CN103996204B - 分析系统和分析方法 - Google Patents
分析系统和分析方法 Download PDFInfo
- Publication number
- CN103996204B CN103996204B CN201410045313.9A CN201410045313A CN103996204B CN 103996204 B CN103996204 B CN 103996204B CN 201410045313 A CN201410045313 A CN 201410045313A CN 103996204 B CN103996204 B CN 103996204B
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- analysis
- target
- video image
- analysis system
- 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
Links
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Signal Processing (AREA)
Abstract
本发明涉及分析系统和分析方法。该分析系统包括特征值计算单元。该特征值计算单元被配置为每个时间范围计算特征值,该特征值表示在其中分析目标随时间推移成像的目标视频图像中的移动量的特征。
Description
相关申请的交叉参考
本申请要求提交于2013年2月14日的日本在先专利申请JP2013-027045和提交于2013年9月5日的日本在先专利申请JP2013-184034的利益,该两个申请每个的全部内容通过引用结合到本文。
技术领域
本公开内容涉及用于分析随时间推移成像的分析目标的视频图像的分析系统、分析程序和分析方法。
背景技术
借助创造iPS细胞(参见日本专利申请公开No.2011-188860),再生医学、组织工程、细胞工程等领域中已做出显著进步。结果,评估细胞状态以及评估药物对细胞的效果和影响的需求增长。特别地,关于神经细胞,用于由胚胎干细胞例如iPS细胞形成神经细胞的方法已建立(参见日本专利申请公开No.2006-525210),并存在用于分析神经细胞的有效方法的需求。
已作为用于分析细胞的方法,已研究了分析随时间推移成像的作为分析目标的细胞的视频图像并基于可从该视频图像获得的信息分析细胞的方法。例如,在含有一些细胞的视频图像中检测运动矢量,并评估视频图像中含有的细胞的移动协同性的图像处理器已在日本专利申请公开No.2012-105631(在下文中称为专利文献1)中披露。
发明内容
然而,在专利文献1中描述的图像处理器被配置为从视频图像计算一个评估值,但不能评估随时间推移的视频图像中细胞移动。本发明人新发现一种分析技术,其能够在随时间推移成像的分析目标例如细胞的视频图像中评估随时间推移的分析目标的移动。
鉴于上述的情况,希望提供能够从随时间推移成像的分析目标的视频图像评估随时间推移的分析目标的移动的分析系统、分析程序和分析方法。
根据本公开内容的实施方式,提供包括特征值计算单元的分析系统。
特征值计算单元被配置为对每个时间范围计算特征值,该特征值表示在分析目标随时间推移成像的目标视频图像中的移动量的特征。
在目标视频图像中的移动量(运动矢量)根据在目标视频图像中含有的分析目标的移动而改变。每个时间范围的特征值表示该时间范围的移动量的特征。因此,可以使用特征值作为指标评估移动量的时间变化,这使得能够评估分析目标的运动。
分析系统可以进一步包括特征值显示单元,该特征值显示单元被配置为将特征值的时间变化或空间变化可视化。
该配置允许用户使用特征值的可视化时间变化或空间变化,由此评估目标的移动。
分析系统可以包括特征值显示单元,该特征值显示单元被配置为将特征值的时间变化可视化,并在目标视频图像上叠加特征值的可视化后的时间变化从而形成特征值显示视频图像。
特征值显示视频图像显示目标视频图像和随目标视频图像改变的特征值。这允许用户通过参考由特征值代表的移动量的特征来观察目标视频图像。
分析系统可以进一步包括范围指定单元,该范围指定单元被配置为指定目标视频图像的特定范围作为计算范围。特征值计算单元可以对每个计算范围计算特征值。
借助该配置,特征值可以为目标视频图像的每个特定范围(计算范围)计算。这允许对各个范围评估分析目标的运动。计算范围可以是由用户指定的范围,或可以是目标视频图像被分成多个范围的范围。
特征值可以是从由移动的量或方向的平均值、最大值、最小值、标准差、方差和变化系数;频率特征值;或其组合构成的组中选择的至少一个。
由于上述各种特征值中的每个代表移动量的特征,因此可以使用这些特征值作为指标来评估分析目标的移动。另外,这可以使用这些特征值中的一个或多个。由于移动量的不同特性由不同种类的特征值代表,因此可以根据分析目标的运动选择适当特征值来评估。
频率特征值可以是从频域分析获得的平均强度、峰值频率或平均功率频率。
上述各种频率特征值包括涉及移动量的频率的信息,该信息可以从频域分析例如快速傅里叶变换(FFT)、小波变换和最大熵法(MEM)获得。因此,通过使用这些特征值作为指标,可以按照移动量的频率评估分析目标的运动。另外,这可以使用这些特征值中的一个或多个。
分析目标可以是神经细胞。
神经细胞的移动(振动等)可能受到被施加至神经细胞的刺激的种类(抑制性、激励性等)以及受到神经网络的形成状态的影响。然而,神经细胞的移动与心肌细胞的颤动等比较非常小,在分析中要求更高精确度。由于分析系统能够使用特征值作为指标以高精确度评估细胞的运动,因此神经细胞可以是使用该分析系统的合适分析目标。
分析系统可以进一步包括对象区域指定单元。
对象区域指定单元被配置为在目标视频图像中包括的静止图像中指定分析对象区域。分析对象区域是其中分析目标存在的区域。
在此情况下,特征值计算单元可以对目标视频图像中的分析对象区域计算特征值。
该配置允许特征值计算单元在目标视频图像中计算仅其中分析目标(细胞等)存在的区域的特征值。由于不计算目标视频区域中分析目标不存在的区域(细胞之间的间隔等)的特征值,因此特征值计算单元可以高速计算特征值,还可以防止产生噪声。
特征值计算单元可以使用包含移动的区域计算分析对象区域中的特征值。包含移动的区域是具有等于或大于阈值的运动速度的区域。
包含移动的区域是分析目标的具有等于或大于确定阈值的运动速度的区域,即具有较大移动的区域。一些分析目标可能仅在其特定部分(例 如神经细胞中的神经突)中具有较大移动。利用识别包含移动的区域的特征值计算单元,能够提取具有较大移动的部分的运动并分析该运动。
特征值计算单元可以计算包含移动的区域对分析对象区域的比率作为特征值。
包含移动的区域的比率表示分析对象区域中的多少是包含移动的区域,并且这代表分析目标中的移动趋势。这使得人们能够确定例如在其中包含移动的区域的比率较大的情况下,整个分析目标(细胞等)在振动;并且在其中包含移动的区域的比率较小的情况下,分析目标的特定部分在振动。
特征值计算单元可以计算分析对象区域的运动速度的平均值作为特征值。
分析对象区域的运动速度的平均值代表分析目标的整体移动。通过将限于分析对象区域的区域的运动速度求平均,可以避免将分析目标不存在的区域(细胞之间的间隔等)的运动速度求平均。
特征值计算单元可以计算包含移动的区域的运动速度的平均值作为特征值。
包含移动的区域的运动速度的平均值代表分析目标的一些移动部分的运动速度。例如在分析目标中仅特定部分在强劲振动的情况下,这使得人们能够单独确定该特定部分的运动速度。如果计算整个分析目标的运动速度的平均值,则一些无振动的部分的运动速度与其平均。与此相反,上述配置能够在这样的情况下分析。
特征值计算单元可以计算从移动量的频域分析获得的功率谱密度的预定频带的面积作为频率特征值。
借助该配置,由于在预定频带的振动数据作为特征值提取,因此可以分析限于分析目标中所关注点(例如神经细胞中的神经突)的频带。即,除所关注频带的振动之外的振动能够从有待分析的目标省略,结果,即使在分析目标在多个频率具有一些振动的情况下,分析仍可以有效执行。
根据本公开内容的另一实施方式,提供使计算机充当特征值计算单元的分析程序。
特征值计算单元被配置为对每个时间范围计算表示目标视频图像中移动量的特征的特征值,在该目标视频图像中分析目标随时间推移成像。
根据本公开内容的又一实施方式提供分析方法,该分析方法包括对每个时间范围计算表示目标视频图像中移动量的特征的特征值,在该目标视频图像中分析目标随时间推移成像。
如上描述,本公开内容的实施方式使得可以提供能够从随时间推移成像的分析目标的视频图像评估随时间推移的分析目标的移动的分析系统、分析程序和分析方法。
本公开内容的这些和其他目标、特征和优点根据在附图中示出的其最优模式实施方式的以下详细描述变得更明显。
附图说明
图1是示出根据本公开内容的第一实施方式的分析系统的配置的示意图;
图2是示出分析系统的操作的流程图;
图3示出分析系统的视频图像获取单元获得的目标视频图像的例子;
图4示出分析系统的范围指定单元指定的计算范围的例子;
图5示出由分析系统的特征值计算单元计算的时间运动波形的例子;
图6是示出用于由分析系统的特征值计算单元计算特征值的方法的示意图;
图7是示出由分析系统的特征值计算单元计算的功率谱密度的示意图;
图8是示出由分析系统的特征值显示单元生成特征值显示视频图像的示意图;
图9A到9C示出由分析系统的特征值显示单元生成的特征值显示视频图像的例子;
图10A和10B示出由分析系统的特征值显示单元显示的每个时间窗的频率特性的例子;
图11示出由分析系统的特征值显示单元显示的特征值表的例子;
图12是示出根据本公开内容的第二实施方式的分析系统的配置的示意图;
图13是示出分析系统的操作的流程图;
图14是示出由分析系统的对象区域指定单元指定的分析对象区域的示意图;
图15示出由分析系统的对象区域指定单元指定的分析对象区域的例子;
图16是示出分析系统的运动检测单元从分析对象区域检测的运动速度的示意图;
图17是示出由分析系统的运动检测单元检测的包含移动的区域的例子;
图18是示出由分析系统的特征值计算单元计算的功率谱密度的示意图;
图19A到19C示出表示由分析系统的特征值计算单元计算的特征值的例子;
图20示出由分析系统的特征值显示单元生成的特征值显示视频图像的例子;
图21示出由分析系统的特征值显示单元显示的特征值表的例子;
图22示出由分析系统的特征值显示单元显示的特征值图表(graph)的例子;
图23示出由分析系统的特征值显示单元显示的特征值图表的例子;
图24示出由分析系统的特征值显示单元显示的用于选择特征值的界面的例子;以及
图25示出由分析系统的特征值显示单元显示的用于选择特征值的界面的例子。
具体实施方式
在下文中,本公开内容的一些实施方式参考附图描述。
(第一实施方式)
描述根据本公开内容的第一实施方式的分析系统。
图1是示出根据实施方式的分析系统100的配置的示意图。图2是示出分析系统100的操作的流程图。如在图1中示出,分析系统100包括视频图像获取单元101、运动检测单元102、范围指定单元103、特征值计算单元104和特征值显示单元105。分析系统100可以具有由信息处理器实现的功能配置。其可以由单个信息处理器或经网络连接的多个信息处理器实现。
视频图像获取单元101获得是用于分析的视频图像的“目标视频图像”。“目标视频图像”的非限制例子是作为随时间推移成像的分析目标的细胞或细胞组的视频图像。视频图像可以包括由连续成像的多个帧组成的视频图像、或延时成像的静止图像。目标视频图像可以以根据分析目标适当设定的速率获得。在分析目标是神经细胞的情况下,速率可以是50fps(帧/秒)或更低,并且可以是例如1fpm(帧/分)。在分析目标是心肌细胞的情况下,速率可以是150fps或更高。
目标视频图像可以是通过使用各种光学成像方法、例如明场成像、暗场成像、相位差成像、荧光成像、共聚焦成像、多光子激发荧光成像、吸收光成像和散射光成像中的任何来成像获得的方法。
图3示出是含有多个神经细胞的视频图像的目标视频图像的例子。视频图像获取单元101可以从成像设备(显微镜成像设备)(图中未示出)获得目标视频图像,或其可以获得在存储器中存储的视频图像或从网络提供的视频图像作为目标视频图像。此时,通过根据分析目标类型以预定周期从预先成像的视频图像采样,视频图像获取单元101可以获得目标视频图像。视频图像获取单元101向运动检测单元102提供所获得的目标视频图像。
运动检测单元102在目标视频图像中检测“移动量”(运动矢量)(图2,st101)。移动量可以包括在目标视频图像中包括的一些帧之间彼此对应的各个像素或像素组的随时间推移的移动的量和方向。移动量可以由成像技术例如块匹配来检测。运动检测单元102向范围指定单元103提供所检测的移动量。
范围指定单元103在目标视频图像中指定“计算范围”。计算范围是用于计算目标视频图像中特征值的范围,该特征值在后面描述。可以提供一个或多个计算范围。图4示出在目标视频图像中指定的计算范围的例子。由白线分割的每个范围是计算范围。
范围指定单元103可以将由用户指示的范围指定为计算范围,或可以将预定范围指定为计算范围。预定范围可以是例如目标视频图像的分成许多部分(例如10x10)的范围,如在图4中示出。范围指定单元103也可以将目标视频图像的整个部分指定为计算范围。范围指定单元103向特征值计算单元104提供计算范围和每个计算范围的移动量。
特征值计算单元104为每个计算范围计算“特征值”(图2,st102)。特征值是表示在目标视频图像中各个时间范围的移动量的特征的值。时间范围可以是恒定时间范围或可变时间范围。作为具体例子,特征值计算单元104从每个计算范围的移动量计算代表移动量时间变化的时间运动波形。图5是时间运动波形的例子,其中横坐标(帧)代表目标视频图像的帧,并且纵坐标(运动)代表移动量。
特征值计算单元104可以通过使用时间运动波形计算特征值。特征值的具体例子包括颤动面积(pulsating area)(细胞面积)和移动的量或方向的平均值、最大值、最小值、标准差、方差和变差系数。特征值计算单元104在移动时间范围时连续计算特征值,从而计算时间移动波形中的特征值。计算特征值的时间范围可以根据特征值类型、分析目标的运动等适当设定。
进一步地,特征值可以包括“频率特征值”。特征值计算单元104可以通过执行时间运动波形的频域分析计算频率特征值。图6是示出用于由特征值计算单元104计算特征值的方法的图示。在例如预先移除DC(直流)分量以及执行拟合等预处理后,特征值计算单元104可以在时间运动波形中设定时间窗(window),如在图6中所示。
特征值计算单元104在移动时间窗时在该时间窗内执行波形的快速傅里叶变换(FFT)分析(图2,st103),并从分析结果计算功率谱密度(PSD)。图7示出功率谱密度的例子。
特征值计算单元104可以计算可从频域分析获得的平均强度、峰值频率、平均功率频率(MPF)等作为频率特征值(图2,st104)。频域分析的例子包括各种频域分析技术,例如快速傅里叶变换(FFT)、波形变换和最大熵法(MEM)。另外,MPF是将功率谱密度分成相等面积的两部分的频率。图7示出MPF,面积A和面积B在该MPF相等。特征值计算单元104向特征值显示单元105提供所计算的特征。应注意特征值计算单元104也可以为相同时间范围计算多种特征值。
特征值显示单元105将特征值的时间变化或空间变化可视化。作为具体例子,特征值显示单元105可以将特征值可视化并在目标视频图像上叠加所可视化的特征值,从而形成特征值显示视频图像(图2,st105)。图8是示出怎样生成特征值显示视频图像的示意图。根据特征值的量值,特征值显示单元105可以通过对与已计算出特征值的计算范围对应的每个位置应用着色或浓淡处理而将特征值可视化。特征值显示单元105将可视化后的特征值与已计算出特征值的时间范围对应的目标视频图像的帧叠加,并生成特征值显示视频图像。
在图8中示出的特征值显示视频图像是其中对被分成100个部分的目标视频图像的每个计算范围(见于图4)计算MPF并且叠加到目标视频图像的例子。特征值显示单元105可以被配置为向显示器提供所生成的特征值视频图像,由此允许该显示器显示特征值显示视频图像。这允许用户通过参考由特征值代表的移动量的特征观察目标视频图像。
特征值显示单元105也可以通过叠加MPF之外的各种特征值生成特征值显示视频图像。图9A到图9C示出通过将各种特征值叠加到目标视频图像获得的特征值显示视频图像的例子。在图9A、9B和9C中分别叠加的特征值是移动量的平均值、移动量的方差以及MPF(频率)。如在这些图中示出,不同特性可以用不同种类的特征值观察。例如,这允许人们观察特性,使得移动量的方差在细胞突附近相对大,并且频率在细胞体中相对低。
另外,特征值显示单元105可以允许上述每个时间窗的频率特性显示,从而将特征值的空间变化可视化(图2,st106)。图10A和图10B示 出每个时间窗的频率特性的例子。图10A示出源于iPS、用GABA处理的神经细胞的频率特性。图10B示出用谷氨酸处理的神经细胞的频率特性。
GABA是充当对神经细胞的抑制性刺激的生物活性物质,并且用GABA处理的神经细胞示出具有低频率的运动(振动)。谷氨酸是充当对神经细胞的激励性刺激的生物活性物质,并且用GABA处理的神经细胞示出具有高频率的运动。在图10A中示出的频率特性中,具有低频率的运动被激活,这表示可检测到GABA对神经细胞的效果。
进一步地,特征值显示单元105可以在表格或图表中显示由特征值计算单元104计算出的特征值(图2,St107)。图11是示出特征值的表格的例子。如在图中所示,所显示的特征值的表格或图表使得用户更容易得知特征值的值和趋势。
根据此实施方式的分析系统100如上描述配置。分析系统100使得能够使用特征值评估目标视频图像中分析目标的运动。更具体地,分析系统100可以用于评估生物活性物质的效果、药效、毒性评估、神经细胞质量控制、评估神经细胞的分化状态、鉴别具有异常网络的异常细胞和区域、通过评估源于病理状况的细胞来评估病理状况等。
由分析系统100分析的分析目标没有特别限制。由分析系统100分析的合适分析目标的例子包括神经细胞。神经细胞的移动(振动等)可能由施加到神经细胞的刺激的种类(抑制性、激励性等)以及由神经网络的形成状态影响。然而,神经细胞的移动与心肌细胞的颤动等比较非常小,并且在分析中要求更高的精确度。由于分析系统100能够使用特征值作为指标以高精确度评估细胞的运动,因此神经细胞可以是使用该分析系统的合适分析目标。
(第二实施方式)
描述根据本公开内容的第二实施方式的分析系统。
图12是示出根据此实施方式的分析系统200的配置的示意图。图13是示出分析系统200的操作的流程图。如在图12中示出,分析系统200包括视频图像获取单元201、对象区域指定单元202、运动检测单元203、特征值计算单元204和特征值显示单元205。分析系统200可以具有由信 息处理器实现的功能配置。其可以由单个信息处理器或经网络连接的多个信息处理器实现。
视频图像获取单元201获得是用于分析的视频图像的“目标视频图像”。“目标视频图像”的非限制例子是作为随时间推移成像的分析目标的细胞或细胞组的视频图像。视频图像可以包括由连续成像的多个帧组成的视频图像、或延时成像的静止图像。目标视频图像可以以根据分析目标适当设定的速率获得。在分析目标是神经细胞的情况下,速率可以是50fps(帧/秒)或更低,并且可以是例如1fpm(帧/分)。在分析目标是心肌细胞的情况下,速率可以是150fps或更高。
目标视频图像可以是通过使用各种光学成像方法、例如明场成像、暗场成像、相位差成像、荧光成像、共聚焦成像、多光子激发荧光成像、吸收光成像和散射光成像中的任何来成像获得的方法(参见图3)。
视频图像获取单元201可以从成像设备(显微镜成像设备)(图中未示出)获得目标视频图像,或其可以获得在存储器中存储的视频图像或从网络提供的视频图像作为目标视频图像。此时,通过根据分析目标类型以预定周期从预先成像的视频图像采样,视频图像获取单元201可以获得目标视频图像。视频图像获取单元201向对象区域指定单元202提供所获得的目标视频图像。
对象区域指定单元202在目标视频图像所包括的静止图像(在下文中称为“目标静止图像”)中指定“分析对象区域”(图13,St201)。目标静止图像可以是目标视频图像的第一帧,或可以是任何帧。另外目标静止图像可以是在每个预定周期从目标视频图像提取的帧。分析对象区域是其中分析目标在目标静止图像的视场中存在的区域,其可以是例如含一些细胞的区域。
对象区域指定单元202对目标静止图像执行图像处理并指定分析对象区域。图14是在目标静止图像中示意示出分析对象区域的图示。图中每个区段D表示分析对象区域的特定单元,该单元可以是包括目标静止图像的一个或多个像素的范围。由斜线表示的区段D是由对象区域指定单元202指定为其中分析目标存在的区段,该区段称为分析对象区段D1。分析 对象区段D1的集合是分析对象区域。图15示出在目标静止图像中指定的分析对象区域的例子。白色区域是分析对象区域。
对象区域指定单元202可以通过动态范围检测、匹配或其他图像处理来指定分析对象区域。此时对象区域指定单元202可以通过阈值选择分析目标检测作为分析对象区域。例如,可以选择是否检测神经细胞的细胞体或神经突,或该两者。
运动检测单元203在目标视频图像中检测“移动量”(运动矢量)(图13,st202)。移动量可以包括在目标视频图像中包括的一些帧之间相互对应的各个像素或像素组的随时间推移的移动的量和方向。移动量可以由成像技术例如块匹配来检测。
此时,运动检测单元203检测由对象区域指定单元202指定的分析对象区域(分析对象区段D1的集合)中的移动量。具体地,对于分析对象区域中包括的每个分析对象区段D1,运动检测单元203检测从目标静止图像的一个帧到目标静止图像的下个帧的目标视频图像中的移动量。运动检测单元203能够将每个分析对象区段D1的移动量转换成运动矢量。
图16是示意示出目标视频图像的运动速度的图示,该运动速度用数值代表从相应的分析对象区段D1检测的运动速度。在分析对象区段D1中,运动速度等于或大于特定值(在此例中为“1”)的区段称为检出运动区段D2。检出运动区段D2的集合是包含移动的区域。图17是目标视频图像中包含移动的区域的例子。包含移动的区域由白色区域代表。
如在图16中所示,在目标静止图像中没有指定为分析对象区段D1的区段D中(参见图14),检测不到移动量。因此,在目标视频图像的视场中的不存在分析目标的区域(细胞之间的间隔等)中检测不到移动量,并且这使得可以高速检测移动特征值的量,而且防止噪声生成。运动检测单元203向特征值计算单元204提供分析对象区域、包含移动的区域和移动量。
特征值计算单元204计算包含移动的区域的“特征值”(图13,st203)。特征值是表示在目标视频图像中每个时间范围的移动量的特征的值。时间范围可以是恒定时间范围或可变时间范围。
特征值计算单元204可以计算“包含移动的区域的比率”作为特征值。包含移动的区域的比率是指包含移动的区域对分析对象区域的比率,该比率可以是例如检出运动区段D2对分析对象区段D1的比率。包含移动的区域的比率使得可以确定已确定具有分析目标的区域(分析对象区域)中有多少是发生了移动的区域(包含移动的区域)。这使得人们能够确定例如在包含移动的区域的比率较大的情况下,整个分析目标(细胞等)在振动;并且在包含移动的区域的比率较小的情况下,分析目标的特定部分在振动。
另外,特征值计算单元可以计算“分析对象区域速度”作为特征值。分析对象区域速度是分析对象区域的运动速度的平均值,该平均值可以通过将相应区段D1(包括检出运动区段D2)的运动速度求平均来计算。分析对象区域速度是整个分析目标的运动速度的平均值,这可以使得人们能够确定分析目标的总体运动速度。通过将限于分析对象区域的区域的运动速度求平均,可以避免将不存在分析目标的区域(细胞之间的间隔等)的运动速度求平均。
特征值计算单元可以计算“包含移动的区域速度”作为特征值。包含移动的区域速度是包含移动的区域的运动速度的平均值,该平均值可以通过将相应检出运动区段D2的运动速度求平均来计算。包含移动的区域速度是分析目标的移动部分的运动速度的平均值。例如在分析目标中仅特定部分在强劲振动的情况下,包含移动的区域速度使得人们能够单独确定该特定部分的运动速度。如果计算整个分析目标的运动速度的平均值,则无移动的部分的运动速度与其平均。鉴于此,包含移动的区域速度尤其可用于仅分析目标的特定部分在移动的情况。
进一步地,特征值计算单元204可以计算“频率特征值”作为特征值。通过如在第一实施方式中一样计算时间运动波形(参见图5)并执行时间运动波形的频域分析,特征值计算单元204可以计算频率特征值。
特征值计算单元204执行在移动时间窗的同时在该时间窗内执行波形的快速傅里叶变换(FFT)分析(图13,st204),并从分析结果计算功率谱密度(PSD)。图18示出功率谱密度的例子。
如在图中所示,特征值计算单元204可以计算功率谱密度的预定频带的面积(“PSD面积”)作为频率特征值。计算PSD面积的频带可以根据要观察的振动频率适当设定,并可以是例如从0到0.1Hz或更小。
图19A到图19C示出被绘图的PSD面积的例子,该PSD面积示出神经细胞中细胞死亡的过程。图19A、图19B和图19C是从0到0.1Hz的PSD面积,其分别在分析的开始时间、0.75小时后和6小时后。在图中,白色区域是具有较大值的PSD面积的区域,并且黑色区是具有较小值的PSD面积的区域。尽管图19A中整个细胞示出从0到0.1Hz的相对大的振动,但在图19B中该频带的振动在神经突中较大,并且该频带的振动在细胞体中较小。在图19C中,该频带的振动在神经突中也停止。
因此,借助计算预定频带的PSD面积的特征值计算单元204,可以从分析目标的振动提取仅在所关注频带的振动。能够省略分析不相关的不同频带的振动。
以与第一实施方式中相同的方式,特征值计算单元204可以计算可从频域分析获得的平均强度、峰值频率、平均功率频率等作为频率特征值(图13,st205)。频域分析的例子包括各种频域分析技术,例如快速傅里叶变换(FFT)、波形变换和最大熵法(MEM)。特征值计算单元204向特征值显示单元205提供所计算的特征。应注意特征值计算单元204也可以为相同时间范围计算多种特征值。
特征值显示单元205将特征值的时间变化或空间变化可视化。作为具体例子,特征值显示单元205可以将特征值可视化并在目标视频图像上叠加所可视化的特征值,从而形成特征值显示视频图像(图13,st206)。以与第一实施方式中相同的方式,根据特征值的量值,特征值显示单元205可以通过对与已计算出特征值的计算范围对应的每个位置应用着色或浓淡处理而将特征值可视化。特征值显示单元205将可视化后的特征值与已计算出特征值的时间范围对应的目标视频图像的帧叠加,并生成特征值显示视频图像。
图20示出通过将上述包含移动的区域叠加到目标视频图像获得的特征值显示视频图像的例子。如在图中示出,根据运动速度的量值,特征值 显示单元205可以通过应用着色或浓淡处理来提供特征值显示视频图像。进一步地,通过使用各种特征值例如在图19A到图19C中示出的PSD面积、移动量的平均值、移动量的方差以及MPF(参见图9A到图9C),特征值显示单元205可以生成特征值显示视频图像。另外,特征值显示单元205可以允许显示上述每个时间窗的频率特性,从而将特征值的空间变化可视化(图13,st207)。
进一步地,特征值显示单元205可以在表格或图表中显示由特征值计算单元204计算出的特征值(图13,St208)。图21到图23是由特征值显示单元205显示的特征值的显示模式的例子。图24示出用于选择特征值以由特征值显示单元205显示的界面。图25示出用于选择将显示特征值的ROI(所关注区域,图中的白色框)的界面。特征值显示单元205可以被配置为显示如由在图24和25中示出的界面所指示的分析目标和特征值。另外,通过使用上述分析对象区域、包含移动的区域、各种特征值等,特征值显示单元205也可以自动选择ROI。
根据本实施方式的分析系统200如上描述配置。分析系统200使得能够使用特征值评估目标视频图像中分析目标的运动。更具体地,分析系统200可以用于评估生物活性物质的效果、药效、毒性评估、神经细胞质量控制、评估神经细胞的分化状态、鉴别具有异常网络的异常细胞和区域、通过评估源于病理状况的细胞来评估病理状况等。
由分析系统200分析的分析目标没有特别限制。由分析系统200分析的合适分析目标的例子包括神经细胞。神经细胞的移动(振动等)可能由施加到神经细胞的刺激的种类(抑制性、激励性等)以及由神经网络的形成状态影响。然而,神经细胞的移动与心肌细胞的颤动等比较非常小,并且在分析中要求更高的精确度。由于分析系统200能够使用特征值作为指标以高精确度评估细胞的运动,因此神经细胞可以是使用该分析系统的合适分析目标。
另外,本实施方式提取其中分析目标在目标视频图像中存在的区域作为分析对象区域,并且对分析对象区域执行移动量分析和特征值计算。在神经细胞中,它们的可以振动的部分与其他细胞例如心肌细胞的这样部分 比较是相对局部的,并且可以使用根据本实施方式的分析系统200的分析对象区域有效分析它们。进一步地,由于分析系统200在分析中使用功率谱密度的特定频带的面积,因此能够从神经细胞的神经突和细胞体等提取不同频率的相应振动。在此方面中,其适合于神经细胞的分析。
本公开内容不限于各个前述实施方式,而可以不背离本公开内容的要旨的范围内修改。
本公开内容可以采用以下配置。
(1)一种分析系统,包括:
特征值计算单元,该特征值计算单元被配置为每个时间范围计算特征值,该特征值表示在其中分析目标随时间推移成像的目标视频图像中的移动量的特征。
(2)根据(1)的分析系统,进一步包括:
分析系统可以进一步包括特征值显示单元,该特征值显示单元被配置为将特征值的时间变化或空间变化可视化。
(3)根据(2)的分析系统,其中
特征值显示单元被配置为将特征值的时间变化可视化,并在目标视频图像上叠加特征值的可视化时间变化从而形成特征值显示视频图像。
(4)根据(1)到(3)中任何一个的分析系统,进一步包括:
范围指定单元,该范围指定单元被配置为指定特定范围的目标视频图像作为计算范围;
特征值计算单元被配置为每个计算范围计算特征值。
(5)根据(1)到(4)中任何一个的分析系统,其中
特征值是从由移动的量或方向的平均值、最大值、最小值、标准差、方差和变化系数;频率特征值;或其组合构成的组中选择的任何一个。
(6)根据(1)到(5)中任何一个的分析系统,其中
频率特征值是从频域分析获得的平均强度、峰值频率或平均功率频率。
(7)根据(1)到(6)中任何一个的分析系统,其中
分析神经细胞作为分析目标。
(8)根据(1)到(7)中任何一个的分析系统,进一步包括:
对象区域指定单元,被配置为在目标视频图像所包括的静止图像中指定分析对象区域,该分析对象区域是其中分析目标存在的区域;
特征值计算单元被配置为目标视频图像中的分析对象区域计算特征值。
(9)根据(8)的分析系统,其中
特征值计算单元被配置为使用包含移动的区域计算分析对象区域中的特征值,该包含移动的区域是具有等于或大于阈值的运动速度的区域。
(10)根据(9)的分析系统,其中
特征值计算单元被配置为计算包含移动的区域对分析对象区域的比率作为特征值。
(11)根据(9)或(10)的分析系统统,其中
特征值计算单元被配置为计算分析对象区域的运动速度的平均值作为特征值。
(12)根据(9)到(11)中任何一个的分析系统,其中
特征值计算单元被配置为计算包含移动的区域的运动速度的平均值作为特征值。
(13)根据(1)到(12)中任何一个的分析系统,其中
特征值计算单元被配置为计算从移动量的频域分析获得的功率谱密度的预定频带的面积作为频率特征值。
(14)一种分析程序,该分析程序使计算机充当:
特征值计算单元,该特征值计算单元被配置为对每个时间范围计算表示目标视频图像中移动量的特征的特征值,在该目标视频图像中的分析目标随时间推移成像。
(15)一种分析方法,包括:
为每个时间范围计算表示目标视频图像中移动量的特征的特征值,在该目标视频图像中的分析目标随时间推移成像。
Claims (12)
1.一种分析系统,包括:
特征值计算单元,被配置为对每个时间范围计算特征值,所述特征值表示在分析目标随时间推移成像的目标视频图像中的移动量的特征;以及
特征值显示单元,被配置为将所述特征值的时间变化或空间变化可视化,其中
所述特征值为频率特征值,所述频率特征值是从频域分析获得的平均强度、峰值频率或平均功率频率。
2.根据权利要求1所述的分析系统,其中,
所述特征值显示单元被配置为将所述特征值的时间变化可视化,并在所述目标视频图像上叠加所述特征值的可视化后的时间变化以形成特征值显示视频图像。
3.根据权利要求1所述的分析系统,进一步包括:
范围指定单元,被配置为指定所述目标视频图像的特定范围作为计算范围;
所述特征值计算单元被配置为对每个计算范围计算所述特征值。
4.根据权利要求1所述的分析系统,
所述分析系统分析作为所述分析目标的神经细胞。
5.根据权利要求1所述的分析系统,进一步包括:
对象区域指定单元,被配置为在所述目标视频图像所包括的静止图像中指定分析对象区域,所述分析对象区域是所述分析目标存在的区域;
所述特征值计算单元被配置为对所述目标视频图像中的所述分析对象区域计算所述特征值。
6.根据权利要求5所述的分析系统,其中,
所述特征值计算单元被配置为使用包含移动的区域计算所述分析对象区域中的所述特征值,所述包含移动的区域是具有等于或大于阈值的运动速度的区域。
7.根据权利要求6所述的分析系统,其中,
所述特征值计算单元被配置为计算所述包含移动的区域对所述分析对象区域的比率作为所述特征值。
8.根据权利要求6所述的分析系统,其中,
所述特征值计算单元被配置为计算所述分析对象区域的运动速度的平均值作为所述特征值。
9.根据权利要求6所述的分析系统,其中,
所述特征值计算单元被配置为计算所述包含移动的区域的运动速度的平均值作为所述特征值。
10.根据权利要求1所述的分析系统,其中,
所述特征值计算单元被配置为计算从所述移动量的频域分析获得的功率谱密度的预定频带的面积作为频率特征值。
11.一种分析方法,包括:
对每个时间范围计算特征值,所述特征值表示在分析目标随时间推移成像的目标视频图像中的移动量的特征;以及
将所述特征值的时间变化或空间变化可视化,其中,
所述特征值为频率特征值,所述频率特征值是从频域分析获得的平均强度、峰值频率或平均功率频率。
12.一种存储介质,包括所存储的程序,其特征在于当执行所述程序时,控制计算装置执行以下操作:
对每个时间范围计算特征值,所述特征值表示在分析目标随时间推移成像的目标视频图像中的移动量的特征;以及
将所述特征值的时间变化或空间变化可视化,其中,
所述特征值为频率特征值,所述频率特征值是从频域分析获得的平均强度、峰值频率或平均功率频率。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013-027045 | 2013-02-14 | ||
JP2013027045 | 2013-02-14 | ||
JP2013184034A JP6494903B2 (ja) | 2013-02-14 | 2013-09-05 | 分析システム、分析プログラム及び分析方法 |
JP2013-184034 | 2013-09-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996204A CN103996204A (zh) | 2014-08-20 |
CN103996204B true CN103996204B (zh) | 2017-10-31 |
Family
ID=51297222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410045313.9A Active CN103996204B (zh) | 2013-02-14 | 2014-02-07 | 分析系统和分析方法 |
Country Status (3)
Country | Link |
---|---|
US (3) | US9412179B2 (zh) |
JP (1) | JP6494903B2 (zh) |
CN (1) | CN103996204B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6402717B2 (ja) * | 2013-09-18 | 2018-10-10 | 株式会社ニコン | 画像解析装置、画像解析方法、画像解析プログラム、細胞の製造方法、細胞の製造装置、細胞の培養方法、および細胞の培養装置 |
JP2016041023A (ja) * | 2014-08-14 | 2016-03-31 | ソニー株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム。 |
JP6467813B2 (ja) * | 2014-08-15 | 2019-02-13 | ソニー株式会社 | 画像処理装置、画像処理プログラム及び画像処理方法 |
JP6661882B2 (ja) * | 2015-02-02 | 2020-03-11 | 株式会社ソシオネクスト | 情報処理装置、振戦情報表示方法、情報処理システム、及びプログラム |
JP6759550B2 (ja) | 2015-03-04 | 2020-09-23 | ソニー株式会社 | 情報処理装置、プログラム、情報処理方法及び観察システム |
WO2016139925A1 (en) | 2015-03-04 | 2016-09-09 | Sony Corporation | Image processing apparatus, image processing method and image processing system |
JPWO2016194718A1 (ja) * | 2015-06-05 | 2018-03-29 | ソニー株式会社 | 画像処理装置、画像処理方法、および手術システム |
JP2017023055A (ja) * | 2015-07-22 | 2017-02-02 | 大日本印刷株式会社 | 細胞管理システム、プログラム、及び、細胞管理方法 |
JP6433389B2 (ja) * | 2015-08-04 | 2018-12-05 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
EP3428268B1 (en) * | 2016-03-09 | 2021-12-22 | Sony Group Corporation | Information processing device, information processing method, program, and information processing system |
JP6452923B1 (ja) * | 2017-02-21 | 2019-01-16 | 三菱電機株式会社 | 振動検知装置、振動検知方法および振動検知プログラム |
US20200408743A1 (en) * | 2018-02-28 | 2020-12-31 | National University Corporation Tokai National Higher Education And Research System | Drug evaluation method |
JP6658926B2 (ja) * | 2019-01-15 | 2020-03-04 | ソニー株式会社 | 画像処理装置、画像処理プログラム及び画像処理方法 |
JP7532754B2 (ja) | 2019-09-04 | 2024-08-14 | 株式会社ニコン | 画像解析装置、細胞培養観察装置、画像解析方法、及びプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488224A (zh) * | 2001-11-19 | 2004-04-07 | ������������ʽ���� | 事件的特征提取和检测以及视频序列中活动的时间变化 |
CN1976445A (zh) * | 2006-12-15 | 2007-06-06 | 上海鼎业电子科技有限公司 | 基于立体视频动态跟踪的多摄像机监控系统及其跟踪方法 |
CN101194263A (zh) * | 2005-06-13 | 2008-06-04 | 三路影像公司 | 利用显微镜成像装置再定位载片上样品中的目标的系统和方法 |
CN101694385A (zh) * | 2009-10-19 | 2010-04-14 | 河海大学 | 基于傅立叶光学的微小目标检测仪及检测方法 |
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 |
JP2012105631A (ja) * | 2010-10-19 | 2012-06-07 | Sony Corp | 画像処理装置および方法、並びに、プログラム |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3263318B2 (ja) * | 1996-08-30 | 2002-03-04 | 三菱電機ビルテクノサービス株式会社 | 壁面の剥離診断方法 |
EP0907145A3 (en) * | 1997-10-03 | 2003-03-26 | Nippon Telegraph and Telephone Corporation | Method and equipment for extracting image features from image sequence |
US6679847B1 (en) * | 2002-04-30 | 2004-01-20 | Koninklijke Philips Electronics N.V. | Synthetically focused ultrasonic diagnostic imaging system for tissue and flow imaging |
JP3867627B2 (ja) * | 2002-06-26 | 2007-01-10 | ソニー株式会社 | 観客状況推定装置と観客状況推定方法および観客状況推定プログラム |
ES2242121T3 (es) | 2003-05-07 | 2005-11-01 | Degussa Ag | Granulados recubiertos de percarbonato sodico con estabilidad al almacenamiento mejorada. |
JP4868207B2 (ja) | 2005-07-14 | 2012-02-01 | オリンパス株式会社 | スクリーニング方法およびスクリーニング装置 |
JP4690119B2 (ja) * | 2005-06-16 | 2011-06-01 | 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 |
JP4755012B2 (ja) * | 2005-06-29 | 2011-08-24 | 株式会社エヌ・ティ・ティ・ドコモ | 映像評価装置、時空間周波数解析装置、映像評価方法、時空間周波数解析方法、映像評価プログラム、および時空間周波数解析プログラム |
US8048999B2 (en) | 2005-12-13 | 2011-11-01 | Kyoto University | Nuclear reprogramming factor |
EP2007282B1 (en) * | 2006-04-04 | 2013-01-23 | THE McLEAN HOSPITAL CORPORATION | Method for diagnosing adhd and related behavioral disorders |
JP5181325B2 (ja) * | 2007-08-08 | 2013-04-10 | 国立大学法人電気通信大学 | カット部検出システム及びショット検出システム並びにシーン検出システム、カット部検出方法 |
JP4696278B2 (ja) * | 2009-09-14 | 2011-06-08 | 国立大学法人 東京大学 | 領域分割画像生成方法、領域分割画像生成装置及びコンピュータプログラム |
JP5713251B2 (ja) | 2010-01-22 | 2015-05-07 | 国立大学法人浜松医科大学 | 細胞判別方法、細胞判別用の参照データ生成方法、および細胞判別装置 |
WO2011122200A1 (ja) * | 2010-03-29 | 2011-10-06 | ソニー株式会社 | データ処理装置およびデータ処理方法、画像処理装置および方法、並びに、プログラム |
JP2011224346A (ja) * | 2010-03-31 | 2011-11-10 | Toshiba Corp | 超音波診断装置、画像処理装置および画像処理方法 |
JP6078943B2 (ja) * | 2011-02-28 | 2017-02-15 | ソニー株式会社 | 画像処理装置および方法、並びに、プログラム |
JP5711016B2 (ja) * | 2011-03-22 | 2015-04-30 | オリンパス株式会社 | 特徴量取得方法及び特徴量取得装置 |
US20130028489A1 (en) * | 2011-07-29 | 2013-01-31 | Nokia Corporation | Method and apparatus for determining potential movement disorder using sensor data |
JP5972561B2 (ja) * | 2011-12-08 | 2016-08-17 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、画像処理装置及び画像処理プログラム |
JP5665241B2 (ja) * | 2012-03-21 | 2015-02-04 | パナソニックIpマネジメント株式会社 | 眼球疲労判定装置およびその作動方法 |
-
2013
- 2013-09-05 JP JP2013184034A patent/JP6494903B2/ja active Active
-
2014
- 2014-02-05 US US14/173,358 patent/US9412179B2/en active Active
- 2014-02-07 CN CN201410045313.9A patent/CN103996204B/zh active Active
-
2016
- 2016-06-30 US US15/198,105 patent/US10049452B2/en active Active
-
2018
- 2018-07-09 US US16/030,003 patent/US10891734B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488224A (zh) * | 2001-11-19 | 2004-04-07 | ������������ʽ���� | 事件的特征提取和检测以及视频序列中活动的时间变化 |
CN101194263A (zh) * | 2005-06-13 | 2008-06-04 | 三路影像公司 | 利用显微镜成像装置再定位载片上样品中的目标的系统和方法 |
CN1976445A (zh) * | 2006-12-15 | 2007-06-06 | 上海鼎业电子科技有限公司 | 基于立体视频动态跟踪的多摄像机监控系统及其跟踪方法 |
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 |
CN101694385A (zh) * | 2009-10-19 | 2010-04-14 | 河海大学 | 基于傅立叶光学的微小目标检测仪及检测方法 |
JP2012105631A (ja) * | 2010-10-19 | 2012-06-07 | Sony Corp | 画像処理装置および方法、並びに、プログラム |
Non-Patent Citations (3)
Title |
---|
Noninvasive Evaluation of Contractile Behavior of Cardiomyocyte Monolayers Based on Motion Vector Analysis;Tomohiro Hayakawa 等;《TISSUE ENGINEERING: Part C》;20120104;第25页图4 * |
Ross Cutler 等.Robust Real-Time Periodic Motion Detection, Analysis, and Applications.《PATTERN ANALYSIS AND MACHINE INTELLIGENCE》.2000, * |
袁国武.智能视频监控中的运动目标检测和跟踪算法研究.《中国博士学位论文全文数据库 信息科技辑》.2012, * |
Also Published As
Publication number | Publication date |
---|---|
JP6494903B2 (ja) | 2019-04-03 |
US9412179B2 (en) | 2016-08-09 |
US10891734B2 (en) | 2021-01-12 |
CN103996204A (zh) | 2014-08-20 |
JP2014179061A (ja) | 2014-09-25 |
US20140226069A1 (en) | 2014-08-14 |
US20180315195A1 (en) | 2018-11-01 |
US20160307320A1 (en) | 2016-10-20 |
US10049452B2 (en) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996204B (zh) | 分析系统和分析方法 | |
Cabral et al. | Exploring mechanisms of spontaneous functional connectivity in MEG: how delayed network interactions lead to structured amplitude envelopes of band-pass filtered oscillations | |
Petrovic et al. | Objective image fusion performance characterisation | |
Jain et al. | A full-reference image quality metric for objective evaluation in spatial domain | |
Katwal et al. | Measuring relative timings of brain activities using fMRI | |
JP2022105045A (ja) | 解析装置 | |
Brazhe et al. | Synchronized renal blood flow dynamics mapped with wavelet analysis of laser speckle flowmetry data | |
Kong et al. | Automatic and efficient standard plane recognition in fetal ultrasound images via multi-scale dense networks | |
EP2624170A3 (de) | Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz | |
CN101605273A (zh) | 一种色饱和度质量测评的方法和子系统 | |
JP2006507579A (ja) | 核多形性の組織学的評価 | |
Baraldi et al. | An ARX model-based approach to trial by trial identification of fMRI-BOLD responses | |
Papkov et al. | Noise2Stack: improving image restoration by learning from volumetric data | |
CN110251076B (zh) | 融合视觉注意力基于对比度的显著性检测方法及装置 | |
CN102013100A (zh) | 一种基于遥感图像相位相关性的图像质量判别方法 | |
CN104992426B (zh) | 一种用于明场显微成像的多层图像融合算法 | |
Bobkowska et al. | Image correlation as a toll for tracking facial changes causing by external stimuli | |
Jiang et al. | Restoring the invisible details in differential interference contrast microscopy images | |
Zhou et al. | Double‐wavelet transform for multisubject task‐induced functional magnetic resonance imaging data | |
JP6860043B2 (ja) | 神経細胞評価方法、神経細胞評価プログラム及び神経細胞評価方法 | |
Perez-Diaz | Techniques to evaluate the quality of medical images | |
Yan et al. | Video quality assessment based on correlation between spatiotemporal motion energies | |
Shi et al. | On the role of local variance in image fidelity assessment | |
Haberdar et al. | Change Detection in Dynamic Scenes using Local Adaptive Transform. | |
Prajapati et al. | Unsupervised single image super-resolution using cycle generative adversarial network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |