CN102471744B - 图像处理装置、培养观察装置及图像处理方法 - Google Patents

图像处理装置、培养观察装置及图像处理方法 Download PDF

Info

Publication number
CN102471744B
CN102471744B CN201080032732.9A CN201080032732A CN102471744B CN 102471744 B CN102471744 B CN 102471744B CN 201080032732 A CN201080032732 A CN 201080032732A CN 102471744 B CN102471744 B CN 102471744B
Authority
CN
China
Prior art keywords
cell colony
pan
image
zone
belt
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.)
Active
Application number
CN201080032732.9A
Other languages
English (en)
Other versions
CN102471744A (zh
Inventor
中川诚人
渡边博忠
和田阳一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nikon Corp
Kyoto University NUC
Original Assignee
Nikon Corp
Kyoto University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nikon Corp, Kyoto University NUC filed Critical Nikon Corp
Publication of CN102471744A publication Critical patent/CN102471744A/zh
Application granted granted Critical
Publication of CN102471744B publication Critical patent/CN102471744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • G02B21/367—Control or image processing arrangements for digital or video microscopes providing an output produced by processing a plurality of individual source images, e.g. image tiling, montage, composite images, depth sectioning, image comparison
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
    • C12M41/14—Incubators; Climatic chambers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control
    • 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
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/06—Means for illuminating specimens
    • G02B21/08—Condensers
    • G02B21/14—Condensers affording illumination for phase-contrast observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Sustainable Development (AREA)
  • Biochemistry (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Thermal Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供一种不使用荧光蛋白质基因等标记基因而判别细胞有无初始化的图像处理装置。因此，本发明的图像处理装置从细胞集落的相位差显微镜图像中抽取表示该细胞集落的轮廓的明确度的特征量(S62)，基于所述特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落(S63)。

Description

图像处理装置、培养观察装置及图像处理方法
技术领域
本发明涉及当将已分化的体细胞初始化而建立人工多功能性干细胞(近似ES细胞的具有多分化及增殖能力的细胞，以下称为“iPS细胞”)时观察iPS细胞集落的育成状态的培养观察装置、适用于该培养观察装置的图像处理装置及图像处理方法。
背景技术
目前，在建立来源于老鼠的iPS细胞时，为了将细胞有无初始化可视化，使用将荧光蛋白质基因(EGFP基因)插入看作是维持多功能性的基因的ECAT4(Nanog)的转座基因而成的老鼠。该情况下，EGFP成为初始化标记，可通过有无发荧光来确认细胞是否被初始化(参照非专利文献1等)。
非专利文献1：Keisuke Okita，Tomoko Ichisaka，and ShinyaYamanaka，“Generation of germline-competent induced pluripotent stemcells”，Nature Vol 448，19July 2007，P313-317
但是，在再生医疗的用途中建立来源于人的iPS细胞时，应该避开标记基因的使用。
发明内容
因此，本发明的目的在于，提供一种不使用荧光蛋白质基因等标记基因就能够判别细胞有无初始化的图像处理装置、培养观察装置、及图像处理方法。
本发明的图像处理装置具备：抽取单元，从细胞集落的相位差显微镜图像中抽取表示该细胞集落的轮廓的明确度的特征量；自动判別单元，基于所述抽取单元抽取的特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落。
本发明的培养观察装置具备：取得收纳于所述恒温室内的培养容器的相位差显微镜图像的摄像单元、对所述摄像单元取得的相位差显微镜图像进行处理的本发明的图像处理装置。
本发明的图像处理方法包括如下步骤：抽取步骤，从细胞集落的相位差显微镜图像中抽取表示该细胞集落的轮廓的明确度的特征量；自动判別步骤，基于按所述抽取步骤抽取的特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落。
本发明的图像处理装置具备：抽取单元，从细胞集落的相位差显微镜图像中抽取表示该细胞集落的边缘变化度的特征量；自动判別单元，基于所述抽取单元抽取的特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落。
根据本发明，实现一种不使用荧光蛋白质基因等标记基因就能够判别细胞有无初始化的图像处理装置、培养观察装置、图像处理方法。
附图说明
图1是恒温箱的正面图；
图2是正面门18敞开时的恒温箱的正面图；
图3是表示观察单元28的构成的概要图；
图4是恒温箱11的电路方框图；
图5是各次实验的控制单元14的动作流程图；
图6是手动模式的控制单元14的动作流程图；
图7是自动模式的控制单元14的动作流程图；
图8是合成宏观图像I的例子；
图9是二值化图像I′的例子；
图10是二值化集落图像I″的例子；
图11是合成宏观图像I的局部放大图；
图12是合成宏观图像I的局部放大图(所指定的细胞集落的框发生了变化的情形)；
图13(A)是所指定的细胞集落的放大图，(B)是未指定的细胞集落的放大图；
图14是轮廓线Lc的例子；
图15是说明带状区域100A、100B的图；
图16是说明特征量的图；
图17是对学习抽样数据gi′、学习抽样数据gn′进行说明的图；
图18是对学习抽样数据gi、学习抽样数据gn进行说明的图；
图19是对更新后的学习抽样数据gi及更新后的学习抽样数据gn进行说明图；
图20是说明步骤S83的图；
符号说明
11恒温箱
12第一框体
13第二框体
56操作面板
14控制单元
28观察单元
15恒温室
16正面开口
17搬出搬入口
18正面门
19自动门
30培养容器
20开口
47试样台
51第一照明部
52第二照明部
53显微观察部
54容器观察部
55图像处理部
49主体部分
61物镜
62相位滤波器
具体实施方式
[第一实施方式]
下面，对本发明的第一实施方式进行说明。本实施方式为恒温箱的实施方式。
首先，对本实施方式的恒温箱的构造进行说明。
图1是本实施方式的恒温箱的正面图，图2是正面门18敞开时的恒温箱的正面图。如图1、图2所示，恒温箱11具有进行生物细胞培养的第一框体12、收纳控制单元14的第二框体13，第一框体12配置于第二框体13的上部。
在第二框体13的前面设有操作面板56，在该操作面板56上设有监视器及输入钮等。在第二框体13的内部配置有控制单元14、观察单元28的一部分。
在第一框体12的内部形成有由隔热材料覆盖着的恒温室15(图2)。该恒温室15通过形成于第一框体12的正面的正面开口16(图2)和形成于第一框体12的左侧面的搬出搬入口17(图2)与外部进行联络。其中，正面开口16(图2)通过左右对开的正面门18可开关，搬出搬入口17(图2)通过滑动式的自动门19(图1)可开关。另外，搬出搬入口17的尺寸设定为培养容器30(图2)可穿过的尺寸。另外，在第一框体12的底面且在从正面侧看时靠右的位置形成有开口20(图2)，从该开口20(图2)突出有观察单元28的一部分。
在恒温室15的壁面上内装有温度调节装置、喷雾装置、气体导入部、环境传感单元等。其中，温度调节装置具有珀尔帖元件，通过珀尔帖效应，进行恒温室15(图2)的加热或冷却。喷雾装置在恒温室15(图2)内进行喷雾，调节恒温室15(图2)内的湿度。气体导入部与恒温箱外的二氧化碳瓶连接，通过从该二氧化碳瓶向恒温室15(图2)导入二氧化碳，调节恒温室15(图2)内的二氧化碳浓度。环境传感单元分别检测恒温室15(图2)内的温度、湿度、二氧化碳浓度。
在第一框体12的内部配置有储料器25、容器搬出搬入机构26(图2)、容器输送机构27，如上所述，也配置有观察单元28的一部分。
从第一框体12的正面看时，储料器25的配置部位为恒温室15(图2)的左侧。储料器25具有多个搁板，在各个搁板上能够收纳培养容器30。储料器25的最下段与第一框体12的搬出搬入口17(图2)连续，在其最下段的空间内设置有用于将培养容器30搬出搬入的容器搬出搬入机构26(图2)。
在从第一框体12的正面看时，容器输送机构27的配置部位为恒温室15(图2)的中央。该容器输送机构27在储料器25、容器搬出搬入机构26(图2)、观察单元28之间进行培养容器30(图2)的交接。
在从第一框体12的正面看时，观察单元28的配置部位为恒温室15(图2)的右侧。该观察单元28具有试样台47(图2)、向试样台47(图2)的上方伸出的臂48(图2)、主体部分49(图2)。其中，试样台47(图2)及臂48(图2)位于第一框体12的恒温室15(图2)侧，主体部分49(图2)位于第二框体13侧。
图3是表示观察单元28的构成的概要图。如图3所示，观察单元28具有试样台47、第一照明部51、第二照明部52、显微观察部53、容器观察部54、图像处理部55。
其中，显微观察部53内装于主体部分49，第一照明部51在臂48中配置在与显微观察部53对向的位置。这些显微观察部53和第一照明部51构成相位差观察用的显微镜。
另外，容器观察部54收纳于臂48，第二照明部52在主体部分49中配置在与容器观察部54对向的位置。这些容器观察部54和第二照明部52构成反射观察用的观察系统。
试样台47由透光性的材质构成，在其上载置培养容器30。该试样台47由高精度的载物台构成，通过使培养容器30沿水平方向(XY方向)移动，能够将培养容器30插入相位差观察用显微镜(显微观察部53及第一照明部51)的光路，或插入反射观察用观察系统(容器观察部54及第二照明部52)的光路。
另外，试样台47通过使培养容器30和相位差观察用显微镜之间的Z方向的位置关系发生变化，能够进行相位差观察用显微镜的焦距调节。另外，试样台47通过使培养容器30和相位差观察用显微镜之间的XY方向的位置关系发生变化，能够变更相位差观察用显微镜的观察点。
观察单元28在将培养容器30插入反射观察用观察系统(容器观察部54及第二照明部52)的光路的状态下，能够拍摄培养容器30的整体的反射像。以下将通过该拍摄而取得的图像称为“反射图像”。
另外，观察单元28在将培养容器30插入相位差观察用显微镜(显微观察部53及第一照明部51)的光路的状态下，能够拍摄培养容器30的局部的放大相位差像。以下将通过该拍摄而取得的图像称为“相位差图像”。
另外，显微观察部53的物镜61及相位滤波器62的组合可在观察倍率不同的多种组合之间进行切换。例如，在2倍观察用的组合(物镜61low及相位滤波器62low)和4倍观察用的组合(物镜61high及相位滤波器62high)之间切换。
因而，观察单元28在将物镜61low及相位滤波器62low设定于光路的状态下，能够取得倍率2倍的相位差图像(低倍相位差图像)，在将物镜61high及相位滤波器62high设定于光路的状态下，能够取得倍率4倍的相位差图像(高倍相位差图像)。
图像处理部55对观察单元28取得的图像(反射图像、低倍相位差图像、高倍相位差图像中的任一种图像)实施各种图像处理。另外，图像处理部55可执行的图像处理具有从图像检测细胞集落的集落检测处理(后述)等。
接着，对恒温箱11的电气系统进行说明。
图4是恒温箱11的电路方框图。如图4所示，恒温箱11的控制单元14与自动门19的门开关机构19a、温度调节装置21、喷雾装置22、气体导入部23、环境传感单元24、容器搬出搬入机构26、容器输送机构27、观察单元28、监视器56a、输入钮56b分别连接。
控制单元14按照规定的控制程序，集中控制恒温箱11的各部。作为一个例子，控制单元14对温度调节装置21、喷雾装置22、气体导入部23、环境传感单元24进行分别控制，将恒温室15内维持在规定的环境条件下。另外，控制单元14基于用户输入的观察时间表，控制观察单元28及容器输送机构27，自动地执行培养容器30的观察步骤。
另外，控制单元14具有由硬盘及非易失性存储器等构成的存储部14a，储存观察数据、管理数据、学习图像数数据、学习抽样数据、判別面数据等各种数据。其中，观察数据是针对每一培养容器而准备的数据，管理数据是针对每一次实验而准备的数据，学习图像数数据及学习抽样数据是所有的实验通用的数据。另外，存储部14a也储存有控制单元14的动作所必要的动作程序，后述的控制单元14的动作设为该动作程序相应的动作。
接着，对本实施方式的培养容器30进行说明。
培养容器30是培养皿(碟子)，在其底部形成有饲养细胞层。在该饲养细胞层上设有多个人体细胞生育的专用培养基层，在各人体细胞内预先导入有获得分化万能性所必要的基因。当从培养开始经过一定时间(例如，一周时间)时，在培养容器30内生育的人体细胞的一部分就成为iPS细胞，形成iPS细胞集落。
通常，在一次实验中，多个(在此，50个)培养容器30同时进行培养。在这50个培养容器30之间，导入细胞的基因的种类互不相同，iPS细胞集落的出现率是各种各样的。因而，这50个培养容器30的观察时间表通过在培养了一周时间以后对每一容器都统计iPS细胞集落出现率的方式进行设定。这种观察时间表的实验通常在更换成为培养对象的培养容器组的同时进行多次。
接着，对各次实验中的控制单元14的动作进行说明。
图5是各次实验中的控制单元14的动作流程图。下面，按照顺序对各步骤进行说明。
步骤S1：控制单元14通过例如下面的步骤(1)～(6)进行50个培养容器30的注册。
(1)控制单元14将用户插入搬出搬入口17的培养容器30搬入恒温室15，并且向容器输送机构27指示培养容器30的输送。容器输送机构27输送该培养容器30，且将其载置在试样台47的规定位置。
(2)控制单元14向观察单元28发出指示，以使其取得培养容器30的反射图像。观察单元28当将培养容器30配置在反射观察用观察系统(容器观察部54及第二照明部52)的光路，且在该状态下取得培养容器30的反射图像时，将该反射图像显示于监视器56a，并且写在上述的观察数据中。
(3)控制单元14向容器输送机构27发出指示，以使其将培养容器30收纳在储料器25中。容器输送机构27将培养容器30收纳在储料器25中。
(4)控制单元14通过将步骤(1)～(3)重复50次，来注册全部50个培养容器30。另外，控制单元14按注册顺序对一次注册的50个培养容器30分配容器号1～50。
(5)控制单元14将与所注册的50个培养容器30相关的观察时间表(培养条件、培养时间、观察内容等)输入给用户。在此，从用户输入在培养了大约一周时间以后针对每一容器统计iPS细胞集落的出现率的观察时间表。另外，从用户向控制单元14的信息输入经由输入钮56b进行(以下也同样)。控制单元14将用户输入的观察时间表写在本次实验的管理数据中。
(6)控制单元14按照写在本次实验的管理数据中的观察时间表，开始进行所注册的50个培养容器30的培养。
步骤S2：控制单元14将写在本次实验的管理数据中的观察时间表和当前的日时进行比较，判别是否到了培养容器30的观察时期。在到了观察时期的情况下，移至步骤S3，在还没有到观察时期的情况下，则等待。
步骤S3：控制单元14将容器号设定为初始值。
步骤S4：控制单元14向容器输送机构27发出指示，以使其输送对应于当前的容器号的培养容器30(以下称为“关注培养容器30”)。容器输送机构27将关注培养容器30从储料器25搬出，并载置在试样台47的规定位置。
步骤S5：控制单元14向观察单元28发出指示，以使其取得关注培养容器30整体的高倍相位差图像。观察单元28将关注培养容器30配置在相位差观察用显微镜(显微观察部53及第一照明部51)的光路，并且将物镜61及相位滤波器62的组合设定为4倍观察用的组合(物镜61high及相位滤波器62high)，在该状态下，边阶跃状地挪动观察点边重复取得高倍相位差图像。另外，观察单元28通过将所取得的多个高倍相位差图像平铺(tiling，相互连接)，取得关注培养容器30整体的高倍相位差图像(合成宏观图像I)。另外，控制单元14将该合成宏观图像I写在关注培养容器30的观察数据中，并且显示于监视器56a(参照图8)。
步骤S6：控制单元14将当前时点的学习图像数数据与阈值(例如，50枚)进行比较，在没有超过阈值的情况下，移至手动模式(步骤S7)，在超过了阈值的情况下，移至自动模式(步骤S8)。另外，手动模式(步骤S7)是用户进行iPS细胞集落的手动判別(示教)，且控制单元14进行学习的模式。另外，自动模式(步骤S8)是控制单元14进行iPS细胞集落的自动判別的模式。另外，当前时点的学习图像数数据是直到当前时点的学习所使用的总的图像数。
步骤S9：控制单元14向容器输送机构27发出指示，以使其将关注培养容器30收纳在储料器25中。容器输送机构27将关注培养容器30收纳在储料器25中。
步骤S10：控制单元14判别容器号是否达到最终值(在此，50)，在没有达到最终值的情况下，移至步骤S11，在达到了最终值的情况下，终止流程。
步骤S11：控制单元14在将容器号递增以后，返回到步骤S4。
接着，对手动模式中的控制单元14的动作进行说明。
图6是手动模式中的控制单元14的动作流程图。下面，按顺序对各步骤进行说明。
步骤S71：控制单元14将关注培养容器30的合成宏观图像I(图8)赋予图像处理部55，并且对该图像处理部55发出指示，以使其实施集落检测处理。图像处理部55通过对该合成宏观图像I实施二值化处理，取得二值化图像I′(图9)，通过将该二值化图像I′中显现的多个暗区域中区域尺寸超出规定范围的区域排除在外，取得二值化集落图像I″(图10)。接着，图像处理部55将该二值化集落图像I″作为检测结果输出到控制单元14。控制单元14将该二值化集落图像I″中显现的多个暗区域分别看作细胞集落，作成分别包围那些细胞集落的矩形框的图像(框图像)，将该框图像重叠在监视器56a显示中的合成宏观图像I上(图11)。
步骤S72：控制单元14向用户发出指示，以使其在显示中的合成宏观图像I上指定iPS细胞集落。另外，从控制单元14向用户的信息输出经由监视器56a而进行(以下也同样)。用户从显示于监视器56a的多个细胞集落中选出iPS细胞集落，将该iPS细胞集落指定给控制单元14。控制单元14当细胞集落被指定时，通过对包围该细胞集落的矩形框的状态(例如，颜色、粗细、线类型等)进行变更，将用户的指定内容可视化(图12)。另外，在误指定了Non-iPS细胞集落的情况下，用户通过再度指定该细胞集落，来解除该指定。控制单元14在再度指定了指定结束的细胞集落的情况下，看作是指定已被解除，将包围该细胞集落的矩形框的状态恢复原状。
其后，用户当选择典型的iPS细胞集落且终止指定时，向控制单元14输入完成通知。另外，图13(A)所示的是所指定的细胞集落的放大图，图13(B)所示的是未指定的细胞集落的放大图。由图13(A)、(B)可知，所指定的细胞集落轮廓线明确，与背景的区別清晰，与此相对，未指定的集落轮廓线不明确，与背景的区別模糊。
步骤S73：控制单元14判别是否输入了完成通知，在未输入完成通知的情况下，返回到步骤S72，在输入了完成通知的情况下，移至步骤S74。
步骤S74：控制单元14将在输入了完成通知的时点显示的框图像写在关注培养容器30的观察数据中。另外，控制单元14将在输入了完成通知的时点指定的细胞集落的个数(即，在输入了完成通知的时点发生了状态变化的矩形框的个数)作为iPS细胞集落的个数NiPS进行统计。另外，控制单元14将在输入了完成通知的时点未指定的细胞集落的个数(即，在输入了完成通知的时点未发生状态变化的矩形框的个数)作为Non-iPS细胞集落的个数NNon进行统计。另外，控制单元14利用R＝NiPS/(NNon+NiPS)的算式，计算出iPS细胞的出现率R的值，将该出现率R写在关注培养容器30的观察数据中，并且显示于监视器56a。
步骤S75：控制单元14通过对在步骤S71的过程中取得的二值化集落图像I″实施轮廓抽取处理，抽取各个细胞集落的轮廓线Lc(图14)。另外，细胞集落的轮廓线Lc不管该细胞集落是不是iPS细胞集落，都成为闭合曲线。然后，控制单元14按下面的步骤(1)～(3)抽取各个细胞集落的特征量。
(1)控制单元14计算出与细胞集落的轮廓线Lc接触且位于该轮廓线Lc的外侧的带状区域100A，并且计算出与该轮廓线Lc接触且位于轮廓线Lc的内侧的带状区域100B(图15)。
(2)控制单元14计算出合成宏观图像I中相当于带状区域100A的部分相位差图像的亮度平均值A及亮度离散值σA，并且计算出合成宏观图像I中相当于带状区域100B的部分相位差图像的亮度平均值B及亮度离散值σB(图16(A))。
(3)控制单元14通过亮度平均值A减去亮度平均值B，计算出细胞集落的轮廓的锐度(A-B)，并且通过取亮度离散值σA和亮度离散值σB之和，计算出细胞集落的轮廓周边的粗糙度(σA+σB)(图16(B))。这些锐度(A-B)及粗糙度(σA+σB)就是细胞集落的特征量。另外，以下将具有两个成分的该特征量称为“特征向量”。
在此，如图16的左侧示意地所示，iPS细胞集落的轮廓明确，且轮廓的外侧及内侧的亮度分别大致均匀，因此iPS细胞集落的轮廓的锐度(A-B)比较大，iPS细胞集落的轮廓周边的粗糙度(σA+σB)比较小。
另一方面，如图16的右侧示意地所示，Non-iPS细胞集落的轮廓不明确，且轮廓的外侧及内侧的亮度分别不均匀，因此Non-iPS细胞集落的轮廓的锐度(A-B)比较小，Non-iPS细胞集落的轮廓周边的粗糙度(σA+σB)比较大。
步骤S76：控制单元14假想特征向量的向量空间(特征量空间)，根据那些细胞集落的特征向量，将用户指定的细胞集落(iPS细胞集落)映射到特征量空间，由此取得iPS细胞集落的映射目的地的集合(学习抽样数据gi′)。另外，控制单元14根据那些细胞集落的特征向量，将用户未指定的细胞集落(Non-iPS细胞集落)映射到特征量空间，由此取得Non-iPS细胞集落的映射目的地的集合(学习抽样数据gn′)(图17)。然后，控制单元14通过对当前时点的iPS细胞集落的学习抽样数据gi加上本步骤取得的学习抽样数据gi′(取集合和)，并且对当前时点的Non-iPS细胞集落的学习抽样数据gn加上本步骤取得的学习抽样数据gn′(取集合和)，来更新学习抽样数据gi、gn(图18→图19)。另外，实验次数为零时的学习抽样数据gi、gn(即，学习抽样数据gi、gn的初始值)为零(空集合)。
另外，控制单元14计算出将更新后的学习抽样数据gi和更新后的学习抽样数据gn分开的超平面，以作为判別面S0(图19)。该超平面例如是距学习抽样数据gi的重心的距离和距学习抽样数据gn的重心的距离相等那样的超平面。然后，控制单元14通过将对所算出的判別面S0进行规定的系数覆盖在当前时点的判別面数据上，来更新该判別面数据。另外，在使用该判別面S0判别细胞集落是否为iPS细胞集落时，只要将映射到判別面S0的上侧的细胞集落看作是Non-iPS细胞集落，且将映射到判別面S0的下侧的细胞集落看作是iPS细胞集落即可。另外，本步骤的判別面S0的算出方法除在此说明的方法以外，还可采用公知的任何方法。
步骤S77：控制单元14将学习图像数数据递增，结束手动模式的流程。
接着，对自动模式中的控制单元14的动作进行说明。
图7是自动模式中的控制单元14的动作流程图。下面，按顺序对各步骤进行说明。
步骤S81：与上述的步骤S51同样，控制单元14将关注培养容器30的合成宏观图像I(图8)赋予图像处理部55，并且对该图像处理部55发出指示，以使其执行集落检测处理。与上述的步骤S71同样，图像处理部55取得二值化集落图像I″(图10)，且将该二值化集落图像I″作为检测结果输出到控制单元14。控制单元14将该二值化集落图像I″中显现的多个暗区域分别看作细胞集落，作成分别包围那些细胞集落的矩形框的图像(框图像)，将该框图像重叠在监视器56a显示中的合成宏观图像I上(图11)。
步骤S82：控制单元14通过对在步骤S81的过程中取得的二值化集落图像I″实施轮廓抽取处理，来抽取各个细胞集落的轮廓线Lc(图14)。然后，控制单元14按与上述的步骤S75相同的步骤抽取各个细胞集落的特征向量。
步骤S83：控制单元14基于当前时点的判別面数据，在特征向量的向量空间(特征量空间)中设定判別面S0(图20)。然后，控制单元14按下面的步骤(1)～(3)判別步骤S82抽取的各个细胞集落是否为iPS细胞集落。
(1)控制单元14根据该细胞集落的特征向量将细胞集落映射到特征量空间，由此计算出该细胞集落的映射目的地(例如，图20的×标记)。
(2)控制单元14在步骤(1)计算出的映射目的地为当前的判別面S0的上侧的情况下，将该细胞集落判断为Non-iPS细胞集落，在该映射目的地为当前的判別面S0的下侧时，将该细胞集落判断为iPS细胞集落。
(3)控制单元14在将细胞集落判断为iPS细胞集落的情况下，在监视器56a上变更包围该细胞集落的矩形框的状态(例如，颜色、粗细、线类型等)。由此，步骤(2)的判別结果被可视化(图12)。
步骤S84：控制单元14向用户发出指示，以使其确认步骤S83的判別结果是否正确。用户在监视器56a上确认该判別结果是否正确，如果正确，则向控制单元14输入完成通知，如果不正确，则将向手动模式的过渡指示输入到控制单元14。
步骤S85：控制单元14判别是否输入了完成通知，在没有输入完成通知的情况下，移至步骤S86，在输入了完成通知的情况下，移至步骤S87。
步骤S86：控制单元14判别是否输入了向手动模式的过渡指示，在没有输入过渡指示的情况下，返回到步骤S84，在输入了过渡指示的情况下，移至手动模式的步骤S72。
步骤S87：控制单元14将在输入了完成通知的时点显示的框图像写在关注培养容器30的观察数据中。另外，控制单元14在步骤S83中统计判断为iPS细胞集落的细胞集落的个数NiPS。另外，控制单元14在步骤S63中统计判断为Non-iPS细胞集落的细胞集落的个数NNon。另外，控制单元14利用R＝NiPS/(NNon+NiPS)的算式计算出iPS细胞的出现率R的值，将该出现率R写在关注培养容器30的观察数据中，并且显示于监视器56a，然后结束自动模式的流程。
由以上可知，本实施方式的控制单元14在学习图像枚数数据超过阈值(在此，50)的时点，体现自动模式，因此在第一次实验使用的培养容器30的个数为50个的情况下，在第二次以后的实验中，不需要用户指定iPS细胞集落。
另外，本实施方式的控制单元14在自动模式下从作为相位差显微镜图像的合成宏观图像I中抽取表示细胞集落轮廓的明确度的特征向量，基于该特征向量和设定于特征量空间的判別面S0，自动判別该细胞集落是否为iPS细胞集落，因此不需要事先将标记基因导入细胞。
另外，本实施方式的控制单元14将位于细胞集落的轮廓线Lc的外侧的带状区域100A的亮度平均值A和位于轮廓线Lc的内侧的带状区域100B的亮度平均值B之间的差值(A-B)作为特征向量的一个成分来抽取，因此能够高准确度地进行细胞集落是否为iPS细胞集落的判別。
另外，本实施方式的控制单元14将带状区域100A的亮度离散值σA和带状区域100B的亮度离散值σB之和(σA+σB)作为特征向量的一个成分来抽取，因此能够高准确度地进行细胞集落是否为iPS细胞集落的判別。
另外，本实施方式的控制单元14基于用户对多个合成宏观图像I的手动判別(示教)的结果，设定作为自动判別的判別基准的判別面S0，因此用户自己能够定制恒温箱11。
另外，本实施方式的控制单元14只要学习图像枚数数据不超过阈值(在此，50)就不体现自动模式，因此能够将自动判別的精度可靠地设为一定精度以上。
另外，本实施方式的控制单元14在用户对自动判別的判別结果不满的情况下，立即开始手动判別(示教)，因此能够避免误测定的可能性。
另外，本实施方式的控制单元14即使学习图像枚数数据超过了阈值(在此，50)，也能够根据用户的请求进行多次手动判別(示教)，因此用户也能够根据需要提高自动判別的精度。
另外，图5所示的控制单元14的动作也可进行变形，如下所述。
即，省略图5的步骤S6、S7，在步骤S5、S9之间插入步骤S8(图7的子程序处理)。但是，在该情况下，控制单元14事先执行获得iPS细胞集落的学习抽样数据的示教处理(图6的子程序处理)。
该示教处理中的控制单元14通过在合成宏观图像I上将iPS细胞集落指定给用户(指定数可以是任意的)，且执行图6(手动模式)的步骤S74～S77所示的处理，获得iPS细胞集落的学习抽样数据而存储。
因此，此后的控制单元14能够基于所存储的学习抽样数据，执行从被检查对象合成宏观图像I自动地判别iPS细胞集落的自动判別处理。这样，如果另外实施示教处理，就能够以任意的定时立即开始自动判別处理。
另外，也可将该学习抽样数据存储在与本装置同机种的另外的装置中，在该情况下，可省略该装置中的示教处理。
另外，本实施方式的控制单元14使用值(A-B)作为轮廓线的锐度的指标，但也可以使用表示轮廓线的从内侧到外侧的亮度梯度的其他指标。例如，也可以使用值(B/A)。
另外，本实施方式的控制单元14使用带状区域100A的亮度离散值σA和带状区域100B的亮度离散值σB之和(σA+σB)作为轮廓线周边的粗糙度的指标，但也可以使用带状区域100A的亮度差ΔA和带状区域100B的亮度差ΔB之和(ΔA+ΔB)。另外，在此所说的“带状区域的亮度差”是指相当于带状区域的部分相位差图像的最大亮度和最小亮度之差。
另外，本实施方式的控制单元14使用二维特征向量作为特征向量，但也可以使用一维或三维以上的特征向量。
另外，本实施方式的控制单元14将特征向量的成分设为轮廓的锐度和轮廓周边的粗糙度的组合，但也可以设为其他组合。作为特征向量的成分，作为有效的量，除轮廓的锐度、轮廓周边的粗糙度以外，还可举出轮廓线内的区域尺寸、轮廓线内的区域的亮度平均值等。
另外，在本实施方式中，将应从细胞集落的相位差显微镜图像抽取的特征量设为表示细胞集落的轮廓的明确度的特征量，但也可以设为表示细胞集落的边缘的变化度(具体而言，边缘信号的变化量)的特征量。边缘信号的变化量可通过对细胞集落的相位差显微镜图像的微分处理等来抽取。例如，基于微分法的边缘检测处理(利用抽取边缘信号发生变化的部分的微分处理)、拉普拉斯算子的边缘检测处理(作为仅检测边缘强度的方法，利用二次微分的拉普拉斯算子)等。
另外，在本实施方式的恒温箱中，也可以在控制单元14进行图像处理部55的动作的一部分或全部。另外，也可以在图像处理部55进行控制单元14的动作的一部分或全部。
另外，在本实施方式中，将培养对象设为人体细胞，但也可以设为其他动物的体细胞。但是，是否为iPS细胞集落的判別基准有可能会因动物的种类而不同，因此控制单元14可以针对每一种动物来准备上述的学习图像数数据、学习抽样数据、判別面数据。

Claims (5)

1.一种图像处理装置，其特征在于，具备：
用于从对由观察单元取得的细胞集落的相位差图像进行二值化处理后的图像中抽取所述细胞集落的轮廓线的单元；
抽取单元，设定所述相位差图像中包含所述细胞集落的轮廓线的规定宽度的带状区域，并基于所述带状区域的亮度平均值抽取所述细胞集落的轮廓的锐度作为所述细胞集落的轮廓的特征量；以及
自动判別单元，基于所述抽取单元抽取的所述特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落，
其中，所述抽取单元基于位于所述轮廓线的外侧的带状区域的亮度平均值及位于所述轮廓线的内侧的带状区域的亮度平均值的差来抽取所述细胞集落的轮廓的锐度。
2.如权利要求1所述的图像处理装置，其特征在于，
所述抽取单元基于位于所述轮廓线的外侧的带状区域的亮度离散值及位于所述轮廓线的内侧的带状区域的亮度离散值之和，或者基于位于所述轮廓线的外侧的带状区域的亮度差及位于所述轮廓线的内侧的带状区域的亮度差之和，抽取所述细胞集落的轮廓的粗糙度作为所述细胞集落的轮廓的特征量。
3.如权利要求1所述的图像处理装置，其特征在于，具备：
示教单元，使多个细胞集落的相位差图像显示于监视器，操作者分别对所述多个细胞集落进行是否为iPS细胞集落的手动判別；
抽取单元，分别对所述多个细胞集落抽取表示轮廓的明确度的特征量；
设定单元，基于所述抽取单元分别对所述多个细胞集落抽取的表示轮廓的明确度的特征量和所述操作者分别对所述多个细胞集落进行的手动判別结果，设定所述自动判別单元的判別基准。
4.一种培养观察装置，其特征在于，具备：
收纳培养容器的恒温室、
取得收纳于所述恒温室内的培养容器的相位差图像的摄像单元、
对所述摄像单元取得的相位差图像进行处理的权利要求1所述的图像处理装置。
5.一种图像处理方法，其特征在于，包括如下步骤：
用于从对由观察单元取得的细胞集落的相位差图像进行二值化处理后的图像中抽取所述细胞集落的轮廓线的步骤；
抽取步骤，设定所述相位差图像中包含所述细胞集落的轮廓线的规定宽度的带状区域，并基于所述带状区域的亮度平均值抽取所述细胞集落的轮廓的锐度作为所述细胞集落的轮廓的特征量；
自动判別步骤，基于按所述抽取步骤抽取的所述特征量和预定的判別基准，自动判別所述细胞集落是否为iPS细胞集落，
其中，所述抽取步骤基于位于所述轮廓线的外侧的带状区域的亮度平均值及位于所述轮廓线的内侧的带状区域的亮度平均值的差来抽取所述细胞集落的轮廓的锐度。
CN201080032732.9A 2009-07-21 2010-07-20 图像处理装置、培养观察装置及图像处理方法 Active CN102471744B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2009-170160 2009-07-21
JP2009170160 2009-07-21
PCT/JP2010/004652 WO2011010449A1 (ja) 2009-07-21 2010-07-20 画像処理装置、培養観察装置、及び画像処理方法

Publications (2)

Publication Number Publication Date
CN102471744A CN102471744A (zh) 2012-05-23
CN102471744B true CN102471744B (zh) 2015-06-10

Family

ID=43498931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080032732.9A Active CN102471744B (zh) 2009-07-21 2010-07-20 图像处理装置、培养观察装置及图像处理方法

Country Status (5)

Country Link
US (1) US9063343B2 (zh)
EP (1) EP2457989B1 (zh)
JP (1) JP5659158B2 (zh)
CN (1) CN102471744B (zh)
WO (1) WO2011010449A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111630149A (zh) * 2018-01-31 2020-09-04 雅马哈发动机株式会社 摄像系统

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011047103A2 (en) * 2009-10-13 2011-04-21 The Charles Stark Draper Laboratory, Inc. Mathematical image analysis based cell reprogramming with applications for epigenetic and non-epigenetic base induced pluripotent stem cell derivation
JP5145487B2 (ja) * 2011-02-28 2013-02-20 三洋電機株式会社 観察プログラムおよび観察装置
JP5449444B2 (ja) * 2012-04-23 2014-03-19 株式会社エルメックス コロニー計数装置、コロニー計数方法、及び、プログラム
JP6116044B2 (ja) * 2012-10-25 2017-04-19 大日本印刷株式会社 細胞挙動解析装置、細胞挙動解析方法、及びプログラム
JP2015029461A (ja) * 2013-08-02 2015-02-16 克昌 藤田 撮像装置
DE102014200911A1 (de) 2013-10-09 2015-04-09 Siemens Aktiengesellschaft In-Vitro-Verfahren zum markierungsfreien Bestimmen eines Zelltyps einer Zelle
JP6204835B2 (ja) * 2014-01-14 2017-09-27 株式会社Ｓｃｒｅｅｎホールディングス 細胞コロニー領域特定装置、細胞コロニー領域特定方法およびプログラム
WO2015107770A1 (ja) * 2014-01-14 2015-07-23 株式会社Ｓｃｒｅｅｎホールディングス 細胞コロニー領域特定装置、細胞コロニー領域特定方法および記録媒体
JP6208019B2 (ja) * 2014-01-14 2017-10-04 株式会社Ｓｃｒｅｅｎホールディングス 細胞コロニー領域特定装置、細胞コロニー領域特定方法およびプログラム
CN107949835B (zh) * 2015-03-31 2021-11-09 兴盛生物科技股份有限公司 具有集成成像系统的细胞培养培殖器
WO2016161169A2 (en) 2015-03-31 2016-10-06 Thrive Bioscience, Inc. Cell culture incubators with integrated cell manipulation systems
JP6811462B2 (ja) * 2015-11-25 2021-01-13 国立研究開発法人理化学研究所 細胞塊に関する領域検出方法及び領域検出装置
TWI586954B (zh) * 2015-12-09 2017-06-11 財團法人金屬工業研究發展中心 檢測細胞受人類乳突病毒（ｈｐｖ）感染的裝置及其檢測方法
WO2018061883A1 (ja) * 2016-09-29 2018-04-05 オリンパス株式会社 観察装置
JP6847204B2 (ja) * 2017-04-14 2021-03-24 株式会社日立ハイテク 荷電粒子線装置および細胞評価方法
WO2019039035A1 (ja) 2017-08-25 2019-02-28 富士フイルム株式会社 判別器の学習装置、方法およびプログラム、並びに判別器
WO2019146291A1 (ja) * 2018-01-29 2019-08-01 ヤマハ発動機株式会社 生体対象物処理装置
WO2019234916A1 (ja) 2018-06-08 2019-12-12 オリンパス株式会社 観察装置
CN112889086B (zh) 2018-10-12 2024-06-25 株式会社尼康 图像处理方法及图像处理装置
EP3865566A4 (en) * 2018-10-12 2022-08-03 Nikon Corporation SUB CULTURE LEVEL CALCULATION DEVICE AND SUB CULTURE LEVEL CALCULATION METHOD AND PROGRAM
WO2020261455A1 (ja) * 2019-06-26 2020-12-30 株式会社島津製作所 細胞機能の評価方法及び細胞解析装置
EP4043861A4 (en) * 2019-10-11 2022-10-12 Aipore Inc. PARTICLE IDENTIFICATION SENSOR, MEASURING INSTRUMENT, COMPUTER DEVICE AND SYSTEM
WO2021149127A1 (ja) * 2020-01-21 2021-07-29 オリンパス株式会社 赤血球分化モニタリング装置および赤血球分化モニタリング方法
CN114532300B (zh) * 2022-03-14 2023-02-14 徐州医科大学 一种可检测线虫运动和行为并堆叠培养皿的培养箱

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0610916A3 (en) * 1993-02-09 1994-10-12 Cedars Sinai Medical Center Method and device for generating preferred segmented numerical images.
US7027633B2 (en) * 2000-11-30 2006-04-11 Foran David J Collaborative diagnostic systems
WO2004099773A1 (en) * 2003-04-30 2004-11-18 Pfizer Products Inc. Automated in vitro cellular imaging assays for micronuclei and other target objects
US20050136509A1 (en) * 2003-09-10 2005-06-23 Bioimagene, Inc. Method and system for quantitatively analyzing biological samples
US7711174B2 (en) * 2004-05-13 2010-05-04 The Charles Stark Draper Laboratory, Inc. Methods and systems for imaging cells
JP2006238802A (ja) * 2005-03-03 2006-09-14 Olympus Corp 細胞観察装置、細胞観察方法、顕微鏡システム、及び細胞観察プログラム
US20080279441A1 (en) * 2005-03-29 2008-11-13 Yuichiro Matsuo Cell-Image Analysis Method, Cell-Image Analysis Program, Cell-Image Analysis Apparatus, Screening Method, and Screening Apparatus
JP4515332B2 (ja) * 2005-05-30 2010-07-28 オリンパス株式会社 画像処理装置及び対象領域追跡プログラム
JP2007020422A (ja) * 2005-07-12 2007-02-01 Olympus Corp 生体試料培養観察装置、生体試料培養観察方法、および生体試料培養観察用プログラム
US7933435B2 (en) * 2005-11-21 2011-04-26 Vala Sciences, Inc. System, method, and kit for processing a magnified image of biological material to identify components of a biological object
JP4869694B2 (ja) * 2005-12-02 2012-02-08 川崎重工業株式会社 位相物体検出装置及び位相物体検出方法
US8048999B2 (en) * 2005-12-13 2011-11-01 Kyoto University Nuclear reprogramming factor
US8278104B2 (en) * 2005-12-13 2012-10-02 Kyoto University Induced pluripotent stem cells produced with Oct3/4, Klf4 and Sox2
JP4921858B2 (ja) * 2006-06-07 2012-04-25 オリンパス株式会社 画像処理装置および画像処理プログラム
CA2664135C (en) * 2006-09-22 2014-09-02 Rafael Backhaus Method and device for automated removal of cells and/or cell colonies
JPWO2009031283A1 (ja) * 2007-09-03 2010-12-09 株式会社ニコン 培養装置、培養情報管理方法およびプログラム
JP5446082B2 (ja) * 2007-10-05 2014-03-19 株式会社ニコン 細胞観察装置および細胞観察方法
JP2009089629A (ja) * 2007-10-05 2009-04-30 Nikon Corp 細胞観察装置および細胞観察方法
CA2660123C (en) * 2007-10-31 2017-05-09 Kyoto University Nuclear reprogramming method
CN101903532A (zh) * 2008-03-24 2010-12-01 株式会社尼康 细胞观察的图像解析方法、图像处理程序和图像处理装置
US8417011B2 (en) * 2008-09-18 2013-04-09 Molecular Devices (New Milton) Ltd. Colony detection

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111630149A (zh) * 2018-01-31 2020-09-04 雅马哈发动机株式会社 摄像系统

Also Published As

Publication number Publication date
US9063343B2 (en) 2015-06-23
EP2457989B1 (en) 2020-11-18
US20120114219A1 (en) 2012-05-10
EP2457989A1 (en) 2012-05-30
JPWO2011010449A1 (ja) 2012-12-27
JP5659158B2 (ja) 2015-01-28
WO2011010449A1 (ja) 2011-01-27
CN102471744A (zh) 2012-05-23
EP2457989A4 (en) 2015-09-30

Similar Documents

Publication Publication Date Title
CN102471744B (zh) 图像处理装置、培养观察装置及图像处理方法
AU2018226468B2 (en) Apparatus, method and system for cultured sample development monitoring
Leygeber et al. Analyzing microbial population heterogeneity—expanding the toolbox of microfluidic single-cell cultivations
CN101305088B (zh) 培养设备
US8606809B2 (en) Program recording medium, computer, and culture state analyzing method
EP2453005B1 (en) Cell picking-assisting device
JP5816415B2 (ja) 細胞評価装置、インキュベータ、プログラム、および、培養方法
CN110730818A (zh) 用于被监视的细胞生长的恒温箱、系统和方法
WO2010098105A1 (ja) 培養状態評価装置、培養状態評価方法、インキュベータおよびプログラム
CN105339484B (zh) 一种用于监测生物材料发育的设备
JP2011229409A (ja) 細胞評価装置、インキュベータ、細胞評価方法、細胞評価プログラムおよび細胞の培養方法
Camargo et al. Objective definition of rosette shape variation using a combined computer vision and data mining approach
CN107209092A (zh) 用于中间解剖的系统和方法
US20160244713A1 (en) Automated culture device
JPWO2015193951A1 (ja) 観察装置、観察方法、観察システム、そのプログラム、および細胞の製造方法
CN107604084A (zh) 细菌耐药性快速预测系统及其预测方法
JP2011055734A (ja) 細菌分類装置および細菌検査前処理装置
Salim et al. Screening of soybean genotypes based on root morphology and shoot traits using the semi-hydroponic phenotyping platform and rhizobox technique
Bodner et al. Characterization of cover crop rooting types from integration of rhizobox imaging and root atlas information
Medici et al. The FlyCatwalk: a high-throughput feature-based sorting system for artificial selection in Drosophila
Smith Image analysis for plant cell culture and micropropagation
Andeer et al. Autonomous Control and Analysis of Fabricated Ecosystems
Baudin OpenCArM: Open Source Camera Array Microscopy for Biology
WO2023057900A1 (en) High-throughput, modular, portable, live-imaging root system and method
Lu Development of a robotic platform for maize functional genomics research

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