CN105849274B - 用于显微图像中的单独细胞的分类和识别的方法和系统 - Google Patents

用于显微图像中的单独细胞的分类和识别的方法和系统 Download PDF

Info

Publication number
CN105849274B
CN105849274B CN201480059295.8A CN201480059295A CN105849274B CN 105849274 B CN105849274 B CN 105849274B CN 201480059295 A CN201480059295 A CN 201480059295A CN 105849274 B CN105849274 B CN 105849274B
Authority
CN
China
Prior art keywords
image
module
pixels associated
cell
training
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
CN201480059295.8A
Other languages
English (en)
Other versions
CN105849274A (zh
Inventor
阿夫鲁·艾萨克·科恩
递惠·洪
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.)
Molecular Devices LLC
Original Assignee
Molecular Devices LLC
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 Molecular Devices LLC filed Critical Molecular Devices LLC
Publication of CN105849274A publication Critical patent/CN105849274A/zh
Application granted granted Critical
Publication of CN105849274B publication Critical patent/CN105849274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19167—Active pattern learning
    • 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
    • C12M1/00—Apparatus for enzymology or microbiology
    • C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/42—Imaging image digitised, -enhanced in an image processor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Organic Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biotechnology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Genetics & Genomics (AREA)
  • Toxicology (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Sustainable Development (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

在一种用于识别图像中的对象的方法和系统中，接收图像和训练数据。所述训练数据识别与所述图像中的特定类型的对象关联的像素。开发所述图像的多个过滤版本。对所述训练数据和所述图像的所述多个过滤版本进行处理以开发用于对与所述特定类型的对象关联的像素进行分类的训练模型。将所述训练模型应用于所述图像，以识别与所述图像中的所述多个特定类型的对象关联的像素。开发额外的图像处理步骤，以进一步细化所识别的像素，用于使对象的轮廓与其边缘更好地匹配。

Description

用于显微图像中的单独细胞的分类和识别的方法和系统
相关申请
本申请要求2013年10月28日提交的美国临时专利申请序列号61/896,282的权益，其内容通过引用全部并入本文。
技术领域
本发明涉及图像的处理，更具体地，涉及显微图像中的单独细胞的识别。
背景技术
生物样本的显微图像在背景下可包括多种细胞类型和碎片。研究人员可能会希望获得存在于显微图像中的特定类型的细胞的统计数据。这样的统计可包括，存在于图像中的特定细胞类型的细胞的数目情况、这些细胞的尺寸范围、这些细胞的尺寸的平均值、中间值和模式。在计算任何这样的统计数据之前，必须将显微图像中的特定细胞类型的细胞从存在于显微图像中的其它细胞类型中以及从存在于显微图像中的任何碎片中识别出来。
此外，为了测量细胞的尺寸，必须识别这种细胞的边界。手工地识别图像中的特定类型的所有细胞的中心和边界是非常耗费时间的，并且会导致研究人员的疲劳和错误。此外，识别和测量众多显微图像中的细胞所需要的时间是不可行的并因此可能会限制所实施的研究的类型。
已经使用了边缘检测方法来识别图像中的对象的边缘。但是，这样的方法可能无法在作为特定细胞类型的细胞图像的对象以及作为碎片图像或不感兴趣的细胞类型的细胞图像的对象之间进行区分。此外，这样的技术对于包括融合(即，相邻或重叠)细胞群体的图像中的单独细胞的识别可能是无效的。这样的边缘检测技术对于细胞特征的识别(例如，如果这些特征与背景之间的对比度不充足)可能是无效的。这样的对比度的不足，例如，在没有用染料或其它标志进行标记的细胞的图像中，可能是问题。此外，边缘检测方法可能无法将细胞从其它类型的对象中区分开。此外，边缘检测方法可能无法检测包围对象的整个边缘，并且所提供的结果示出彼此之间具有多个空隙的边缘的多个片段，而不是被包围的对象。
其它多种技术可能会对图像进行评估从而识别特定尺寸和/或形状的“凸块(bumps)”并且将这些凸块与边缘信息进行组合。但是，这样的技术不会很好地识别不规则形状，并且将凸块与边缘信息进行组合通常需要大量的额外处理时间。可使用图像分割来对图像中的对象与背景进行区分。但是，这会是计算密集的，并且不是特别适合于现实世界图像的处理。
因此，存在对于用于对显微图像中的对象进行识别和测量的改进方法的需求。
发明内容
根据本发明的一个方面，一种对图像中的细胞进行识别的计算机实施的方法包括：接收图像并接收训练数据。所述训练数据对与所述图像中的特定类型的对象关联的像素进行识别。所述计算机实施的方法还包括：开发所述图像的多个过滤版本，并对所述训练数据和所述图像的所述多个过滤版本进行处理，以开发用于对与所述特定类型的对象关联的像素进行分类的训练模型。此外，所述计算机实施的方法包括：将所述训练模型应用于图像，以识别与所述图像中的所述特定类型的多个对象相关联的像素。
根据本发明的另一个方面，一种用于识别图像中的对象的系统包括：图像获取模块、用户接口模块、过滤模块、训练模块、以及细胞识别模块。所述图像获取模块接收图像，并且所述用户接口模块接收训练数据。所述训练数据对与所述图像中的特定类型的对象关联的像素进行识别。所述过滤模块开发所述图像的多个过滤版本。所述训练模块对所述训练数据和所述图像的所述多个过滤版本进行处理，以开发用于对与所述特定类型的对象关联的像素进行分类的训练模型。细胞识别模块将所述训练模型应用于所述图像，以识别与所述图像中的所述特定类型的多个对象关联的像素。
附图说明
图1是对象识别系统的示意图；
图2A和图2B是需要由图1的对象识别系统处理的显微图像的示例；
图3A和图3B是显示用户提供的输入的图2A和图2B的图像；
图4是使用图1的系统对图2A的图像进行处理的结果的图像的示例；
图5是图1的系统为训练机器学习功能而进行的处理的流程图；
图6是图1的系统为将图5中开发的训练模型应用到图像而进行的处理的另一流程图；
图7是可以由图1的系统生成的图形用户接口。
具体实施方式
参照图1，用于处理一个或多个显微图像的细胞识别系统100包括图像获取模块102，其从图像源103获取图像。图像源103可以是例如显微镜、数码照相机、或事先获得的图像的仓库。图像获取模块102将获取到的图像存储在图像存储器104中。
用户接口模块106将图像显示在由细胞识别系统100的用户操作的计算机108上。这样的计算机108包括用于对从细胞识别系统100传送到那里的信息和图像进行显示的显示器。计算机108还包括一个或多个输入装置以向系统100提供用户选择。这样的输入设备包括键盘、鼠标、触摸屏、以及诸如此类中的一个或多个。
用户使用计算机108的输入装置来识别所显示的图像中与特定细胞类型的至少一个示例性细胞关联的一个或多个区域。该识别可包括选择和标记所显示的图像中与细胞中心和/或细胞边界关联的多个像素。此外，用户可使用计算机108的输入装置来识别所显示的图像中与不具有任何对象的区域(即，背景)关联的一个或多个区域。用户还可使用计算机108的输入装置来识别所显示的图像中与某个对象(该对象与特定类型的细胞不相关，例如，碎片)关联的一个或多个区域。
在一个实施例中，用户识别所显示的图像中与特定类型的一个细胞关联的所有像素。在其它实施例中，用户识别与特定类型的细胞的一部分(例如，细胞中心或细胞边界)关联的像素。如果用户识别与细胞关联的所有像素，则用户接口模块106可自动地将识别到的像素中最外层像素附近的像素关联为属于该细胞的边界。在一些实施例中，用户接口模块106可显示这样的图像：其用第一颜色突出显示细胞内部的像素并且用第二颜色突出显示细胞边界的像素，并要求用户确认这样的识别是准确的。用户可确认该识别是正确的，或者通过选择与细胞边界关联的像素来对识别到的细胞边界进行调整。
用户接口模块106接收来自计算机108的选择并开发训练数据，并将训练数据存储在训练数据存储器109中。在一个实施例中，训练数据包括像素坐标的列表以及与这样的坐标关联的对象分类。对象分类可以是例如细胞中心、细胞边缘、不需要等中的一种。
除了训练数据，图像分类系统100开发获取的图像的多个过滤版本。具体地，过滤模块110读取存储在获取图像存储器104中的获取的图像，并对获取的图像应用一个或多个图像过滤器。可应用到获取的图像的过滤器包括边缘检测器、峰值检测器、平滑算子等。获取的图像和获取的图像的过滤版本存储到过滤图像存储器112中。
此外，过滤模块110可应用对图像进行二次采样的一个或多个过滤器。此外，过滤模块110可用特定的顺序对图像应用多个过滤器，以开发存储在过滤图像存储器112中的过滤图像。例如，过滤模块110可应用二次采样过滤器并随后对二次采样的图像应用边缘检测过滤器，并将产生的边缘检测的、二次采样的图像存储在过滤图像存储器112中。
训练模块114利用机器训练技术将训练数据、获取的图像和获取的图像的过滤版本用于开发训练模型，其存储在训练模型存储器116中。训练模型包括一组规则，其可以用于对获取的图像中的与例如细胞、细胞边缘、背景等中的一个或多个关联的像素进行区分。这样的训练模型可以应用于获取的图像及其过滤版本，以对获取的图像中的像素进行分类。在一个实施例中，训练模块114使用监督式学习来开发训练模型。开发训练模型的其他方法对于本领域内的技术人员是显而易见的。
在一个实施例中，对于训练数据中的每个坐标，训练模块114评估与该坐标关联的过滤图像存储器112中的每个图像的像素的特征的密度或强度。例如，训练模块114会可确定在训练数据中被识别为具有细胞中心的坐标与获取的图像的第一过滤版本中的对应的像素的第一特定密度和获取的图像的第二过滤版本中的对应的像素的第二密度关联。类似地，训练模块114可确定获取的图像的各背景部分与获取的图像的第一过滤版本中的第三密度和获取的图像的第二过滤版本中的第四密度关联。在另一个示例中，训练模块114可确定与训练数据中的细胞的边界关联的坐标与获取的图像的边缘检测过滤版本中的特定的边缘方向或边缘强度关联。
用这种方式，训练模块114对获取的图像和过滤的图像进行分析，以将训练模型中的对象分类与获取的图像和/或过滤的图像中的特征的指示或强度进行关联，以开发训练模型，该训练模型包括一组规则，该组规则可应用于图像以将该图像中的像素分类为，例如，细胞中心、细胞边缘、背景等。这样的规则作为训练模型存储在训练模型存储器116中。在一些实施例中，训练模块114对这些规则进行评估以确定其有效性。训练模块114将每个规则应用到训练数据上并确定训练数据中的使用这些规则正确识别到的像素的百分比。在一些实施例中，从生成的所有的规则中，训练模块114可识别出能够对获取的图像中的预定百分比的像素进行正确分类的一组规则。这样的一组规则作为训练模型存储在训练模型存储器116中，并且剩余的规则会被丢弃。在一个实施例中，预定的百分比为95％。用户可选择其它的预定百分比，或者可根据正在进行分类的图像的类型来选择其它的预定百分比。
如果训练模块114丢弃所开发的任何规则，则当使用训练模型处理另一个图像时，不需要生成仅被丢弃的规则使用的图像的任何过滤版本。在一些实施例中，训练模块114对将由过滤模块应用于后继图像的过滤器进行调节，以便使得不需要的过滤器不会被应用。在一些实施例中，训练模块114可确定由这些规则用来对训练数据的像素进行分类的过滤图像并相应地调节过滤模块110所使用的该组过滤器。具体地，对该组过滤器进行调节以便使得过滤模块110只将与由这些规则所使用的过滤图像关联的那些过滤器应用于后继获取的图像。过滤模块110对该组过滤器进行的这种调节可降低处理图像所需要的时间。
在一个实施例中，训练模块114将所开发的训练模型应用于获取的图像(和过滤的版本)，以开发获取图像的分类版本。获取图像的分类版本(例如，使用不同的颜色来)识别训练模块所确定为与特定类型的细胞的中心和边界关联的像素。获取图像的分类版本显示在计算机108上，并请用户进行任何纠正。这样的纠正被用于对训练数据进行修改，并且训练模块114使用修改的训练数据来细化训练模型。在一些实施例中，系统100可从修改的训练数据开发新的训练模型。以这种方式，系统100迭代地运行，以细化训练模型，直到用户满意。
在开发训练模型并将其存储在训练模型存储器116中后，可将训练模型应用于由图像获取模块102获取并存储在获取图像存储器104中的另一图像。过滤模块110生成包括存储在训练模型存储器116中的训练模型的规则所要求的另一图像的过滤版本。细胞识别模块(或对象识别模块)118将训练模型应用于另一图像和另一图像的过滤版本，以对另一图像的像素进行分类。细胞识别模块118可开发另一图像的一种版本，其中识别了与细胞的不同部分关联的像素。这样的图像可由用户在其使用的计算机108上进行查看。在一些实施例中，细胞识别模块118可将另一图像的识别了分类的像素的版本提供给细胞测量模块120。细胞测量模块120可使用本领域内的技术人员众所周知的技术来开发另一图像中存在的细胞的数目、这些细胞的尺寸、以及与这些细胞关联的统计数据。
在一个实施例中，细胞测量模块120可选择被分类为属于一个细胞的一组相邻的像素(本文中称之为“种子”)。细胞测量模块120随后通过向其增加额外的像素来生长种子，直到细胞测量模块120确定生长的种子包括与该细胞关联的所有像素。在一个实施例中，为了确定候选像素是否应当被添加到种子中，细胞测量模块120通过将候选像素离原始种子的距离乘以调节系数，并在该乘积上增加原始种子与原始种子和候选像素之间的像素之间的密度变化的绝对值的累积和，来计算得分。如果该得分超出预定的阀值，则该像素不会被增加到种子中。
选择调节系数以平衡密度变化与距离的重要性。如果获取的图像具有尖锐边缘并具有很少的噪声或没有噪声，则停止向种子增加像素的决定可能主要地基于遇到与边缘关联的候选像素(即，候选像素与种子中的其余像素之间的密度的明显变化)。但是，如果获取的图像具有弱边缘或具有大量的噪声，则调节系数选择为使得生长的种子的尺寸来控制是否向该种子增加额外的像素。细胞测量模块120对用户提供的训练数据进行分析以确定用于生长种子以匹配训练数据中提供的细胞边界或细胞尺寸的最优调节系数。选择调节系数的其它方法对于本领域内的技术人员而言将会是显而易见的。
如果如上面描述地对与第一细胞和第二细胞关联的第一种子和第二种子进行生长，并且识别到可加入到任何一个种子的候选像素，则如上面描述的那样计算与第一种子和第二种子关联的第一得分和第二得分。候选像素将会被增加到与较低得分关联的种子中。假定因为第一得分小于第二得分，候选像素被增加到第一种子。第一种子会如上面描述的那样继续生长，直到计算到另一个将要增加到第一种子的候选像素的得分小于预定阀值。以这种方式，可根据上面描述的得分计算将先前增加到第二种子的像素可从第二种子移除并增加到第一种子。以这种方式，位于两个细胞之间的平衡点处的像素被识别为属于两个细胞之间的边界的最佳候选像素。此外，两个细胞中的每一个均保持其自身的身份。
在一些实施例中，可使用本领域内的技术人员众所周知的随机森林决策树技术来实施训练模块114和细胞识别模块118。在其它实施例中，可使用其它机器学习技术来实施训练模块114和细胞识别模块118，包括例如，神经网络、支持向量机、k均值聚类法等。
在一些实施例中，如果用户只对细胞中心进行了分类，则应用训练模型后只会识别细胞中心。在这种情况中，使用本领域内的技术人员众所周知的细胞生长技术，细胞识别可能使用每个识别到的细胞的细胞中心信息并选择同样包括这样的细胞的邻近的像素。
图2A示出了显微图像的示例200。图2B中放大示出了显微图像200的部分202。参照图2B，部分202包括多个细胞204。
图3A和图3B示出了图像300以及其部分302的示例，其示出了用户识别了其中的示例性对象后的显微图像200。用户识别了细胞204的细胞中心304和细胞边界306、以及背景区域308。如上面描述，如果用户识别了细胞204的整体，则系统100可自动地导出细胞边界306。
图4示出了在如上面描述地处理图像200之后产生的图像400。显然，已经识别了整个图像400中的细胞402。
图5是系统100为开发可用于对图像中的像素进行分类的训练模型而进行的处理的流程图500。在步骤502，图像获取模块102获取图像并对图像进行存储。在步骤504，用户接口模块106对获取的图像进行显示。在步骤506，用户接口模块从用户使用的计算机108获得对显示图像中的识别为具有至少一个细胞的像素的识别并开发训练数据。在步骤508，过滤模块110生成获取图像的过滤版本。在步骤510，训练模块114使用在步骤506中开发的训练数据和在步骤508中开发的获取图像的过滤版本来开发训练模型。在一个实施例中，通过使用随机森林决策树技术来开发训练模型，以识别根据获取的图像和获取图像的过滤版本预测训练数据的最优决策树。在一些实施例中，训练模块114可对训练模型进行评估以确定开发的训练模型使用哪些过滤版本。在这样的实施例中，在步骤512，训练模块114对过滤模块110的参数进行更新，以便使得后继图像的不需要的过滤版本不会被开发。
图6示出了系统100为使用训练模型对图像中的像素进行分类并使用这样的分类开发图像中的细胞的统计数据而进行的处理的流程图600。在步骤602，细胞识别模块118加载图5的步骤510中开发训练模型。在步骤604，图像获取模块102获取待分类的图像。在步骤606，过滤模块110开发待分类的图像的过滤版本。在步骤608，细胞识别模块118使用训练模型和待分类的图像的过滤版本对图像中的像素进行分类。在步骤610，细胞测量模块120使用步骤608中为对细胞中心进行计数而开发的像素分类。此外，在一些实施例中，如果只识别了细胞中心，则在步骤612，细胞测量模块120可将包围细胞中心的像素分类为也属于细胞。
在步骤614，细胞测量模块输出细胞中心的计数和识别了细胞的获取图像的图像。在步骤616，图像获取模块102确定是否存在任何额外的待分类的图像，并且如果存在，则处理进行到步骤604以加载另一个图像。否则，退出系统100。
参照图7，图像分类系统100可在计算机107的显示器上生成图形用户接口700。图形用户接口700包括区域702(其中显示获取的图像)、以及软按钮704、706、708、和710。在示例性图形用户接口700中，如果用户选择软按钮704，随后选择显示在区域702中的图像的像素，则这些像素将与细胞内部关联。类似地，如果用户选择软按钮706，随后选择显示在区域702中的图像的像素，则所选择的像素将与显示的图像的背景或其它不感兴趣的区域关联。显然，图形用户接口700中可包括额外的软按钮，以允许用户将选择的图像的像素与额外的像素进行关联。同样显然的是，软按钮704或706可与弹出菜单关联，该弹出菜单允许用户识别特征(例如，细胞中心、细胞类型、细胞边缘、碎片等)，并且图像中的随后选择的任何像素与所识别的特征关联。
如果用户选择软按钮708并随后选择所显示的图像的一个或多个像素，则之前与任何所选择的像素关联的任何特征都会被移除。用户对软按钮710的选择会清除任何对按钮704、706、和708的选择，以便使得用户可以选择图像中的一些像素而不将这些像素与某个特征进行关联。
软按钮712、714、和716允许用户选择线宽。例如，如果用户选择软按钮712，则区域702内部的任何随后的选择将会选择例如一个像素。如果用户选择软按钮714，则区域702内部的任何随后的的选择将会选择例如3个像素。如果用户选择软按钮716，则区域702内部的任何随后的选择将会选择例如5个像素。
图形用户接口700还包括软按钮718，并且选择该按钮会清除用户在显示在区域702中的图像的像素与使用软按钮704和706选择的特征之间进行的任何关联。
用户完成显示在区域702中的图像的像素与各特征的关联后，用户可选择软按钮720来将这样的关联提交给用户接口模块106，以开发训练数据并将其存储在训练数据存储器109中。在一些实施例中，用户接口700调用训练模块114，以开始从存储的训练数据开发训练模型。
系统100可用于识别使用不同模式获取的图像中的对象，这些模式包括透射光、荧光图像、微分干涉差、相位差、明场成像等。系统100可用于用多个标志标记的细胞和未标记的细胞的图像。此外，训练模型可使用用一个模式获取的图像来开发，并且该训练模型可随后应用于用不同的模式获取的图像。
系统100可用于识别和分割大型图像中的对象，例如用于对海胆卵进行分离和计数。
系统100还可用于分割图像中的细胞。例如，用于对与线粒体等对应的图像的像素进行分类。系统100可用于对与图像中的不同细胞群体对应的像素进行分类和区分，例如，用于区分和神经元关联的像素与和胶质细胞关联的像素，或者用于区分和活细胞关联的像素与和死细胞关联的像素。系统100可用于识别与融合在同一图像中的不同群体或相同群体的细胞关联的像素。
尽管上面的系统100在对图像中的细胞进行识别的情境中进行了描述，但是显然这样的系统也可用于识别图像中的任何类型的对象。系统100可用于从背景中识别图像中的分离的对象以及该图像中的融合(或接触)的对象。此外，系统100可用于对与图像中的各种类型的对象对应的像素进行分类。
应当理解和了解的是，可通过一个或多个电子或数字控制装置上的硬件、软件、或硬件与软件的组合来执行结合图1-7描述的模块、过程、子过程、以及处理步骤中的一个或多个。软件可存储于合适的电子处理组件或系统(例如，在图1-7中示意性地示出的功能系统、控制器、装置、组件、模块、或子模块中的一个或多个)中的软件存储器(未示出)中。软件存储器可包括用于实施逻辑功能的可执行指令的有序的列表(即，可以以数字形式(如数字电路或源代码)实施的、或者以如模拟源之类的模拟形式(如模拟电信号、声音信号或视频信号)实施的“逻辑”)。这些指令可在处理模块或控制器(例如，图像获取模块102、用户接口模块106、过滤模块110、训练模块114、细胞识别模块118、以及细胞测量模块120)中执行，其包括例如一个或多个微处理器、通用处理器、多个处理器的组合、数字信号处理器(DSPs)、现场可编程门阵列(FPGAs)、或专用集成电路(ASICs)。此外，示意图描述了具有不受功能的体系结构或物理布局的限制的物理(硬件和/或软件)实施的功能的逻辑分类。本申请中描述的示例系统可以以多种配置实施并作为单独的硬件/软件单元中的或者多个分离的硬件/软件单元中的硬件/软件组件而运行。
可执行指令可被实施为存储有指令的计算机程序产品，当这些指令由电子系统的处理模块执行时，引导电子系统执行指令。计算机程序产品可选择性地实施于任何非暂时性计算机可读存储媒介中，以被指令执行系统、设备、或装置使用，或与指令执行系统、设备、或装置结合使用，指令执行系统、设备、或装置例如为基于计算机的电子系统、包含处理器的系统、或可选择性地从指令执行系统、设备、或装置获取指令并执行指令的其它系统。在本文的上下文中，计算机可读存储媒介是可存储由指令执行系统、设备或装置使用或者与指令执行系统、设备、或装置结合使用的程序的任何非暂时性存储工具。非暂时性计算机可读存储媒介选择性地可以是例如电子、磁性、光学、电磁、红外、或半导体的系统、设备、或装置。非暂时性计算机可读媒介的更多具体示例的不完全清单包括：具有一个或多个电线的电连接(电子)；便携式计算机软盘(磁性)；随机存取(即易失性)存储器(电子)；只读存储器(电子)；可擦除可编程只读存储器，如闪存(电子)；光盘存储器，如CD-ROM、CD-R、CD-RW(光)；以及数字多用光盘存储器，即DVD(光)。应当注意的是，非暂时性计算机可读存储媒介甚至可以是纸或将程序印刷在其上的其它合适的媒介，因为程序可通过例如对纸或其它媒介进行光学扫描来电子地捕获，随后根据需要以适合的方式进行编译、解读，或者其他处理，并随后将其存储在计算机存储器或机器存储器中。
还应当理解的是，在本文中使用的对数据的接收和传输指的是两个或更多系统、装置、组件、模块、或子模块能够通过在某种类型的信号路径上传播的信号来彼此通信。信号可以是通信、功率、数据、或能量信号，其可以沿着第一系统、装置、组件、模块、或子模块与第二系统、装置、组件、模块、或子模块之间的信号路径从第一系统、装置、组件、模块、或子模块向第二系统、装置、组件、模块、或子模块传送信息、功率、或能量。信号路径可包括物理连接、电连接、磁连接、电磁连接、电气化学连接、光学连接、有线连接、或无线连接。信号路径还可包括第一与第二系统、装置、组件、模块、或子模块之间的额外的系统、装置、组件、模块、或子模块。
工业实用性
基于上面的描述，很多对本发明的修改对于本领域内的技术人员而言是显而易见的。本文描述的方法和系统可以用于识别在各种照明条件下以及使用不同显微技术获取的图像中的对象，特别是细胞。相应地，本文描述应当理解为仅仅是说明性的，并且为使得本领域内的技术人员能够制造和使用本发明、以及传授实施本发明的优选模式的目的而提供。保留对在所附权利要求的范围内作出的所有修改的专有权。

Claims (20)

1.一种对与图像中的多个对象关联的多个像素进行分类的计算机实施的方法，包括：
接收图像；
接收训练数据，其中所述训练数据对与所述图像中的特定类型的对象关联的像素进行识别；
开发所述图像的多个过滤版本；
对所述训练数据和所述图像的所述多个过滤版本进行处理，并且对接收的图像和所述图像的所述多个过滤版本进行分析，以将训练模型中的对象分类与所述接收的图像和/或所述图像的所述多个过滤版本中的特征的指示或强度进行关联，以开发用于对与所述特定类型的对象关联的像素进行分类的所述训练模型；
将所述训练模型应用于所述图像，以识别与所述图像中的所述特定类型的对象关联的像素；以及
多个图像处理步骤，以对对象分割进行细化。
2.如权利要求1所述的计算机实施的方法，其中应用所述训练模型识别与所述图像中的所述特定类型的融合的对象之间的边界关联的像素。
3.如权利要求1所述的计算机实施的方法，其中所述特定类型是生物细胞，并且应用所述训练模型识别与所述图像中的融合的生物细胞之间的边界关联的像素。
4.如权利要求3所述的计算机实施的方法，还包括接收另一个图像，并将所述训练模型应用于所述另一个图像，以识别与所述另一个图像中的多个细胞关联的像素。
5.如权利要求4所述的计算机实施的方法，其中将所述训练模型应用于所述另一个图像包括开发所述另一个图像的多个过滤版本。
6.如权利要求5所述的计算机实施的方法，其中：
开发所述图像的所述多个过滤版本中的每一个包括应用选自第一组过滤器的过滤器；
开发所述另一个图像的所述多个过滤版本中的每一个包括应用选自第二组过滤器的过滤器；以及
其中所述第一组过滤器和所述第二组过滤器是不同的。
7.如权利要求3所述的计算机实施的方法，其中应用所述训练模型包括使用随机森林决策树算法、神经网络、支持向量机、以及k均值聚类法中的一种。
8.如权利要求3所述的计算机实施的方法，其中开发所述图像的过滤版本包括应用边缘检测过滤器、峰值检测过滤器、二次抽样过滤器、以及平滑算子中的一种。
9.如权利要求3所述的计算机实施的方法，还包括确定与所述图像中的所述多个细胞关联的识别到的像素所代表的细胞的数量。
10.如权利要求3所述的计算机实施的方法，还包括对识别到的细胞的识别到的部分进行生长或细化，以选择与所述细胞关联的额外的像素。
11.一种用于识别图像中的对象的系统，包括：
图像获取模块，其接收图像；
用户接口模块，其接收训练数据，其中所述训练数据对与所述图像中的特定类型的对象关联的像素进行识别；
过滤模块，其开发所述图像的多个过滤版本；
训练模块，其对所述训练数据和所述图像的所述多个过滤版本进行处理，并且对接收的图像和所述图像的所述多个过滤版本进行分析，以将训练模型中的对象分类与所述接收的图像和/或所述图像的所述多个过滤版本中的特征的指示或强度进行关联，以开发用于对与所述特定类型的对象关联的像素进行分类的所述训练模型；对象识别模块，其将所述训练模型应用于所述图像，以识别与所述图像中的所述特定类型的多个对象关联的像素；以及
图像处理模块，其对分类结果进行细化并获得对象分割。
12.如权利要求11所述的系统，其中所述对象识别模块识别与所述特定类型的融合的对象之间的边界关联的像素。
13.如权利要求11所述的系统，其中所述特定类型是生物细胞，并且其中所述对象识别模块识别与所述图像中的融合的生物细胞之间的边界关联的像素。
14.如权利要求13所述的系统，其中所述图像获取模块接收另一个图像，并且所述细胞识别模块将所述训练模型应用于所述另一个图像，以识别与所述另一个图像中的多个细胞关联的像素。
15.如权利要求14所述的系统，其中所述过滤模块开发所述另一个图像的多个过滤版本，并且所述细胞识别模块使用所述另一个图像的所述多个过滤版本来识别与所述图像中的所述多个细胞关联的像素。
16.如权利要求15所述的系统，其中所述过滤模块使用第一组过滤器来开发所述图像的所述多个过滤版本，并使用第二组过滤器来开发所述另一个图像的所述多个过滤版本，并且其中所述第一组过滤器和所述第二组过滤器是不同的。
17.如权利要求13所述的系统，其中所述对象识别模块使用随机森林决策树算法、神经网络、支持向量机、以及k均值聚类法中的一种。
18.如权利要求13所述的系统，其中所述过滤模块对所述图像应用边缘检测过滤器、峰值检测过滤器、二次抽样过滤器、以及平滑算子中的一种。
19.如权利要求13所述的系统，还包括细胞测量模块，其确定与所述图像中的所述多个细胞关联的识别到的像素所代表的细胞的数量。
20.如权利要求13所述的系统，其中所述细胞测量模块计算与所述图像中的所述多个细胞关联的统计数据。
CN201480059295.8A 2013-10-28 2014-10-14 用于显微图像中的单独细胞的分类和识别的方法和系统 Active CN105849274B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361896282P 2013-10-28 2013-10-28
US61/896,282 2013-10-28
PCT/US2014/060417 WO2015065697A1 (en) 2013-10-28 2014-10-14 Method and system for classifying and identifying individual cells in a microscopy image

Publications (2)

Publication Number Publication Date
CN105849274A CN105849274A (zh) 2016-08-10
CN105849274B true CN105849274B (zh) 2020-01-21

Family

ID=53004937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480059295.8A Active CN105849274B (zh) 2013-10-28 2014-10-14 用于显微图像中的单独细胞的分类和识别的方法和系统

Country Status (6)

Country Link
US (2) US9830502B2 (zh)
EP (1) EP3063289B1 (zh)
JP (1) JP6619732B2 (zh)
KR (1) KR102273115B1 (zh)
CN (1) CN105849274B (zh)
WO (1) WO2015065697A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102359391B1 (ko) * 2016-11-08 2022-02-04 삼성전자주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스
WO2018088794A2 (ko) * 2016-11-08 2018-05-17 삼성전자 주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스
KR101883350B1 (ko) * 2016-11-22 2018-08-02 (주) 테크로스 샘플수 분석장치 및 방법
KR101844928B1 (ko) * 2016-11-24 2018-04-03 (주) 테크로스 샘플수 분석장치 및 방법
GB201705876D0 (en) 2017-04-11 2017-05-24 Kheiron Medical Tech Ltd Recist
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
JP7030423B2 (ja) 2017-04-27 2022-03-07 シスメックス株式会社 画像解析方法、装置、プログラムおよび深層学習アルゴリズムの製造方法
CN107729932B (zh) * 2017-10-10 2019-07-26 杭州智微信息科技有限公司 骨髓细胞标记方法和系统
CN107977684B (zh) * 2017-12-20 2018-10-23 杭州智微信息科技有限公司 一种快速修正骨髓有核细胞分类的交互方法
KR102072445B1 (ko) * 2018-01-30 2020-02-03 서강대학교 산학협력단 마이크로웰 어레이의 이미지 분석을 위한 분석 알고리즘 형성방법
KR102237288B1 (ko) * 2018-02-07 2021-04-07 울산과학기술원 기계학습 알고리즘을 이용한 이미지 변환 방법 및 장치
US10586129B2 (en) 2018-02-21 2020-03-10 International Business Machines Corporation Generating artificial images for use in neural networks
JP2021517255A (ja) * 2018-03-07 2021-07-15 ヴァーディクト ホールディングス プロプライエタリー リミテッド 顕微鏡による生物学的物質の同定方法
JP2019195304A (ja) 2018-05-10 2019-11-14 学校法人順天堂 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法
CN108961301B (zh) * 2018-07-12 2021-11-02 中国海洋大学 一种基于无监督逐像素分类的角毛藻图像分割方法
US10853943B2 (en) * 2018-07-31 2020-12-01 Element Ai Inc. Counting objects in images based on approximate locations
EP3608701A1 (de) * 2018-08-09 2020-02-12 Olympus Soft Imaging Solutions GmbH Verfahren zur bereitstellung wenigstens einer auswertemethode für proben
EP3629242A1 (de) * 2018-09-28 2020-04-01 Siemens Healthcare Diagnostics, Inc. Verfahren zum konfigurieren einer bildauswerteeinrichtung sowie bildauswerteverfahren und bildauswerteeinrichtung
DE102018217901A1 (de) * 2018-10-18 2020-04-23 Leica Microsystems Cms Gmbh Optimierung von Arbeitsabläufen von Mikroskopen
KR102613720B1 (ko) * 2018-11-07 2023-12-13 트러스티즈 오브 터프츠 칼리지 표면 식별을 위한 원자힘 현미경
KR102084682B1 (ko) 2019-01-07 2020-03-04 기초과학연구원 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치
CN113632138A (zh) 2019-03-29 2021-11-09 富士胶片株式会社 图像处理装置、图像处理装置的工作方法及图像处理装置的工作程序
WO2020210734A1 (en) 2019-04-11 2020-10-15 Agilent Technologies, Inc. User interface configured to facilitate user annotation for instance segmentation within biological sample
JP7381003B2 (ja) 2019-04-26 2023-11-15 学校法人順天堂 疾患解析を支援する方法、装置、及びコンピュータプログラム、並びにコンピュータアルゴリズムを訓練する方法、装置、及びプログラム
KR102338050B1 (ko) * 2019-08-30 2021-12-13 포항공과대학교 산학협력단 주사투과전자현미경 이미지에서의 원자 구조 해석 방법
WO2021059572A1 (ja) 2019-09-27 2021-04-01 富士フイルム株式会社 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム
EP4214676A1 (en) * 2020-09-21 2023-07-26 Molecular Devices, LLC Method and system of developing an imaging configuration to optimize performance of a microscopy system
CN114418995B (zh) * 2022-01-19 2023-02-03 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 一种基于显微镜图像的级联藻类细胞统计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5987158A (en) * 1994-09-20 1999-11-16 Neopath, Inc. Apparatus for automated identification of thick cell groupings on a biological specimen
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978497A (en) * 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
US20060269135A1 (en) * 2005-03-15 2006-11-30 Ramsay Thomas E System and method for identifying objects of interest in image data
US20080292194A1 (en) * 2005-04-27 2008-11-27 Mark Schmidt Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images
WO2009058915A1 (en) * 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
US8488863B2 (en) * 2008-11-06 2013-07-16 Los Alamos National Security, Llc Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials
US8175369B2 (en) * 2008-12-12 2012-05-08 Molecular Devices, Llc Multi-nucleated cell classification and micronuclei scoring
JP5396977B2 (ja) * 2009-04-09 2014-01-22 株式会社ニコン データ処理装置、データ処理方法およびプログラム
US8483488B2 (en) * 2009-08-07 2013-07-09 Medinol Ltd. Method and system for stabilizing a series of intravascular ultrasound images and extracting vessel lumen from the images
WO2012178069A1 (en) * 2011-06-22 2012-12-27 The Johns Hopkins University System and device for characterizing cells
US8731278B2 (en) * 2011-08-15 2014-05-20 Molecular Devices, Inc. System and method for sectioning a microscopy image for parallel processing
US8705834B2 (en) * 2011-11-08 2014-04-22 Perkinelmer Cellular Technologies Germany Gmbh Methods and apparatus for image analysis using threshold compactness features
EP2776975A1 (en) * 2011-11-08 2014-09-17 Perkinelmer Cellular Technologies Germany GmbH Methods and apparatus for image analysis using profile weighted intensity features
US20130138352A1 (en) * 2011-11-30 2013-05-30 Molecular Devices, Llc System and method for determining a baseline measurement for a biological response curve
US20130329987A1 (en) * 2012-06-11 2013-12-12 Genesis Group Inc. Video segmentation method
US9147132B2 (en) * 2013-09-11 2015-09-29 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5987158A (en) * 1994-09-20 1999-11-16 Neopath, Inc. Apparatus for automated identification of thick cell groupings on a biological specimen
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统

Also Published As

Publication number Publication date
US20180165509A1 (en) 2018-06-14
WO2015065697A1 (en) 2015-05-07
US9830502B2 (en) 2017-11-28
KR102273115B1 (ko) 2021-07-06
US10061974B2 (en) 2018-08-28
EP3063289A1 (en) 2016-09-07
CN105849274A (zh) 2016-08-10
KR20160078955A (ko) 2016-07-05
JP6619732B2 (ja) 2019-12-11
US20160259963A1 (en) 2016-09-08
EP3063289B1 (en) 2020-01-08
JP2016534709A (ja) 2016-11-10
EP3063289A4 (en) 2017-06-21

Similar Documents

Publication Publication Date Title
CN105849274B (zh) 用于显微图像中的单独细胞的分类和识别的方法和系统
US20230186657A1 (en) Convolutional neural networks for locating objects of interest in images of biological samples
CN109800824B (zh) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
JP5546317B2 (ja) 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム
KR101969022B1 (ko) 영상 분석 장치 및 방법
CN107206384B (zh) 用于实验室自动化的侧视样品管图像中的条形码标签检测
CN108426994A (zh) 分析数字全息显微术数据以用于血液学应用
WO2014087689A1 (ja) 画像処理装置、画像処理システム及びプログラム
US8731278B2 (en) System and method for sectioning a microscopy image for parallel processing
CN113673305A (zh) 使用最短连线特征的图像标记
US10769432B2 (en) Automated parameterization image pattern recognition method
US11321585B2 (en) Imaging device and morphological feature data display method
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN113614778A (zh) 图像分析系统及使用该图像分析系统的方法
RU2476932C1 (ru) Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданных классов на неоднородном фоне
Khoshdeli et al. Deep learning models delineates multiple nuclear phenotypes in h&e stained histology sections
KR102158967B1 (ko) 영상 분석 장치, 영상 분석 방법 및 기록 매체
KR102048948B1 (ko) 영상 분석 장치 및 방법
CN114037868B (zh) 图像识别模型的生成方法及装置
Romero-Rondón et al. Algorithm for detection of overlapped red blood cells in microscopic images of blood smears
Ufuktepe et al. Deep learning-based cell detection and extraction in thin blood smears for malaria diagnosis
Sanders et al. Learning-guided automatic three dimensional synapse quantification for drosophila neurons
El-Shenawy Automatic detection and identification of cells in digital images of day 2 IVF embryos
Liu et al. A two-stage deep counting for bacterial colonies from multi-sources

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