CN102282569A - 宫颈成像中的组织分类方法 - Google Patents
宫颈成像中的组织分类方法 Download PDFInfo
- Publication number
- CN102282569A CN102282569A CN2009801399976A CN200980139997A CN102282569A CN 102282569 A CN102282569 A CN 102282569A CN 2009801399976 A CN2009801399976 A CN 2009801399976A CN 200980139997 A CN200980139997 A CN 200980139997A CN 102282569 A CN102282569 A CN 102282569A
- Authority
- CN
- China
- Prior art keywords
- size
- region
- uterine neck
- less
- acetic acid
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4331—Evaluation of the lower reproductive system of the cervix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10068—Endoscopic 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
- G06T2207/20—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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
Abstract
一种用于将宫颈组织分类的基于规则的无监督方法,所述分类通过串行地应用选自由确定以下组成的组的分类器:纹理区域的大小、不透明度参数、醋酸白区域的大小、粗大和细小点状区域的数目、粗大和细小镶嵌区域的大小、非典型血管的大小以及人口统计学数据,使得所述宫颈组织可被分类为无疾病证据、低度异型增生、高度异型增生或癌症。
Description
技术领域
本发明主要涉及医学成像,更具体地涉及利用宫颈组织识别和分类方法对子宫颈癌和癌前病变的计算机辅助检测和诊断。
背景技术
正被公开的本发明与宫颈癌有关。子宫颈癌是全球妇女第二大最常见的癌症,每年有近50万新病例及超过27万的死亡 (http://www- depdb.iarc.fr/globocan2002.htm.通过参考结合于此)。阴道镜检查是一种用于检测子宫颈癌和癌症前体的诊断方法(B.S. Apgar, Brotzman, G.L. and Spitzer, M., Colposcopy: Principles and Practice, W.B. Saunders Company: Philadelphia, 2002, 通过参考结合于此)。用于阴道镜检查的CAD(计算机辅助诊断)代表了医学图像处理的新应用。发明家已经开发出一种CAD系统,其模仿或模拟阴道镜专家所用来评估异常的严重程度的诊断过程(Lange H. and Ferris, Daron G.; Computer- Aided-Diagnosis (CAD) for colposcopy; SPIE Medical Imaging 2005; SPIE Proc. 5747, 2005, 通过参考结合于此)。
阴道镜专家基于宫颈组织中不同的宏观上皮(与膜相关)特征形成阴道镜检查印象。阴道镜评级系统提供了结构化、系统化的方法,以精密的分析宫颈检查结果。一种系统化方法一旦被学会和掌握,就变为惯例,并且是非常有益的。阴道镜评级系统还容许阴道镜专家形成更准确的阴道镜检查印象。精心设计的阴道镜打分系统增强了阴道镜检查的重现性。当试图选择最合适的活检部位,尤其是遇到宫颈中大的、复杂病变(异常生长)时,阴道镜评级系统也是有用的。
打分方案,像里德(Reid)阴道镜指数,是基于不同的特征作出阴道镜诊断的辅助方法 (Reid R, Scalzi P. Genital warts and cervical cancer. VII. An improved colposcopic index for differentiating benign papillomaviral infection from high-grade cervical intraepithelial neoplasia. Am J Obstet Gynecol 1985;153:611-618, 通过参考结合于此; Reid, R., Stanhope, C.R., Herschman, B.R., Crum, C.P., and Agronow, S.J., Genital warts and cervical cancer. IV. A colposcopic index for differentiating subclinical papillomaviral infection from cervical intraepithelial neoplasia, Am. J. Obstet. Gynecol. 149(8): 815-823. 1984, 通过参考结合于此),包括病变(异常生长)的边缘或边界,采用5%醋酸溶液后的病变颜色,病变中的血管特点,病变对采用卢戈氏(Lugol)碘液的反应。这些特点分别被评估并打分,然后把所有特征的分数相结合以得到对疾病严重程度分级的综合分数。Reid指数区分了低度宫颈疾病与高度宫颈疾病。因此,Reid阴道镜指数(RCI)并非设计为区分恶变前的与恶性的宫颈肿瘤。尽管如此,该指数提供了一种受欢迎的规范评价宫颈病变的方式。
Rubin和Barbo(Rubin, M. M. and Barbo, D. M., Ch. 9a: Rubin and Barbo Colposcopic Assessment System, in Colposcopy: Principles and practice, eds. Apgar, B.S., Brotzman, G.L., and Spitzer, M., pp. 187-195. W.B. Saunders Company, Philadelphia, 2002, 通过参考结合于此) 开发了一种评估方法,其保留了一些以前的阴道镜评级系统的最好的描述符,但去掉了数字,这可能很让人费解。此外,它将系统扩展为包括正常结果的描述符。更重要的是,它包括将临床医生的模式识别过程聚焦于微创的,或者坦白地说是侵入性疾病的可能性的描述符。例如,它不仅测量醋酸白色上皮变化的强度,还涉及其他色调的变化,例如红色,黄色,暗灰色,这些与侵入性癌症的存在更加相关。
其他值得考虑的因素包括患者的年龄以及病变分布及大小。宫颈癌患者中很少见到年龄小于25岁的。高度鳞状上皮内疾病(特别地,CIN3)主要发现于年龄在29岁到32岁之间的妇女。CIN1病变倾向于相对小。CIN1病变的平均长度大约是2.8mm(毫米或千分之一米)。尽管如此,这些病变可达到11.5mm的最大长度。相比之下,CIN2和CIN3病变更大。CIN2和CIN3的平均(平均的)长度分别为5.8mm和7.6mm。它们的最大长度分别为18.2mm和20.6mm。低度病变可能只占据四分之一的宫颈,或占据外宫颈的表面区域的很小比例。CIN1的分布随单病灶(病变发生在单一处)到多病灶(病变发生在多处)而不同。多个,不同的,小的,随机分布的病变是CIN1的特点。
CIN2总是出现在转移区(TZ,transformation zone)。TZ是宫颈的已被新化生的鳞状上皮取代的柱状上皮区域。相比于CIN1(其可能被发现于TZ外),CIN 2可能是多病灶,但是单病灶病变更为常见。卫星状病变通常不是CIN2的代表。阴道镜专家通常沿鳞-柱交界处(SCJ)发现CIN2,要么位于外宫颈上要么位于宫颈内道内。
CIN3病变倾向于是融合性的(汇至一起或混为一个),比CIN1或CIN2病变更长更宽。CIN3通常位于宫颈内的中央部分,在内弯道中朝向外口(os)。当出现在外宫颈时CIN3很少是隐蔽的(眼睛看不到)。CIN3病变的线性长度,被定义为在尾部(位于或接近身体的后端)和头部(朝向身体的头部或前端)边缘之间的组织表面的距离,从2mm到22mm不等。平均线性长度范围为6mm到10mm。长的线性病变-那些长于10mm的,特别是包含有宫颈内时,一直被怀疑为癌症。由于病变的表面区域增加至大于40平方毫米,所以应被怀疑为癌症。据报道,转换区TZ大小,病变(异常生长)大小,明显边缘,血管模式(血管模式),以及醋酸白颜色(应用醋酸后的颜色)与组织评级显著相关,并显示宫颈病变的大小可能具有临床重要性。 (Kierkegaard, 0., Byralsen, C, Hansen, K.C., Frandsen, K.H., and Frydenberg, M., Association between colposcopic findings and histology in cervical lesions: the significance of the size of the lesion, Gynecol. Oncol. 57(1): 66-71. 1995,通过参考结合于此)。
循证医学(EBM)被定义为“在对患者个体治疗作出决定时,对目前最好证据的认真、详细、明确的应用”。在EBM中,人类的感知和解释被认为对诊断说明非常有价值。然而,人类的评估可能是主观的且具有低的观察者间的一致性 (Ferris, D. G. and Litaker, M., Interobserver agreement for colposcopy quality control using digitized colposcopic images during the ALTS trial, J. Low. Genit. Tract Dis. 9(1): 29-35, 2005, 通过参考结合于此; Jeronimo, J., Massad, L.S., Castle, P.E., Wacholder, S., and Schiffman, M., Interobserver Agreement in the Evaluation of Digitized Cervical Images, Obstet. Gynecol. 110(4): 833-840, 2007, 通过参考结合于此)。
计算机可被编程以执行推理任务,并且可用于解决诊断问题。阴道镜评级系统被阴道镜专家们用于获得临床诊断已超过40年。阴道镜专家们通过使用阴道镜的视觉检查定性地获得患者的阴道镜检查特征,确定疾病程度并基于他们的经验开始对患者诊治。这个过程在妇科医生的办公室需要花费10或15分钟。由于检查的主观性,阴道镜检查的准确度高度依赖于阴道镜专家的经验和专业知识。使用了量化的阴道镜特征的计算机实现的阴道镜打分算法是可取的以给医生提供建议的诊断决定。
大部分已有的组织分类系统依赖于统计方法。一个例子就是Georgia Tech Vision(GTV)系统(Dickman, E.D., Doll, T.J., Chiu, C.K., and Ferris, D.G., Identification of Cervical Neoplasia Using a Simulation of Human Vision, Journal of Lower Genital Tract Disease 5(3): 144-152, 2001, 通过参考结合于此) ,一种由人类视觉系统给予灵感的通用的计算机视觉系统识别正常和异常的宫颈特征。另一个例子是用于宫颈肿瘤的无创诊断的多模型高光谱成像(MHI)系统 (Ferris, D. G., Lawhead, R.A., Dickman, E.D., Holtzapple, N., Miller, J.A., Grogan, S. et al., Multimodal hyperspectral imaging for the noninvasive diagnosis of cervical neoplasia, J. Low. Genit. Tract Dis. 5(2): 65-72, 2001, 通过参考结合于此)。最近,已经报道了用来区分高度上皮内病变与正常或低度上皮内病变的反射荧光系统。(Park, S.Y., Follen, M., Milbourne, A., Rhodes, H., Malpica, A., Mackinnon, N. et al., Automated image analysis of digital colposcopy for the detection of cervical neoplasia, J. Biomed. Opt. 13(1): 014029-1-014029-10, 2008, 通过参考结合于此)。此外,也已经报道了用于高度宫颈上皮内肿瘤的活体内(在有生命的体内)监测的成功的光学系统LUMA? (Huh, W.K., Cestero, R.M., Garcia, F.A., Gold, M.A., Guido, R.S., Mclntyre-Seltman, K. et al., Optical detection of high-grade cervical intraepithelial neoplasia in vivo: results of a 604- patient study, Am. J. Obstet. Gynecol. 190(5): 1249-1257. 2004, 通过参考结合于此; Kendrick, J. E., Huh, W.K., and Alvarez, R.D., LUMA Cervical Imaging System, Expert Review of Medical Devices 4(2): 121-129, 2007, 通过参考结合于此)。在LUMA?系统中,在醋酸应用之后使用了3种集成的光学测量执行整个人体宫颈的诊断扫描:激光诱导荧光光谱,白光漫反射光谱,以及视频成像。进一步地,包括多变量分类算法,以利用特定光源与不同的宫颈组织类型相互作用中的光谱差异。
最近报道了另一个称为DySIS?(动态光谱成像系统)的活体内检测和量化的评级系统(Forthphotonics, DySIS:Dynamic Spectral Imaging System, http://www.forth- photonics.gr/dysis.php?page=dysis-trials2008,通过参考结合于此; Soutter, W.P., Diakomanolis, E., Lyons, D., and Haidopoulos, D., Dynamic Spectral Imaging - In Vivo Detection and Quantitative Grading of Cervical Neoplasia, ASCCP 2008 Meeting Abstract. Journal of Lower Genital Tract Disease 12(2): 160, 2008, 通过参考结合于此)。DySIS?是第一个CE标记的(CE标记是在欧盟地区(EEA)的单一市场中投放的许多产品上的强制认证标记—CE标记证明产品符合欧盟的卫生,安全和环境要求,这保证了消费者的安全)设备,以使用数字和动态光谱成像技术,用于帮助活体内自动(和用户无关)检测以及绘制宫颈瘤样病变(病变或肿瘤)。
本发明是一种基于阴道镜评级系统以准确评估及识别低度病变,高度病变和癌症的计算机辅助检测技术。它不同于现有技术中列出的统计学习方法。本发明是一种遵循阴道镜检查的基于规则的方法,所述方法使用上皮细胞和血管的形态学评价积累了疾病的证据。在统计学习中,诊断判断是基于经交叉验证从大量训练数据导出的统计特征。因此,它是基于训练数据和统计理论的监督学习方法。目前的发明将现代阴道镜中的定性评级规则转移到定量计算机程序中。它不需要来自数据的任何训练。它是基于已有的医学知识的无监督方法。图1中示出了示出本发明概述的流程图。在应用本发明的组织分类算法之前,首先采用其他方法来提取信息,该信息用作组织分类算法的输入。其他方法包括解剖特征算法,醋酸白特征提取算法,镶嵌区域(mosaic)和点状区域(punctation)检测算法 (例如, W. Li and A. Poirson, Detection and characterization of abnormal vascular patterns in automated cervical image analysis, Lecture Notes in Computer Science - Advances in Visual Computing 4292, Second International Symposium, ISVC 2006, Lake Tahoe, NV, November 2006 Proceedings, Part II, 627-636 (Springer 2006], 通过参考结合于此) 以及非典型血管提取算法 (如在共同待决、共同受让的、题为 "Methods for Detection and Characterization of Atypical Vessels in Cervical Imagery" ,2008年8月1日提交,序列号 12/221328的专利申请公开的,其通过参考结合于此)。这些方法的输出作为本文所描述的组织分类方法的输入。组织分类方法应用于在临床检查期间,应用醋酸之前和之后实时提取的宫颈的图像数据,以及对象的人口统计学数据,例如年龄。组织分类方法的输出包括具有以下检查结果的诊断判断:病变类型(正常/NED(无疾病证据),低度增生,高度增生,或癌症);疾病位置或高度(CIN2和CIN3)病变位置;以及判断的置信度。
下面的专利和专利申请可认为与本发明的领域相关:
Costa等的美国专利No. 7309867,其通过参考结合于此,公开了通过利用统计和非统计分类技术的结合,以及通过结合光谱数据和图像数据,确定组织样本的给定区域包含给定类型的组织,例如CIN,CIN II/III,正常鳞状上皮,正常柱状以及组织转化的概率的方法。
Zelenchuk的美国专利No. 7310547,其通过参考结合于此,公开了一种系统和方法,用于在原位区分健康和发病组织。它包括直接将紫外线照射至组织标本,并收集荧光响应辐射的光纤探头。响应辐射在三个选定的波长被观察,其中一个对应于等吸光点。在一个例子中,等吸光点发生在大约431纳米。使用431nm强度将观察到的信号强度归一化。使用判别分析中的比例确定得分。根据判别分析的结果,基于疾病或健康的诊断确定被检查组织是否切除。
Kaufman等的美国专利No. 7260248,其通过参考结合于此,公开了与基于测量相似性的多个图像相关的方法。这些方法在分割组织的宫颈图像序列中有用。这些方法可以用于确定宫颈组织的醋酸变白测试中的组织特性。它公开了确定组织特性的方法,包括获得多个组织图像;确定这些图像中的两个或更多区域之间的关系;基于所述关系分割图像;并基于所述分割确定所述组织的特性。确定步骤包括将组织表征为正常,CIN I,CIN II,CIN III或CIN II/III。
Utzinger 等的美国专利No. 6766184,其通过参考结合于此,公开了生成组织的多光谱图像的方法和装置。所述图像可用作宫颈癌检测。利用辐射源产生主要辐射,并过滤以选择第一波长和第一偏振。经过滤的主要辐射照射组织,生成次级辐射,其经过滤以选择第二波长和第二偏振。经过滤的次级辐射用探测器收集,并且根据第一、第二波长和偏振的不同组合,生成组织的多个多光谱图像。
Roehrig等的美国专利No. 6198838,其通过参考结合于此,公开了通过利用独立计算的块(mass)和毛刺信息来检测数字乳房X线照片中的可疑部分的方法和系统。所述方法在计算机辅助诊断系统中使用,该系统设计为使纤维乳腺组织中的可疑或可能为癌的病变引起放射学家或其他医疗专业人士的关注。在优选实施例中,毛刺信息和块信息被独立计算,由于算出的毛刺信息不依赖于块信息计算的结果,从而具有更高的可靠性。
Tumer等的美国专利No. 6135965,其通过参考结合于此,公开了一种利用神经网络分析活体内荧光光谱测量来光谱检测宫颈组织中组织异常的装置和方法。
Gaborski等的美国专利No. 5857030,其通过参考结合于此,公开了一种对放射图像进行数字图像处理的自动化的方法和系统,包括过滤的预处理阶段,对分割预选阶段,以及包括神经网络分类的模式分类阶段。
Clarke等的美国专利No. 5982917,其通过参考结合于此,公开了一种计算机辅助诊断(CAD)方法和装置,用于对数字X射线图像中的可疑区域检测和增强。
Balas的美国专利公开No. 2006/0141633,其通过参考结合于此,公开了一种用于活体内检测并绘制(map)在癌症发展期间上皮组织的生化和/或功能特性引起的变化的方法和装置。
Keller等的美国专利申请No. 2006/0184040,其通过参考结合于此,公开了检测组织异常的方法和设备,据此,所述方法包括从光源向组织照射光;将从组织反射的照射光通过光学器件引至多波长成像光学子系统;并分离感兴趣的一个或多个波长或波带;将感兴趣的一个或多个波长或波带引至一个或多个成像设备,并使用所述设备记录感兴趣的一个或多个波长或波带的图像;将图像数据从图像传输至计算系统;并对组织异常相关的一个或多个光谱模式分析所述图像。
Gu等的美国专利公开No. 2008/0058593,其通过参考结合于此,公开了一种在用内窥镜检查期间从器官的视频数据提供计算机辅助诊断的过程,包括分析和增强来自视频的图像帧,并在检查期间实时检测和诊断图像帧中的任何病变。进一步地,图像数据可被用于生成器官的三维重建。
发明内容
这里以及下文更充分描述的本发明包括一种用于将宫颈组织分类的基于规则的无监督过程,其包括:对宫颈组织应用包含一组分类器规则的分类器,通过串行地应用选定的分类器规则来获得最终预测,其中,采用选自由确定以下组成的组的分类器规则执行应用步骤:纹理区域的大小、不透明度参数、醋酸白区域大小、粗大和细小点状区域的数目、粗大和细小镶嵌区域的数目、非典型血管大小以及人口统计学数据,由此,可将宫颈组织分类为无疾病证据、低度异型增生、高度异型增生或癌症。
如果纹理区域大于宫颈面积的约1%,以及如果不透明度参数小于像素值的约4%,或大于像素值的约12%,则将获得无疾病证据的最终预测。
如果纹理区域大于宫颈面积的约1%,所述不透明度参数介于像素值的约4%至像素值的约12%之间,醋酸白的区域大小大于宫颈面积的7%,以及如果口附近的醋酸白区域大小大于宫颈面积的0%,则将获得高度异型增生的最终预测。
如果纹理区域大于宫颈面积的约1%,如果所述不透明度参数介于像素值的约4%至像素值的约12%之间,醋酸白的区域大小小于宫颈面积的7%,并且口附近没有醋酸白区域,则将获得低度异型增生的最终预测。
如果纹理区域小于宫颈面积的约1%,并且如果不透明度参数小于像素值的5%,粗大点状区域的数目小于2,且没有粗大的镶嵌区域血管,则将获得低度异型增生的最终预测。
如果纹理区域小于宫颈面积的约1%,并且如果不透明度参数大于像素值的10%,口附近的醋酸白区域大小大于15%,则将获得癌症的预测。
如果纹理区域小于宫颈面积的约1%,并且不透明度参数大于8%,口附近的醋酸白区域的大小大于0.5%,并且粗大点状区域的数目大于100,并且没有粗大的镶嵌区域血管,并且异常血管大小大于0.5毫米,则将得到癌症的预测。
如果纹理区域小于宫颈面积的1%,并且如果不透明度参数大于像素值的5%,口附近的醋酸白区域的大小小于像素值的0.5%,粗大点状区域血管的数目小于100,不存在粗大镶嵌区域血管,并且非典型血管的大小小于0.5%,则将得到高度异型增生的判断。
附图说明
图1展示了本发明的概述的流程图。
图2是用于组织分类方法的输入参数的列表。
图3是组织诊断方案的第一部分。
图4是组织诊断方案的第二部分。
图5是NED(没有疾病证据)的对象的示例的照片。
图6(a)是低度疾病对象的示例的照片。
图6(b)是图6(a)的对象的对应低度疾病位置的图像处理过的照片。
图7(a)是癌症对象的示例的照片。
图7(b)是图7(a)的对象的对应高度疾病位置的图像处理过的照片。
图7(c)是图7(a)中的对象的对应低度疾病位置的图像处理过的照片。
图8(a)是高度疾病对象的示例的照片。
图8(b)是图8(a)中的对象的对应的高度疾病位置的图像处理过的照片。
图8(c)是图8(a)中对象的对应的低度疾病位置的图像处理过的照片。
具体实施方式
1. 预方法应用
本文所述的本发明目前优选的实施例优选使用几个预方法应用的输出(输出为如图2中所描述的某些参数)作为组织分类方法的输入。很多参数或变量被描述为图像中特定特征的面积相比于宫颈的总面积的百分比。所述的点状区域特征被定义为图像中存在的点状区域的数目。非典型性血管的大小优选的以毫米(mm)来计算。
该过程首先收集宫颈的数字彩色图像(使用红色,绿色,蓝色通道或RGB),——一个在施加醋酸之前,一个在应用醋酸之后。优选地,图像被正交极化,以抑制镜面反射(闪烁)并被校准。接着,采用几种预方法应用,包括解剖特征提取,醋酸白特征提取,镶嵌区域和点状区域检测,以及非典型血管提取。
解剖特征提取优选地包括检测子宫颈,除去阴道壁(水平和竖直),口检测,柱状上皮检测以及纹理区域(异常/化生)检测。
醋酸白特征提取优选地包括应用醋酸到感兴趣的解剖区域,以产生醋酸白区域;拍摄至少一张醋酸白区域的后醋酸图像;检测感兴趣的具有上皮细胞的解剖区域;从后醋酸图像提取出纹理信息,以定义纹理区域;从后醋酸图像中提取色彩信息以定义色彩区域;并将纹理区域和色彩区域相结合生成候选的醋酸白区域。优选地,它还包括:获得至少一个上皮细胞的前醋酸图像;在前醋酸图像之一中和在后醋酸图像之一中记录醋酸白区域,以形成醋酸白区域的记录图像;从醋酸白区域的记录图像中提取不透明度参数,如共同待决共同受让的2008年8月4日提交的序列号为12/221645的 题为“Computerized Image Analysis for Acetic Acid Induced Cervical Intraepithelial Neoplasia”的专利申请,其通过参考结合于此。该申请公开了通过聚类在记录的前醋酸图像和后图像的时间变化中的差异,来创建的不透明度参数。所述不透明度参数对病变诊断提供了高预测值——正常和低度病变具有比高度病变和癌症情形低得多的不透明度。其他的不透明度参数提取方法也可被使用,包括在不同色彩空间中的比率成像。
在本发明的一优选实施例中,在CIE-Lab色彩空间中的a通道中的色彩差异被用于不透明度参数提取。在本发明另一优选实施例中,RGB色彩空间中的g通道的色彩差异被用于不透明度参数提取。由于不成熟的化生和柱状上皮组织在醋酸施加后短暂变为白色,但并未表现出发育异常的组织变化,他们不应被排除在感兴趣的醋酸白区域之外。这些组织区域通常表现出轻微的不透明度变化。因此本发明在色彩差异特征空间内采用了两步平均移位聚类算法。第一步是分割主要的不透明度变化,并消除轻微不透明度变化。第二步是从第一步获得的前景区域中分割最不透明的变化。计算不透明度参数,作为最不透明区域的平均色差。最不透明区域被定义为具有最大平均色差的区域。不透明度参数通过以下公式来表示:
其中n是图像的位数,是记录的前醋酸图像,gk是选定的后醋酸图像,二者均位于k波段(k=1,2,3)。符号r是从聚类算法中以二进制形式提取的最不透明区域。符号Ω是在不透明区域r中的前景像素的数量。p范数矩阵用于该等式。在目前优选的实施方案中,p设置为1,并且a波段CIE-Lab色彩空间被使用。
不透明度参数捕捉一对已记录的宫颈图像在某一色彩空间(在某一感兴趣区域中)中的像素值(或DN或数字值)变化的百分比。
镶嵌区域和点状区域检测优选包括对镶嵌区域血管的检测,基于平均毛细血管距离将镶嵌区域血管分为粗大和细小,对点状血管的检测,以及基于平均毛细血管距离将点状区域血管分为粗大和细小(W. Li and A. Poirson, Detection and characterization of abnormal vascular patterns in automated cervical image analysis, Lecture Notes in Computer Science - Advances in Visual Computing 4292, Second International Symposium, ISVC 2006, Lake Tahoe, NV, November 2006 Proceedings, Part II, 627- 636 (Springer 2006), 通过参考结合于此)。
非典型血管提取优选通过以下步骤检测非典型血管:应用预处理阶段以增加对比度,应用分割阶段以确定感兴趣区域,应用后处理阶段以确定最终感兴趣区域。预处理阶段优选采用top-hat滤波器平滑图像并抑制高强度成分;利用top-hat和botoom-hat滤波器来增强图像的对比度;增强图像的红色成分;并且接着增强图像的红色成分的对比度。分割阶段优选地通过将最大纹理区域和最大梯度信息定位在图像中并计算该信息的交叉来识别非典型血管的感兴趣区域。后处理阶段优选地识别并去除与非典型血管无关的特征,并且进一步地在非典型血管上使用已知的颜色,形状和大小信息来改进图像,从而创建具有最终感兴趣区域的输出图像(如在共同待决、共同受让的、题为 "Methods for Detection and Characterization of Atypical Vessels in Cervical Imagery" ,2008年8月1日提交,序列号 12/221328的专利申请公开的, 其通过参考结合于此)。
解剖特征提取、醋酸白特征提取、镶嵌区域和点状区域的输出是特定变量(如图2所描述的),其用作组织分类方法的输入(以下详述)。
2. 组织分类方法
设计
优选地该组织分类方法的设计使用基于规则的分类器。该构思并不依赖于单一分类器,而是使用一组分类器规则并将多个分类器规则的预测相结合。多分类器方案的目的是减少偏差以及偏移。所有这些分类器用于宫颈组织,并通过串行地应用选定的分类器获得最终预测。目前的发明可以与统计学习方法相结合,以形成分类器集合,例如支持向量机和条件随机域(CRF)(Lafferty, J., McCallum, A., Pereira, F.: Conditional random fields: Probabilistic models for segmenting and labeling sequence data. In: Proc. 18th International Conf. on Machine Learning, Morgan Kaufmann, San Francisco, CA (2001) 282-289, 通过参考结合于此)。
模拟阴道镜指数(SCI)
该组织分类方法提供了模拟阴道镜指数(SCI),其被设计来基于图2所描述的变量,对每一对象提供基础诊断。输出是对图像中病变类型的确定。两部分诊断方案在图3和图4中做了概述。在第一部分(图3),首先评价纹理区域(作为宫颈面积的百分比来表示)的大小。如果纹理区域大约小于宫颈面积的1%,用户被指引到分析的第二部分(图4)。否则,接着评价不透明度参数。如果不透明度参数小于像素值(数字图像的亮度-对于8位图像,其中亮度由0和1的8个数字定义,像素值范围从0(全黑)到255(最高亮度);对于16位图像,其中亮度由0和1的16个数字定义,像素值范围是0-65535,像素值有时被称为“数字位”或“DN”)的大约4%或大于像素值的大约12%,则给出NED(无疾病证据)的诊断决定。如果不,则醋酸白区域以及口区域附近的醋酸白区域的大小被评价。如果醋酸白区域的大小大于宫颈面积的7%,并且如果口附近的醋酸白区域的大小大于宫颈面积的0%,则给出“高度”(高度病变)的判断。如果不,给出“低度”(低度病变)的判断。
在第二部分,第一步评价不透明度参数是否低于像素值的5%,粗大点状区域的数目是否小于2,粗大镶嵌区域的大小是否等于宫颈总面积的0%。如果答案为是,则给出“低度”的判断。如果答案为否,则方法行进到第二步。
在第二步,如果不透明度参数大于10%,并且口区域附近有大于15%的醋酸白区域,则判断是“癌症”。或者如果不透明度参数大于8%,口区域附近有超出0.5%的醋酸白区域,粗大点状区域的数目大于100,存在一些粗大镶嵌区域血管,并且非典型血管的大小大于0.5mm,判断同样是“癌症”。
如果答案为是,则判断是“癌症”,如果答案为否,则判断是“高度”。
图5描述了NED对象的例子,其中纹理区域的大小为小于宫颈总面积的1%,且不透明度参数小于像素值的4%。图6(a)显示了低度对象的例子,其中纹理区域的大小大于宫颈总面积的1%。图7(a)是癌症对象的例子,其中纹理区域的大小大于宫颈总面积的1%;不透明度参数大于像素值的10%,以及口区域附近的醋酸白区域的大小大于总的宫颈面积的15%。图8(a)是高度对象的例子,其中纹理区域的大小大于宫颈总面积的1%。
应注意的是,在本发明中,不透明度参数与其他分类器(包括镶嵌区域,点状区域,和非典型血管)相结合,以作出诊断决定。因此,在本发明中不透明度参数的阈值,从前述公开了不透明度参数的发明申请中的5%阈值发生了变化(以作出更细致和精准的诊断)。然而,不透明度参数提供了高的预测性,并因此可以在更低成本或更简单的设备和方法中以5%的阈值被单独使用。
疾病位置
在患者诊断下,疾病位置被定义为不同等级病变的阴道镜标记的组合。掩模是黑白图像。白色(亮)区域是指示出哪里是病变的前景,黑色区域是背景。高度病变掩模被定义为醋酸白、粗大镶嵌区域,粗大点状区域以及非典型血管的掩模图像的联合。醋酸白掩模级别依赖于不透明度参数和患者的诊断。同样,低度病变掩模被定义为醋酸白、细小镶嵌区域,细小点状区域的掩模图像的联合。醋酸白掩模的级别依赖于不透明度参数和患者的诊断。高度掩模的例子可以在图7(b)和8(b)中看到,以亮区域显示。低度掩模的例子可以在上面的图6(b),7(c)和8(c)中看到,以亮区域显示。
置信度
置信度可以通过三个方面来确定:图像质量,特征提取的充分性,以及患者的人口统计学数据。本发明假设通过IQA过程获取高质量图像数据 (如在共同待决、共同受让的、题为 "Method to Provide Automated Quality Feedback to Imaging Devices to Achieve Standardized Images" 2008年3月14日提交,序列号12/075890的专利申请公开的,其通过参考结合于此),但任一种其他获取高质量图像的方法都可被使用。因此,仅考虑特征提取的充分性和患者的人口统计学数据。优选通过评价特征提取状态来将充分性计算在包括以下类别的阵列中:宫颈区域与(相比)图形平面大小的比率;鳞状区域与宫颈区域的比率;口区域的大小和位置;以及粘液和其他障碍例如节育环IUD(子宫内装置)的可能的存在。如果输出(数值)在一个预先确定的范围内,它是“通过”。如果输出不在预先确定的范围内,它是“失败”。例如,如果宫颈区域相比图像平面大小的比率在30%-80%的范围内,它是“通过”,否则对于这一类别它是“失败”。置信度是从所有类别中的“通过”的百分比得出的。如果患者太年轻(小于25岁)或年纪太大(超过60岁)或在检查前做过外科手术,最后的置信度降低一百分因子(10-20%)。严重的病情例如癌症很少发生在小于25岁的患者身上。由于被观察特性的生物学基础,老年患者倾向于表现不太明显的变化。
虽然本发明已参考在说明书中描述的和在图中所示的实施例进行了具体示出和描述,所述领域技术人员应理解在不违背本发明的精神和范围的情况下,可以实现细节上的各种变化。因此,除了如权利要求特别以及明确阐述的之外,没有隐含或推断任何限制。
工业实用性
本发明可用于提供无监督的基于规则的组织分类方法,其利用可靠的阴道镜打分特征来提供“无疾病证据”、低度异型增生、高度异型增生、或癌症的诊断,并且还提供高度病变的位置,以及诊断的置信度。这种诊断可直接使用或用于向医生或其他保健服务提供者提出建议。
Claims (12)
1. 一种用于将宫颈组织分类的基于规则的无监督方法,包括:
对所述宫颈组织应用分类器,所述分类器包括一组分类器规则;并且
通过串行地应用在所述组中选定的分类器规则来获取最终预测,其中:
使用选自由确定以下组成的组的分类器规则来执行所述应用步骤:纹理区域的大小,不透明度参数,醋酸白区域的大小,粗大和细小点状区域的数目,粗大和细小镶嵌区域的大小,非典型血管的大小以及人口统计学数据;
由此,所述宫颈组织可被分类为无疾病证据、低度异型增生、高度异型增生或癌症。
2. 根据权利要求1所述的方法,其中:
如果所述纹理区域大于所述宫颈面积的约1%,并且所述不透明度参数小于像素值的约4%或大于像素值的约12%,获取无疾病证据的最终预测。
3. 根据权利要求1所述方法,其中:
如果所述纹理区域大于所述宫颈面积的约1%,所述不透明度参数介于像素值的约4%和像素值的约12%之间,醋酸白区域的大小大于所述宫颈面积的7%,并且口附近的醋酸白区域的大小大于所述宫颈面积的0%,则获取高度异型增生的最终预测。
4. 根据权利要求1所述方法,其中,
如果所述纹理区域大于所述宫颈面积的约1%,所述不透明度参数介于像素值的约4%和约12%之间,醋酸白区域的大小小于宫颈面积的7%,并且在口附近没有醋酸白区域,则获取低度异型增生的最终预测。
5. 根据权利要求1所述方法,其中,
如果所述纹理区域小于所述宫颈区域的约1%,所述不透明度参数小于像素值的5%,粗大点状区域的数目小于2,并且没有粗大镶嵌区域血管,则获取低度异型增生的最终预测。
6. 根据权利要求1所述方法,其中:
如果所述纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的10%,并且口附近的所述醋酸白区域的大小大于所述宫颈面积的15%,则获取癌症的最终预测。
7. 根据权利要求1所述方法,其中:
如果所述纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的8%,口附近的所述醋酸白区域的大小大于宫颈面积的0.5%,粗大点状区域的数目大于100,没有粗大镶嵌区域血管,并且异常血管的大小大于0.5mm,则获取癌症的最终预测。
8. 根据权利要求1所述方法,其中,
如果所述纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的5%,口附近的醋酸白区域的大小小于所述宫颈面积的0.5%,粗大点状区域血管的数目小于100,没有粗大镶嵌区域血管,并且非典型血管的大小为小于0.5mm,则获取高度异型增生的最终预测。
9. 根据权利要求1-8任一项所述方法,进一步包括:如果患者年龄低于25岁或高于60岁,则将最终的癌症预测中的置信度降低约10%-约20%之间。
10. 一种用于将宫颈组织分类的基于规则的无监督方法,包括:
对所述宫颈组织应用分类器,所述分类器包括一组分类器规则;并且
通过串行地应用在所述系列中选定的分类器规则来获取最终预测,其中:
使用选自由确定以下组成的组的分类器规则来执行所述应用步骤:纹理区域的大小,不透明度参数,醋酸白区域的大小,粗大和细小点状区域的数目,粗大和细小镶嵌区域的大小,非典型血管的大小以及人口统计学数据;
由此,所述宫颈组织可被分为无疾病证据、低度异型增生、高度异型增生或癌症;
其中如果所述纹理区域大于所述宫颈面积的约1%,并且所述不透明度参数小于像素值的约4%或大于像素值的约12%,则获取无疾病证据的最终预测;
如果所述纹理区域大于所述宫颈面积的约1%,所述不透明度参数介于像素值的约4%和像素值的约12%之间,醋酸白区域的大小大于所述宫颈面积的7%,并且如果口附近的醋酸白区域的大小大于所述宫颈面积的0%,则获取高度异型增生的最终预测;
其中如果所述纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的5%,口附近的所述醋酸白区域的大小小于宫颈面积的0.5%,粗大点状区域血管的数目小于100,没有粗大镶嵌区域血管,并且异常血管的大小小于0.5mm,则获取高度异型增生的最终预测;
其中如果所述纹理区域大于所述宫颈区域的约1%,所述不透明度参数介于像素值的约4%和像素值的约12%之间,醋酸白区域的大小小于宫颈面积的7%,并且在口附近没有醋酸白区域,则获取低度异型增生的最终预测;
其中如果所述纹理区域小于所述宫颈区域的约1%,所述不透明度参数小于像素值的5%,粗大点状区域的数目小于2,并且没有粗大镶嵌区域血管,则获取低度异型增生的最终预测;
其中如果所述的纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的10%,口附近的所述醋酸白区域的大小大于所述宫颈面积的15%,则获取癌症的预测;
其中如果所述的纹理区域小于所述宫颈面积的约1%,所述不透明度参数大于像素值的8%,口附近的所述醋酸白区域的大小大于宫颈面积的0.5%,粗大点状区域的数目大于100,没有粗大镶嵌区域血管,并且异常血管的大小大于0.5mm,则获取癌症的最终预测。
11. 根据权利要求10所述方法,进一步包括:
如果患者年龄低于25岁或高于60岁,则将最终的癌症预测中的置信度降低约10%-约20%之间。
12. 一种用于将宫颈组织分类的基于规则的无监督方法,包括:
应用分类器,所述分类器包括确定不透明度参数的分类器规则;
由此,所述宫颈组织可被分为无疾病证据、低度异型增生、高度异型增生或癌症。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US19615908P | 2008-10-10 | 2008-10-10 | |
US61/196159 | 2008-10-10 | ||
PCT/US2009/005547 WO2010042211A1 (en) | 2008-10-10 | 2009-10-09 | Methods for tissue classification in cervical imagery |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102282569A true CN102282569A (zh) | 2011-12-14 |
Family
ID=42098897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009801399976A Pending CN102282569A (zh) | 2008-10-10 | 2009-10-09 | 宫颈成像中的组织分类方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8483454B2 (zh) |
EP (1) | EP2344982A4 (zh) |
JP (1) | JP2012505028A (zh) |
CN (1) | CN102282569A (zh) |
WO (1) | WO2010042211A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105874508A (zh) * | 2013-12-30 | 2016-08-17 | 皇家飞利浦有限公司 | 用于具有经改进的可靠性的宫颈图像分析的方法和装置 |
CN108319977A (zh) * | 2018-01-30 | 2018-07-24 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
CN110352461A (zh) * | 2017-11-16 | 2019-10-18 | 韩国宝之铂株式会社 | 用于确定受试者中是否发生宫颈癌的方法和设备 |
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的宫颈癌前病变诊断方法 |
CN112088394A (zh) * | 2018-07-24 | 2020-12-15 | 狄希斯医药有限公司 | 生物组织的计算机分类 |
CN112334990A (zh) * | 2019-06-04 | 2021-02-05 | 艾多特公司 | 自动宫颈癌诊断系统 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0813372D0 (en) * | 2008-07-22 | 2008-08-27 | Siemens Medical Solutions | A confidence measure for comparing SUV between PET studies |
WO2010027476A1 (en) * | 2008-09-03 | 2010-03-11 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN103096786A (zh) * | 2010-05-03 | 2013-05-08 | 国际科学技术医疗系统有限责任公司 | 宫颈瘤变检测和诊断的图像分析 |
WO2012123881A2 (en) | 2011-03-16 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Medical instrument for examining the cervix |
US9872655B2 (en) * | 2012-03-30 | 2018-01-23 | Siemens Aktiengesellschaft | PAE treatment for BPH |
JP6189946B2 (ja) | 2012-06-22 | 2017-08-30 | ライカ ビオズュステムス ヌスロッホ ゲーエムベーハー | 生検組織試料搬送装置及びその使用方法 |
CA2876693A1 (en) | 2012-06-22 | 2013-12-27 | Leica Biosystems Nussloch Gmbh | Tissue sample container and methods |
CA2845830C (en) | 2013-03-15 | 2020-10-27 | Leica Biosystems Nussloch Gmbh | Tissue cassette with retractable member |
US9389154B2 (en) | 2013-03-15 | 2016-07-12 | Leica Biosystems Nussloch Gmbh | Tissue cassette with biasing element |
US9052256B2 (en) | 2013-03-15 | 2015-06-09 | Leica Biosystems Nussloch Gmbh | Method for processing and embedding tissue |
CN103767658B (zh) * | 2013-12-30 | 2017-02-08 | 深圳市理邦精密仪器股份有限公司 | 电子阴道镜图像的采集方法及装置 |
JP6865678B2 (ja) * | 2014-10-13 | 2021-04-28 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 縦断的特徴に基づく関心組織の健康状態の分類 |
KR102321642B1 (ko) * | 2014-12-08 | 2021-11-05 | 삼성메디슨 주식회사 | 입력 장치 및 이를 포함하는 의료 영상 장치 |
JP6979278B2 (ja) * | 2017-04-07 | 2021-12-08 | 株式会社日立ハイテク | 画像診断支援装置及び画像診断支援システム、並びに画像診断支援方法 |
EP3596697B1 (en) | 2017-06-28 | 2021-03-17 | Deepmind Technologies Limited | Generalizable medical image analysis using segmentation and classification neural networks |
JP2018043042A (ja) * | 2017-12-08 | 2018-03-22 | カシオ計算機株式会社 | 診断支援装置並びに画像処理方法及びそのプログラム |
JP6838549B2 (ja) * | 2017-12-08 | 2021-03-03 | カシオ計算機株式会社 | 診断支援装置並びに画像処理方法及びそのプログラム |
US10517681B2 (en) | 2018-02-27 | 2019-12-31 | NavLab, Inc. | Artificial intelligence guidance system for robotic surgery |
US11382601B2 (en) * | 2018-03-01 | 2022-07-12 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
JP6519703B2 (ja) * | 2018-08-06 | 2019-05-29 | カシオ計算機株式会社 | 画像処理方法、診断装置、並びにプログラム |
BR112021024432A2 (pt) * | 2019-06-04 | 2022-02-01 | Aidot Inc | Sistema automático de diagnóstico de câncer cervical |
US11633145B2 (en) * | 2019-10-21 | 2023-04-25 | The Trustees Of Dartmouth College | Specimen imaging with x-ray and optical measurement |
US20220215534A1 (en) * | 2021-01-04 | 2022-07-07 | Shenzhen Keya Medical Technology Corporation | Methods and systems for computer-assisted medical image analysis using sequential model |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5257182B1 (en) * | 1991-01-29 | 1996-05-07 | Neuromedical Systems Inc | Morphological classification system and method |
JPH0891450A (ja) * | 1994-09-22 | 1996-04-09 | Nidaiki Kk | プラスチック袋や容器におけるガス抜き構造 |
US5857030A (en) | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
US5799100A (en) | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
US6198838B1 (en) | 1996-07-10 | 2001-03-06 | R2 Technology, Inc. | Method and system for detection of suspicious lesions in digital mammograms using a combination of spiculation and density signals |
US6101408A (en) * | 1996-08-22 | 2000-08-08 | Western Research Company, Inc. | Probe and method to obtain accurate area measurements from cervical lesions |
US6135965A (en) * | 1996-12-02 | 2000-10-24 | Board Of Regents, The University Of Texas System | Spectroscopic detection of cervical pre-cancer using radial basis function networks |
US6026323A (en) * | 1997-03-20 | 2000-02-15 | Polartechnics Limited | Tissue diagnostic system |
US20040111031A1 (en) | 1999-07-22 | 2004-06-10 | Alfano Robert R. | Spectral polarizing tomographic dermatoscope |
US7260248B2 (en) | 1999-12-15 | 2007-08-21 | Medispectra, Inc. | Image processing using measures of similarity |
GR1004180B (el) | 2000-03-28 | 2003-03-11 | ����������� ����� ��������� (����) | Μεθοδος και συστημα χαρακτηρισμου και χαρτογραφησης αλλοιωσεων των ιστων |
CA2404600A1 (en) | 2000-03-28 | 2001-10-04 | Board Of Regents, The University Of Texas System | Methods and apparatus for diagnostic multispectral digital imaging |
DE10124340A1 (de) * | 2001-05-18 | 2002-12-05 | Fraunhofer Ges Forschung | Verfahren zur Analyse einer biologischen Probe |
US7309867B2 (en) | 2003-04-18 | 2007-12-18 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
US6768918B2 (en) | 2002-07-10 | 2004-07-27 | Medispectra, Inc. | Fluorescent fiberoptic probe for tissue health discrimination and method of use thereof |
US20040122787A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Enhanced computer-assisted medical data processing system and method |
CA2559053C (en) * | 2004-03-09 | 2015-11-03 | Robarts Research Institute | An apparatus and computing device for performing brachytherapy and methods of imaging using the same |
WO2006062987A2 (en) | 2004-12-09 | 2006-06-15 | Inneroptic Technology, Inc. | Apparatus, system and method for optically analyzing substrate |
US7664300B2 (en) * | 2005-02-03 | 2010-02-16 | Sti Medical Systems, Llc | Uterine cervical cancer computer-aided-diagnosis (CAD) |
US7474775B2 (en) * | 2005-03-31 | 2009-01-06 | University Of Iowa Research Foundation | Automatic detection of red lesions in digital color fundus photographs |
CA2644601A1 (en) * | 2006-03-03 | 2007-09-07 | Mentis Cura Ehf. | Method and apparatus of constructing and using a reference tool to generate a discriminatory signal for indicating a medical condition of a subject |
US7782464B2 (en) * | 2006-05-12 | 2010-08-24 | The General Hospital Corporation | Processes, arrangements and systems for providing a fiber layer thickness map based on optical coherence tomography images |
AU2007263622B2 (en) * | 2006-06-05 | 2013-05-30 | Dysis Medical Limited | Methods for characterizing tissues |
DE602007007340D1 (de) | 2006-08-21 | 2010-08-05 | Sti Medical Systems Llc | Computergestützte analyse mit hilfe von videodaten aus endoskopen |
US7936462B2 (en) * | 2007-01-19 | 2011-05-03 | Thorlabs, Inc. | Optical coherence tomography imaging system and method |
WO2008115410A2 (en) | 2007-03-16 | 2008-09-25 | Sti Medical Systems, Llc | A method to provide automated quality feedback to imaging devices to achieve standardized imaging data |
US8027533B2 (en) * | 2007-03-19 | 2011-09-27 | Sti Medical Systems, Llc | Method of automated image color calibration |
EP2237190A2 (en) * | 2007-08-03 | 2010-10-06 | STI Medical Systems, LLC | Computerized image analysis for a acetic acid induced cervical intraepithelial neoplasia |
CA2716940C (en) * | 2008-02-29 | 2016-01-19 | The Regents Of The University Of Michigan | Systems and methods for imaging changes in tissue |
US8090177B2 (en) | 2008-08-01 | 2012-01-03 | Sti Medical Systems, Llc | Methods for detection and characterization of atypical vessels in cervical imagery |
-
2009
- 2009-10-09 WO PCT/US2009/005547 patent/WO2010042211A1/en active Application Filing
- 2009-10-09 EP EP09819574A patent/EP2344982A4/en not_active Withdrawn
- 2009-10-09 JP JP2011531023A patent/JP2012505028A/ja active Pending
- 2009-10-09 CN CN2009801399976A patent/CN102282569A/zh active Pending
- 2009-10-09 US US12/587,603 patent/US8483454B2/en not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105874508A (zh) * | 2013-12-30 | 2016-08-17 | 皇家飞利浦有限公司 | 用于具有经改进的可靠性的宫颈图像分析的方法和装置 |
CN105874508B (zh) * | 2013-12-30 | 2020-06-05 | 皇家飞利浦有限公司 | 用于具有经改进的可靠性的宫颈图像分析的方法和装置 |
CN110352461A (zh) * | 2017-11-16 | 2019-10-18 | 韩国宝之铂株式会社 | 用于确定受试者中是否发生宫颈癌的方法和设备 |
CN108319977A (zh) * | 2018-01-30 | 2018-07-24 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
CN108319977B (zh) * | 2018-01-30 | 2020-11-10 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
CN112088394A (zh) * | 2018-07-24 | 2020-12-15 | 狄希斯医药有限公司 | 生物组织的计算机分类 |
US11562820B2 (en) | 2018-07-24 | 2023-01-24 | Dysis Medical Limited | Computer classification of biological tissue |
US12002573B2 (en) | 2018-07-24 | 2024-06-04 | Dysis Medical Limited | Computer classification of biological tissue |
CN112334990A (zh) * | 2019-06-04 | 2021-02-05 | 艾多特公司 | 自动宫颈癌诊断系统 |
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的宫颈癌前病变诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
US8483454B2 (en) | 2013-07-09 |
EP2344982A4 (en) | 2012-09-19 |
US20100092064A1 (en) | 2010-04-15 |
JP2012505028A (ja) | 2012-03-01 |
WO2010042211A1 (en) | 2010-04-15 |
EP2344982A1 (en) | 2011-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102282569A (zh) | 宫颈成像中的组织分类方法 | |
Orlando et al. | An ensemble deep learning based approach for red lesion detection in fundus images | |
Bernal et al. | Comparative validation of polyp detection methods in video colonoscopy: results from the MICCAI 2015 endoscopic vision challenge | |
Miyaki et al. | Quantitative identification of mucosal gastric cancer under magnifying endoscopy with flexible spectral imaging color enhancement | |
TWI496112B (zh) | 細胞影像分割方法以及核質比評估方法 | |
US9107569B2 (en) | Medical instrument for examining the cervix | |
US8503747B2 (en) | Image analysis for cervical neoplasia detection and diagnosis | |
CN111655116A (zh) | 图像诊断辅助装置、资料收集方法、图像诊断辅助方法及图像诊断辅助程序 | |
US20200134820A1 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Di Leo et al. | A software tool for the diagnosis of melanomas | |
CN103975364B (zh) | 针对宫颈的光学检查的图像选择 | |
JP2016514869A (ja) | スペクトル画像による生物試料の分析方法およびシステム | |
EP3716136A1 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Jiang et al. | Improving the generalizability of infantile cataracts detection via deep learning-based lens partition strategy and multicenter datasets | |
Anuradha et al. | Identification of Suspicious Regions to Detect Oral Cancers At An Earlier Stage-A Literature Survey | |
Yu et al. | Deep multi-feature fusion residual network for oral squamous cell carcinoma classification and its intelligent system using Raman spectroscopy | |
Li | Hyperspectral imaging technology used in tongue diagnosis | |
Li et al. | Computer-aided Diagnosis (CAD) for cervical cancer screening and diagnosis: a new system design in medical image processing | |
Wang et al. | Multispectral image under tissue classification algorithm in screening of cervical cancer | |
Waseem et al. | Drusen detection from colored fundus images for diagnosis of age related Macular degeneration | |
Tran Van et al. | Application of multispectral imaging in the human tympanic membrane | |
Ye et al. | Segmentation and feature extraction of endoscopic images for making diagnosis of acute appendicitis | |
Alshawwa et al. | [Retracted] Segmentation of Oral Leukoplakia (OL) and Proliferative Verrucous Leukoplakia (PVL) Using Artificial Intelligence Techniques | |
Bischof et al. | Automated melanoma diagnosis system | |
Raikar et al. | Diagnosis of melanomas by check-list method |
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 |
Application publication date: 20111214 |