH09509487A (ja) | 細胞試料自動分類装置及び方法 | |
| Ortega et al. | Hyperspectral database of pathological in-vitro human brain samples to detect carcinogenic tissues | |
| JP2007516428A (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
| Frost | I. Cellular Morphology Bespeaks Biologic Behavior | |
| WO2012126346A1 (zh) | 一种快速测定细胞核内dna含量的方法 | |
| CN1226609C (zh) | 分析生物样品用的方法 | |
| AU769471B2 (en) | Minimally invasive apparatus and method for testing lesions of the oral cavity and similar epithelium | |
| RU2293524C2 (ru) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы | |
| WO2021092489A2 (en) | Label-free spectral pathology for in vivo diagnosis | |
| Sheikhzadeh | Improving cervical neoplasia diagnosis via novel in vivo imaging technologies and deep learning algorithms | |
| Pijanowska et al. | Nuclei Detection with Local Threshold Processing in DAB&H Stained Breast Cancer Biopsy Images | |
| WO2023242143A1 (en) | Automatic analyzer and method for optically analyzing a biological sample | |
| CN111751266A (zh) | 基于多尺度灰度共生矩阵的免标记细胞核散射反演方法 | |
| Lerner et al. | Automatic signal classification in fluorescence in-situ hybridization images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080423 |