CN102177435A - 组织病理学诊断支持系统、组织病理学诊断支持程序以及组织病理学诊断支持方法 - Google Patents
组织病理学诊断支持系统、组织病理学诊断支持程序以及组织病理学诊断支持方法 Download PDFInfo
- Publication number
- CN102177435A CN102177435A CN200980140217XA CN200980140217A CN102177435A CN 102177435 A CN102177435 A CN 102177435A CN 200980140217X A CN200980140217X A CN 200980140217XA CN 200980140217 A CN200980140217 A CN 200980140217A CN 102177435 A CN102177435 A CN 102177435A
- Authority
- CN
- China
- Prior art keywords
- nuclear
- histopathologic diagnosis
- nucleus
- diagnosis
- histopathologic
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 123
- 230000003118 histopathologic effect Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000010827 pathological analysis Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 33
- 230000000505 pernicious effect Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 16
- 230000009885 systemic effect Effects 0.000 claims description 14
- 238000009434 installation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims 6
- 210000004907 gland Anatomy 0.000 abstract description 79
- 206010028980 Neoplasm Diseases 0.000 abstract description 56
- 201000011510 cancer Diseases 0.000 abstract description 46
- 210000003855 cell nucleus Anatomy 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000003211 malignant effect Effects 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 11
- 239000000284 extract Substances 0.000 description 8
- 239000009871 tenuigenin Substances 0.000 description 7
- 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 6
- 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 6
- 230000007170 pathology Effects 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 5
- 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 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000001086 cytosolic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012113 quantitative test Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 206010048832 Colon adenoma Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002440 hepatic effect Effects 0.000 description 3
- 208000022271 tubular adenoma Diseases 0.000 description 3
- 208000009956 adenocarcinoma Diseases 0.000 description 2
- 210000002469 basement membrane Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006911 nucleation Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 210000003456 pulmonary alveoli Anatomy 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T2207/30—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 Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本申请公开了组织病理学诊断支持系统，组织病理学诊断支持方法和组织病理学诊断支持程序，其能够在病理诊断中实现高准确性癌症确定。所述组织病理学诊断支持系统包括细胞核均匀性评估机构，用于评估图像中导管区中包含的大量细胞核的均匀性。
Description
技术领域
本发明涉及分析病理学图像的用于组织病理学诊断的支持系统、用于组织病理学诊断的支持程序以及用于组织病理学诊断的支持方法。
背景技术
因为诊断结果涉及例如后续临床过程的确定，组织病理学诊断是非常重要的。在组织病理学诊断中，将从病灶收集的组织制备成用于显微镜的载玻片样品，病理学家观察样品，并做出关于例如病灶是良性还是恶性、发展和恶性的程度等的诊断。在诊断中，病理学家根据他们在许多病例中的经验做出决定。
在相关技术中，病理学家通过显微镜观察样品以在病理诊断中做出诊断。但是，最近，一种将样品图像制成数字图像并通过个人计算机等观察图像以做出诊断的方法，已经投入实际应用中。这种技术使病理学家能够不使用显微镜，在通过大屏幕例如个人计算机改变图像和图像中诊断部分的放大倍数时做出诊断。
此外，存在用于组织病理学诊断的支持系统，其使用计算机处理数字化的病理学图像，从而能够提取出在诊断中有用的特征。病理学家的决定是病理诊断的前提；然而，随着图像处理技术和光学系统技术的进步，通过使用用于组织病理学诊断的支持系统能够做出定性诊断。
在组织病理学诊断中，苏木精-曙红染色(HE染色)是基本染色方法。在HE染色中，细胞核被染成蓝紫色，细胞质和基质成分被染成浅粉色，其具有良好反差，使得组织的整个图像可以被正确地观察。
在组织病理学诊断知识中，已知癌细胞的NC比率(其等于细胞中核的面积/细胞中细胞质的面积)与正常细胞的相比显著增加。NC比率可以通过使用显示苏木精分布的图像和显示曙红分布的图像来计算。
专利文献1公开了从数字病理学图像数据检测癌症位点的诊断支持系统。在专利文献1中，数字病理学图像中包含的核与细胞质的分布，通过使用NC比率定量得出。根据这些信息，确定癌症位点的分布和癌症发展的程度。
[专利文献1]未经审查的日本专利申请公开号2004-286666。
发明内容
然而，在使用NC比率的组织病理学诊断中，只详尽比较了图像中某些区域中包含的核的面积和细胞质的面积，并没有对每个核进行互相比较。
因此，可以通过NC比率猜想的癌细胞的特征仅限于例如核的增大、细胞质的增加以及核-细胞质比率的增加。为此，当对腺体导管进行病理学诊断时，NC比率作为用于诊断的信息不够充分。
在病理学诊断知识中，已知在腺体导管的恶性癌细胞中，癌细胞核的特征例如大小、形状和极性并不均一。换句话说，在腺体导管的恶性癌细胞中，核的均匀性降低。
本文中的均匀性是指当在大量核中比较核的特征时，某种特征在所有核中均匀的程度。因此，均匀性不能通过仅仅使用单个核来表示。
例如，当考虑特征——核的大小时，如果大量核中的每个都具有相同大小，可以陈述就大小来说核的均匀性高。相反，如果每个核具有完全不同的尺寸，可以陈述就大小来说核的均匀性低。
使用NC比率评估在腺体导管中的恶性癌细胞中观察到的核的特征性不均匀性是非常困难的。例如，即使恶性癌细胞的核增大，如果细胞本身也随着核增大(nucleomegaly)而扩大，恶性癌细胞的NC比率仍保持与正常细胞的NC比率相同。此外，核的形状和极性不能用NC比率进行评估。
当在腺体导管的病理诊断中对腺体导管是具有恶性癌症还是良性肿瘤做出辨别时，优选使用腺体导管中包含的每个核的特征。具体来说，在腺体导管的病理诊断中，优选评估例如腺体导管中包含的大量核的大小均匀性、形状均匀性和极性扰乱。
在腺体导管的病理诊断中，重要的是评估构成腺体导管的大量细胞核的均匀性；但是，还不存在能够实现这种评估的系统和方法。因此，在相关技术中使用的方法不能观察和评估用于辨别腺癌的关注点，因此测定的准确性不够。
本发明的目的是提供用于组织病理学诊断的支持系统、支持程序和支持方法，其评估腺体导管中包含的大量细胞核的均匀性，以便解决上述问题。
本发明的第一种用于组织病理学诊断的支持系统，是通过分析身体组织的图像来支持组织病理学诊断的系统，所述系统包括用于输入图像的输入装置，以及用于评估输入图像中导管区中包含的大量细胞核的均匀性的细胞核均匀性评估装置。
本发明的第二种用于组织病理学诊断的支持系统，是通过分析身体组织的图像来支持组织病理学诊断的系统，所述系统包括用于输入图像的输入装置，用于分析输入图像的分析装置，以及用于输出被分析图像中导管区中包含的大量细胞核的均匀性的输出装置。
本发明的第一种用于组织病理学诊断的支持程序，是通过分析身体组织的图像来支持组织病理学诊断的计算机程序，所述程序促使计算机装置执行输入图像的输入过程，以及产生输入图像中导管区中包含的大量细胞核的均匀性的细胞核均匀性评估过程。
本发明的第二种用于组织病理学诊断的支持程序，是通过分析身体组织的图像来支持组织病理学诊断的计算机程序，所述程序促使计算机装置执行输入图像的输入过程、分析输入图像的分析过程，以及输出被分析图像中导管区中包含的大量细胞核的均匀性的输出过程。
本发明的第一种用于组织病理学诊断的支持方法，是通过分析身体组织的图像来支持组织病理学诊断的方法，所述方法包括输入图像以及通过产生输入图像中导管区中包含的大量细胞核的均匀性来评估细胞核均匀性。
本发明的第二种用于组织病理学诊断的支持方法，是通过分析身体组织的图像来支持组织病理学诊断的方法，所述方法包括输入图像、分析输入图像，以及输出被分析图像中导管区中包含的大量细胞核的均匀性。
本发明的各种组成部件可以由例如以预定方式起作用的专用硬件、通过计算机程序提供有预定功能的计算机装置、在计算机装置中通过计算机程序实现的预定功能及其任意组合所形成，以便它们能够实现其功能。
本发明的各种组成部件不必是彼此独立的部件。例如，多个组成部件可以形成为单一元件，单一组成部分可以形成为多个元件，组成部件可以是另一个组成部件的一部分，并且组成部件的一部分可以与另一个组成部件的一部分重叠。
尽管本发明的用于组织病理学诊断的支持程序和支持方法公开了一定次序的过程和操作，但多个过程和操作的次序不限于所公开的次序。
因此，当执行本发明的用于组织病理学诊断的支持程序和支持方法时，可以在不干扰内容的范围内改变多个过程和操作的次序。
本发明的用于组织病理学诊断的支持程序和支持方法的多个过程和操作中的每个，不限于在不同的确定时间执行。因此，例如，当执行一个过程和操作时，可以执行执行另一个过程和操作，或者执行一个过程或操作的确定时间可以与执行另一个过程或操作的确定时间部分或完全重叠。
根据本发明，可以通过评估腺体导管中包含的多个细胞核的均匀性来改进病理诊断中辨别癌症的准确性。
附图简述
通过后面描述的优选实施方案和下面的附图，上述目的、其他目的、特征和优点将变得更加清楚。
图1是结构框图，图示了本发明的用于组织病理学诊断的支持系统的配置。
图2是流程图，图示了本发明的用于组织病理学诊断的支持系统的操作。
图3是流程图，图示了用于检测导管区的操作。
图4是流程图，图示了用于评估细胞核的均匀性的操作。
图5是流程图，图示了用于测量细胞核的极性的操作。
图6是结构框图，图示了第五个实施方案的用于组织病理学诊断的支持系统的配置。
图7是流程图，图示了第五个实施方案的用于组织病理学诊断的支持系统的操作。
图8是示意图，图示了正常腺体导管的形状。
图9是示意图，图示了其中细胞核大小不均匀(均匀性低)的腺体导管的形状。
图10是示意图，图示了其中细胞核形状不均匀(均匀性低)的腺体导管的形状。
图11是示意图，图示了其中细胞核极性不均匀(均匀性低)的腺体导管的形状。
执行本发明的最佳方式
在下文中，将参考图对本发明的实施方案进行详细描述。对于图的描述来说，相同的部件用同样的符号表示，并且部件的描述将不重复。
本发明不必限于下面的实施方案，并可以包含本发明的技术范围内的各种修改。
第一个实施方案
在第一个实施方案中，描述了本发明的用于组织病理学诊断的支持系统，所述系统包括用于向系统输入生物图像的输入装置100、用于检测生物图像中包含的导管区的导管区检测装置101、用于测量导管区中多个核的特征性量的细胞核特征性量测量装置102、使用特征性量来评估导管区中多个核的均匀性的细胞核均匀性评估装置103，以及用于输出结果的输出装置105。
图1是结构框图，图示了本发明的第一个实施方案的用于组织病理学诊断的支持系统。输出装置100向系统输入数字化的生物图像数据。
导管区检测装置101检测从输入装置100输入的生物图像中包含的导管区。细胞核特征性量测量装置102测量导管区中大量核的每个单一核的特征性量。
核的特征性量使用核的特征来得出。核的特征的实例包括核的大小、形状和极性；但是实例中可以无限制地包含任何特征，只要它能够用于辨别癌症即可。在本实施方案中，使用核的大小。
细胞核均匀性评估装置103使用核的特征性量评估导管区中核的均匀性。导管区中包含多个核。将导管区中包含的核的特征性量进行相互比较。当核的均匀性高时，可以确定腺体导管是正常的或具有良性肿瘤，而当均匀性低时，可以确定腺体导管具有恶性癌症。
输出装置输出系统的结果。本文的结果是通过系统的任意装置获得的结果或通过所有装置获得的结果。
接下来，将描述实施方案的效果。本发明的实施方案被配置成能够检测生物图像中包含的导管区，测量导管区中多个核的大小，并使用细胞核的大小定量分析每个腺体导管的细胞核均匀性，以便进行评估。因此，可以评估腺体导管中多个细胞核的细胞核均匀性，并提高病理诊断中癌症辨别的准确性。
具体来说，本发明有利地用于辨别高分化腺癌和第三组的良性管状腺瘤。癌细胞包括高分化细胞和低分化细胞，分化到高程度的癌细胞被称为高分化癌。
在癌症的病理诊断中，第三组是指对应于良性肿瘤与恶性肿瘤之间的边界区的肿瘤。在高分化腺癌和第三组的良性管状腺瘤中，癌症的恶性越严重，构成腺体导管的细胞核的大小、形状、极性等越明显趋于失去均匀性。因此，评估腺体导管中每个核的特征使辨别腺癌和管状腺瘤成为可能。
现在将描述第一个实施方案的用于组织病理学诊断的支持系统的操作。图2显示了流程图，图示了第一个实施方案的操作的实例，并且图8示意显示了腺体导管的普遍构型。
图8(a)显示了腺体导管的构型，其中细胞核401围绕空腔402，而图8(b)显示了腺体导管的构型，其中空腔402插入在细胞核401之间。图9示意显示了腺体导管的构型，其中细胞核的大小不均匀。
在图9(a)中的腺体导管构型中，围绕空腔402的细胞核401的大小不均匀。在图9(b)中的腺体导管构型中，其间插入空腔402的细胞核401的大小不均匀。
第一个实施方案的用于组织病理学诊断的支持系统使用细胞核的大小来评估腺体导管构型中包含的多个细胞核的均匀性。如图8中所示，在腺体导管的普遍构型中，细胞核的大小是均匀的。
但是，如图9中所示，当腺体导管具有恶性癌症时，细胞核的大小非常可能是不均匀的。本实施方案的用于组织病理学诊断的支持系统评估了该特征。
在本实施方案的用于组织病理学诊断的支持系统中，首先导管区检测装置101从生物图像检测导管区(步骤S201)。一般来说，如图8中所示，腺体导管具有空腔被细胞核围绕的构型。
在实施方案中，从生物图像检测细胞核和空腔，并使用检测到的空腔和围绕空腔的细胞核检测导管区。从生物图像例如组织病理学图像数据提取导管区的操作的实例，将在下面参考图3进行描述。
本说明书的组织病理学图像数据是指其中核和细胞质被染色的身体组织图像；然而，数据不限于此，并可以是其中核区和细胞质区能够被区分的任何图像。
在实施方案中，组织病理学图像数据是其中核和细胞质被染有不同颜色的身体组织图像。更详细来说，组织病理学图像表示其中细胞核用苏木精染成蓝紫色、细胞质用曙红染成粉色的身体组织图像。
首先，导管区检测装置101从生物图像提取出细胞核区和被细胞核区围绕的闭合区。导管区检测装置101对图中的对应像素进行颜色处理，并检测用苏木精染成蓝紫色的像素。导管区检测装置101还提取被细胞核区围绕的区域作为闭合区(图3，步骤S301)。
然后，导管区检测装置101检测空腔区。因为空腔不被苏木精和曙红染色，因此图像数据中空腔的颜色接近白色。
现在导管区检测装置101对图像中的相应像素执行颜色处理，检测没有被苏木精和曙红染色并接近白色的像素，并将检测到的像素提取作为空腔区(步骤S302)。
然后导管区检测装置101计算闭合区中空腔区的比例。如果闭合区中空腔区的比例等于或大于某个阈值，闭合区和围绕闭合区的细胞核区被检测为导管区候选者(步骤S303)。
导管区检测装置101执行下列对步骤S303中提取的导管区候选者的操作，并检测导管区。将步骤S302中提取的空腔区的外周所围绕的区域(外周区)提取到某个恒定宽度，并计算外周区中细胞核区的比例。
如果外周区中细胞核区的比例等于或大于某个阈值，细胞核区和细胞核区围绕的空腔区被检测为导管区(步骤S304)。
在上面的描述中使用的阈值和恒定宽度可以事先使用腺体导管的图像数据进行计算。阈值可以使用例如学习算法或判别分析来计算。
作为检测细胞核区所围绕的闭合区的预处理，可以使用低倍率图像在步骤S301中提取的细胞核区上进行模糊过滤或放大加工。使用低倍率图像使得能够模糊导管区中包含的核的轮廓，并容易地检测彼此邻近的核。模糊滤镜的使用也能产生同样效果。
在过程次序中，可以首先执行步骤S301和步骤S302中的任一个；此外，步骤S303和S304中的任一个可以在过程次序中首先执行。
可以通过仅仅执行步骤S303或步骤S304之一来检测导管区。使用多种指标检测导管区使得以更高准确性提取导管区成为可能。
在步骤S301和S302中执行的用于提取蓝紫色的颜色处理中，预定的RGB值颜色范围内的像素被检测为细胞核的颜色；然而，颜色处理的方法不限于此，并且如果使用HSV值或CMY值并没有问题。提取染成蓝紫色的细胞核区的方法不限于上述方法。
接下来，细胞核特征性量测量装置102测量构成导管区检测装置101所检测到的导管区(步骤S202)中腺体导管的细胞核的特征性量。作为细胞核的特征性量，使用了细胞核的大小。
首先，从步骤S201中所提取的导管区提取单个细胞核。随后，计算通过加强提取到的单个细胞核的区域中的亮度值而产生的值，并将如此计算到的值与某个阈值进行比较。当值不超过阈值时，它被设置成核区内部的值(其等于1)，而当值大于阈值时，它被设置成核区外部的值(其等于0)。
然后，对二元图像进行高斯过滤，并再次执行阈值处理。
通过这些处理，图像数据变成具有两种类型的值的二元图像，所述两种类型的值包括核区内部的值(其等于1)和核区外部的值(其等于0)，并且细胞核区中的相连部分(其是1)被检测为一个细胞核。作为相连部分的细胞核的面积被计算为细胞核的大小。
接下来，细胞核均匀性评估装置103通过使用由细胞核特征性量测量装置102测量到的细胞核特征性量(步骤S203)，来评估每个腺体导管的细胞核均匀性。
为了评估细胞核均匀性，使用了细胞核的大小。在下文中，参考图4描述了使用细胞核的大小来评估导管区中包含的多个细胞核的均匀性的一系列操作。
首先，使用细胞核的大小分布来评估细胞核的均匀性(步骤S801)。细胞核的分布通过使用导管区中的多个细胞核来得出。
使用在步骤S202中测量到的关于细胞核大小的信息来计算一个腺体导管中细胞核的大小分布。当分布不超过某个阈值时，将显示均匀性的值(例如“0”)设置成决定性变量，并且过程前进到步骤S804。当分布大于阈值时，过程前进到步骤S802。
接下来，使用彼此相邻的细胞核大小的差异量来评估细胞核的均匀性。首先，将构成一个腺体导管的细胞核区形成为细线，并提取沿着腺体导管的方向(步骤S802)。
然后，将任意细胞核的大小与沿着腺体导管方向上与任意细胞核相邻的细胞核的大小进行比较，并计算两个细胞核之间的大小差异。结果，当差异小时，将显示均匀性的值(例如“0”)设置成决定性变量，并且过程前进到步骤S804。
另一方面，当差异大时，将显示不均匀性的值(例如“1”)设置成决定性变量，并且过程前进到步骤S804(步骤S803)。沿着腺体导管的方向是指从构成腺体导管的任意细胞核A延伸向与细胞核A相邻的细胞核B的方向。
例如，在图8(a)中，沿着腺体导管的方法随着相应的细胞核而变。另一方面，在图8(b)中，沿着腺体导管的方法对于相应细胞核来说几乎是恒定的。
通过将构成一个腺体导管的细胞核区制成细线来提取沿着腺体导管的方向是可能的。为了将细胞核区制成细线，可以例如将空腔边缘扩展到某个恒定宽度。当使用苏木精/曙红染色时，尽管空腔和细胞核被染色，但细胞质不被染色。因此，可以通过使用该信息来产生细线。
如果将某个细胞核的大小表示成Xi并将相邻细胞核的大小表示成Xi+1，那么在沿着腺体导管的方向上相邻细胞核的大小差异程度可以从差的绝对值Yi＝|Xi-Xi+1|的平均值Yave计算。因为当差异大时，Yave增加，因此通过将Yave与某个阈值t进行比较来评估均匀性是可能的。
最后，根据从步骤S801或步骤S803收到的决定性变量，评估腺体导管中多个细胞核的均匀性(步骤S804)。通过对导管区检测装置101检测到的所有导管区中的每一个执行S203中的操作，细胞核均匀性评估装置103能够对所有导管区进行导管区中细胞核均匀性检查。
在本实施方案中使用的各种阈值，使用其中癌症的恶性或良性已经知道的腺体导管的图像数据事先进行计算。可以使用例如学习算法或判别分析来计算阈值。
本发明的检测导管区的方法不限于上述方法，其他方法也可以使用。本发明的测量细胞核大小的方法不限于上述方法。细胞核的大小可以通过其他方法来测量。
本发明的导管区中细胞核均匀性的评估不限于上述方法。可以将分布和差异量二者取为决定性指标的条件，或者可以在分布或差异量任一个得到满足的条件下做出评估。
当测量细胞核的特征时，可以使用高倍率图像。使用高倍率图像使得准确识别细胞核的轮廓成为可能。因此，准确测量细胞核的特征是可能的。
在本实施方案中，尽管将细胞核区形成为细线以提取沿着腺体导管的方向，但作为预处理可以在细胞核区上进行模糊过滤或放大加工。
本发明的用于组织病理学诊断的支持系统可以包括图1中的输入装置100，以及用于图像中导管区中包含的多个细胞核的均匀性的输出装置105。用于测量细胞核的特征性量的细胞核特征不限于大小，而可以是例如形状或极性。
当图像中的导管区可以被指定，例如因为身体组织的图像中包含的导管区已知时，本发明的用于组织病理学诊断的支持系统可以不包含导管区检测装置。例如，当身体组织的图像是单个导管区的图像时，不需要从图像提取导管区。
正如到目前为止所描述的，在本发明的用于组织病理学诊断的支持系统中，从组织病理学图像提取导管区，并使用细胞核的大小评估导管区中多个细胞核的均匀性。将构成导管区的细胞核互相比较，与使用NC比率的情况相比，能够以更高的准确性辨别恶性癌症和良性肿瘤。因此，对于病理学家来说，使用关于导管区中多个细胞核的大小的定量信息做出更准确的诊断是可能的。
第二个实施方案
在第二个实施方案中，描述了测量导管区中核的形状，并定量分析和评估每个腺体导管的具有各种形状的细胞核的均匀性的过程。因为第二个实施方案是第一个实施方案的应用，与第一个实施方案中相同点的描述将不再重复。
将使用图1和10描述第二个实施方案与第一个实施方案之间的不同点。图1显示了本发明的用于组织病理学诊断的支持系统。图10是示意图，显示了细胞核的形状不均匀的腺体导管的形状。
在第二个实施方案的用于组织病理学诊断的支持系统中，细胞核特征性量测量装置102测量细胞核的形状作为细胞核的特征性量。细胞核均匀性评估装置103评估由细胞核特征性量测量装置102测量到的每个腺体导管的具有各种形状的细胞核的均匀性。
采取这种方式，通过测量导管区中细胞核的形状作为细胞核的特征性量并使用特征性量评估每个腺体导管的细胞核均匀性，能够更准确地做出组织病理学诊断。
通过测量圆形性(其等于(4π×面积)/(周长×周长))和细胞核近似为椭圆形时的平坦性(其等于(长轴-短轴)/长轴)或偏心性(其等于焦点之间的距离/长轴)的程度，可以测量细胞核形状的特征性量。
可以使用细胞核形状所显示的特征的分布的值，或使用在任意细胞核的形状所显示的特征性量与任意细胞核相邻的细胞核的形状所显示的特征性量之间获得的差异量，来评估细胞核形状的均匀性。
例如，使用表示细胞核形状的特征性量测量一个导管区中细胞核的分布值，并且当分布大时，确定细胞核的形状是不均匀的。此外，以与第一个实施方案中相同的方式对彼此相邻的细胞核的形状进行比较以计算差异量，并且当差异量相差明显时，确定细胞核是不均匀的。
用于评估导管区中多个细胞核的均匀性的阈值，使用其中癌症的恶性或良性已经知道的腺体导管的图像数据事先进行计算。阈值可以使用例如学习算法或判别分析来计算。
本发明的测量表示细胞核形状的特征性量的方法不限于上述方法。细胞核的形状也可以使用其他方法来测量。
正如到目前为止所描述的，本实施方案的用于组织病理学诊断的支持系统测量表示导管区中细胞核形状的特征性量，并使用特征性量定量评估每个腺体导管的细胞核的均匀性。
将构成导管区的细胞核互相比较，与使用NC比率的情况相比，能够以更高的准确性辨别恶性癌症和良性肿瘤。因此，对于病理学家来说，使用关于细胞核形状的均匀性的定量信息做出更准确的诊断是可能的。
第三个实施方案
在第三个实施方案中，将描述测量导管区中细胞核的极性，并对每个腺体导管的具有各种极性的细胞核的均匀性进行定量分析以用于评估的过程。因为本实施方案是第一和第二个实施方案的应用，因此与第一和第二个实施方案中相同点的描述将不再重复。
本文中的细胞核极性代表细胞核的位置、大小、形状和取向。在正常组织中，核排列在接近基膜的同样位置处。然而，在癌细胞中，核排列在不同位置例如基膜的上侧或下侧，并且大小也不一致。这些指标代表本说明书中的核的极性扰乱。
将使用图1、5和11描述第三个实施方案与第一和第二个实施方案的区别之处。图1显示了本发明的用于组织病理学诊断的支持系统。图5显示了测量细胞核极性的操作。图11是示意图，显示其中细胞核的极性被扰乱的腺体导管的形状。
在第三个实施方案的用于组织病理学诊断的支持系统中，细胞核特征性量测量装置102测量由细胞核的极性所显示的特征性量。此外，细胞核均匀性评估装置103使用由细胞核特征性量测量装置102所测量的特征性量，评估具有各种极性的细胞核的均匀性。
采用这种方式，通过测量表示细胞核极性的特征性量并使用该特征性量评估每个腺体导管的细胞核均匀性，有可能以更高的准确性做出组织病理学诊断。
将参考图5描述细胞核特征性量测量装置102测量细胞核极性的操作。首先，细胞核特征性量测量装置102通过将细胞核近似成椭圆来计算细胞核主轴的方向向量(步骤S901)。
接下来，细胞核特征性量测量装置102将构成腺体导管的细胞核区形成为细线，并提取沿着腺体导管的方向和沿着腺体导管的方向向量(步骤S902)。
然后，细胞核特征性量测量装置102计算细胞核主轴的方向向量与沿着腺体导管的方向向量的内积(步骤S903)。该内积变成细胞核极性的特征性量。假设沿着腺体导管的方向向量用a表示，并且当细胞核被近似成椭圆时获得的主轴的方向向量用b表示，细胞核的特征性量Xi可以从Xi＝a·b来计算。
可以使用表示构成腺体导管的细胞核极性的特征性量的分布值，或表示任意细胞核极性的特征性量与表示任意细胞核相邻细胞核的极性的特征性量之间的差别量，来评估细胞核的均匀性。
例如，使用表示细胞核极性的特征性量来测量一个腺体导管中细胞核的分布值，并且当分布大时，确定细胞核是不均匀的。或者，以与第一个实施方案中相同的方式，通过对相邻细胞核在极性方面进行相互比较来计算差别量，并且当差别量相差显著时，确定细胞核是不均匀的。
本发明的测量细胞核极性的方法不限于上述方法。细胞核的极性可以通过其他方法测量。用于评估细胞核的均匀性的阈值，使用其中癌症的恶性或良性已经知道的腺体导管的图像数据事先进行计算。阈值可以使用例如学习算法或判别分析来计算。
正如到目前为止所描述的，本实施方案的用于组织病理学诊断的支持系统测量表示导管区中核的极性的特征性量，并使用该特征性量定量分析细胞核的均匀性以用于评估。
将构成导管区的细胞核互相比较，与使用NC比率的情况相比，能够以更高的准确性辨别恶性癌症和良性肿瘤。在本实施方案中，评估每个腺体导管的细胞核的极性扰乱是可能的。因此，对于病理学家来说，通过关于腺体导管中细胞核极性扰乱的定量信息以高准确性诊断癌症是可能的。
第四个实施方案
在第四个实施方案中，描述了用多个特征性量评估导管区中细胞核特征的均匀性的过程。因为本实施方案是第一到第三个实施方案的应用，与第一到第三个实施方案中相同点的描述将不再重复。
将参考图1描述第四个实施方案与第一到第三个实施方案的不同之处。图1显示了本发明的用于组织病理学诊断的支持系统。在第四个实施方案中，细胞核特征性量测量装置102测量两种或多种细胞核的特征性量。
作为细胞核的特征性量，可以测量例如核的大小、形状和极性中的任两种，或者可以测量所有三种。也可以测量除此之外的其他特征性量。
在第四个实施方案中，细胞核均匀性评估装置103是用由细胞核特征性量测量装置102所测量的多种特征性量，综合评估细胞核的均匀性。正如在第一到第三个实施方案中所描述的，只有当所有特征性量、包括大小、形状和极性通过细胞核均匀性评估被确定是不均匀时，才可以确定细胞核是不均匀的。
或者，当任一特征性量通过评估被确定是不均匀时，可以确定细胞核是不均匀的。此外，当多个特征性量被组合成一个指数，并且该指数的值超过某个阈值时，可以确定细胞核是不均匀的。
用于评估细胞核均匀性的阈值，使用其中癌症的恶性或良性已经知道的腺体导管的图像数据事先进行计算。阈值可以使用例如学习算法或判别分析来计算。
正如到目前为止所描述的，在本实施方案的用于组织病理学诊断的支持系统中，是用细胞核的多个特征性量来评估导管区中细胞核的均匀性。对于病理学家来说，通过使用多个特征性量，与使用单个特征性量的情况相比能够以更高的准确性诊断癌症。
第五个实施方案
在第五个实施方案中，描述了评估每个腺体导管的细胞核均匀性，然后根据该评估结果在恶性癌症和良性肿瘤之间做出辨别的过程。因为本实施方案是第一到第四个实施方案的应用，与第一到第四个实施方案中相同点的描述将不再重复。
将参考图6和7描述第五个实施方案与第一到第四个实施方案的不同之处。图6显示了第五个实施方案的用于组织病理学诊断的支持系统。图7显示了第五个实施方案的用于组织病理学诊断的支持系统的操作。
在第五个实施方案的用于组织病理学诊断的支持系统中，以与第一到第四个实施方案的用于组织病理学诊断的支持系统中相同的方式，评估导管区中细胞核的均匀性(步骤S201到S203)。然后，辨别装置104根据均匀性的评估结果辨别恶性癌症和良性肿瘤(步骤S204)。
通过提供根据均匀性评估结果执行辨别的装置，能够集合起来执行病理诊断中从病理学图像数据的输入到癌症的辨别的一系列操作。
本实施方案的用于组织病理学诊断的支持系统，可以使用导管区中细胞核均匀性的评估结果和其他数据辨别恶性癌症和良性肿瘤。通过添加均匀性之外的其他因子，能够以进一步增加的准确性确定癌症是恶性还是良性的。
例如，可以使用显示细胞扩大的数据作为用于确定癌症的恶性或良性的信息。显示细胞扩大的数据可以下述方式获得。首先，检测导管区，然后计算构成腺体导管的细胞核的大小的平均值。
当平均值不超过某个阈值时，确定腺体导管中细胞核的大小是正常的。另一方面，当平均值大于阈值时，确定腺体导管中细胞核的大小是异常的。
当细胞核的大小异常时，认为腺体导管中的细胞已经扩大。因此，当细胞核的大小异常时，能够确定导管区是恶性癌症的候选者。
上述阈值使用其中癌症的恶性或良性已经知道的腺体导管的图像数据事先进行计算。阈值可以使用例如学习算法或判别分析来计算。
正如到目前为止所描述的，本实施方案的用于组织病理学诊断的支持系统评估导管区中细胞核的均匀性，然后根据评估结果辨别恶性癌症和良性肿瘤。
采用这种方式，能够集合起来执行病理诊断中从病理学图像数据的输入到癌症的辨别的一系列操作。通过根据辨别结果做出诊断，病理学家能够以高准确性诊断癌症。
本申请要求基于2008年10月9日提交的日本专利申请No.2008-262663的优先权，并且所述专利申请的全部公开内容在此引为参考。
Claims (42)
1.一种用于组织病理学诊断的支持系统，其通过分析身体组织的图像支持组织病理学诊断，所述系统包含：
输入装置，其用于输入所述图像，以及
细胞核均匀性评估装置，其用于评估所述输入图像中导管区中包含的大量细胞核的均匀性。
2.权利要求1所述的用于组织病理学诊断的支持系统，
其中所述大量细胞核的所述均匀性通过使用所述大量细胞核中包含的每个细胞核的特征性量来得出。
3.权利要求2所述的用于组织病理学诊断的支持系统，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小来得出。
4.权利要求2所述的用于组织病理学诊断的支持系统，
其中所述细胞核的所述特征性量通过使用所述细胞核的形状来得出。
5.权利要求2所述的用于组织病理学诊断的支持系统，
其中所述细胞核的所述特征性量通过使用所述细胞核的极性来得出。
6.权利要求2所述的用于组织病理学诊断的支持系统，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小、形状和极性中的两种或多种来得出。
7.权利要求2到6任一项所述的用于组织病理学诊断的支持系统，
其中所述大量细胞核的所述均匀性，通过使用所述导管区中包含的所述大量细胞核中所述细胞核的所述特征性量的分布来得出。
8.权利要求2到7任一项所述的用于组织病理学诊断的支持系统，
其中所述大量细胞核的所述均匀性，通过使用从所述大量细胞核中任意选择的细胞核与任意选择的细胞核附近的细胞核之间的特征性量的差异量来得出。
9.权利要求1到8任一项所述的用于组织病理学诊断的支持系统，
其中所述用于组织病理学诊断的支持系统包括辨别装置，所述辨别装置根据所述大量细胞核的所述均匀性的测量结果辨别所述导管区是恶性还是良性。
10.权利要求2到9任一项所述的用于组织病理学诊断的支持系统，
其中所述用于组织病理学诊断的支持系统包括细胞核特征性量测量装置，所述测量装置用于测量所述细胞核的所述特征性量。
11.权利要求1到10任一项所述的用于组织病理学诊断的支持系统，
其中所述用于组织病理学诊断的支持系统包括导管区检测装置，所述检测装置用于检测来自所述图像的所述导管区。
12.权利要求1到11任一项所述的用于组织病理学诊断的支持系统，
其中所述导管区检测装置检测来自所述图像的细胞核区，并根据所述细胞核区检测所述导管区。
13.一种用于组织病理学诊断的支持系统，其通过分析身体组织的图像支持组织病理学诊断，所述系统包含：
输入装置，其用于输入所述图像；
分析装置，其用于分析所述输入图像；以及
输出装置，其用于输出所述被分析图像中导管区中包含的大量细胞核的均匀性。
14.权利要求13所述的用于组织病理学诊断的支持系统，
其中所述输出装置输出所述导管区是恶性还是良性。
15.一种用于组织病理学诊断的支持程序，其是通过分析身体组织的图像支持组织病理学诊断的计算机程序，
其中程序促使计算机装置执行：
输入所述图像；以及
产生所述输入图像中导管区中包含的大量细胞核的均匀性。
16.权利要求15所述的用于组织病理学诊断的支持程序，
其中所述大量细胞核的所述均匀性通过使用所述大量细胞核中包含的每个细胞核的特征性量来得出。
17.权利要求16所述的用于组织病理学诊断的支持程序，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小来得出。
18.权利要求16所述的用于组织病理学诊断的支持程序，
其中所述细胞核的所述特征性量通过使用所述细胞核的形状来得出。
19.权利要求16所述的用于组织病理学诊断的支持程序，
其中所述细胞核的所述特征性量通过使用所述细胞核的极性来得出。
20.权利要求16所述的用于组织病理学诊断的支持程序，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小、形状和极性中的两种或多种来得出。
21.权利要求16到20任一项所述的用于组织病理学诊断的支持程序，
其中所述大量细胞核的所述均匀性，通过使用所述导管区中包含的所述大量细胞核中所述细胞核的所述特征性量的分布来得出。
22.权利要求16到21任一项所述的用于组织病理学诊断的支持程序，
其中所述大量细胞核的所述均匀性，通过使用从所述大量细胞核中任意选择的细胞核与任意选择的细胞核附近的细胞核之间的特征性量的差异量来得出。
23.权利要求15到22任一项所述的用于组织病理学诊断的支持程序，
其中所述用于组织病理学诊断的支持程序促使计算机装置执行辨别过程，所述过程根据所述大量细胞核的所述均匀性的测量结果辨别所述导管区是恶性还是良性。
24.权利要求16到23任一项所述的用于组织病理学诊断的支持程序，
其中所述用于组织病理学诊断的支持程序促使计算机装置执行细胞核特征性量测量过程，所述测量过程用于测量所述细胞核的所述特征性量。
25.权利要求15到24任一项所述的用于组织病理学诊断的支持程序，
其中所述用于组织病理学诊断的支持程序促使计算机装置执行导管区检测过程，所述检测过程用于检测来自所述图像的所述导管区。
26.权利要求15到25任一项所述的用于组织病理学诊断的支持程序，
其中所述导管区检测过程检测来自所述图像的细胞核区，并根据所述细胞核区检测所述导管区。
27.一种用于组织病理学诊断的支持程序，其是通过分析身体组织的图像支持组织病理学诊断的计算机程序，
其中所述程序促使计算机装置执行：
输入所述图像；
分析所述输入图像；以及
输出所述被分析图像中导管区中包含的大量细胞核的均匀性。
28.权利要求27所述的用于组织病理学诊断的支持程序，
其中所述输出过程输出所述导管区是恶性还是良性。
29.一种用于组织病理学诊断的支持方法，其通过分析身体组织的图像支持组织病理学诊断，所述方法包含：
输入所述图像；以及
评估细胞核均匀性，由此产生所述输入图像中导管区中包含的大量细胞核的均匀性。
30.权利要求29所述的用于组织病理学诊断的支持方法，
其中所述大量细胞核的所述均匀性通过使用所述大量细胞核中包含的每个细胞核的特征性量来得出。
31.权利要求30所述的用于组织病理学诊断的支持方法，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小来得出。
32.权利要求30所述的用于组织病理学诊断的支持方法，
其中所述细胞核的所述特征性量通过使用所述细胞核的形状来得出。
33.权利要求30所述的用于组织病理学诊断的支持方法，
其中所述细胞核的所述特征性量通过使用所述细胞核的极性来得出。
34.权利要求30所述的用于组织病理学诊断的支持方法，
其中所述细胞核的所述特征性量通过使用所述细胞核的大小、形状和极性中的两种或多种来得出。
35.权利要求30到34任一项所述的用于组织病理学诊断的支持方法，
其中所述大量细胞核的所述均匀性，通过使用所述导管区中包含的所述大量细胞核中所述细胞核的所述特征性量的分布来得出。
36.权利要求30到35任一项所述的用于组织病理学诊断的支持方法，
其中所述大量细胞核的所述均匀性，通过使用从所述大量细胞核中任意选择的细胞核与任意选择的细胞核附近的细胞核之间的特征性量的差异量来得出。
37.权利要求29到36任一项所述的用于组织病理学诊断的支持方法，
其中所述用于组织病理学诊断的支持方法包括根据所述大量细胞核的所述均匀性的测量结果辨别所述导管区是恶性还是良性。
38.权利要求30到37任一项所述的用于组织病理学诊断的支持方法，
其中所述用于组织病理学诊断的支持方法包括测量细胞核特征性量，由此测量所述细胞核的所述特征性量。
39.权利要求29到38任一项所述的用于组织病理学诊断的支持方法，
其中所述用于组织病理学诊断的支持方法包括检测导管区，由此检测来自所述图像的所述导管区。
40.权利要求29到39任一项所述的用于组织病理学诊断的支持方法，
其中所述检测导管区检测来自所述图像的细胞核区，并根据所述细胞核区检测所述导管区。
41.一种用于组织病理学诊断的支持方法，其是通过分析身体组织的图像支持组织病理学诊断的方法，所述方法包含：
输入所述图像；
分析所述输入图像；以及
输出所述被分析图像中导管区中包含的大量细胞核的均匀性。
42.权利要求41所述的用于组织病理学诊断的支持方法，
其中所述输出输出所述导管区是恶性还是良性。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008262663 | 2008-10-09 | ||
| JP2008-262663 | 2008-10-09 | ||
| PCT/JP2009/005178 WO2010041423A1 (ja) | 2008-10-09 | 2009-10-06 | 病理組織診断支援システム、病理組織診断支援プログラム、病理組織診断支援方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102177435A true CN102177435A (zh) | 2011-09-07 |
| CN102177435B CN102177435B (zh) | 2014-09-24 |
Family
ID=42100385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200980140217.XA Expired - Fee Related CN102177435B (zh) | 2008-10-09 | 2009-10-06 | 组织病理学诊断支持系统、组织病理学诊断支持程序以及组织病理学诊断支持方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US8644582B2 (zh) |
| JP (1) | JP5648479B2 (zh) |
| CN (1) | CN102177435B (zh) |
| WO (1) | WO2010041423A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107430757A (zh) * | 2015-03-25 | 2017-12-01 | 株式会社日立高新技术 | 细胞诊断支援装置、细胞诊断支援方法、远程诊断支援系统、服务提供系统及图像处理方法 |
| CN112020647A (zh) * | 2018-04-26 | 2020-12-01 | 日本电气株式会社 | 信息处理装置、控制方法和程序 |
| WO2021164320A1 (zh) * | 2020-02-21 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5151403B2 (ja) * | 2007-11-06 | 2013-02-27 | 日本電気株式会社 | 低分化癌検出モジュール、これを備えた病理画像診断支援装置、プログラムおよび記録媒体 |
| AU2008332275C1 (en) | 2007-12-05 | 2012-11-01 | Toyota Jidosha Kabushiki Kaisha | Genes that increase plant oil and method for using the same |
| CA2989183C (en) | 2007-12-05 | 2021-04-13 | Toyota Jidosha Kabushiki Kaisha | Genes that increase plant oil and method for using the same |
| JP5299886B2 (ja) | 2008-03-04 | 2013-09-25 | トヨタ自動車株式会社 | 植物の油脂を増産させる遺伝子及びその利用方法 |
| JP5387146B2 (ja) * | 2009-06-03 | 2014-01-15 | 日本電気株式会社 | 病理組織画像解析装置、病理組織画像解析方法、病理組織画像解析プログラム |
| JP5519192B2 (ja) | 2009-06-04 | 2014-06-11 | トヨタ自動車株式会社 | 種子のタンパク質含量を増産させる遺伝子及びその利用方法 |
| JP5718554B2 (ja) | 2009-06-04 | 2015-05-13 | トヨタ自動車株式会社 | 植物の植物重量を増産させる遺伝子及びその利用方法 |
| JP5847991B2 (ja) | 2009-06-04 | 2016-01-27 | トヨタ自動車株式会社 | 種子における物質生産性を向上させる遺伝子及びその利用方法 |
| JP5630674B2 (ja) * | 2010-09-30 | 2014-11-26 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 |
| JP5995215B2 (ja) * | 2012-05-14 | 2016-09-21 | 学校法人東京理科大学 | 癌細胞領域抽出装置、方法、及びプログラム |
| US9558393B2 (en) * | 2014-03-27 | 2017-01-31 | Konica Minolta, Inc. | Image processing device and storage medium for image processing |
| EP3175389B1 (en) * | 2014-07-28 | 2024-05-15 | Ventana Medical Systems, Inc. | Automatic glandular and tubule detection in histological grading of breast cancer |
| US10304188B1 (en) | 2015-03-27 | 2019-05-28 | Caleb J. Kumar | Apparatus and method for automated cell analysis |
| GB2543029A (en) * | 2015-09-23 | 2017-04-12 | Pathxl Ltd | Method and apparatus for tissue recognition |
| US10430943B2 (en) * | 2016-10-07 | 2019-10-01 | Sony Corporation | Automated nuclei area/number estimation for IHC image analysis |
| JP6819445B2 (ja) * | 2017-04-27 | 2021-01-27 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
| WO2018207361A1 (ja) * | 2017-05-12 | 2018-11-15 | オリンパス株式会社 | 細胞画像取得装置 |
| US10706535B2 (en) | 2017-09-08 | 2020-07-07 | International Business Machines Corporation | Tissue staining quality determination |
| WO2023053574A1 (ja) | 2021-09-29 | 2023-04-06 | 日東紡績株式会社 | 細胞または細胞核の豊富化方法 |
| CN114299490B (zh) * | 2021-12-01 | 2024-03-29 | 万达信息股份有限公司 | 一种肿瘤微环境异质性评价方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2622725B2 (ja) | 1988-07-25 | 1997-06-18 | 東亜医用電子株式会社 | 胃組織の腺腔を抽出するための画像処理方法 |
| US5991028A (en) * | 1991-02-22 | 1999-11-23 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for cell classification |
| US6610484B1 (en) * | 1999-01-26 | 2003-08-26 | Cytyc Health Corporation | Identifying material from a breast duct |
| JP2001059842A (ja) * | 1999-08-25 | 2001-03-06 | Nec Corp | 病理診断装置 |
| US7885448B2 (en) * | 2001-03-19 | 2011-02-08 | Dmetrix, Inc. | Diagnostic scanning microscope for information-enriched qualitative histopathology |
| 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 |
| WO2005050563A2 (en) * | 2003-11-17 | 2005-06-02 | Aureon Biosciences Corporation | Pathological tissue mapping |
| JP2005352571A (ja) | 2004-06-08 | 2005-12-22 | Olympus Corp | 画像処理装置 |
| US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
| EP1875436B1 (en) * | 2005-04-28 | 2009-12-09 | The General Hospital Corporation | Evaluation of image features of an anatomical structure in optical coherence tomography images |
| US8265359B2 (en) * | 2007-06-18 | 2012-09-11 | New Jersey Institute Of Technology | Computer-aided cytogenetic method of cancer diagnosis |
| JP5365011B2 (ja) | 2008-01-29 | 2013-12-11 | 日本電気株式会社 | 病理診断支援装置、病理診断支援方法、およびプログラム |
-
2009
- 2009-10-06 CN CN200980140217.XA patent/CN102177435B/zh not_active Expired - Fee Related
- 2009-10-06 US US13/119,678 patent/US8644582B2/en active Active
- 2009-10-06 JP JP2010532808A patent/JP5648479B2/ja not_active Expired - Fee Related
- 2009-10-06 WO PCT/JP2009/005178 patent/WO2010041423A1/ja active Application Filing
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107430757A (zh) * | 2015-03-25 | 2017-12-01 | 株式会社日立高新技术 | 细胞诊断支援装置、细胞诊断支援方法、远程诊断支援系统、服务提供系统及图像处理方法 |
| CN112020647A (zh) * | 2018-04-26 | 2020-12-01 | 日本电气株式会社 | 信息处理装置、控制方法和程序 |
| WO2021164320A1 (zh) * | 2020-02-21 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102177435B (zh) | 2014-09-24 |
| JPWO2010041423A1 (ja) | 2012-03-01 |
| JP5648479B2 (ja) | 2015-01-07 |
| WO2010041423A1 (ja) | 2010-04-15 |
| US20110170754A1 (en) | 2011-07-14 |
| US8644582B2 (en) | 2014-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102177435B (zh) | 组织病理学诊断支持系统、组织病理学诊断支持程序以及组织病理学诊断支持方法 | |
| JP5996494B2 (ja) | デジタルスライド画像を表示する方法 | |
| US8111897B2 (en) | Evaluation system, evaluation method, and recording medium | |
| Cordelieres et al. | Experimenters' guide to colocalization studies: finding a way through indicators and quantifiers, in practice | |
| US9784665B1 (en) | Methods for quantitative assessment of muscle fibers in muscular dystrophy | |
| JP2017511473A (ja) | 画像を処理して解析するための検査装置 | |
| Robles et al. | Pump-probe imaging of pigmented cutaneous melanoma primary lesions gives insight into metastatic potential | |
| US20220389523A1 (en) | Image acquisition methods for simultaneously detecting genetic rearrangement and nuclear morphology | |
| Sankarapandian et al. | A pathology deep learning system capable of triage of melanoma specimens utilizing dermatopathologist consensus as ground truth | |
| CN108140239A (zh) | 用于组织辨识的方法和装置 | |
| CN111656393A (zh) | 组织学图像分析 | |
| CN108319815B (zh) | 一种用于细胞虚拟染色的方法及其系统 | |
| KR20110072098A (ko) | 디지털 병리학의 이미지 표준화 방법 | |
| Soldati et al. | Microfluidic droplets content classification and analysis through convolutional neural networks in a liquid biopsy workflow | |
| JP6669796B2 (ja) | 染色体異常判定装置 | |
| Hang et al. | Comparative evaluation of slide scanners, scan settings, and cytopreparations for digital urine cytology | |
| Bower et al. | A quantitative framework for the analysis of multimodal optical microscopy images | |
| WO2019074489A1 (en) | METHODS FOR QUANTITATIVE EVALUATION OF MUSCLE FIBERS IN MUSCLE DYSTROPHY | |
| Staszowska et al. | The Rényi divergence enables accurate and precise cluster analysis for localization microscopy | |
| JP6637132B1 (ja) | 染色体異常判定システム、測定装置及び解析装置 | |
| Mascalchi et al. | Which elements to build co-localization workflows? from metrology to analysis | |
| Seltmann et al. | Neural Network Informed Photon Filtering Reduces Artifacts in Fluorescence Correlation Spectroscopy Data | |
| US11908130B2 (en) | Apparatuses and methods for digital pathology | |
| Chen et al. | Raman signal optimization based on residual network adaptive focusing | |
| Rohde | New methods for quantifying and visualizing information from images of cells: An overview |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| 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: 20140924 |