CN101238487B - 分割白细胞的方法 - Google Patents
分割白细胞的方法 Download PDFInfo
- Publication number
- CN101238487B CN101238487B CN2006800212475A CN200680021247A CN101238487B CN 101238487 B CN101238487 B CN 101238487B CN 2006800212475 A CN2006800212475 A CN 2006800212475A CN 200680021247 A CN200680021247 A CN 200680021247A CN 101238487 B CN101238487 B CN 101238487B
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- image
- leucocyte
- colour
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 title abstract description 4
- 210000004369 blood Anatomy 0.000 claims abstract description 12
- 239000008280 blood Substances 0.000 claims abstract description 12
- 210000003743 erythrocyte Anatomy 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004040 coloring Methods 0.000 claims description 6
- 238000013442 quality metrics Methods 0.000 claims description 5
- 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 claims description 4
- 239000009871 tenuigenin Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 2
- 235000019646 color tone Nutrition 0.000 abstract 3
- 230000009466 transformation Effects 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000004043 dyeing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 101100365516 Mus musculus Psat1 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06—COMPUTING; CALCULATING OR 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Dispersion Chemistry (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种用来分割血涂片中染色白细胞的方法,其特征在于,从血涂片摄取的数码图像的像素按照其色值被归入至少3个像素级别中的一个级别,图像中所有像素的色值都经过相同的转换,通过这种转换,归入图像背景级别的像素至少近似的显示为白色,进行获取的彩色图像向可替换的色彩空间的转换,所述色彩空间分别表示为色调、色彩饱和度和色彩强度、且所有像素的色调、色彩饱和度和色彩强度被算出,对于每个像素都会计算出针对其是否属于白细胞的概率值,其概率值相当于白细胞核色调概率值(Pnnc)与至少一个其它既率值的乘积(Pwbc),概率值根据提前算出并确定的相互关系被确定,带有高概率值乘积的像素被看作属于白细胞。
Description
技术领域
本发明涉及一种用来分割血涂片中染色白细胞的方法。
发明内容
本发明的任务是,借助于从染色血涂片摄取的图像,对白细胞进行尽可能快速和准确的分割以及必要时的后续分类。分析应该在没有很大的计算耗费的情况下尽可能逼真地展现白细胞以及白细胞核的形状和位置,这样,才可能快速且无需很大耗费地实现必要时的白细胞后续分类。
按照本发明,这些任务将以在开始时所述方式中的方法通过如下特征实现:-通过优选使用聚类,特别是“k均值聚类”,从血涂片摄取的数码图像的像素按照其色值,特别是RGB色值,被归入至少3个像素级别中的一个级别,这些像素级别至少包括红细胞、白细胞(包括细胞核和细胞质)和图像背景,
-图像中所有像素的色值,特别是RGB色值,都经过相同的转换,通过这种转换,归入图像背景级别的像素至少近似的显示为白色,其优选用单个像素的色值除以针对背景像素算出的平均色值,
-进行获取的彩色图像向可替换的色彩空间的转换,所述色彩空间分别表示为色调、色彩饱和度和色彩强度,并算出所有像素的色调、色彩饱和度和色彩强度,
-对于每个像素都计算出针对其是否属于白细胞的概率值,其概率值对应于白细胞核色调概率值(Pnnc)与至少一个其它概率值的乘积(Pwbc),其中,至少一个其它概率值是下面概率值之一,即:像素不属于红细胞色调的概率值(Prbc)或归入每个像素的色彩饱和度值(Psat)的概率值或归入每个像素的色彩强度值或亮度值的概率值(Plum),
-这些概率值根据提前算出并确定的相互关系进行确定,
-带有高概率值乘积的像素被看作属于白细胞。
其表明,通过实施的转换和后续的概率计算和鉴于概率乘积的分析,可以用很少的计算耗费实现在血涂片中包含的白细胞的非常精确的图像。
在一个优选实施形式中,为了强调白细胞像素或为了强调背景分离,在针对像素获得的概率乘积上或在得出的概率图上使用了极限值方法,其中,为了确定每个被分割的区域的极限计算出质量量度Q(R),其中,特别建立了被分割的区域范围内白细胞细胞核像素的数量与该已知区域像素总数的比例,并且使用最佳的所得质量量度的极限值。由此被观察的图像中白细胞的对比度将得到提高。
为了在考虑各像素的亮度值、饱和度值和色调值的前提下继续分割白细胞,预设极限之间的值被规格化且在运用聚类,优选k均值聚类,的情况下被编组,将实现分析方法在计算技巧上的简化。聚类可以理解为带有可选的或特定的相似特性的像点的概括。k均值聚类(k-means dlustering)可以理解为这样一种算法,在这种算法中,簇的理想值k和用来确定簇的中点的函数是已知的。该算法如下运行:
1、初始化:(随机)选择k个簇中心
2、分类:每个对象都将被分配到距其最近的簇中心
3、重新计算:针对每个簇都将重新计算其簇中心
4、重复:如果这时对象的分类发生变化,继续步骤2,否则中止然后从预设起点出发,实现以预设组数的数据聚类。
本发明还涉及一种计算机程序产品,其带有程序编码方法并存储在可以被计算机读取的数据载体上,以便在程序产品在计算机上运行时实施上述用来分割血涂片中染色白细胞的方法。
附图说明
图1、2、3、4和6展示了不同的图像函数或概率曲线,图5a、b、c、d和e展示了不同的概率图像,它们在实施按照本发明的方法的过程中得到。图7展示了被分割后的白细胞。
具体实施方式
下面,根据染色血涂片图像中白细胞的分割举例说明本发明。另外,还可以对以其它方式得到的白细胞图像进行分析。
染色血涂片的图像通过用彩色照相机摄取这些图像获取,该照相机安装在透射显微镜的镜筒中。
白细胞以染色的形式存在。白细胞核的色调相对于细胞质的色调形成明显的对照,尤其是更暗。
像素的饱和度(Sat(R,G,B))和亮度(Lum(R,G,B))被用来作为描述细胞核像素和背景像素的特征。下面展示了RGB颜色组分中像素饱和度和亮度的运算:
RGBmax=max(R,G,B)
RGBmin=min(R,G,B)
有三个像素等级被定义:红细胞(红色血球)、白细胞或白细胞核(白色血球)和图像背景,这里假设,背景区域形成图像中最大数量的像素,然后是红细胞和白细胞。每个像素都通过“k均值聚类”方法被归入三个等级中的一个。如果大于90%的像素位于背景等级,将重复分类过程,以避免错误分割。“k均值聚类”的实施方法在英国牛津大学出版社于1995年出版的由Bishop,C.M.所著的Neural Networks for Pattern Recognition(《模式识别中的神经系统网络》)中被公开。
血涂片的图像背景颜色在摄取的彩色图像中显现出不是理想的白色,其原因可以是比如不理想的照明、彩色照相机未经最优化的白平衡或物体载体的玻璃。如果假设乘法(multiplikative)色彩混合,就可以针对图像中每个像素C∈{R,G,B}通过下面描述的运算转换针对每个新像素C′∈{R,G,B}的颜色,这样,每个背景像素都显示为近似白色。
在从RGB色彩空间到可替换的色彩空间的图像转换的过程中,除了饱和度和亮度之外还需额外计算色调。每个像素的色调(Hue(R,G,B))将在一个划分为6个扇区的圆内如下转换:
从像素值C′(RGB)中将计算出新的像素值Cn(Rn,Gn,Bn)。(R代表红色通道,G代表绿色通道,B代表蓝色通道)
如果R=RGBmax(R,G,B)
再者如果G=RGBmax(R,G,B)
再者
结束如果循环 (结束该如果循环并进行下一步骤)
白细胞概率将针对每个像素通过细胞核色调(Pnuc)的概率值和至少一个其它概率值的乘积算出,其它概率值尤其是“非红细胞色调”(Prbc)和/或饱和度(Psat)和/或亮度(Plum)的概率值。单个的概率值通过启发式的、根据测试图像系列得出的图像函数确定。在图1、2、3和4中,相应得出的图像函数被图解示出。分段给出的图像函数的线性部分使有效插值或应用用来分析图像的参考表格成为可能。为了提高分析精度,可以算出所有概率值的乘积。大多数情况下,细胞核色调Pnuc与另外一个概率值的概率乘积就足够了。
组合的白细胞概率针对每个像素如下算出:
Pwbc(R,G,B)=Pmc(Hue(R,G,B))Prbc(Hue(R,G,B))Psat(Sat(R,G,B))Plum(Lum(R,G,B))
图5a、b、c、d和e借助于例图展示了单个的概率图或组合的概率图。图5a展示了细胞核色调的概率图,图5b展示了“非红细胞色调”的概率图,图5c展示了饱和度的概率图,图5d展示了亮度的概率图,图5e展示了获得的白细胞的概率图。亮像素代表高概率值,暗像素代表低概率值。
为了改善图像质量,可以在相应于图5e的概率图上使用极大稳定极值区域(MSER)方法。
MSER方法由J.Matas、O.Chum、M.Urban、T.Pajdla于2004年发表在《International Journal of Computer Vision》第22卷;第10期;第761-767页的文章《Robust wide baseline stereo from maximally stable extremal regions》中,以及由J.Matas、O.Chum、M.Urban、T.Pajdla于2001年发表在位于捷克共和国布拉格的捷克技术大学机械感觉中心的报告CTU-CMP-2001-33《DistinguishedRegions for Wide-Baseline Stereo》中。
在MSER方法过程中,图像总是不断的被转换成不同的二值图像,且每次都带有不同的极限值,它连续的取另一个值,比如1至254之间的值。
在图5e中,可以清楚的识别明亮的白细胞核和具有小一些亮度的白细胞细胞质。
如果:R中的细胞核像素数 <T细胞核
Q(R)=0 T细胞核=预设极限值
否则
R的形态学开
填充R中的孔
选择R的最大区域
Q(R)=紧性 (R)N1细胞核比率 (R)
结束
形态学开(morphological opening)可以理解为侵蚀和随后的膨胀(Dilatation)的运算结合。侵蚀运算在二值图像中(每个像点的值为“0”或“1”)的作用是把所有值为“1”的表面缩小像点宽度的边。只有所有相邻像点的值都为“1”的时候,值为“1”的像点才保留它的值,相反,值为“0”的像点一直保留它的值。膨胀运算在二值图像中的作用是,把所有值为“1”的表面扩大像点宽度的边。运算填充孔(fill hole)应用于二值图像上(每个像点的值为“0”或“1”)。如果由值为“0”的像点组成的表面被由值为“1”的像点组成的表面所包围,这些值为“0”的像点将被值为“1”的像点所替换。
被分割的图像区域的紧性R按以下方式算出:
根据图6,图像区域R的细胞核像素数量细胞核面积(NucleusArea(R))与图像区域R的总像素数量面积(Area(R))的比例给出了图像区域R的单位总面积的细胞核表面的概率。
F尺寸(x)(Fsize(x))代表图像函数。F尺寸(x)曲线在图6中示出。
用MSER方法得出的区域质量Q(R)被存储在树形结构中。为了对白细胞进行分割,需为树的每个树枝选择拥有最高Q(R)值的区域。如果一个树枝拥有Q(R)平均值更高的多个分枝,这些分枝将被选择用来分割。在图7中描述了包含细胞核像素的极大稳定极值区域(图像区域)。亮度与子类(Nachkomme)的数量(即树枝分枝的数量)成正比。
在以这种方法对图像中的白细胞进行分割之后,可以实现以精确的方式对白细胞的分类。
分类可以包括细胞质和细胞核的分割,然后是记录组织结构和形状特征以及记录的特征与预设的比较值之间的比较。然后,根据比较结果把分割的白细胞归入不同的白细胞种类。
Claims (1)
1.用来分割血涂片中染色白细胞的方法,其特征在于:
- 通过使用k均值聚类,从血涂片摄取的数码图像的像素按照其RGB色值,被归入至少3个像素级别中的一个级别,这些像素级别至少包括红细胞、白细胞和图像背景,
- 图像中所有像素的RGB色值,都经过相同的转换,通过这种转换,归入图像背景级别的像素至少近似的显示为白色,所述转换通过用单个像素的色值除以针对背景像素算出的平均色值得到,
- 进行获取的彩色图像向可替换的色彩空间的转换,所述色彩空间分别表示为色调、色彩饱和度和色彩强度,并算出所有像素的色调、色彩饱和度和色彩强度,
- 对于每个像素都计算出针对其是否属于白细胞的概率值,其概率值对应于白细胞核色调概率值与至少一个其它概率值的乘积,其中,至少一个其它概率值是下面概率值之一,即:像素不属于红细胞色调的概率值或归入每个像素的色彩饱和度值的概率值或归入每个像素的色彩强度值或亮度值的概率值,
- 这些概率值根据提前算出并确定的相互关系进行确定,
- 带有高概率值乘积的像素被看作属于白细胞。
2. 权利要求1所述的方法,其特征在于,所述白细胞包括细胞核和细胞质。
3.权利要求1所述的方法,其特征在于,为了强调白细胞像素或为了强调背景分离,在针对像素获得的概率乘积上或在得出的概率图上使用了极限值方法,其中,为了确定每个被分割的区域的极限而计算出质量量度Q(R)。
4. 权利要求3所述的方法,其特征在于,在所述被分割的区域范围内建立了白细胞细胞核像素的数量与已知区域像素总数的比例,并且使用最佳的所得质量量度的极限值。
5.权利要求1至4中任一项所述的方法,其特征在于,为了在考虑各像素的亮度值、饱和度值和色调值的前提下继续分割白细胞,预设极限之间的值被规格化且在运用聚类的情况下被编组。
6. 权利要求5的方法,其特征在于,所述聚类是k均值聚类。
7.权利要求1至4中任一项所述的方法,其特征在于,得出被分割的白细胞的形状特征和形状参数并根据这些特征和参数把分割的白细胞归入不同的白细胞种类中。
8.权利要求1至4中任一项所述的方法,其特征在于,为计算像素概率值所运用的概率值通过得出的启发式图像函数进行确定。
9. 权利要求8的方法,其特征在于,所述为计算像素概率值所运用的概率值根据测试图像系列得出的启发式图像函数进行确定。
10.权利要求8所述的方法,其特征在于,图像函数的部分区域由线性部分构成。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ATA1010/2005 | 2005-06-15 | ||
AT0101005A AT501944B1 (de) | 2005-06-15 | 2005-06-15 | Verfahren zum segmentieren von leukozyten |
PCT/AT2006/000244 WO2006133473A1 (de) | 2005-06-15 | 2006-06-14 | Verfahren zum segmentieren von leukozyten |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101238487A CN101238487A (zh) | 2008-08-06 |
CN101238487B true CN101238487B (zh) | 2013-04-24 |
Family
ID=36746668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800212475A Expired - Fee Related CN101238487B (zh) | 2005-06-15 | 2006-06-14 | 分割白细胞的方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US8064680B2 (zh) |
EP (1) | EP1891602B1 (zh) |
JP (1) | JP2008546990A (zh) |
CN (1) | CN101238487B (zh) |
AT (2) | AT501944B1 (zh) |
AU (1) | AU2006257752B2 (zh) |
CA (1) | CA2611588A1 (zh) |
WO (1) | WO2006133473A1 (zh) |
ZA (1) | ZA200710297B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK2156370T3 (da) * | 2007-05-14 | 2012-01-23 | Historx Inc | Kompartmentadskillelse ved pixelkarakterisering under anvendelse af billeddata-clustering |
DE102008030874A1 (de) * | 2008-06-30 | 2010-01-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zum Ermitteln einer Kontur und eines Mittelpunktes eines Objekts |
WO2010009498A1 (en) * | 2008-07-21 | 2010-01-28 | Commonwealth Scientific And Industrial Research Organisation | Method and system for autonomous habitat analysis |
CA2783935A1 (en) | 2009-09-18 | 2011-03-24 | Andrew Janowczyk | High-throughput biomarker segmentation utilizing hierarchical normalized cuts |
WO2011100430A2 (en) | 2010-02-10 | 2011-08-18 | Kickstart International, Inc. | Human-powered irrigation pump |
KR101191454B1 (ko) | 2010-05-14 | 2012-10-16 | 계명대학교 산학협력단 | 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법 |
CN101923712A (zh) * | 2010-08-03 | 2010-12-22 | 苏州大学 | 基于粒子群优化的K-means聚类算法的基因芯片图像分割法 |
US9522396B2 (en) | 2010-12-29 | 2016-12-20 | S.D. Sight Diagnostics Ltd. | Apparatus and method for automatic detection of pathogens |
US20120207360A1 (en) * | 2011-02-11 | 2012-08-16 | Courosh Mehanian | Systems and Methods for Object Identification |
CN104169719B (zh) | 2011-12-29 | 2017-03-08 | 思迪赛特诊断有限公司 | 用于检测生物样品中病原体的方法和系统 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
JP5413501B1 (ja) * | 2012-12-07 | 2014-02-12 | 富士ゼロックス株式会社 | 画像処理装置、画像処理システム及びプログラム |
WO2014188405A1 (en) | 2013-05-23 | 2014-11-27 | Parasight Ltd. | Method and system for imaging a cell sample |
IL227276A0 (en) | 2013-07-01 | 2014-03-06 | Parasight Ltd | A method and system for obtaining a monolayer of cells, for use specifically for diagnosis |
US10831013B2 (en) | 2013-08-26 | 2020-11-10 | S.D. Sight Diagnostics Ltd. | Digital microscopy systems, methods and computer program products |
CN103489187A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 基于质量检测的宫颈lct图像中细胞核的分割方法 |
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
WO2015142923A1 (en) * | 2014-03-17 | 2015-09-24 | Carnegie Mellon University | Methods and systems for disease classification |
SE538435C2 (en) * | 2014-05-14 | 2016-06-28 | Cellavision Ab | Method, device and computer program product for determining color transforms between images comprising a plurality of image elements |
WO2016030897A1 (en) | 2014-08-27 | 2016-03-03 | S.D. Sight Diagnostics Ltd | System and method for calculating focus variation for a digital microscope |
CN105205804B (zh) * | 2015-08-18 | 2018-10-30 | 爱威科技股份有限公司 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
EP3859425B1 (en) | 2015-09-17 | 2024-04-17 | S.D. Sight Diagnostics Ltd. | Methods and apparatus for detecting an entity in a bodily sample |
EP3436864B1 (en) | 2016-03-30 | 2021-04-28 | S.D. Sight Diagnostics Ltd. | Image processing device for identifying blood parasites |
CN115266540A (zh) | 2016-05-11 | 2022-11-01 | 思迪赛特诊断有限公司 | 对样品实施的光学测量 |
EP4177593A1 (en) | 2016-05-11 | 2023-05-10 | S.D. Sight Diagnostics Ltd. | Sample carrier for optical measurements |
US10430943B2 (en) * | 2016-10-07 | 2019-10-01 | Sony Corporation | Automated nuclei area/number estimation for IHC image analysis |
EP3710810B1 (en) | 2017-11-14 | 2023-09-06 | S.D. Sight Diagnostics Ltd. | Sample carrier for optical measurements |
CN108805865B (zh) * | 2018-05-22 | 2019-12-10 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
CN109507406A (zh) * | 2018-11-30 | 2019-03-22 | 苏州深析智能科技有限公司 | 一种细胞形态智能提取方法、装置及分析方法 |
CN109816629B (zh) * | 2018-12-20 | 2023-10-13 | 新绎健康科技有限公司 | 一种基于k-means聚类的苔质分离方法和装置 |
CN111429461B (zh) * | 2019-01-09 | 2023-09-01 | 武汉兰丁智能医学股份有限公司 | 一种新型的重叠脱落上皮细胞分割方法 |
CN110060229A (zh) * | 2019-05-29 | 2019-07-26 | 武汉兰丁医学高科技有限公司 | 一种骨髓白细胞的细胞自动定位分割方法 |
KR102288332B1 (ko) * | 2019-10-16 | 2021-08-10 | (주)유아이엠디 | 골수 이미지 분석기를 이용한 골수세포 이미지 촬상 방법 |
CN110766680B (zh) * | 2019-10-28 | 2021-06-22 | 闽江学院 | 一种基于几何约束的白细胞图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001028594A2 (en) * | 1999-10-22 | 2001-04-26 | Fbit Ltd. | Tumor detection by imaging and therapy of tumors |
CN1460229A (zh) * | 2001-03-28 | 2003-12-03 | 皇家菲利浦电子有限公司 | 基于自动分段的实时图像的草的检测方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5352495A (en) * | 1976-10-25 | 1978-05-12 | Hitachi Ltd | Classification apparatus of leucocyte |
JPS60211577A (ja) * | 1984-04-05 | 1985-10-23 | Hitachi Ltd | 白血球分類装置 |
US6147198A (en) * | 1988-09-15 | 2000-11-14 | New York University | Methods and compositions for the manipulation and characterization of individual nucleic acid molecules |
JPH02267675A (ja) * | 1989-04-10 | 1990-11-01 | Hitachi Ltd | 領域分割方法 |
JPH04318460A (ja) * | 1991-04-17 | 1992-11-10 | Omron Corp | 血液細胞分析装置 |
US6136540A (en) * | 1994-10-03 | 2000-10-24 | Ikonisys Inc. | Automated fluorescence in situ hybridization detection of genetic abnormalities |
WO1999024464A1 (en) * | 1997-11-10 | 1999-05-20 | Dana-Farber Cancer Institute, Inc | Glycosylated modified primate lentivirus envelope polypeptides |
US7016787B2 (en) * | 2001-02-20 | 2006-03-21 | Cytokinetics, Inc. | Characterizing biological stimuli by response curves |
JP2004340738A (ja) * | 2003-05-15 | 2004-12-02 | Sysmex Corp | 細胞分類装置とシステム及び細胞分類方法 |
US20050014217A1 (en) * | 2003-07-18 | 2005-01-20 | Cytokinetics, Inc. | Predicting hepatotoxicity using cell based assays |
US7323318B2 (en) * | 2004-07-15 | 2008-01-29 | Cytokinetics, Inc. | Assay for distinguishing live and dead cells |
-
2005
- 2005-06-15 AT AT0101005A patent/AT501944B1/de not_active IP Right Cessation
-
2006
- 2006-06-14 AT AT06741040T patent/ATE519182T1/de active
- 2006-06-14 CA CA002611588A patent/CA2611588A1/en not_active Abandoned
- 2006-06-14 EP EP06741040A patent/EP1891602B1/de not_active Not-in-force
- 2006-06-14 JP JP2008516062A patent/JP2008546990A/ja active Pending
- 2006-06-14 AU AU2006257752A patent/AU2006257752B2/en not_active Ceased
- 2006-06-14 CN CN2006800212475A patent/CN101238487B/zh not_active Expired - Fee Related
- 2006-06-14 WO PCT/AT2006/000244 patent/WO2006133473A1/de active Application Filing
-
2007
- 2007-11-28 ZA ZA200710297A patent/ZA200710297B/xx unknown
- 2007-12-17 US US11/957,715 patent/US8064680B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001028594A2 (en) * | 1999-10-22 | 2001-04-26 | Fbit Ltd. | Tumor detection by imaging and therapy of tumors |
CN1460229A (zh) * | 2001-03-28 | 2003-12-03 | 皇家菲利浦电子有限公司 | 基于自动分段的实时图像的草的检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
EP1891602B1 (de) | 2011-08-03 |
AT501944B1 (de) | 2007-06-15 |
ATE519182T1 (de) | 2011-08-15 |
ZA200710297B (en) | 2008-08-27 |
WO2006133473A1 (de) | 2006-12-21 |
AU2006257752B2 (en) | 2010-09-23 |
US20080212868A1 (en) | 2008-09-04 |
CA2611588A1 (en) | 2006-12-21 |
AU2006257752A1 (en) | 2006-12-21 |
JP2008546990A (ja) | 2008-12-25 |
CN101238487A (zh) | 2008-08-06 |
US8064680B2 (en) | 2011-11-22 |
EP1891602A1 (de) | 2008-02-27 |
AT501944A1 (de) | 2006-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101238487B (zh) | 分割白细胞的方法 | |
CN112132843B (zh) | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 | |
CN112036335B (zh) | 一种反卷积引导的半监督植物叶部病害识别与分割方法 | |
CN108305240B (zh) | 图像质量检测方法及装置 | |
CN107704925B (zh) | 深度神经网络训练过程的可视分析系统及方法 | |
CN101042735B (zh) | 图像二值化方法和装置 | |
EP3663975A1 (en) | Method and system for learning pixel visual context from object characteristics to generate rich semantic images | |
US8200013B2 (en) | Method and device for segmenting a digital cell image | |
CN106295645B (zh) | 一种车牌字符识别方法和装置 | |
CN103971134B (zh) | 图像分类、检索和校正方法,以及相应装置 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN107801013A (zh) | 白平衡处理方法及装置、电子装置和计算机可读存储介质 | |
CN112711983B (zh) | 核型分析系统、方法、电子设备及可读存储介质 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN112135048B (zh) | 一种目标对象的自动对焦方法以及装置 | |
CN112489142A (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
CN107274425B (zh) | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 | |
CN110222772B (zh) | 一种基于块级别主动学习的医疗图像标注推荐方法 | |
CN109102510B (zh) | 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法 | |
CN113989785A (zh) | 一种驾驶场景分类方法、装置、设备及存储介质 | |
CN113221696A (zh) | 一种图像识别方法、系统、设备及存储介质 | |
CN115082741B (zh) | 基于图像处理的废旧纺织品分类方法 | |
CN110569692A (zh) | 多车识别方法、装置及设备 | |
WO2002057997A1 (en) | Method and arrangement for segmenting white blood cells in a digital colour image | |
Yella et al. | Automatically detecting the number of logs on a timber truck |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1121845 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1121845 Country of ref document: HK |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 Termination date: 20190614 |