CN109564622B - 增强病理诊断 - Google Patents

增强病理诊断 Download PDF

Info

Publication number
CN109564622B
CN109564622B CN201780049448.4A CN201780049448A CN109564622B CN 109564622 B CN109564622 B CN 109564622B CN 201780049448 A CN201780049448 A CN 201780049448A CN 109564622 B CN109564622 B CN 109564622B
Authority
CN
China
Prior art keywords
pathology
interest
user
regions
image
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
CN201780049448.4A
Other languages
English (en)
Other versions
CN109564622A (zh
Inventor
J.K.巴拉尔
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.)
Verily Life Sciences LLC
Original Assignee
Verily Life Sciences 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 Verily Life Sciences LLC filed Critical Verily Life Sciences LLC
Publication of CN109564622A publication Critical patent/CN109564622A/zh
Application granted granted Critical
Publication of CN109564622B publication Critical patent/CN109564622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

一种方法包括用显微镜放大病理样本以形成放大的病理图像，以及用光学地耦合到显微镜的数字相机记录放大的病理图像。该方法还包括将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域。向显微镜的用户警告放大的病理图像中的一个或多个感兴趣区域。

Description

增强病理诊断
技术领域
本公开一般涉及用于辅助病理学的系统/方法。
背景技术
病理学是与疾病的研究和诊断相关的医学学科。最常见的病理学涉及体液、组织和细胞样本的分析和检查。作为一般调查和研究的领域，病理学涉及疾病的四个方面：(1)病因学；(2)发病机理；(3)形态变化；和(4)形态变化的后果。
病理学领域可以追溯到古代。许多早期社会通过解剖/检查对生物条件有了基本的了解。在希腊的古希腊时期，人类文化中出现了疾病的因果研究。随着时间的推移，通过病理学人类对疾病的理解继续逐步推进；例如，病理学的许多进步归因于中世纪的伊斯兰教时代。
然而，随着微生物学的出现，现代病理学在1800年代后期才作为一个独特的研究领域出现。现在病理学是一种分为许多子学科的主要的医学实践。在所有这些子学科中，对检查病理学家的工作有第二意见有助于消除错误的诊断。消除病理学中的诊断错误可以导致更健康的人群并减少病理学家的责任风险。
发明内容
本公开提供了一种用于增强病理诊断的方法和机器可访问存储介质。
根据本公开的一方面，提供了一种用于增强病理诊断的方法，该方法包括：用显微镜放大病理样本以形成放大的病理图像；用光学地耦合到显微镜的数字相机记录放大的病理图像；将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域；以及向显微镜的用户警告放大的病理图像中的一个或多个感兴趣区域。
根据本公开的另一方面，提供了用于增强病理诊断的机器可访问存储介质，其提供指令，当该指令由处理装置运行时，将使处理装置执行包括以下操作的操作：从光学地耦合到显微镜的数字相机接收病理样本的放大的病理图像；将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域；以及向显微镜的用户警告放大的病理图像中的所述一个或多个感兴趣区域。
应该理解，前面的一般描述和下面的详细描述两者都是示例性的，并且旨在提供要求保护的技术的进一步说明，而不旨在限制本公开的技术构思。
附图说明
参考以下附图描述本发明的非限制性和非穷举性实施例，其中除非另有说明，否则相同的附图标记在各个视图中指代相同的部分。附图不一定按比例绘制，而是将重点放在说明所描述的原理上。
图1示出了根据本公开的实施例的用于病理诊断的系统。
图2示出了根据本公开的实施例的用于训练机器学习算法的病理数据库。
图3示出了根据本公开的实施例的病理学家使用图1的系统可能经历的情况。
图4是示出根据本公开的一些实施例的病理诊断方法的流程图。
具体实施方式
本文描述了用于增强病理诊断的装置和方法的实施例。在以下描述中，阐述了许多具体细节以提供对实施例的透彻理解。然而，相关领域的技术人员将认识到，可以在没有一个或多个具体细节的情况下，或者利用其它方法、组件、材料等来实践本文描述的技术。在其它情况下，众所周知的结构、材料、或者操作未详细示出或描述以避免模糊某些方面。
贯穿本说明书对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，贯穿本说明书在各个地方出现的短语“在一个实施例中”或“在实施例中”不一定都指的是相同实施例。此外，特定特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。
本公开提供了用于增强病理诊断的系统和方法。更具体地，这些系统和方法可用于在诊断疾病中辅助病理学家。机器学习算法可以被训练以在机器学习算法识别出样本中的感兴趣区域(例如，患病组织、非典型细胞、异常生长等)时，向病理学家警告病理样本中的这些区域。向病理学家提供第二意见可以提高病理学家的效率(通过允许病理学家在每个载玻片上花费更少的时间)，并且降低不准确的诊断的可能性(通过向病理学家警告样本中的感兴趣区域)。
图1示出了根据本公开的实施例的用于病理诊断的系统100。系统100包括：显微镜101、数字相机103、麦克风105、屏幕107、处理装置109、网络111、存储装置123、扬声器125、第一机械到电换能器(transducer)113、以及第二机械到电换能器115。
在所示实施例中，用户(例如，病理学家)用显微镜101观察放大的病理样本。显微镜101放大病理样本以形成放大的病理图像。用光学地耦合到显微镜101的数字相机103记录放大的病理图像。数字相机103电耦合(有线或无线)到处理装置109(例如，台式计算机、服务器等)以发送放大的病理图像(静态帧或视频)到处理装置109。处理装置109将放大的病理图像与病理数据库(包含在远程或本地存储装置123中)中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域(例如，屏幕107上的轮廓部分131)。如果在放大的病理图像中存在感兴趣区域，则系统100可以向显微镜101的用户警告一个或多个感兴趣区域。响应于识别到一个或多个感兴趣区域，该警报可以是音频警报(例如，来自扬声器125的语音说“在图像的左下角看可能有癌症”)、视觉警报(例如，在屏幕107上突出显示感兴趣区域131)、或者触觉警报(例如，振动显微镜101的镜台)。
在一个实施例中，机器学习算法(参见下面的图2)用于识别一个或多个感兴趣区域，并且被训练以使用病理学数据库中的参考病理图像识别一个或多个感兴趣区域。病理数据库可以包括参考病理图像、来自病理学家的注释、以及来自病理学家的分级/诊断的许多组合。在处理装置109上，可以运行图像处理和机器学习算法，以便实时解释来自数字相机103的图像数据，并且能够在监视器上可视地或通过音频反馈向用户(病理学家)提供指导(例如，“前列腺腺癌格里森(Gleason)评分6”、“载玻片折叠”、“图像失焦”等)。为方便起见，可以将耳机添加到系统100，并且可以针对由数字相机103捕获的视频/图像来记录和存档会话。
病理数据库中的参考图像可以包括机器学习算法已被训练以识别为病变或健康组织的、数十万甚至数百万个病理样本的图像。此外，病理数据库还可以包括与病理数据库中的参考病理图像相对应的来自经过训练的病理学家的注释(参见下面的图2)。机器学习算法可以结合参考病理图像使用来自病理学家的注释来训练自身以识别放大的病理图像中的一个或多个感兴趣区域。病理数据库可以包括病理学家在记录参考病理图像时说出的转录文本。例如，在数据库中记录图像的病理学家可能会说“样本的这部分看起来正常”。机器学习算法可以从数据库接收该语句作为自然语言或转录文本，并且知道对病理学家所指的样本部分没有任何兴趣。机器学习算法可以注意使其“正常”的样本的特征并且在未来图像中识别出这些特征。可替换地，病理学家可能已经做出关于样本是恶性的陈述，并且机器学习算法可以注意恶性样本的特征，并将恶性样本的这种认识应用于未来放大的病理图像。
在一个实施例中，病理数据库还包括关于病理数据库中的参考病理图像的载玻片(slide)位置信息和放大率信息。例如，当参考样本作为静态照片或视频包含在数据库中时，可能已经记录了显微镜聚焦的位置(载玻片位置信息)-这可以包括样本上的相对坐标、显微镜镜台的位置等。类似地，也可以记录用于观察参考病理图像中的特征的放大等级。例如，机器学习算法知道在确定“良性”或“恶性”时使用了什么放大率可能是有益的，因为某些特征可能仅在某些放大率下可见。机器学习算法可以使用载玻片位置信息和放大率信息来识别放大的病理图像中的一个或多个感兴趣区域。
在所示实施例中，系统100可以识别被认为未被用户充分检查的病理样本的区域，并且向用户通知一个或多个可能的感兴趣区域(例如，在系统100看来可能包含患病、癌性或其它感兴趣的组织/流体等的样本区域)。例如，如果系统100的用户正在检查病理样本并且无意中越过了系统100识别为可能重要的区域，则系统100可以警告用户存在一个或多个可能的感兴趣区域。可以以上面讨论的方式(例如，经由音频、视觉、触觉或其它方法)实现警告用户。在一个实施例中，可以训练机器学习算法以基于用户查看区域达阈值时间量来识别被认为未充分被用户检查的病理样本的区域。在一个示例中，这可以涉及跟踪样本是否在用户的视野中达阈值时间量的机器学习算法。例如，如果系统100的用户花费不到一秒钟查看病理样本中的区域，则系统100可以假设样本的该区域被越过。
然而，系统100可以更精细，并且可以使用不仅仅是时间作为样本的一部分是否未被充分检查的唯一度量。这是因为经过训练的病理学家可能只需要浏览病理样本的一个区域就立即知道它不是感兴趣区域。因此，系统100可以通过采用视点检测(gaze detection)(如图1中的显微镜101的目镜的虚线所示)、病理样本的位置(例如，镜台位置或样本上的相对位置)或显微镜101的放大级别中的至少一个来确定用户已经/未查看特定区域。因此，如果经过训练的病理学家因为他/她甚至从未看过病理样本中的区域而错过了病理样本中的区域，则系统100可以使用视点检测(例如，瞳孔扩张)并警告病理学家他/她越过了样本的这部分。
在所示实施例中，处理装置109耦合(有线或无线)到网络111和/或存储装置123。网络111和存储装置123可以是本地的或远程的，并且可以是或可以不是分布式的。存储装置123可以包括RAM、ROM、硬盘、闪存或任何其它合适的存储器系统。网络111可以包括互联网或局域网。在一个实施例中，处理装置109可以是网络111上的分布式系统。本领域技术人员将理解，根据本公开的教导，存在任何数量的处理/存储数据的方式。
在所描绘的实施例中，麦克风105电耦合到处理装置109(有线或无线)以记录病理学家所说的内容。该信息可以用于更新病理数据库并进一步教导机器学习算法。另外，由数字相机103捕获的图像还可以用于更新病理数据库以及显微镜镜台位置(由机械到电换能器113提供)和放大率级别(由机械到电换能器115提供)。
在一些实施例中，系统100可以用于帮助病理学家过渡到全数字显微镜环境，并且鼠标被耦合到处理装置109和/或显微镜101。鼠标可以控制显微镜101上的机动镜台。病理学家可以选择物理移动载玻片(通过转动显微镜上的小块)或者病理学家可以移动鼠标，并且机动镜台将载玻片移动到相应的位置。在一个实施例中，可以捕获镜台的运动以进一步通知机器学习算法(例如，找出载玻片的哪些部分已被忽略/越过)。
图2示出了根据本公开的实施例的用于训练机器学习算法203的病理数据库201。可以使用类似于图1的系统100的系统来创建病理数据库201，并且可以将病理数据库201存储在存储装置123中。如所描绘的实施例中所示，病理数据库201包括由数字相机(例如，数字相机103)捕获的病理图像(例如，视频或静止帧)。病理图像相对于它们的帧数、记录时间、病理学家的声音注释(转录)、显微镜镜台位置、它们被收集的放大率以及病理学家视点的位置来被索引。本领域技术人员将理解，图1中描绘的系统100能够用于创建具有任意数量的维度和输入的数据库，并且不限于此处描述的那些维度/输入。
如图所示，光学地耦合到显微镜(例如，显微镜101)的数字相机(例如，数字相机103)可以开始将病理样本的图像记录为数字视频或静止帧。视频的每个帧相对于其捕获时间来被索引。例如，在所描绘的实施例中，在记录的前三微秒期间捕获帧一，在记录的第四到第七微秒内捕获帧二等。麦克风(例如，麦克风105)也可以记录显微镜用户的语音注释。声音注释可以被转换为文本和/或索引到它们各自的记录时间和视频帧。在所描绘的实施例中，当捕获帧一时(在记录的前三微秒期间)，病理学家说出“这”一词；在随后的帧中，病理学家说出“看起来像淋巴组织并可能是良性的”。
系统还可以记录显微镜镜台的位置并相对于记录时间和放大的病理图像对其进行索引。在所描绘的实施例中，使用距离镜台的左下方位置的(0,0)点的X、Y坐标测量镜台的位置，并且镜台移动以微米为单位测量。然而，在其它实施例中，镜台轴可以不同地定向(例如，(0,0)点位于镜台的右下方位置)，测量单位可以是不同的(例如，毫米、厘米等)，并且还可以记录镜台的Z位置。此外，“镜台位置”应该被宽泛地解释，因为它用于识别样本上的特定位置，本领域技术人员将理解可以以任何数量的方式实现“镜台位置”。在一个实施例中，相对于被成像的载玻片的维度而不是相对于显微镜硬件光学地确定镜台位置。如图所示，还相对于记录时间、转录文本、镜台位置和视点象限记录了查看特定帧的放大率。
还可以相对于所示出和讨论的其它维度/输入来对用户的视点进行索引。在所描绘的实施例中，用户/病理学家的视点在各象限中测量；意味着用户看到的图像被细分为四个子图像，并且系统记录在记录时间期间哪个子图像正在被用户查看。这可以通过安装在显微镜或其它外部系统中的硬件/软件来实现，如本领域技术人员将理解，存在许多不同的方式来检测视点。此外，虽然这里描绘的实施例仅非常一般地示出了病理学家/显微镜用户正在查看的位置，但是在其它实施例中，记录了用户正在查看的确切坐标。
在一个实施例中，对放大的病理图像和语音注释进行索引可以包括将用户的语音注释标记到放大的病理图像中的感兴趣区域。例如，在上面描绘的实施例中，病理学家对“良性”的诊断在40倍放大处与镜台位置坐标(136,47)相关联，并且他/她正在查看象限3和4。这允许机器学习算法203知道病理学家在做出“良性”判断时查看的准确位置。此外，机器学习算法203知道检查历史(到目前为止检查了多少载玻片)。在所描绘的实施例中，处理装置还可以包括以下逻辑：当由处理装置运行时，使得处理装置将病理学家的语音注释转换为文本，并且关于提及和讨论的其它维度/输入当中的记录时间和放大的病理图像对文本进行索引。在另一个或相同实施例中，病理学家可以能够查看所收集的病理图像，并且直接对图像进行注释来示出感兴趣区域(例如，在数字图像上圈出癌细胞、在紧挨未知的细胞构造处放置星等)以使教导机器学习算法203更容易。
值得注意的是，不止一个病理学家可以查看和注释病理样本。可以添加额外的数据库行和/或列，以便捕获来自两个病理学家的信息。然后可以比较两个病理学家的输入，以生成关于样本/载玻片已知信息的基本事实/论据。关于病理样本的信息的冗余可以使病理数据库201中的诊断更加稳健，并且提供更大的样本尺寸以训练机器学习算法203。
可以将上面讨论的所有输入馈送到机器学习算法203中以训练机器学习算法203来识别病理样本中的感兴趣区域。机器学习算法203可以基于神经网络类型方法或其它方法，诸如关联规则学习、深度学习、归纳逻辑编程、决策树学习、支持向量机、贝叶斯网络、强化学习、聚类、表示学习、相似性和度量学习、稀疏字典学习、遗传算法等。另外，机器学习算法203可以包括并行或以离散间隔运行的多个不同算法。
图3示出了根据本公开的实施例的使用图1的系统100病理学家可能经历的情况。图像301是用户/病理学家在通过显微镜101查看时可能看到的内容。在一个实施例中，图像301被投影到屏幕107上。在检查病理样本几分钟之后，扬声器(例如，图1的扬声器125)可以输出几个语句，如语句303(让用户/病理学家知道他们越过了载玻片上有可能的感兴趣区域的点(spot))和语句305(告诉用户一个或多个感兴趣区域中的结构的诊断，以及输出诊断的置信区间)。如图所示，可以在图像301中突出显示(例如，画轮廓)感兴趣区域和可能的感兴趣区域。轮廓可以出现在屏幕上或显微镜的目镜中。在一个实施例中，突出显示可包括直接照射在样本上的激光、或任何其它方式以警告病理学家检查样本。
除了从机器学习算法接收指导之外，病理学家还可以能够通过与GUI交互或通过呼叫帮助(“好的，显微镜，呼叫乳房病理学家”)来启动视频聊天应用。然后可以将来自显微镜的视频发送到远程监视器以进行查看。远程监督人员可以能够直接与本地病理学家和系统100通信。可以根据需要添加更多的监督人员/专家。这种监督能力也可以用于学生评估。
监督能力可以与机器学习算法组合：如果系统检测到罕见的诊断，则可以建议呼叫专家或者甚至自动地进行。也可以扩展这种能力以实现共识病理学，其中每个载玻片总是被许多病理学家同时检查，并且仅在达成共识时才做出诊断(例如，最初三个病理学家是连接的，如果他们不同意，则第四个病理学家添加等等，则直到达到所需的同意级别)。
图4是示出了根据本公开的一些实施例的病理诊断的方法400的流程图。过程块401-407中的一些或全部出现在方法400中的顺序不应被视为限制。相反，受益于本公开的本领域普通技术人员将理解，方法400中的一些可以以未示出的或者甚至并行的各种顺序运行。
块401示出了用显微镜放大病理样本以形成放大的病理图像。这可以通过调整显微镜上的小块手动完成，或者可以使用控制显微镜的计算机系统数字地执行。在一个实施例中，显微镜还可以自动地缩放/移动载玻片，从而首先向病理学家显示载玻片的最相关部分(以便做出诊断)。该特征可以与载玻片进给装置组合以大大加速病理学家的工作流程。
块403示出了利用光学地耦合到显微镜的数字相机记录放大的病理图像。处理装置可以无线地或通过有线传输从数字相机接收放大的病理图像。
块405描述了将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域。在一个实施方案中，一个或多个感兴趣区域包括病理样本的患病部分或病理样本中的非典型细胞中的至少一个。处理装置可以运行机器学习算法以识别一个或多个感兴趣区域，并且机器学习算法可以被训练以使用病理数据库识别感兴趣区域(参见上文图2)。如上所述，病理数据库可以包括与病理数据库中的参考病理图像相对应的、来自病理学家的注释。机器学习算法可以结合参考病理图像使用来自病理学家的注释来识别放大的病理图像中的一个或多个感兴趣区域。
在一个实施例中，病理数据库还包括放大率信息和位置信息以识别参考病理图像上的位置。机器学习算法可以由参考病理图像训练并使用关于参考病理图像的位置信息和放大率信息来识别放大的病理图像中的一个或多个感兴趣区域。在一个实施例中，病理数据库还包括用于训练机器学习算法的相同疾病的多个参考病理图像(例如，数据库可以具有许多黑素瘤图像)。
块407示出了向显微镜的用户警告放大的病理图像中的一个或多个感兴趣区域。这可以涉及处理装置向麦克风输出指令以输出语音、突出显示屏幕的一部分、或移动(例如，振动)设备的一部分。在一个实施例中，机器学习算法输出一个或多个感兴趣区域中的结构的诊断。在另一个或相同的实施例中，机器学习算法可以基于病理数据库中的参考病理图像输出诊断的置信区间。
以计算机软件和硬件的形式解释了上述过程。所描述的技术可以构成在有形或非暂时性机器(例如，计算机)可读存储介质中体现的机器可运行指令，当由机器运行该指令时将使机器执行所描述的操作。另外，这些过程可以体现在硬件中，诸如专用集成电路(Application Specific Integrated Circuit，“ASIC”)或其它硬件。
有形的非暂时性机器可读存储介质包括以可以由机器(例如，计算机，网络设备、个人数字助理、制造工具、具有一组一个或多个处理器的任何设备等)访问的形式提供(即，存储)信息的任何机构。例如，机器可读存储介质包括可记录/不可记录介质(例如，只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁盘存储介质、光存储介质、闪存设备等)。
本发明的所示实施例的以上描述(包括摘要中所描述的内容)并非旨在穷举或将本发明限制于所公开的精确形式。尽管出于说明性目的在本文中描述了本发明的特定实施例和示例，但是如相关领域的技术人员将认识到的，在本发明的范围内可以进行各种修改。
根据以上详细描述，可以对本发明进行这些修改。以下权利要求中使用的术语不应被解释为将本发明限制于说明书中公开的特定实施例。相反，本发明的范围完全由所附权利要求确定，所附权利要求应根据权利要求解释的既定原则来解释。要求专有财产或特权的本发明的实施例如权利要求所定义。

Claims (15)

1.一种用于增强病理诊断的方法，包括：
用显微镜放大病理样本以形成放大的病理图像；
用光学地耦合到显微镜的数字相机记录放大的病理图像；
将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域，其中，机器学习算法被用于识别所述一个或多个感兴趣区域，并且其中，所述机器学习算法被训练以使用病理数据库中的参考病理图像来识别一个或多个感兴趣区域；
向显微镜的用户警告放大的病理图像中的所述一个或多个感兴趣区域；以及
识别被认为未被用户充分检查的病理样本的区域，并且其中，警告所述用户还包括：
通知用户被认为未被用户充分检查的病理样本的区域中的一个或多个可能感兴趣区域，其中，所述机器学习算法被训练以通过跟踪区域是否在用户的视野中达到了阈值时间量来识别被认为未被用户充分检查的病理样本的区域，并且
其中，通过病理样本上的位置和显微镜的放大率级别中的至少一个来进一步确定被认为未被用户充分检查的病理样本的区域。
2.如权利要求1所述的方法，其中，所述病理数据库还包括与所述病理数据库中的参考病理图像相对应的、来自病理学家的注释，并且其中，所述机器学习算法结合所述参考病理图像使用来自病理学家的注释来识别所述放大的病理图像中的所述一个或多个感兴趣区域。
3.如权利要求2所述的方法，其中，所述病理数据库还包括关于所述病理数据库中的参考病理图像的载玻片位置信息和放大率信息，并且其中，所述机器学习算法使用所述载玻片位置信息和所述放大率信息来识别所述放大的病理图像中的所述一个或多个感兴趣区域。
4.如权利要求1所述的方法，其中，通过视点检测来进一步确定被认为未被用户充分检查的病理样本的区域。
5.如权利要求1所述的方法，其中，警告所述用户包括响应于识别到所述一个或多个感兴趣区域而输出音频、视觉或触觉通知。
6.如权利要求5所述的方法，其中，警告所述用户包括告知所述用户对所述一个或多个感兴趣区域中的结构的诊断。
7.如权利要求6所述的方法，还包括输出诊断的置信区间。
8.至少一种机器可访问存储介质，其提供指令，当所述指令由处理装置运行时，将使处理装置执行包括以下操作的操作：
从光学地耦合到显微镜的数字相机接收病理样本的放大的病理图像；
将放大的病理图像与病理数据库中包括的参考病理图像进行比较，以识别放大的病理图像中的一个或多个感兴趣区域，其中，将放大的病理图像与参考病理图像进行比较包括使用机器学习算法来识别所述一个或多个感兴趣区域，并且其中，所述机器学习算法被训练以使用病理数据库中的参考病理图像来识别一个或多个感兴趣区域；
向显微镜的用户警告放大的病理图像中的所述一个或多个感兴趣区域；以及
识别被认为未被用户充分检查的病理样本的区域，并且其中，警告所述用户还包括：
通知用户被认为未被用户充分检查的病理样本的区域中的一个或多个可能感兴趣区域，其中，所述机器学习算法被训练以通过跟踪区域是否在用户的视野中达到了阈值时间量来识别被认为未被用户充分检查的病理样本的区域，并且
其中，通过病理样本上的位置和显微镜的放大率级别中的至少一个来进一步确定被认为未被用户充分检查的病理样本的区域。
9.如权利要求8所述的至少一种机器可访问存储介质，其中，所述病理数据库还包括与病理数据库中的参考病理图像相对应的、来自病理学家的注释，并且其中，所述机器学习算法结合所述参考病理图像使用来自病理学家的注释来识别所述放大的病理图像中的所述一个或多个感兴趣区域。
10.如权利要求8所述的至少一种机器可访问存储介质，还包括使所述处理装置执行包括以下操作的操作的指令：
输出对所述一个或多个感兴趣区域中的结构的诊断。
11.如权利要求10所述的至少一种机器可访问存储介质，还包括使所述处理装置执行包括以下操作的操作的指令：
使用机器学习算法基于病理数据库中的参考病理图像输出诊断的置信区间。
12.如权利要求8所述的至少一种机器可访问存储介质，其中，所述病理数据库还包括放大率信息、以及位置信息以识别所述参考病理图像上的位置，并且其中，所述机器学习算法使用关于参考病理图像的位置信息和放大率信息来识别所述放大的病理图像中的所述一个或多个感兴趣区域。
13.如权利要求8所述的至少一种机器可访问存储介质，其中，所述病理数据库还包括相同疾病的多个参考病理图像以训练所述机器学习算法。
14.如权利要求8所述的至少一种机器可访问存储介质，其中，警告所述用户包括在屏幕上突出显示一个或多个感兴趣区域、从扬声器输出声音、或移动设备的一部分中的至少一个。
15.如权利要求8所述的至少一种机器可访问存储介质，其中，所述一个或多个感兴趣区域包括病理样本的病变部分、或病理样本中的非典型细胞中的至少一个。
CN201780049448.4A 2016-08-12 2017-08-09 增强病理诊断 Active CN109564622B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/235,541 US10025902B2 (en) 2016-08-12 2016-08-12 Enhanced pathology diagnosis
US15/235,541 2016-08-12
PCT/US2017/046125 WO2018031674A1 (en) 2016-08-12 2017-08-09 Enhanced pathology diagnosis

Publications (2)

Publication Number Publication Date
CN109564622A CN109564622A (zh) 2019-04-02
CN109564622B true CN109564622B (zh) 2023-09-01

Family

ID=59700191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780049448.4A Active CN109564622B (zh) 2016-08-12 2017-08-09 增强病理诊断

Country Status (5)

Country Link
US (3) US10025902B2 (zh)
EP (1) EP3497620A1 (zh)
JP (2) JP6816255B2 (zh)
CN (1) CN109564622B (zh)
WO (1) WO2018031674A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US10025902B2 (en) * 2016-08-12 2018-07-17 Verily Life Sciences Llc Enhanced pathology diagnosis
CN110476101B (zh) 2017-06-13 2022-02-18 谷歌有限责任公司 用于病理学的增强现实显微镜
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
EP3642743B1 (en) 2017-06-19 2021-11-17 Viz.ai, Inc. A method and system for computer-aided triage
EP3776458B1 (en) * 2018-04-12 2022-05-04 Google LLC Augmented reality microscope for pathology with overlay of quantitative biomarker data
US10706328B2 (en) * 2018-05-07 2020-07-07 Google Llc Focus-weighted, machine learning disease classifier error prediction for microscope slide images
CN112714886B (zh) * 2018-09-28 2023-03-21 仪景通株式会社 显微镜系统、投影单元以及图像投影方法
JP6912788B2 (ja) * 2018-11-09 2021-08-04 ルニット・インコーポレイテッドＬｕｎｉｔ Ｉｎｃ． アノテーション作業の管理方法、それを支援する装置およびシステム
US10936160B2 (en) * 2019-01-11 2021-03-02 Google Llc System, user interface and method for interactive negative explanation of machine-learning localization models in health care applications
CN113841077A (zh) 2019-04-08 2021-12-24 徕卡仪器（新加坡）有限公司 自主学习显微镜
FR3095878B1 (fr) * 2019-05-10 2021-10-08 Univ De Brest Procédé d'analyse automatique d'images pour reconnaître automatiquement au moins une caractéristique rare
JP2021124861A (ja) * 2020-02-04 2021-08-30 ソニーグループ株式会社 解析装置、解析方法、解析プログラム及び診断支援システム
EP4118663A1 (en) 2020-03-13 2023-01-18 PAIGE.AI, Inc. Systems and methods of automatically processing electronic images across regions
US20230122392A1 (en) * 2020-03-30 2023-04-20 Verily Life Sciences Llc Artificial Intelligence-Based Assistant For Concurrent Review Of Needle Core Prostate Biopsies
JPWO2021200002A1 (zh) * 2020-03-31 2021-10-07
JPWO2021230000A1 (zh) * 2020-05-15 2021-11-18
WO2022044095A1 (ja) * 2020-08-24 2022-03-03 オリンパス株式会社 情報処理装置、学習装置、及び学習済みモデル
JP6908806B1 (ja) * 2020-09-16 2021-07-28 ＢｏｎＢｏｎ株式会社 プログラム、情報処理装置、方法
WO2022158908A1 (ko) * 2021-01-22 2022-07-28 주식회사 루닛 병리 이미지 분석 방법 및 시스템
US11694807B2 (en) * 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance
CN113241184B (zh) * 2021-06-24 2022-07-29 华侨大学 一种儿童肺炎辅助诊断模型及其训练方法
EP4388548A1 (en) * 2021-08-18 2024-06-26 PAIGE.AI, Inc. Systems and methods for processing electronic images with metadata integration
DE102021121635A1 (de) * 2021-08-20 2023-02-23 Carl Zeiss Microscopy Gmbh Automatisiertes trainieren eines maschinengelernten algorithmus basierend auf der überwachung einer mikroskopiemessung
WO2023128059A1 (en) * 2021-12-28 2023-07-06 Lunit Inc. Method and apparatus for tumor purity based on pathological slide image
DE102022116407A1 (de) * 2022-06-30 2024-01-04 Ali Eissing-Al-Mukahal System zur Unterstützung eines Nutzers bei der bildbasierten Erkennung einer Gewebeentartung

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1891155A (zh) * 2006-05-26 2007-01-10 北京思创贯宇科技开发有限公司 一种基于ct图像的组织成分分析方法
CN101150977A (zh) * 2005-04-13 2008-03-26 奥林巴斯医疗株式会社 图像处理装置以及图像处理方法
CN101809601A (zh) * 2007-08-31 2010-08-18 埃森哲环球服务有限公司 基于图像处理的货架图提取
DE102010008243A1 (de) * 2010-02-17 2011-08-18 Siemens Aktiengesellschaft, 80333 Verfahren und Vorrichtung zur Ermittlung der Vaskularität eines sich in einem Körper befindlichen Objektes
CN102243710A (zh) * 2010-05-14 2011-11-16 奥林巴斯株式会社 图像处理装置和图像处理方法
CN102253922A (zh) * 2010-05-18 2011-11-23 北京普利生仪器有限公司 远程分析病理切片的方法
CN102395318A (zh) * 2009-04-16 2012-03-28 富士胶片株式会社 诊断支援装置、诊断支援方法以及存储诊断支援程序的存储介质
CN102414716A (zh) * 2009-04-28 2012-04-11 皇家飞利浦电子股份有限公司 显微剖切方法和信息处理系统
CN102622508A (zh) * 2011-01-25 2012-08-01 索尼公司 图像处理装置、图像处理方法和程序
CN102656586A (zh) * 2009-12-18 2012-09-05 皇家飞利浦电子股份有限公司 将采集的图像与对象相关联
WO2013175683A1 (ja) * 2012-05-24 2013-11-28 日本電気株式会社 病理診断結果判定システム、病理診断結果判定方法および病理診断結果判定装置
CN104584018A (zh) * 2012-08-22 2015-04-29 皇家飞利浦有限公司 用于有效查看和报告成像研究相关的先前注释的自动检测和检索
WO2016016546A1 (fr) * 2014-07-29 2016-02-04 L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Debitmetre utilise pour le dosage de l'energie apportee a un procede utilisant un fluide cryogenique
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2697372B2 (ja) 1991-06-25 1998-01-14 日本電気株式会社 高電力半導体集積回路冷却試験治具
JP3263111B2 (ja) * 1992-01-29 2002-03-04 株式会社東芝 画像保管通信システム及びその端末装置
US6005964A (en) 1996-01-24 1999-12-21 The Board Of Trustees Of The University Of Illinois Automatic machine vision microscope slide inspection system and method
US6396941B1 (en) * 1996-08-23 2002-05-28 Bacus Research Laboratories, Inc. Method and apparatus for internet, intranet, and local viewing of virtual microscope slides
US6441958B1 (en) 2001-03-29 2002-08-27 Chak Sing Richard Yeung Digital imaging microscope
JP2003093380A (ja) * 2001-09-25 2003-04-02 Hitachi Medical Corp 読影支援装置
JP2004135868A (ja) * 2002-10-17 2004-05-13 Fuji Photo Film Co Ltd 異常陰影候補検出処理システム
US20040122705A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Multilevel integrated medical knowledge base system and method
US7187790B2 (en) * 2002-12-18 2007-03-06 Ge Medical Systems Global Technology Company, Llc Data processing and feedback method and system
US7116440B2 (en) 2003-02-28 2006-10-03 Aperio Technologies, Inc. Image processing and analysis framework
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
JP2005182670A (ja) 2003-12-24 2005-07-07 Icc Computer System:Kk 遠隔画像閲覧システムおよび遠隔画像閲覧用表示方法
EP1787156A1 (en) 2004-06-11 2007-05-23 Nicholas Etienne Ross Automated diagnosis of malaria and other infections
US7958063B2 (en) * 2004-11-11 2011-06-07 Trustees Of Columbia University In The City Of New York Methods and systems for identifying and localizing objects based on features of the objects that are mapped to a vector
US7573439B2 (en) * 2004-11-24 2009-08-11 General Electric Company System and method for significant image selection using visual tracking
WO2006078928A2 (en) * 2005-01-18 2006-07-27 Trestle Corporation System and method for creating variable quality images of a slide
JP4558047B2 (ja) 2008-01-23 2010-10-06 オリンパス株式会社 顕微鏡システム、画像生成方法、及びプログラム
JP2010035756A (ja) * 2008-08-04 2010-02-18 Fujifilm Corp 診断支援装置及び診断支援方法
JP5321145B2 (ja) 2009-03-04 2013-10-23 日本電気株式会社 画像診断支援装置、画像診断支援方法、画像診断支援プログラム、及びその記憶媒体
US10504197B2 (en) * 2009-04-15 2019-12-10 Koninklijke Philips N.V. Clinical decision support systems and methods
US8311279B2 (en) 2010-02-23 2012-11-13 Fuji Xerox Co., Ltd. System and method for improved image analysis through gaze data feedback
US8600143B1 (en) 2010-05-20 2013-12-03 Kla-Tencor Corporation Method and system for hierarchical tissue analysis and classification
US8315812B2 (en) * 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
JP5556674B2 (ja) * 2011-01-12 2014-07-23 コニカミノルタ株式会社 医用画像表示装置及びプログラム
CN103649992B (zh) 2011-07-13 2017-12-26 皇家飞利浦有限公司 用于自动调节数字病理图像的焦平面的方法
ES2953897T3 (es) 2012-05-02 2023-11-16 Leica Biosystems Imaging Inc Enfoque en tiempo real en imagenología de exploración lineal
US9575304B2 (en) 2012-06-25 2017-02-21 Huron Technologies International Inc. Pathology slide scanners for fluorescence and brightfield imaging and method of operation
US9710695B2 (en) 2013-03-15 2017-07-18 Sony Corporation Characterizing pathology images with statistical analysis of local neural network responses
EP3207499A4 (en) * 2014-10-17 2018-09-19 Cireca Theranostics, LLC Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
JP6514486B2 (ja) 2014-10-29 2019-05-15 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 医用システム及び医用装置並びにプログラム
US10025902B2 (en) * 2016-08-12 2018-07-17 Verily Life Sciences Llc Enhanced pathology diagnosis

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101150977A (zh) * 2005-04-13 2008-03-26 奥林巴斯医疗株式会社 图像处理装置以及图像处理方法
CN1891155A (zh) * 2006-05-26 2007-01-10 北京思创贯宇科技开发有限公司 一种基于ct图像的组织成分分析方法
CN101809601A (zh) * 2007-08-31 2010-08-18 埃森哲环球服务有限公司 基于图像处理的货架图提取
CN102395318A (zh) * 2009-04-16 2012-03-28 富士胶片株式会社 诊断支援装置、诊断支援方法以及存储诊断支援程序的存储介质
CN102414716A (zh) * 2009-04-28 2012-04-11 皇家飞利浦电子股份有限公司 显微剖切方法和信息处理系统
CN102656586A (zh) * 2009-12-18 2012-09-05 皇家飞利浦电子股份有限公司 将采集的图像与对象相关联
DE102010008243A1 (de) * 2010-02-17 2011-08-18 Siemens Aktiengesellschaft, 80333 Verfahren und Vorrichtung zur Ermittlung der Vaskularität eines sich in einem Körper befindlichen Objektes
CN102243710A (zh) * 2010-05-14 2011-11-16 奥林巴斯株式会社 图像处理装置和图像处理方法
CN102253922A (zh) * 2010-05-18 2011-11-23 北京普利生仪器有限公司 远程分析病理切片的方法
CN102622508A (zh) * 2011-01-25 2012-08-01 索尼公司 图像处理装置、图像处理方法和程序
WO2013175683A1 (ja) * 2012-05-24 2013-11-28 日本電気株式会社 病理診断結果判定システム、病理診断結果判定方法および病理診断結果判定装置
CN104584018A (zh) * 2012-08-22 2015-04-29 皇家飞利浦有限公司 用于有效查看和报告成像研究相关的先前注释的自动检测和检索
WO2016016546A1 (fr) * 2014-07-29 2016-02-04 L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Debitmetre utilise pour le dosage de l'energie apportee a un procede utilisant un fluide cryogenique
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于弹性动量深度学习神经网络的果体病理图像识别;谭文学等;《农业机械学报》;第46卷(第1期);第20-25页 *

Also Published As

Publication number Publication date
US10262757B2 (en) 2019-04-16
CN109564622A (zh) 2019-04-02
JP2021047911A (ja) 2021-03-25
EP3497620A1 (en) 2019-06-19
JP7145195B2 (ja) 2022-09-30
JP2019533847A (ja) 2019-11-21
US20180046759A1 (en) 2018-02-15
US20190198160A1 (en) 2019-06-27
JP6816255B2 (ja) 2021-01-20
US20180301217A1 (en) 2018-10-18
US10025902B2 (en) 2018-07-17
US11501871B2 (en) 2022-11-15
WO2018031674A1 (en) 2018-02-15

Similar Documents

Publication Publication Date Title
CN109564622B (zh) 增强病理诊断
JP6811837B2 (ja) 病理データ捕捉
US11850021B2 (en) Dynamic self-learning medical image method and system
JP5652227B2 (ja) 画像処理装置および方法、並びにプログラム
TW202112299A (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
WO2020121308A9 (en) Systems and methods for diagnosing a stroke condition
KR102531400B1 (ko) 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법
WO2018186052A1 (ja) 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
TW202105245A (zh) 用於分析活檢樣本影像以決定其癌變機率之方法
JP2016087370A (ja) 大腸拡大内視鏡画像診断支援装置
US20230266819A1 (en) Annotation data collection using gaze-based tracking
CN108765413B (zh) 用于图像分类的方法、装置及计算机可读介质
Yang et al. Multidimensional morphological analysis of live sperm based on multiple-target tracking
CN111289510B (zh) 体外诊断仪、图像切换方法和可读存储介质
Poznyakovskiy et al. A Fast Semiautomatic Algorithm for Centerline‐Based Vocal Tract Segmentation
Kumar et al. Can you hear me now? Clinical applications of audio recordings
Aulia et al. A Novel Digitized Microscopic Images of ZN-Stained Sputum Smear and Its Classification Based on IUATLD Grades
JP2020181422A (ja) 医療診断支援システム、医療診断支援装置、医療診断支援方法及びプログラム
US20240354941A1 (en) Hearing state prediction apparatus and method based on diffusion tensor image
CN113689376A (zh) 基于计算机视觉的病理图像识别方法
CN118397238A (zh) 一种基于神经网络模型的冰冻病理图像识别系统
Kocielnik et al. Deep Multimodal Fusion for Surgical Feedback Classification
WO2024059701A2 (en) Cross-modality pixel alignment and cell-to-cell registration across various imaging modalities
Kuru et al. Machine Learning Based Genetic Decision Making Methodology Using Genotype-Phenotype Mapping

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant