CN111863118B - 基于tct制片进行tct和dna倍体分析的方法 - Google Patents
基于tct制片进行tct和dna倍体分析的方法 Download PDFInfo
- Publication number
- CN111863118B CN111863118B CN202010701223.6A CN202010701223A CN111863118B CN 111863118 B CN111863118 B CN 111863118B CN 202010701223 A CN202010701223 A CN 202010701223A CN 111863118 B CN111863118 B CN 111863118B
- Authority
- CN
- China
- Prior art keywords
- cell nucleus
- tct
- dna
- sequence
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30—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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Public Health (AREA)
- Crystallography & Structural Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明属于生物医药及智能识别技术领域,具体公开了一种基于TCT制片进行TCT和DNA倍体分析的方法。利用TCT制片可同时实现完成TCT分析和DNA倍体分析,实现减少制片量,降低医生的劳动强度,克服由于样品之间的染色差异带来的结论差异,为检测患者体内宫颈癌可能性提高准确率。通过减少制片量,降低对样品的筛选,使得对患者的伤害性更小,疼痛更少,且检测方法更快捷。为早期诊断癌症的检测可能性提高效率。
Description
技术领域
本发明涉及生物医药及智能识别技术领域,具体属于细胞染色成像技术领域,具体涉及基于TCT制片进行TCT和DNA倍体分析的方法。
背景技术
宫颈癌是妇科高发的恶性肿瘤之一,对于宫颈癌及病变的早期诊断是提高宫颈癌治愈率和生存率的关键。目前对于宫颈癌的早期诊断,主要包括DNA倍体分析法和TCT法。两者各有优劣,在进行早期诊断过程中,需要医生的工作强度和人为误差极大。
TCT法采用液基薄层细胞检测系统检测宫颈细胞并进行细胞学分类诊断,它是目前国际上最先进的一种宫颈癌细胞学检查技术,与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。TCT宫颈防癌细胞学检查对宫颈癌细胞的检出率高,同时还能发现部分癌前病变,微生物感染如霉菌、滴虫等。
DNA倍体分析法的原理为观察并定量分析上皮细胞和腺细胞等非淋巴细胞的细胞核改变情况,在有病变/癌变的情况下,该类细胞DNA异常增生,核呈现出变大颜色变深的趋向。现有DNA倍体分析一般使用特殊类染色方法(典型染色方法为福尔根染色法),染色后显微镜下仅见细胞核,胞浆无染色。由于该方法制片后无法看到胞浆,也就意味着无法用于液基细胞学分析(TCT)。如果需要进行液基细胞学分析,就需另外使用巴氏染色法重新制片和染色。
CN201811425981.9公开一种基于细胞显微镜图像的DNA定量分析方法,通过将直接从CCD或CMOS上得到的信息RAW文件做为DNA定量分析中的图片,以避免在计算IOD值需要增加补偿计算,而有所失误,以大大提高DNA定量计算的准确性,且在增加或减少入射光强度时,使其结果更稳定。上述方法测定的图片对象为DNA倍体分析方法制备的玻片,无法实现对TCT和DNA倍体分析的同时进行,具有一定的局限性。
CN2015100529831.8公开一种复染环境下细胞DNA定量测量方法,通过将载有脱落细胞的玻片用多种单一纯染料分别染色后,同时进行细胞DNA定量和细胞形态定量分析。上述方法需要对玻片进行多次染色,无法避免染色差异带来的误差,具有一定的局限性。
基于现有技术的不足,有必要提供一种同时实现TCT制片同时实现TCT和DNA倍体分析的方法。
发明内容
为实现上述目的,本发明提供一种基于TCT制片进行TCT和DNA倍体分析的方法,基于巴氏染色制作的TCT片,能同时进行液基细胞学分析和DNA倍体分析,减少了制片量同时减少多次染色带来的误差,为多种分析提供了便利。
本发明采用如下技术方案:
一方面,本发明提供一种基于TCT制片进行TCT和DNA倍体分析的方法,具体步骤如下:
步骤1:提供DNA被巴氏染色法染色的细胞的样品,在显微镜下获得至少一个视野图像;
步骤2:将采集的样品的视野图像进行图像分割处理,分割的结果围成若干个分割块;所述分割块是指一组相邻的像素集合;
步骤3:使用机器学习分类器从若干个分割块中挑选出若干细胞核分割块;
步骤4:将视野图像内的细胞核分割块进行图像灰度化处理,并将处理后的图像灰度进行灰度反转;
步骤5:将单一细胞核分割块的若干个像素的反转灰度进行量化累加计算成为反转灰度和,并记为对应单一细胞核分割块的DNA含量;
步骤6:将步骤5所得的所有细胞核分割块的DNA含量进行升序排序,记为原始细胞核序列;再从原始细胞核序列前端选取一组的前序细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为淋巴细胞DNA含量;
步骤7:从原始细胞核序列中后端选取DNA含量较大的一组的后续细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为倒序,将倒序1与淋巴细胞DNA含量的比值,记为DNA核酸倍体值;
步骤8:将从细胞核序列中后端选取的若干个细胞核分割块,分别输入机器学习分类器进行TCT形态学分析,分别定性每个细胞核是否有病变,完成TCT分析。
进一步地,所述视野图像采用TCT法从显微镜中获得。
进一步地,所述样品包含足够的细胞,以确定具有特定DNA含量的细胞群体。
进一步地,所述特定DNA含量的细胞群体可以是二倍体细胞群体,也可以是四倍体细胞群体。
进一步地,所述足够的细胞可以是200个以上细胞的群体。
进一步地,所述巴氏染色法采用常规的染色法即可。
进一步地,所述样品来自可能患有宫颈癌的患者,也可能来自非相关组织。
进一步地,所述非相关组织包括但不限于宫颈刮片、黏膜、宫颈吸出物、乳头吸出物等脱落细胞。
进一步地,所述机器学习分类器包括但不限于逻辑回归分类器、随机森林、梯度增强树、卷积神经网络等。
进一步地,所述前序细胞核分割块中剔除0~25%最小值的DNA含量后再进行求和处理。优选为0、0.1%、0.5%、1%、5%、10%、15%或25%。
进一步地,所述一组的前序细胞核分割块是指占据原始细胞核序列的百分比为0.001~100%,优选为0、0.001%、0.01%、0.1%、0.5%、1%、5%、10%、15%或25%,个数可以是1个~所有,优选为1个、10个、20个、50个、100个、200个等等;具体根据所得原始细胞核序列的个数进行判断,力求所得数据具有代表性。
进一步地,所述一组的前序细胞核分割块为淋巴细胞或白细胞的细胞核分割块。
进一步地,所述一组的后续细胞核分割块是指占据原始细胞核序列的百分比为0.001~100%.优选为0、0.001%、0.01%、0.1%、0.5%、1%、5%、10%、15%、25%、35%、45%或50%,个数可以是1个~所有,优选为1个、10个、20个、50个、100个、200个等等;具体根据所得原始细胞核序列的个数进行判断,力求所得数据具有代表性。
进一步地,所述细胞核机器学习分类器包括但不限于逻辑回归分类器、随机森林、梯度增强树、卷积神经网络等;
进一步地,将所述方法获得的DNA核酸倍体值、以及每个细胞是否病变的定性分析进行综合分析,最终得到样品是否发生癌变或癌前病变的结论。
有益效果:
本发明通过基于TCT显微镜下获得的视野图像同时进行DNA核酸倍体定量分析和TCT液基细胞学形态分析,进而辅助诊断宫颈癌,减少不同样品之间染色带来的结论差异,高效利用样品标本,免除由于染色制片带来的误差,加快分析效率;
在进行视野图像处理时,采用机器学习分类器对分割块进行分类,分类清晰,减少人工分析的工作量;
在进行数值处理过程中,剔除一定比例的最小值对于最终结果无影响,增加了分析的可靠性。
本发明利用TCT制片可同时实现完成TCT分析和DNA倍体分析,实现减少制片量,降低医生的劳动强度,克服由于样品之间的染色差异带来的结论差异,为检测患者体内宫颈癌可能性提高准确率。通过减少制片量,降低对样品的筛选,使得对患者的伤害性更小,疼痛更少,且检测方法更快捷。为早期诊断癌症的检测可能性提高效率。
附图说明
图1步骤2所得分割块的示例图;
图2步骤3所得细胞核分割块的示例图;
图3步骤4所得细胞核分割块的示例图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
一种基于TCT制片进行TCT和DNA倍体分析的方法,具体步骤如下:
步骤1:提供DNA被巴氏染色法染色的细胞的样品,通过TCT法获得至少一个视野图像;所述样品包含足够的细胞,以确定具有特定DNA含量的细胞群体;所述特定DNA含量的细胞群体可以是二倍体细胞群体,也可以是四倍体细胞群体;所述足够的细胞可以是200个以上细胞的群体;所述巴氏染色法采用常规的染色法即可;所述样品来自可能患有宫颈癌的患者,也可能来自非相关组织;所述非相关组织包括但不限于宫颈刮片、黏膜、宫颈吸出物、乳头吸出物等脱落细胞;
步骤2:将采集的样品的视野图像进行图像分割处理,分割的结果围成若干个分割块;所述分割块是指一组相邻的像素集合;具体如图1所示;
步骤3:使用机器学习分类器从若干个分割块中挑选出若干细胞核分割块;进一步地,所述机器学习分类器包括但不限于逻辑回归分类器、随机森林、梯度增强树、卷积神经网络等;具体如图2所示;
步骤4:将视野图像内的细胞核分割块进行图像灰度化处理,并将处理后的图像灰度进行灰度反转;具体如图3所示;
步骤5:将单一细胞核分割块的若干个像素的反转灰度进行量化累加计算成为反转灰度和,并记为对应单一细胞核分割块的DNA含量;
步骤6:将步骤5所得的所有细胞核分割块的DNA含量进行升序排序,记为原始细胞核序列;从细胞核序列前端剔除一定百分比的细胞核分割块,剩余原始细胞核序列记为现有细胞核序列;再从现有细胞核序列前端选取一组的前序细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为淋巴细胞DNA含量;所述一定百分比可以是0~25%,例如0、0.1%、0.5%、1%、5%、10%、15%或25%;所述一组的前序细胞核分割块是指占据现有细胞核序列的百分比为0.001~100%,优选为0、0.001%、0.01%、0.1%、0.5%、1%、5%、10%、15%或25%,个数可以是1个~所有,优选为1个、10个、20个、50个、100个、200个等等;具体根据所得原始细胞核序列的个数进行判断,力求所得数据具有代表性;
步骤7:从原始细胞核序列中后端选取DNA含量较大的一组的后续细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为倒序,将倒序1与淋巴细胞DNA含量的比值,记为DNA核酸倍体值;进一步地,所述一组的后续细胞核分割块是指占据原始细胞核序列的百分比为0.001~100%,优选为0、0.001%、0.01%、0.1%、0.5%、1%、5%、10%、15%、25%、35%、45%或50%,个数可以是1个~所有,优选为1个、10个、20个、50个、100个、200个等等;具体根据所得原始细胞核序列的个数进行判断,力求所得数据具有代表性;
步骤8:将从细胞核序列中后端选取的若干个细胞核分割块,分别输入机器学习分类器进行TCT形态学分析,分别定性每个细胞核是否有病变。所述机器学习分类器包括但不限于逻辑回归分类器、随机森林、梯度增强树、卷积神经网络等;
结论:将所述方法获得的DNA核酸倍体值、以及每个细胞是否病变的定性分析进行综合分析,最终得到样品是否发生癌变或癌前病变的结论。
实施例2
一种基于TCT制片进行TCT和DNA倍体分析结果融合的方法,具体步骤如下:
一种基于TCT制片进行TCT和DNA倍体分析的方法,具体步骤如下:
步骤1:提供DNA被巴氏染色法染色的200个以上细胞的群体的样品,通过TCT法获得至少一个视野图像;所述样品来自可能患有宫颈癌的患者,也可能来自非相关组织;所述非相关组织包括但不限于宫颈刮片、黏膜、宫颈吸出物、乳头吸出物等脱落细胞;
步骤2:将采集的样品的视野图像进行图像分割处理,分割的结果围成若干个分割块;具体如图1所示将采集的视野图像进行分割成小块区域;
步骤3:使用机器学习分类器从若干个分割块中挑选出若干细胞核分割块;具体如图2所示,从所有分割块中挑选明显颜色深的部分作为细胞核分割块;
步骤4:将视野图像内的细胞核分割块进行图像灰度化处理,并将处理后的图像灰度进行灰度反转;具体如图3所示,通过进行灰度反转后,图像灰度进行对应反转;
步骤5:将单一细胞核分割块的若干个像素的反转灰度进行量化累加计算成为反转灰度和,并记为对应单一细胞核分割块的DNA含量;
步骤6:将步骤5所得的所有细胞核分割块的DNA含量进行升序排序,记为原始细胞核序列;从细胞核序列前端剔除10%的细胞核分割块,剩余原始细胞核序列记为现有细胞核序列;再从现有细胞核序列前端选取一组的前序细胞核分割块(约数百个),将各细胞核分割块的DNA含量求和后取其平均值,记为淋巴细胞DNA含量;
步骤7:从原始细胞核序列中后端选取DNA含量较大的一组的后续细胞核分割块(约数十个),将各细胞核分割块的DNA含量求和后取其平均值,记为倒序,将倒序1与淋巴细胞DNA含量的比值,记为DNA核酸倍体值;
步骤8:将从细胞核序列中后端选取的若干个细胞核分割块,分别输入机器学习分类器进行TCT形态学分析,分别定性每个细胞核是否有病变,得出该细胞核的病变程度值,范围约0.0~1.0。
结论:将所述方法获得的DNA核酸倍体值、以及每个细胞是否病变的定性分析进行综合分析,根据背离程度确定加权融合各自的权重,由最终的加权融合值得到样品是否发生癌变或癌前病变的结论。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,具体步骤如下:
步骤1:提供DNA被巴氏染色法染色的细胞的样品,在显微镜下获得至少一个视野图像,所述视野图像采用TCT法从显微镜中获得;
步骤2:将采集的样品的视野图像进行图像分割处理,分割的结果围成若干个分割块;所述分割块是指一组相邻的像素集合;
步骤3:使用机器学习分类器从若干个分割块中挑选出若干细胞核分割块;
步骤4:将视野图像内的细胞核分割块进行图像灰度化处理,并将处理后的图像灰度进行灰度反转;
步骤5:将单一细胞核分割块的若干个像素的反转灰度进行量化累加计算成为反转灰度和,并记为对应单一细胞核分割块的DNA含量;
步骤6:将步骤5所得的所有细胞核分割块的DNA含量进行升序排序,记为原始细胞核序列;从细胞核序列前端剔除一定百分比的细胞核分割块,剩余原始细胞核序列记为现有细胞核序列;从现有细胞核序列前端选取一组的前序细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为淋巴细胞DNA含量;所述一定百分比为 0~25%;
步骤7:从原始细胞核序列中后端选取DNA含量较大的一组的后续细胞核分割块,将各细胞核分割块的DNA含量求和后取其平均值,记为倒序,将倒序1与淋巴细胞DNA含量的比值,记为DNA核酸倍体值;所述一组的后续细胞核分割块是指占据原始细胞核序列的百分比为 0.001~50%;
步骤8:将从细胞核序列中后端选取的若干个细胞核分割块,分别输入机器学习分类器进行TCT形态学分析,分别定性每个细胞核是否有病变,得出该细胞核的病变程度值,范围0~1,完成TCT分析;将所述方法获得的DNA核酸倍体值、以及每个细胞是否病变的定性分析进行综合分析,根据背离程度确定加权融合各自的权重,最终得到样品是否发生癌变或癌前病变的评判依据。
2. 根据权利要求1所述基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,所述样品包含足够的细胞,以确定具有特定DNA含量的细胞群体,所述特定DNA 含量的细胞群体选自二倍体细胞群体或四倍体细胞群体。
3.根据权利要求2所述基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,所述样品来自可能患有宫颈癌的患者的非相关组织,所述非相关组织包括宫颈刮片、黏膜、宫颈吸出物或乳头吸出物的脱落细胞。
4.根据权利要求1所述基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,所述机器学习分类器包括逻辑回归分类器、随机森林、梯度增强树或卷积神经网络。
5.根据权利要求1所述基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,所述一组的前序细胞核分割块是指占据原始细胞核序列的百分比为0.001%~100%。
6.根据权利要求1所述基于TCT制片进行TCT和DNA倍体分析的方法,其特征在于,所述一组的前序细胞核分割块为淋巴细胞或白细胞的细胞核分割块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701223.6A CN111863118B (zh) | 2020-07-20 | 2020-07-20 | 基于tct制片进行tct和dna倍体分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701223.6A CN111863118B (zh) | 2020-07-20 | 2020-07-20 | 基于tct制片进行tct和dna倍体分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111863118A CN111863118A (zh) | 2020-10-30 |
CN111863118B true CN111863118B (zh) | 2023-09-05 |
Family
ID=73001920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701223.6A Active CN111863118B (zh) | 2020-07-20 | 2020-07-20 | 基于tct制片进行tct和dna倍体分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863118B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396583B (zh) * | 2020-11-18 | 2024-01-26 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
CN112378727A (zh) * | 2020-12-14 | 2021-02-19 | 湖南莱博赛医用机器人有限公司 | 基于机器视觉的dna倍体定量分析装置及其应用方法 |
CN112750493B (zh) * | 2020-12-22 | 2024-05-03 | 深思考人工智能机器人科技(北京)有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及系统 |
CN113533330A (zh) * | 2021-07-15 | 2021-10-22 | 湖南莱博赛医用机器人有限公司 | 一种基于人工智能技术的宫颈癌检测筛查管理方法 |
CN113506623A (zh) * | 2021-07-15 | 2021-10-15 | 湖南莱博赛医用机器人有限公司 | 一种宫颈癌人工智能检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957279A (zh) * | 2010-09-19 | 2011-01-26 | 王珑 | 全自动lct液基薄层细胞和细胞dna快速制片与染色一体机 |
CN106875393A (zh) * | 2017-03-28 | 2017-06-20 | 四川大学 | 一种基于图像分析的肿瘤细胞dna含量检测方法 |
CN208270298U (zh) * | 2018-06-15 | 2018-12-21 | 湖南品胜生物技术有限公司 | 一种标准化细胞dna定量分析仪的质控片 |
CN109946278A (zh) * | 2019-03-26 | 2019-06-28 | 贺权源 | 荧光染料dapi对细胞dna进行染色定量的癌症筛查和诊断方法 |
RU2018109656A3 (zh) * | 2018-03-19 | 2019-09-19 | ||
CN110852396A (zh) * | 2019-11-15 | 2020-02-28 | 苏州中科华影健康科技有限公司 | 一种宫颈图像的样本数据处理方法 |
CN111346213A (zh) * | 2008-01-22 | 2020-06-30 | 阿拉伊姆药品公司 | 用于预防和治疗组织损伤相关疾病和病症的组织保护肽和肽类似物 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010005532A1 (en) * | 2008-06-30 | 2010-01-14 | Caritas St. Elizabeth Medical Center Of Boston, Inc. | Tumor-initiating cells and methods of use |
US8603747B2 (en) * | 2009-07-21 | 2013-12-10 | NeoDiagnostix, Inc | Method and system for automated image analysis in cancer cells |
JP2020511521A (ja) * | 2017-03-23 | 2020-04-16 | ディーエヌエーアールエックス | in vivoでの核酸発現のためのシステム及び方法 |
-
2020
- 2020-07-20 CN CN202010701223.6A patent/CN111863118B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111346213A (zh) * | 2008-01-22 | 2020-06-30 | 阿拉伊姆药品公司 | 用于预防和治疗组织损伤相关疾病和病症的组织保护肽和肽类似物 |
CN101957279A (zh) * | 2010-09-19 | 2011-01-26 | 王珑 | 全自动lct液基薄层细胞和细胞dna快速制片与染色一体机 |
CN106875393A (zh) * | 2017-03-28 | 2017-06-20 | 四川大学 | 一种基于图像分析的肿瘤细胞dna含量检测方法 |
RU2018109656A3 (zh) * | 2018-03-19 | 2019-09-19 | ||
CN208270298U (zh) * | 2018-06-15 | 2018-12-21 | 湖南品胜生物技术有限公司 | 一种标准化细胞dna定量分析仪的质控片 |
CN109946278A (zh) * | 2019-03-26 | 2019-06-28 | 贺权源 | 荧光染料dapi对细胞dna进行染色定量的癌症筛查和诊断方法 |
CN110852396A (zh) * | 2019-11-15 | 2020-02-28 | 苏州中科华影健康科技有限公司 | 一种宫颈图像的样本数据处理方法 |
Non-Patent Citations (1)
Title |
---|
薄层液基细胞学检测联合DNA倍体分析在宫颈癌前病变早期筛查中的价值;魏策 等;《新乡医学院学报》;第33卷(第2期);第130-132页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111863118A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111863118B (zh) | 基于tct制片进行tct和dna倍体分析的方法 | |
US7587078B2 (en) | Automated image analysis | |
US7760927B2 (en) | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
Netten et al. | Fluorescent dot counting in interphase cell nuclei | |
WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
López et al. | Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression | |
WO2007024264A2 (en) | Method and system for digital image based tissue independent simultaneous nucleus, cytoplasm and membrane quantitation | |
Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
Li et al. | Leukocyte cells identification and quantitative morphometry based on molecular hyperspectral imaging technology | |
John et al. | A novel approach for detection and delineation of cell nuclei using feature similarity index measure | |
EP1579366B1 (en) | Histological assessment of nuclear pleomorphism | |
Sudha et al. | A novel approach for segmentation and counting of overlapped leukocytes in microscopic blood images | |
He et al. | Local and global Gaussian mixture models for hematoxylin and eosin stained histology image segmentation | |
CN112990015A (zh) | 一种病变细胞自动识别方法、装置和电子设备 | |
Barnett et al. | Automated identification and quantification of signals in multichannel immunofluorescence images: the SignalFinder-IF platform | |
US20110262907A1 (en) | Procecure for preparing a processed virtual analysis image | |
CN112750493B (zh) | 基于巴氏染色方式的dna倍体定量分析方法及系统 | |
Cosio et al. | Automatic counting of immunocytochemically stained cells | |
CN113052806B (zh) | 一种癌变程度分级系统 | |
Chitra et al. | Detection of aml in blood microscopic images using local binary pattern and supervised classifier | |
CN112378727A (zh) | 基于机器视觉的dna倍体定量分析装置及其应用方法 | |
Ballerini et al. | Fractal analysis of microscopic images of breast tissue | |
Nahrawi et al. | Color Contrast Enhancement on Pap Smear Images Using Statistical Analysis. | |
Yamaguchi | Computer-aided differentiation for pathology images |
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 |