CN109564683A - 图像诊断辅助装置、图像诊断辅助方法及试料分析系统 - Google Patents
图像诊断辅助装置、图像诊断辅助方法及试料分析系统 Download PDFInfo
- Publication number
- CN109564683A CN109564683A CN201780049445.0A CN201780049445A CN109564683A CN 109564683 A CN109564683 A CN 109564683A CN 201780049445 A CN201780049445 A CN 201780049445A CN 109564683 A CN109564683 A CN 109564683A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- local features
- response value
- features amount
- input picture
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
-
- 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0013—Medical image data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20076—Probabilistic 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
对于表示细胞或组织的状态的多个识别结果,分别计算反应值,该反应值表示基于输入图像内的哪个区域来判断的。通过求出多个反应值的差分,计算关注区域内的细胞或组织的各状态可能度。由此,能够在关注区域内的正确的位置将细胞或组织的各状态可视化,所以能够进行病理医生的诊断辅助。
Description
技术领域
本发明涉及图像诊断辅助装置、图像诊断辅助方法及试料分析系统,尤其适合应用于基于细胞图像或组织图像自动识别细胞或组织的状态并显示其识别结果的图像诊断辅助装置。
背景技术
近年来,随着癌患者数的增加,病理医生的不足成为课题。作为解决该课题的手段,使用数字化的病理图像进行诊断辅助或远程诊断的数字病理学的技术受到关注(参照专利文献1)。这是使用高倍率的病理图像及低倍率的病理图像自动识别病理组织的技术。
现有技术文献
专利文献
专利文献1:日本特开2010-203949号公报
发明内容
发明要解决的课题
在上述以往的方法中,从病理图像中选择矩形的关注区域,按每个关注区域显示识别结果。但是,在关注区域内仅显示一定的识别结果,不能显示关注区域内的细胞、组织的状态。即使通过一边将关注区域以像素单位错移一边进行识别而得到像素单位的识别结果,并在关注区域的中心等的锚点位置处显示识别结果,由于识别结果是根据锚点周边的图像综合地判断的结果,所以也难以正确地显示锚点位置的细胞组织的状态。
本发明是考虑以上的问题而做出的,目的是提供一种能够在关注区域内的正确的位置将细胞或组织的状态可视化而进行充分的诊断辅助的图像诊断辅助装置、图像诊断辅助方法及试料分析系统。
用来解决课题的手段
为了解决这样的课题,在本发明中,其特征在于,具备:局部区域特征量计算部,根据输入图像,计算局部区域特征量;识别部,使用上述局部区域特征量实施多个识别;反应值计算部,使用上述局部区域特征量的计算结果及上述多个识别的结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区来域判断的;以及反应值差分计算部,计算上述多个反应值的差分。
此外,在本发明中,其特征在于,具有:染色浓淡分类步骤,运算部将输入图像按照染色浓淡进行分类;局部区域特征量计算步骤,上述运算部根据输入图像,计算局部区域特征量;识别步骤,上述运算部使用上述局部区域特征量实施多个识别;反应值计算步骤,上述运算部使用上述局部区域特征量的计算结果和多个识别结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的;以及反应值差分计算步骤,上述运算部计算多个反应值的差分。
此外,在本发明中,其特征在于,具有:局部区域特征量计算步骤,运算部根据输入图像,计算局部区域特征量;识别步骤,上述运算部使用上述局部区域特征量实施多个识别;反应值计算步骤,上述运算部使用上述局部区域特征量的计算结果和多个识别结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的;以及反应值差分计算步骤,上述运算部计算多个反应值的差分。
此外,在本发明中,其特征在于,具备:局部区域特征量计算部,根据输入图像,计算局部区域特征量;识别部,使用上述局部区域特征量实施多个识别;反应值计算部,使用上述局部区域特征量的计算结果及上述多个识别的结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区来域判断的;反应值差分计算部,计算上述多个反应值的差分;试料采取部,基于所计算出的信息,采取试料;以及分析部,实施由上述试料采取部采取的上述试料的分析。
发明效果
根据本发明,能够在关注区域内的正确的位置将细胞或组织的状态可视化而进行充分的诊断辅助。
附图说明
图1是有关第1实施方式的图像诊断辅助装置的硬件结构图。
图2是有关第1实施方式的运算装置的框图。
图3是局部区域特征量计算处理的一例。
图4是识别处理的次序的一例。
图5是反应值计算流程的一例。
图6是反应值及反应值差分计算的一例。
图7是反应值选择GUI。
图8是有关第2实施方式的运算装置的框图。
图9是染色浓淡分类方法的一例。
图10是局部区域特征量计算部的一例。
图11是有关第3实施方式的系统结构图。
图12是有关第3实施方式的系统的框图。
具体实施方式
以下,关于附图,对本发明的实施方式详细叙述。
(1)第1实施方式的图像诊断辅助装置的结构
图1是有关第1实施方式的图像诊断辅助装置100的硬件结构图。图像诊断辅助装置100具备图像输入装置101、存储器102、运算装置103、用户接口104及图像显示装置105。
图像输入装置101接受虚拟切片(Virtual Slide)或显微镜图像的输入。在存储器102中,例如保存在特征量提取及识别中使用的系数群或输入的图像及计算出的反应值。在本实施方式中,将在特征量提取及识别中使用的系数群称作“权重”。运算装置103是CPU或FPGA等,例如进行局部区域特征量的提取及识别、反应值的计算。
用户接口104使用键盘或鼠标等接受来自用户的操作信息。图像显示装置105例如是显示器装置。该图像显示装置105经由运算装置103向用户显示信息。图像诊断辅助装置100中,虽然省略图示但也可以内置有用来在与外部之间进行通信的通信装置,也可以另行外置通信装置。
图2表示图1所示的图像诊断辅助装置100的功能块。图像输入部201从图像输入装置101接受细胞、组织图像的输入。局部区域特征量计算部202对于从图像输入部201输入的图像计算与局部区域对应的特征量。
识别部203具有多个识别器,使用由局部区域特征量计算部202输出的局部区域特征量输出多个状态的识别结果。反应值计算部204使用由局部区域特征量计算部202和识别部203输出的特征量和识别结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的。
反应值差分计算部205对由反应值计算部204输出的多个反应值进行差分、合成等处理。合成是指相加、相乘、逻辑和、逻辑积等。将该差分及合成的结果称作反应值差分信息。该反应值差分计算部205从用户接口部206接受在差分、合成等中使用的反应值的指定信息。
用户接口部206接受来自用户的操作信息,将在差分、合成等中使用的反应值的指定信息向反应值差分计算部205及显示部207输出。显示部207决定应在图像显示装置105上显示的信息。
显示部207从图像输入部201接受输入图像的输入,从反应值差分计算部205接受反应值差分信息的输入,从用户接口部206接受用户的操作信息的输入,根据操作信息将输入图像和反应值差分图像切换而显示,或者显示输入图像与反应值差分信息的重叠图像。
以下,对局部区域特征量计算部202、识别部203、反应值计算部204及反应值差分计算部205详细地进行说明。
下面对局部区域特征量计算部202进行说明。局部区域特征量计算部202使用保存在存储器102内的用来提取输入图像的局部的颜色及亮度、形状这样的特征量的权重,得到输入图像内的各像素或小区域单位的特征量。将其称作“局部区域特征量”。在本实施方式中,作为局部区域特征量计算方法的一例而说明将权重与输入数据进行卷积的方法,但也可以通过HOG(Histogram of Oriented Gradients)等其他的方法求出局部区域特征量。
图3表示局部区域特征量计算处理的一例。输入数据301是具有通道Ch、垂直方向位置Y、水平方向位置X的维度的三维排列。关于权重302,为了从输入数据301提取多个特征量而具有多个权重。因此,该权重302是除了通道Ch、垂直方向位置Fy及水平方向位置Fx维度以外还具有特征量号码D的维度的四维排列。权重302既可以使用人工设计的权重,也可以使用例如通过所谓的AI(Artificial Intelligence)那样的机械学习而学习到的权重。
另外,在本实施方式中,假定在局部区域特征量计算中使用的权重使用通过机械学习已经学习的权重,但例如也可以通过所谓的无监督学习等的方法,使用所输入的图像将权重更新。上述权重的更新并不限于装置内的执行,也可以是经由通信装置向服务器等发送信息并接收由服务器进行了更新的结果等的方式。
作为输出数据的局部特征量303是具有特征量号码D、垂直方向位置Y,水平方向位置X的维度的三维排列。在图3所示的例子中,通过一边将局部区域错开一边反复进行对输入数据301的局部区域乘以权重302的处理,来计算局部特征量303。作为输出数据的局部特征量303的一要素通过以下这样的数式(1)求出。
F:局部区域特征量
I:输入数据
W:权重
G:非线性函数或线性函数
d:特征量号码(0,1,…,D)
y:输入数据内的垂直方向位置(0,1,…,Y)
x:输入数据内的水平方向位置(0,1,…,X)
ch:输入数据的通道(0,1,…,Ch)
fy:过滤器内的垂直方向位置(0,1,…,Fy)
fx:过滤器内的水平方向位置(0,1,…,Fx)
F(d,y,x)表示特征量号码D、垂直方向位置y及水平方向位置x处的局部特征量303的值。F(d,y,x)通过对输入数据301的通道0至Ch、垂直方向位置y至y+fy、水平方向位置x至x+fx的各要素乘以权重302的各要素w(d,ch,fy,fx)后进行加总来计算。
另外,局部区域特征量可以多层化而求出。在多层化的情况下前层的输出成为下一层的输入。
对识别部203进行说明。识别部203使用局部区域特征量计算部202输出的局部区域特征量实施多个状态的识别。识别部203使用保存在存储器102中的对于局部区域特征量的权重计算各状态的似然度。似然度是指表示对于关注区域的各状态可能度的数值。在本实施方式中,作为识别方法的一例,说明通过对局部区域特征量乘以权重并相加来计算各状态的似然度的方式,但例如也可以用决定树等其他的方法来识别。
图4表示识别处理的次序的一例。局部区域特征量F401是由局部区域特征量计算部202求出的局部区域特征量,是具有特征量号码D、垂直方向位置Y、水平方向位置X的维度的三维排列。
权重Wc402是具有特征量的索引D、垂直方向位置Y、水平方向位置X和状态S的维度的四维排列。权重既可以使用人工设计的权重,也可以使用通过机械学习而学习到的权重。
另外,在本实施方式中假定在识别中使用的权重使用通过机械学习已经学习的权重,但例如也可以通过所谓的半监督学习等方法,使用所输入的图像将权重更新。此外,权重的更新并不限于装置内的执行,也可以是经由通信装置向服务器等发送信息并接收由服务器进行了更新的结果等的方式。
似然度P403是具有状态S的维度的1维度排列。在图4所示的例子中,通过对局部区域特征量F401乘以各状态的权重Wc402来计算各状态的似然度P403。似然度P403的一要素通过以下这样的数式(2)来求出。
P:识别结果
F:局部区域特征量
Wc::权重
G:非线性函数或线性函数
S:状态号码(0,1,…,S)
d:特征量号码(0,1,…,D)
y:输入数据内的垂直方向位置(0,1,…,Y)
x:输入数据内的水平方向位置(0,1,…,X)
P(s)表示对于状态s的似然度P403,通过对局部区域特征量F401的各要素乘以权重Wc402的各要素后进行加总来计算。
接着,对反应值计算部204进行说明。反应值计算部204以像素或小区域单位计算反应值,该反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的。关于反应值,根据局部区域特征量计算部202和识别部203的各输出及权重来计算。这里,叙述反应值计算方法的一例。
图5表示计算反应值的次序的一例。为了使说明变得容易,假定具有如图10所示的局部区域特征量计算部202及识别部203。即,局部区域特征量计算部为多重化结构。
首先,在步骤S501中,第1局部特征量计算部1001根据输入图像计算第1局部特征量。另一方面,在步骤S502中,第2局部特征量计算部1002根据第1局部特征量计算第2局部特征量。
在步骤S503中,识别部203使用第2局部特征量进行识别,得到识别结果。在步骤S504中,计算第2局部特征量F2对于识别结果的贡献度R2。贡献度是指表示输入的各要素对输出值的上升作出了何种程度的贡献的值。即,贡献度R2表示第2局部特征量F2的各要素对于识别结果的上升作出了何种程度的贡献。贡献度R2通过以下这样的数式(3)求出。
R2(s,d,y,x)=F2(d,y,x)×WC(s,d,y,x)
···(3)
R2:第2层的局部特征量对于识别结果的贡献度
F2:第2层的局部特征量
Wc:识别部的权重
s:状态号码(0,1,…,S)
d:特征量号码(0,1,…,D)
y:垂直方向位置(0,1,…,Y)
x:水平方向位置(0,1,…,X)
数式(3)表示第2层的局部特征量F2与识别部的权重Wc的内积,R2的值越大,则越贡献于各状态的似然度上升。
在步骤S505中,计算第1局部特征量F1对于第2局部特征量F2的贡献度R1。贡献度R1通过以下这样的数式(4)计算。
R1:第1层的局部特征量对于贡献度R2的贡献度
F1:第1层的局部特征量
W2:第2层的权重
d2:第2层的特征量号码(0,1,…,D2)
d1:第1层的特征量号码(0,1,…,D1)
y:垂直方向位置(0,1,…,Y)
x:水平方向位置(0,1,…,X)
fy:过滤器内的垂直方向位置(0,1,…,Fy)
fx:过滤器内的水平方向位置(0,1,…,Fx)
上述的数式(4)表示第1局部特征量F1与第2局部特征量计算部1002的权重W2的局部性的内积,表示R1的值越大则越贡献于第2局部特征量F2的上升。
在步骤S506中,反应值计算部204计算输入图像对于第1局部特征量F1的贡献度R0。贡献度R0由以下这样的数式(5)表示。
R0:输入图像对于贡献度R1的贡献度
I:输入图像
W1:第1层的权重
d1:第1层的特征量号码(0,1,…,D1)
ch:输入图像的通道(0,1,…,Ch)
y:垂直方向位置(0,1,…,Y)
x:水平方向位置(0,1,…,X)
fy:过滤器内的垂直方向位置(0,1,…,Fy)
fx:过滤器内的水平方向位置(0,1,…,Fx)
数式(5)表示输入图像I与第1局部特征量计算部1001的权重W1的局部性的内积,表示R0的值越大则越贡献于局部特征量F1的上升。
在步骤S507中,反应值计算部204使用以下这样的数式(6),乘以在步骤S504~S506中求出的贡献度R2、R1、R0的值。
R:输入图像对于识别结果的贡献度
R2:第2层的局部特征量F2对于识别结果的贡献度
R1:第1层的局部特征量F1对于R2的贡献度
R0:输入图像对于R1的贡献度
s:状态号码(0,1,…,S)
y:垂直方向位置(0,1,…,Y)
x:水平方向位置(0,1,…,X)
d2:第2层的特征量号码(0,1,…,D2)
d1:第1层的特征量号码(0,1,…,D1)
ch:输入图像的通道(0,1,…,Ch)
由此,反应值计算部204计算出作为输入图像对于各识别结果的贡献度的反应值R。以上是反应值计算方法的一例。
另外,在上述反应值计算方法的任意的步骤中,为了提高反应值的辨识性,也可以对贡献度R2、R1、R0或其乘法结果适用值的标准化处理或阈值处理、强调处理或模糊处理等。
在本实施方式中对于以2层进行局部特征量的计算的情况进行了说明,但如果是3层以上,也同样能够求出反应值。
接着,对反应值差分计算部205进行说明。反应值差分计算部205使用从反应值计算部204输入的对于多个状态的反应值,基于从用户接口部206输入的反应值指定信息,求出反应值的差分。
图6表示计算反应值差分的一例。输入图像601中包含有状态A的组织602、状态B的组织603及间质604。反应值A605是对于状态A的反应值,反应值B606是对于状态B的反应值。反应值差分607表示从反应值A605减去反应值B606的结果。
反应值A605、反应值B606及反应值差分607的阴影表示正的反应值的区域,阴影越浓的部分表示是反应值越大的区域。另一方面,没有阴影的部分表示反应值为0以下或接近于0的值的区域。
在细胞及组织图像中,在细胞及组织的不同的状态之间包含较多的共通的特征。例如图6所示的间质604不论组织的状态如何都频繁地出现在组织的周边。因此,在通过所谓的机械学习或统计性方法求出特征的情况下,间质604的部分对于状态A、B这两者容易成为相类似的反应值,即使是如图6的反应值A605和反应值B606那样对于不同的状态的反应值,也有在共通的区域中发生反应值的情况。另一方面,在状态A的组织602的区域中,反应值A605的值大,在状态B的组织603的区域中,反应值B606的值大。
通过计算反应值差分607,能够排除反应值的共通成分。图6的反应值差分607表示从反应值A605减去反应值B606后的结果,将此时的反应值A605称作导出成分,将反应值B606称作排除成分。在间质604中,由于反应值A605和反应值B606是相同的程度,所以在反应值差分607中成为接近于0的值。在状态B的组织603中,由于反应值B606比反应值A605大,所以反应值差分607为负值。
另一方面,在状态A的组织602中,由于反应值A605比反应值B606大,所以为正的反应值。由此,能够将多个状态中具有共通的特征的区域排除,而有选择地显示像是各状态的区域。
反应值差分信息也可以根据3个以上的反应值求出。具体而言,有从1个反应值减去多个反应值的合成结果的方法、从多个反应值的合成结果减去1个反应值的方法、从多个反应值的合成结果减去多个反应值的合成结果的方法。合成是指相加、相乘、逻辑和、逻辑积等,也可以对合成结果的各要素应用某些函数。
在图6中,在反应值差分607中仅表示了反应值为正的部位,但也可以通过将显示色按反应值的正负来切换等的处理同时显示负的部位。在此情况下,反应值差分607为负的部位是从反应值B606减去反应值A605的结果为正值的区域,通过与反应值差分607一起显示,能够同时显示2个状态的反应值差分信息。
此外,作为其他方法,也可以针对3个以上的反应值预先对各状态分配颜色,反应值差分计算部205按每个像素将值最大的反应值作为导出成分、将值第2大的反应值作为排除成分,来计算反应值差分信息。在此情况下,显示部207也可以通过用对作为导出成分的各状态分配的颜色来显示反应值差分信息等的方法,将3个以上的反应值差分信息同时显示。
图7表示与在反应值差分信息的计算中使用的反应值的选择有关的GUI的一例。在图7所示的例子中,是识别的状态数为4个的情况,举出状态A至状态D。在窗口701中,为了导出成分及排除成分的选择而配置有复选框等。在该例中,对于状态A的反应值为导出成分,另一方面,对于状态C及状态D的反应值的合成结果为排除成分。
显示部207以图7所示的选择内容发生变化为契机,切换图6的显示结果,将指定的反应值差分信息显示在图像显示装置105上。通过以上,能够在正确的位置将细胞或组织的状态可视化,能够进行病理医生的诊断辅助。
(2)第2实施方式
在细胞、组织诊断中,为了提高辨识性而通常使用用于将细胞或组织染色的药品来将细胞或组织染色。但是,因药品的劣化或染色方法,有在染色浓淡上发生不均匀的情况,如果不使用与染色浓淡相应的特征量计算方法及识别方法,则有发生细胞或组织的状态的识别精度下降、细胞、组织状态的可视化结果的错误的情况。
第2实施方式中涉及通过将染色浓淡不同的细胞或组织图像自动分类而进行与染色浓淡匹配的识别、并基于其结果进行细胞、组织的状态的可视化的方法及装置。由此,即使是在细胞或组织图像的染色浓淡中有不均匀的情况,也能够进行正确的细胞或组织的状态的可视化,能够进行病理医生的诊断辅助。
另外,在第2实施方式中,关于硬件结构,由于与第1实施方式相同,所以援用图1而省略说明。
图8表示图像诊断辅助装置的功能块。第2实施方式的图像输入部801、反应值计算部804、反应值差分计算部805、用户接口部806及显示部807分别与第1实施方式的图2中的图像输入部201、反应值计算部204、反应值差分计算部205、用户接口部206及显示部207相同,所以省略说明。
染色浓淡分类部808将从图像输入部801输入的细胞或组织图像按每个染色浓淡分类,将分类结果向局部区域特征量计算部802或识别部803、或者局部区域特征量计算部802和识别部803双方输出。在本实施方式中,作为一例而说明向局部区域特征量计算部802和识别部803双方输出的情况,但也可以是仅切换其中一方的方式。
局部区域特征量计算部802对于从图像输入部801输入的图像,计算对于局部区域的特征量。此时,局部区域特征量计算部802基于从染色浓淡分类部808输入的染色浓淡分类结果来切换特征量计算方法。
识别部803中,虽然没有图示但具有多个识别器,使用由局部区域特征量计算部802输出的局部区域特征量,输出多个状态的识别结果。此时,识别部803基于从染色浓淡分类部808输入的染色浓淡分类结果来切换识别方法。
对染色浓淡分类部808进行说明。染色浓淡分类部808将从图像输入部801输入的细胞或组织图像按每个染色浓淡自动分类。这里,说明染色浓淡分类方法的一例。
染色浓淡分类部808具有用来将染色浓淡分类的一个以上的评价指标。评价指标中使用对于输入图像的RGB各通道的平均值、方差值、或者将平均值或方差分值通过主成分分析进行变换后的值等。
图9表示染色浓淡分类方法的一例。在图示的例子中,表示了使用评价指标A901和评价指标B902这2个评价指标的情况。设多个评价指标所形成的空间为评价指标空间905。评价指标A901和评价指标B902分别被阈值A903和阈值B904划分为2个区间。通过评价指标A901和评价指标B902的区间的组合,将评价指标空间905划分为第1组906、第2组907、第3组908及第4组909。以下,将该组称作“染色浓淡组”。
如果输入图像被输入到染色浓淡分类部808,则染色浓淡分类部808分别计算对于评价指标A901及评价指标B902的数值。评价指标A901及评价指标B902通过以下这样的数式(7A)及数式(7B)计算。
A(aveRGB,varRGB)=α1×PCAa(aveRGB,varRGB)+α2×PCAb(aveRGB,varRGB)
···(7A)
B(aveRGB,varRGB)=β1×PCAc(aveRGB,varRGB)+β2×PCAd(aveRGB,varRGB)
···(7B)
A:评价指标A
B:评价指标B
aveRGB:输入图像的RGB各通道的平均值
varRGB:输入图像的RGB各通道的方差值
PCAa:RGB的平均值和方差值的任意的主成分a
PCAb:RGB的平均值和方差值的任意的主成分b
PCAc:RGB的平均值和方差值的任意的主成分c
PCAd:RGB的平均值和方差值的任意的主成分d
α1:对PCAa乘以的系数
α2:对PCAb乘以的系数
β1:对PCAc乘以的系数
β2:对PCAd乘以的系数
设输入图像的RGB各通道的平均值aveRGB及方差值varRGB的主成分分析结果为“PCA”,设任意的主成分为PCAa、PCAb、PCAc、PCAd。
在数式(7A)及数式(7B)的例子中,作为评价指标A901而使用对主成分PCAa和主成分PCAb分别乘以系数α1和α2并相加的数值,作为评价指标B902而使用对主成分PCAc和主成分PCAd分别乘以系数β1和β2并相加的数值。
将计算了输入图像的评价指标A的结果的一例表示在评价指标A计算结果910中。同样,将计算了评价指标B的结果的一例表示在评价指标B计算结果911中。此外,将在评价指标空间905上标绘了评价指标A计算结果910和评价指标B计算结果911的结果表示在标绘结果912中。
在图9的例子中,根据在评价指标空间905中被标绘到哪个染色浓淡组内来将染色浓淡分类。在标绘结果912的例子中,由于被标绘到了第2组907内,所以分类结果为第2组907。染色浓淡分类部808将通过上述方法将输入图像的染色浓淡进行分类后的结果作为染色浓淡分类结果输出。
图9通过各评价指标上的阈值将评价指标空间905划分,但也可以在评价指标空间905内设定多个代表点,基于距代表点的距离进行分类等,通过其他的方法将评价指标空间905划分。另外,评价指标上的阈值等既可以是固定值,也可以根据评价指标空间上的分布等动态地设定。
接着,对局部区域特征量计算部802进行说明。局部区域特征量计算部802使用保存在存储器102内的权重,提取输入图像内的各像素或小区域内的颜色、亮度及形状等的局部区域特征量。
第2实施方式的局部区域特征量的计算方法与第1实施方式的局部区域特征量计算部202的计算方法是同样的,但根据染色浓淡而切换用于局部区域特征量提取的权重这一点与第1实施方式不同。
在存储器102中,保存有对于各染色浓淡组的用于局部区域特征量计算的权重,或保存有作为基础的用于局部区域特征量计算的权重。通过根据染色浓淡分类结果来切换权重或变换权重等的方法,匹配于染色浓淡来切换用于局部区域特征量计算的权重。
局部区域特征量计算部802使用该权重计算与染色浓淡分类结果相应的局部区域特征量。另外,在本实施方式中,假定在局部区域特征量计算中使用的权重使用通过机械学习已学习的权重,但例如也可以通过所谓的无监督学习等方法,使用所输入的图像来更新权重。进而,上述权重的更新并不限于装置内的执行,也可以是经由通信装置向服务器等发送信息并接收由服务器进行了更新的结果等的方式。
接着,对识别部803进行说明。识别部803使用保存在存储器102内的权重,根据由局部区域特征量计算部802输出的局部区域特征量来实施多个状态的识别。
第2实施方式的识别方法与第1实施方式的识别部203的识别方法是同样的,但根据染色浓淡来切换用于识别的权重这一点与第1实施方式不同。
在存储器102中,保存有用来识别与各染色浓淡组对应的细胞或组织的多个状态的权重,或保存作为基础的用来识别细胞、组织的多个状态的权重。通过根据染色浓淡分类结果来切换权重或变换权重等方法,匹配于染色浓淡而切换用来识别细胞、组织的多个状态的权重。
另外,在本实施方式中,假设用来识别与各染色浓淡组对应的细胞、组织的多个状态的权重事前已通过机械学习等制作,但例如也可以通过半监督学习等方法,使用所输入的图像来更新权重。进而,上述权重的更新并不限于装置内的执行,也可以是经由通信装置向服务器等发送信息并接收由服务器进行了更新的结果等的方式。
识别部803使用该权重实施与由染色浓淡分类部808输出的染色浓淡分类结果相应的识别。
通过以上,能够进行与输入图像的染色浓淡的不均匀对应的特征提取和识别。由此,即使在有输入图像的染色浓淡的不均匀的情况下,也能够在正确的位置将细胞或组织的状态可视化,能够进行病理医生的诊断辅助。
(3)第3实施方式
第3实施方式采用了如下试料分析系统:基于通过第1实施方式或第2实施方式中记载的方法求出的细胞或组织状态的信息,例如通过显微切割(microdissection)等试料采取装置采取试料,通过质量分析装置或DNA测序仪等分析装置进行分析。
图11表示有关第3实施方式的试料分析系统的结构例。在图像诊断辅助装置1109中,与已述的实施方式的结构同样,具备图像输入装置1101,存储器1102、运算装置1103、用户接口1104及图像显示装置1105。即,这些图像输入装置1101、存储器1102、运算装置1103、用户接口1104及图像显示装置1105分别具备第1实施方式及第2实施方式的图像输入装置101、存储器102、运算装置103、用户接口104及图像显示装置105,进行同样的动作,所以省略其说明。
进而,第3实施方式的试料分析系统具备试料采取装置1106、分析装置1107及分析结果显示装置1108。试料采取装置1106基于从图像诊断辅助装置1109输出的反应值差分信息进行试料采取。分析装置1107接受试料采取装置1106采取的试料并进行分析。分析结果显示装置1108例如是将分析装置1107的分析结果进行显示的显示器或打印机。
图12表示第3实施方式的试料分析系统的功能块。图像诊断辅助装置1109是与第1实施方式或第2实施方式中记载的图像诊断辅助装置100同样的结构。
试料采取装置控制部1201基于由图像诊断辅助装置1109输出的反应值差分信息,决定试料采取区域,采取试料。分析装置控制部1202基于从试料采取装置控制部1201输入的试料采取状况,进行试料的分析。分析结果显示部1203接受分析装置控制部1202的分析结果,显示分析结果。
对试料采取装置控制部1201详细地进行说明。试料采取装置控制部1201从图像诊断辅助装置1109接受已述的反应值差分信息,决定试料采取区域。作为试料采取区域的决定方法,例如采取反应值差分信息超过阈值的区域、将反应值差分信息标准化而从值高的区域起采取一定面积。
分析装置控制部1202接受从试料采取装置控制部1201采取的试料,进行试料的分析。分析结果显示部1203从分析装置控制部1202接受试料的分析结果,经由分析结果显示装置1108向用户提示分析结果。
由此,能够向用户提供基于由第1实施方式或第2实施方式中记载的图像诊断辅助装置输出的细胞或组织状态的信息一贯地进行从试料采取到试料分析的分析系统。
(4)其他实施方式
上述实施方式是用来说明本发明的例示,并不是将本发明限定于这些实施方式的意思。本发明只要不脱离其主旨,能够以各种各样的形态实施。例如,在上述实施方式中,按顺序说明了各种程序的处理,但并不特别限定于此。因而,只要在处理结果中不发生矛盾,也可以构成为将处理的顺序替换或并行动作。
标号说明
202局部区域特征量计算部;203识别部;204反应值计算部;205反应值差分计算部;1106试料采取装置;1107分析装置;1108分析结果显示装置;1109图像诊断辅助装置;1201试料采取装置控制部;1202分析装置控制部;1203分析结果显示部1203。
Claims (9)
1.一种图像诊断辅助装置,其特征在于,具备:
局部区域特征量计算部,根据输入图像计算局部区域特征量;
识别部,使用上述局部区域特征量实施多个识别;
反应值计算部,使用上述局部区域特征量的计算结果及上述多个识别的结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的;以及
反应值差分计算部,计算上述多个反应值的差分。
2.如权利要求1所述的图像诊断辅助装置,其特征在于,
具备染色浓淡分类部,该染色浓淡分类部在由上述局部区域特征量计算部根据上述输入图像计算上述局部区域特征量之前,将上述输入图像按照染色浓淡进行分类。
3.如权利要求1所述的图像诊断辅助装置,其特征在于,
上述局部区域特征量计算部使用上述输入图像来更新在局部区域特征量的计算或识别中使用的系数群。
4.一种图像诊断辅助方法,其特征在于,具有:
局部区域特征量计算步骤,运算部根据输入图像计算局部区域特征量;
识别步骤,上述运算部使用上述局部区域特征量实施多个识别;
反应值计算步骤,上述运算部使用上述局部区域特征量的计算结果和多个识别结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的;以及
反应值差分计算步骤,上述运算部计算多个反应值的差分。
5.如权利要求4所述的图像诊断辅助方法,其特征在于,
具有染色浓淡分类步骤,该染色浓淡分类步骤中,在上述局部区域特征量计算步骤中由上述运算部根据上述输入图像计算上述局部区域特征量之前,上述运算部将上述输入图像按照染色浓淡进行分类。
6.如权利要求4所述的图像诊断辅助方法,其特征在于,
具有更新步骤,该更新步骤中,上述运算部使用上述输入图像来更新在上述局部区域特征量的计算或识别中使用的系数群。
7.一种试料分析系统,其特征在于,具备:
局部区域特征量计算部,根据输入图像计算局部区域特征量;
识别部,使用上述局部区域特征量实施多个识别;
反应值计算部,使用上述局部区域特征量的计算结果及上述多个识别的结果,计算多个反应值,该多个反应值表示各识别结果是基于上述输入图像中的哪个单位区域来判断的;
反应值差分计算部,计算上述多个反应值的差分;
试料采取部,基于所计算出的信息,采取试料;以及
分析部,实施由上述试料采取部采取的上述试料的分析。
8.如权利要求7所述的试料分析系统,其特征在于,
具备染色浓淡分类部,该染色浓淡分类部在由上述局部区域特征量计算部根据上述输入图像计算上述局部区域特征量之前,将上述输入图像按照上述染色浓淡进行分类。
9.如权利要求7所述的试料分析系统,其特征在于,
上述局部区域特征量计算部使用上述输入图像来更新在局部区域特征量的计算或识别中使用的系数群。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016178245A JP6646552B2 (ja) | 2016-09-13 | 2016-09-13 | 画像診断支援装置、画像診断支援方法及び試料分析システム |
JP2016-178245 | 2016-09-13 | ||
PCT/JP2017/030817 WO2018051777A1 (ja) | 2016-09-13 | 2017-08-28 | 画像診断支援装置、画像診断支援方法及び試料分析システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109564683A true CN109564683A (zh) | 2019-04-02 |
CN109564683B CN109564683B (zh) | 2023-07-04 |
Family
ID=61620008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780049445.0A Active CN109564683B (zh) | 2016-09-13 | 2017-08-28 | 图像诊断辅助装置、图像诊断辅助方法及试料分析系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11176668B2 (zh) |
EP (1) | EP3514755A4 (zh) |
JP (1) | JP6646552B2 (zh) |
CN (1) | CN109564683B (zh) |
WO (1) | WO2018051777A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
LU100870B1 (de) * | 2018-07-09 | 2020-01-09 | Cytena Gmbh | Verfahren zum Untersuchen einer flüssigen Probe |
US11836597B2 (en) * | 2018-08-09 | 2023-12-05 | Nvidia Corporation | Detecting visual artifacts in image sequences using a neural network model |
JP7059162B2 (ja) * | 2018-10-29 | 2022-04-25 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
JP2022007281A (ja) * | 2020-06-26 | 2022-01-13 | ソニーグループ株式会社 | 画像処理装置、画像処理方法、画像処理プログラム及び診断支援システム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004005895A1 (en) * | 2002-07-09 | 2004-01-15 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
US20110057946A1 (en) * | 2009-09-01 | 2011-03-10 | Olympus Corporation | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program |
JP2011095921A (ja) * | 2009-10-28 | 2011-05-12 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
JP2012008027A (ja) * | 2010-06-25 | 2012-01-12 | Dainippon Screen Mfg Co Ltd | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 |
JP2012071037A (ja) * | 2010-09-29 | 2012-04-12 | Fujifilm Corp | 超音波画像診断装置、超音波画像生成方法およびプログラム |
CN102724909A (zh) * | 2010-04-12 | 2012-10-10 | 奥林巴斯医疗株式会社 | 医用图像处理装置和医用图像处理方法 |
WO2013022688A1 (en) * | 2011-08-05 | 2013-02-14 | Siemens Healthcare Diagnostics Inc. | Automated detection of diagnostically relevant regions in pathology images |
WO2016076104A1 (ja) * | 2014-11-13 | 2016-05-19 | コニカミノルタ株式会社 | 画像処理方法、画像処理装置、及びプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7219016B2 (en) * | 2001-04-20 | 2007-05-15 | Yale University | Systems and methods for automated analysis of cells and tissues |
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 |
AU2012229102B2 (en) * | 2011-03-17 | 2016-02-04 | Cernostics, Inc. | Systems and compositions for diagnosing Barrett's esophagus and methods of using the same |
JP2015525358A (ja) * | 2012-06-20 | 2015-09-03 | メリマック ファーマシューティカルズ インコーポレーティッド | 組織切片中の単一細胞におけるマーカー定量 |
US9020221B2 (en) * | 2012-07-13 | 2015-04-28 | Sony Corporation | Method and apparatus for automatic cancer diagnosis scoring of tissue samples |
EP3391285B1 (en) * | 2015-12-18 | 2020-10-21 | Abbott Laboratories | Methods and systems for assessing histological stains |
US11515009B2 (en) * | 2018-03-19 | 2022-11-29 | International Business Machines Corporation | Biomarker quantification in a tissue sample |
-
2016
- 2016-09-13 JP JP2016178245A patent/JP6646552B2/ja active Active
-
2017
- 2017-08-28 US US16/323,808 patent/US11176668B2/en active Active
- 2017-08-28 EP EP17850681.2A patent/EP3514755A4/en active Pending
- 2017-08-28 WO PCT/JP2017/030817 patent/WO2018051777A1/ja unknown
- 2017-08-28 CN CN201780049445.0A patent/CN109564683B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004005895A1 (en) * | 2002-07-09 | 2004-01-15 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
US20110057946A1 (en) * | 2009-09-01 | 2011-03-10 | Olympus Corporation | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program |
JP2011095921A (ja) * | 2009-10-28 | 2011-05-12 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
CN102724909A (zh) * | 2010-04-12 | 2012-10-10 | 奥林巴斯医疗株式会社 | 医用图像处理装置和医用图像处理方法 |
JP2012008027A (ja) * | 2010-06-25 | 2012-01-12 | Dainippon Screen Mfg Co Ltd | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 |
JP2012071037A (ja) * | 2010-09-29 | 2012-04-12 | Fujifilm Corp | 超音波画像診断装置、超音波画像生成方法およびプログラム |
WO2013022688A1 (en) * | 2011-08-05 | 2013-02-14 | Siemens Healthcare Diagnostics Inc. | Automated detection of diagnostically relevant regions in pathology images |
WO2016076104A1 (ja) * | 2014-11-13 | 2016-05-19 | コニカミノルタ株式会社 | 画像処理方法、画像処理装置、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3514755A4 (en) | 2020-04-29 |
JP2018044806A (ja) | 2018-03-22 |
US20190172206A1 (en) | 2019-06-06 |
US11176668B2 (en) | 2021-11-16 |
EP3514755A1 (en) | 2019-07-24 |
CN109564683B (zh) | 2023-07-04 |
JP6646552B2 (ja) | 2020-02-14 |
WO2018051777A1 (ja) | 2018-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
Pantazi et al. | Automated leaf disease detection in different crop species through image features analysis and One Class Classifiers | |
US10733726B2 (en) | Pathology case review, analysis and prediction | |
CN111242961B (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 | |
Agaian et al. | A new acute leukaemia-automated classification system | |
US8340389B2 (en) | Cellular- or sub-cellular-based visualization information using virtual stains | |
US11977984B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN102687007B (zh) | 利用分层标准化切割的高处理量生物标志物分割 | |
CN109564683A (zh) | 图像诊断辅助装置、图像诊断辅助方法及试料分析系统 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
Zarella et al. | An alternative reference space for H&E color normalization | |
Tadrous | On the concept of objectivity in digital image analysis in pathology | |
Di Ruberto et al. | A leucocytes count system from blood smear images: Segmentation and counting of white blood cells based on learning by sampling | |
Sankarapandian et al. | A pathology deep learning system capable of triage of melanoma specimens utilizing dermatopathologist consensus as ground truth | |
Rexhepaj et al. | A texture based pattern recognition approach to distinguish melanoma from non-melanoma cells in histopathological tissue microarray sections | |
CN111656393A (zh) | 组织学图像分析 | |
Aof et al. | A Computer-Aided Diagnoses Program for Leukemia Detection Using Blood Samples | |
Sarnecki et al. | A robust nonlinear tissue-component discrimination method for computational pathology | |
Pena et al. | Machine learning applied to emerald gemstone grading: framework proposal and creation of a public dataset | |
Ordaz-Gutierrez et al. | Diagnosis of acute lymphoblastic leukaemia using fuzzy logic and neural networks | |
Oh et al. | Deepbiogen: Generalizing predictions to unseen sequencing profiles via visual data augmentation | |
Grullon et al. | Using Whole Slide Image Representations from Self-supervised Contrastive Learning for Melanoma Concordance Regression | |
Al-Ghraibah et al. | Automated detection of leukemia in blood microscopic images using image processing techniques and unique features: Cell count and area ratio | |
Nagasri et al. | SEGMENTATION OF WBC USING GEL THRESHOLDS APPROACH | |
Singh et al. | Utilizing Correlation Analysis for Validation of Image Datasets in Lower Spine Diagnosis: A Study on MRI Image Dataset from Multiple Labs in Punjab |
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 |