CN112529843A - 一种用于识别异常上皮细胞的方法和系统 - Google Patents
一种用于识别异常上皮细胞的方法和系统 Download PDFInfo
- Publication number
- CN112529843A CN112529843A CN202011323788.1A CN202011323788A CN112529843A CN 112529843 A CN112529843 A CN 112529843A CN 202011323788 A CN202011323788 A CN 202011323788A CN 112529843 A CN112529843 A CN 112529843A
- Authority
- CN
- China
- Prior art keywords
- cells
- cell
- detected
- cell parameter
- target sample
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000002919 epithelial cell Anatomy 0.000 title claims abstract description 30
- 210000004027 cell Anatomy 0.000 claims abstract description 109
- 210000001316 polygonal cell Anatomy 0.000 claims abstract description 24
- 230000001413 cellular effect Effects 0.000 claims description 8
- 230000008827 biological function Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 description 19
- 210000001339 epidermal cell Anatomy 0.000 description 6
- 240000008067 Cucumis sativus Species 0.000 description 5
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 210000002615 epidermis Anatomy 0.000 description 5
- 210000000981 epithelium Anatomy 0.000 description 5
- 231100000915 pathological change Toxicity 0.000 description 5
- 230000036285 pathological change Effects 0.000 description 5
- 230000035755 proliferation Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 210000003491 skin Anatomy 0.000 description 4
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 210000004927 skin cell Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000037311 normal skin Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 1
- 208000006981 Skin Abnormalities Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- -1 antibodies Proteins 0.000 description 1
- 210000000270 basal cell Anatomy 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000002777 columnar cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了一种用于识别异常上皮细胞的方法和系统。所述方法包括以下步骤：获取待测目标样品；对待测目标样品进行分析以获取待测样品的细胞参数特征；从正常细胞参数特征库中提取与待测目标样品同类型的细胞参数特征；所述待测样品可以看作由凸多边形细胞在二维平面密铺而成的网络结构，且绝大多数情况下每三边交于一点；所述细胞参数特征包括细胞边数分布、面积分布、内角分布、拟合椭圆的长短轴比值、相邻多边形细胞的平均边数；基于待测目标样品的细胞参数特征和正常细胞的细胞参数特征的比对，识别出异常的上皮细胞。与传统的识别异常细胞的方法相比，本发明的方法所需细胞数量少因而效率高，非常适用于异常细胞的早期识别。
Description
技术领域
本发明涉及生物图像识别技术领域，尤其是涉及一种用于识别异常上皮细胞的方法和系统。
背景技术
细胞是除病毒之外的生物体的基本结构单元和功能单元。细胞紧密堆积以形成各种组织，各种组织集合成为一个生物个体。上皮细胞是位于皮肤或腔道表层的细胞。上皮细胞根据器官的不同而有所不同。上皮组织通常由柱状细胞密铺而成，根据其几何和拓扑特征可简化为凸多边形密铺的面，比如生物表皮、皮肤、上皮以及视网膜等由凸多边形所密铺。无论遗传背景以及环境条件是否存在差异，健康细胞的边数、面积和内角的统计分布特点以及相邻细胞之间的关系都服从同样的数学规律。
有研究表明，大多数的癌症病变起始于表皮或上皮细胞的变异，且上皮癌症占人类癌症的90％。当细胞处于异常状态(例如癌变)时，会导致细胞不受控制的增殖、细胞代谢紊乱、坏死等，同时细胞的几何形状、拓扑结构和相应统计规律会发生显著改变。
常见的识别人体异常细胞(表现为某种疾病)的方法包括：肉眼观察或放大后识别、组织切片染色拍照分析、检测生物标志物(基因、抗体、蛋白、代谢物等)等。然而，这些检验方法或依赖检验人员的经验，或耗时费力，而且检出率依赖于样本量和异常细胞的比例，因而非常不适宜于早期诊断。以皮肤异常为例，病人一般发现肉眼可见的病变后才去就医，病变尺寸达到几个平方毫米且有多个病变点才可能被重视。而1mm2的表皮可能包含近万个异常细胞，假设异常细胞每天的增殖速度高达一倍，则病变细胞扩散已经开始近13天。
鉴于此，特提出本发明。
发明内容
本发明的目的在于提供一种用于识别异常上皮细胞的方法和系统。与传统的识别异常细胞的方法相比，本发明的方法所需细胞数量少因而效率高，非常适用于异常细胞的早期识别，可以解决异常细胞的早期诊断预警问题。
为了实现本发明的目的，本发明提供的技术方案如下：
一方面，本发明提供了一种用于识别异常上皮细胞的方法，包括以下步骤：
获取待测目标样品；
对待测目标样品进行分析，以获取待测目标样品的细胞参数特征；
从正常细胞参数特征库中提取与待测目标样品同类型的细胞参数特征；所述正常细胞参数特征库中的细胞参数特征包括细胞边数分布、面积分布、内角分布、拟合椭圆的长短轴比值、该细胞相邻多边形细胞的平均边数；
基于待测目标样品的细胞参数特征和正常细胞的细胞参数特征的比对，识别出异常的上皮细胞。
在一些实施方案中，可将正常生物组织或待检测的生物组织根据组织外形和生物学功能进行分区获取上皮细胞图像并进行异常上皮细胞的识别。所述生物组织的共性是，根据组织细胞的几何和拓扑特征，可以将组织简化为凸多边形密铺的二维平面，凸多边形网格中90％以上的情况下每三边交于一个顶点。比如：由棱柱细胞密铺而成的生物皮肤、表皮、上皮等，也可以是肌肉纵切面；或者是其他可以简化为上述凸多边形网络结构的材料。本发明主要针对排列较为紧凑和规律的上皮细胞的识别。
在一个实施方案中，所述细胞参数特征包括：目标生物组织按照组织外形和生物学功能分成的不同区块，各区块中每个多边形细胞的拓扑特征(包括边数和相邻多边形平均边数)，以及几何特征(包括多边形的面积、多边形的内角)，优选地，还包括多边形边数的二阶矩和熵。
在一个实施方案中，所述细胞参数还包括：所述细胞参数特征还包括：基于每个多边形细胞进行最小外接椭圆拟合得到的拟合椭圆的长、短半轴及比值。
在一个实施方案中，对待测目标样品进行分析前，可以使用显微拍照方法或其他常规有效方法获得上皮细胞图像。
在一个实施方案中，所述待测目标样品进行分析包括：通过获取每个多边形细胞的顶点坐标进而获取细胞参数特征或者通过对每个多边形细胞进行软件标注来获取相应细胞参数特征；优选地，所述顶点坐标由目标生物组织的细胞网格图中获取。
在一个具体实施方案中，本发明通过识别多边形网格图像中的多边形细胞，提取多边形顶点坐标，将组织图像转换成二维网格结构。通过顶点坐标数据，对每个多边形的细胞参数如多边形的面积、多边形的内角、多边形的边数、相邻多边形平均边数，以及还包括多边形边数的二阶矩和熵等进行自动统计。本发明也可以利用图像处理软件，对每个多边形细胞的参数例如面积、边长、内角等数据在图片上进行分析并得出结果，将结果汇总为待测样品的参数特征库。
在一个实施方案中，所述细胞参数特征在相同的放大倍数下进行统计或在固定的标尺参考下进行统计。
在一个实施方案中，所述方法包括通过与正常细胞的参数进行对比，识别异常细胞；
其中，所述正常细胞的边数分布特点：边数平均值为6，边数范围为4-10，六边形占比为30％-70％；面积分布特点：细胞面积为面积平均值的0.1至10倍；多边形的内角分布：40％以上的内角集中在100-140度；相邻多边形细胞的平均边数范围为4.5-8.0；多边形边数的二阶矩范围为0.2-1.0，边数的熵范围为0.8-2.0；长、短半轴比值范围为1.0-3.0。
在一个实施方案中，所述方法还包括对识别出的异常细胞所占比例进行统计和分析异常细胞分布密度从而可以定量分析异常细胞的发展规律。例如，根据连续观察某上皮组织，分析异常细胞占比和分布密度的变化规律，为早期干预提供依据。
在一个实施方案中，所述方法还包括根据待测组织中异常细胞相对于正常细胞的几何和拓扑变化特点，对病变类型进行分类，进而结合其他诊断方法建立细胞几何和拓扑特征与疾病的对应关系。
在一个实施方案中，所述待测目标样品应能够有效识别上皮细胞形态，包括生物皮肤、表皮、上皮、视网膜，或其他可以当作凸多边形网络结构进行分析的材料，比如，肌肉横切面。
在另一方面，本发明提供了一种用于实现所述方法的系统，所述系统包括：
识别模块，用于获取待测目标样品；
细胞参数特征获取模块，用于获取细胞参数特征；
比对模块，用于将待测目标样品的细胞参数特征和正常细胞的细胞参数特征进行比对，识别出异常的上皮细胞。
有益效果
本发明提供的方法关键在于通过分析细胞的几何和拓扑特征和规律，可以在病变的非常早期发出预警，例如，异常细胞仅～100个就被识别出来。本发明明显提高了异常上皮细胞的识别效率，因此具有具有重要的应用价值。
本发明的方法可重复性高，不依赖于检验人员的个人主观经验，依赖于客观的判断标准，结果准确性高。
本发明的方法不仅可以快速识别异常上皮细胞，而且可以持续观察组织中异常细胞的分布密度、斑块大小以及增殖特征，给出异常细胞的分布密度、位置、形状并帮助确定异常细胞的发展规律。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种异常上皮细胞的识别方法的实施流程图；
图2为本发明实施例中一种利用插值-最小二乘法拟合最小外接椭圆的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1人面部异常上皮细胞的识别
具体步骤如下(图1为实施例提供的一种异常上皮细胞的识别方法的实施流程图)：
1.获得人类面部上皮基底细胞图像，识别细胞网格图像中的多边形细胞，获取每个多边形细胞的顶点坐标数据；
2.按照生物学功能将组织分成颊部、额部、鼻部、颏部等区块，统计区块中每个多边形的边数、面积、相邻多边形平均边以及多边形内角的分布特征，计算边数的二阶矩和熵；
3.基于顶点坐标对多边形进行外接椭圆拟合(如图2所示)，统计拟合椭圆的长、短半轴及比值。
4.分析正常无病变皮肤细胞的几何和拓扑特征，建立正常皮肤细胞的参数特征库；
将目标皮肤细胞的参数特征与特征库对比分析，找出参数异常的细胞；
其中，所述正常细胞的边数分布特点：边数平均值为6，边数范围为4-10，六边形占比为30％-70％；面积分布特点：细胞面积为面积平均值的0.1至10倍；多边形的内角分布：40％以上的内角集中在100-140度；相邻多边形细胞的平均边数范围为4.5-8.0；多边形边数的二阶矩范围为0.2-1.0，边数的熵范围为0.8-2.0；长短半轴比值范围为1.0-10.0。
5.持续观察组织中异常细胞的分布密度、斑块大小以及增殖特征，确定异常细胞的发展规律。
实施例2黄瓜叶片异常表皮细胞的识别
具体步骤如下(图1为实施例提供的一种异常上皮细胞的识别方法的实施流程图)：
1.获得黄瓜叶片的正常无病变表皮细胞图像，识别细胞网格图像中的多边形细胞，获取每个多边形细胞的顶点坐标数据；
2.按照生物学功能将叶片分成多个区块，统计区块中每个多边形的边数、面积、相邻多边形平均边数以及多边形内角的分布特征，计算边数的二阶矩和熵；
3.基于顶点坐标对多边形进行外接椭圆拟合(如图2所示)，统计拟合椭圆的长、短半轴及比值。
4.分析正常无病变细胞的几何和拓扑特征，建立正常黄瓜叶片表皮细胞的参数特征库；
将目标黄瓜表皮细胞的参数特征与特征库对比分析，找出参数异常的细胞；
其中，所述正常细胞的边数分布特点：边数平均值为6，边数范围为4-10，六边形占比为30％-70％；面积分布特点：细胞面积为面积平均值的0.1至10倍；多边形的内角分布：40％以上的内角集中在100-140度；相邻多边形细胞的平均边数范围为4.5-8.0；多边形边数的二阶矩范围为0.2-1.0，边数的熵范围为0.8-2.0；长短半轴比值范围为1.0-10.0。
5.持续观察黄瓜表皮组织中异常细胞的分布密度、斑块大小以及增殖特征，确定异常细胞的发展规律。
实施例3果蝇翅膀异常上皮细胞的识别
具体步骤如下(图1为实施例提供的一种异常上皮细胞的识别方法的实施流程图)：
1.获得果蝇翅膀的正常无病变上皮细胞图像，识别细胞网格图像中的多边形细胞，获取每个多边形细胞的顶点坐标数据；
2.按照生物学功能将翅膀分成多个区块，统计区块中每个多边形的边数、面积、相邻多边形平均边数以及多边形内角的分布特征，计算边数的二阶矩和熵；
3.基于顶点坐标对多边形进行外接椭圆拟合(如图2所示)，统计拟合椭圆的长、短半轴及比值。
4.分析正常无病变细胞的几何和拓扑特征，建立正常果蝇翅膀表皮细胞的参数特征库；
将目标表皮细胞的参数特征与特征库对比分析，找出参数异常的细胞；
其中，所述正常细胞的边数分布特点：边数平均值为6，边数范围为4-10，六边形占比为30％-70％；面积分布特点：细胞面积为面积平均值的0.1至10倍；多边形的内角分布：40％以上的内角集中在100-140度；相邻多边形细胞的平均边数范围为4.5-8.0；多边形边数的二阶矩范围为0.2-1.0，边数的熵范围为0.8-2.0；长短半轴比值范围为1.0-10.0。
5.持续观察表皮组织中异常细胞的分布密度、斑块大小以及增殖特征，确定异常细胞的发展规律。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种用于识别异常上皮细胞的方法，其特征在于，包括以下步骤：
获取待测目标样品；
对待测目标样品进行分析以获取待测样品的细胞参数特征；
从正常细胞参数特征库中提取与待测目标样品同类型的细胞参数特征；所述细胞参数特征包括细胞边数分布、面积分布、内角分布、拟合椭圆的长短轴比值、相邻多边形细胞的平均边数；
基于待测目标样品的细胞参数特征和正常细胞的细胞参数特征的比对，识别出异常的上皮细胞。
2.根据权利要求1所述的方法，其特征在于，所述细胞参数特征包括：目标生物组织按照组织外形和生物学功能分成的不同区块，各区块中每个多边形细胞的边数分布、面积分布、多边形的内角分布、相邻多边形细胞的平均边数，优选地，还包括多边形边数的二阶矩和熵。
3.根据权利要求1或2所述的方法，其特征在于，所述细胞参数特征还包括：基于每个多边形细胞进行最小外接椭圆拟合得到的拟合椭圆的长、短半轴及比值。
4.根据权利要求1所述的方法，其特征在于，对待测目标样品进行分析前，使用显微镜拍摄上皮细胞图像。
5.根据权利要求1所述的方法，其特征在于，所述待测目标样品进行分析包括：通过获取每个多边形细胞的顶点坐标进而获取细胞参数特征或者通过对每个多边形细胞进行软件标注来获取相应细胞参数特征。
6.根据权利要求5所述的方法，其特征在于，所述细胞参数特征在相同的放大倍数下进行统计或在固定的标尺参考下进行统计。
7.根据权利要求1所述的方法，其特征在于，所述方法包括通过与正常细胞的参数进行对比，识别异常细胞；
其中，所述正常细胞的边数分布特点：边数平均值为6，边数范围为4-10，六边形占比为30％-70％；面积分布特点：细胞面积为面积平均值的0.1至10倍；多边形的内角分布：40％以上的内角集中在100-140度；相邻多边形细胞的平均边数范围为4.5-8.0；多边形边数的二阶矩范围为0.2-1.0，边数的熵范围为0.8-2.0；长、短半轴比值范围为1.0-3.0。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括对识别出的异常细胞所占比例进行统计和分析异常细胞分布密度从而确定待测目标样品的病变类型和病情发展状况。
9.根据权利要求2所述的方法，其特征在于，所述目标生物组织的共性是，根据组织细胞的几何和拓扑特征，将组织简化为凸多边形密铺的二维平面，凸多边形网格中90％以上的情况下每三边交于一个顶点。
10.一种用于实现权利要求1-9任一项所述方法的系统，其特征在于，所述系统包括：
获取对象模块，用于获取待测目标样品；
细胞参数特征获取模块，用于获取细胞参数特征；
比对模块，用于将待测目标样品的细胞参数特征和正常细胞的细胞参数特征进行比对，识别出异常的上皮细胞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011323788.1A CN112529843A (zh) | 2020-11-23 | 2020-11-23 | 一种用于识别异常上皮细胞的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011323788.1A CN112529843A (zh) | 2020-11-23 | 2020-11-23 | 一种用于识别异常上皮细胞的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529843A true CN112529843A (zh) | 2021-03-19 |
Family
ID=74992995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011323788.1A Pending CN112529843A (zh) | 2020-11-23 | 2020-11-23 | 一种用于识别异常上皮细胞的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529843A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120122078A1 (en) * | 2010-11-12 | 2012-05-17 | Patterson Bruce K | Methods and systems for predicting whether a subject has a cervical intraepithelial neoplasia (cin) lesion from a suspension sample of cervical cells |
| CN103782170A (zh) * | 2011-07-07 | 2014-05-07 | 斯克里普斯健康机构 | 分析心血管病症的方法及其用途 |
| CN110335686A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞类型识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-23 CN CN202011323788.1A patent/CN112529843A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120122078A1 (en) * | 2010-11-12 | 2012-05-17 | Patterson Bruce K | Methods and systems for predicting whether a subject has a cervical intraepithelial neoplasia (cin) lesion from a suspension sample of cervical cells |
| CN103782170A (zh) * | 2011-07-07 | 2014-05-07 | 斯克里普斯健康机构 | 分析心血管病症的方法及其用途 |
| CN110335686A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞类型识别方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doyle et al. | Automated grading of breast cancer histopathology using spectral clustering with textural and architectural image features | |
| Jaleel et al. | Computer aided detection of skin cancer | |
| Dalle et al. | Nuclear pleomorphism scoring by selective cell nuclei detection. | |
| CN107103601B (zh) | 一种乳腺癌评分系统中的细胞有丝分裂检测方法 | |
| CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 | |
| EP2024933B1 (en) | "in vitro" diagnostic method for diseases affecting human or animal tissues | |
| CN108765427A (zh) | 一种前列腺图像分割方法 | |
| CN110338820A (zh) | 一种抑郁症和精神分裂症识别方法 | |
| CN103679816A (zh) | 一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法 | |
| CN116188423A (zh) | 基于病理切片高光谱图像的超像素稀疏解混检测方法 | |
| WO2022036673A1 (zh) | 一种疾病风险评测报告自动生成平台及应用 | |
| Landini | Applications of fractal geometry in pathology | |
| Nawn et al. | Multifractal alterations in oral sub-epithelial connective tissue during progression of pre-cancer and cancer | |
| Mendes et al. | On the geometric modulation of skin lesion growth: a mathematical model for melanoma | |
| Shi et al. | High-throughput fat quantifications of hematoxylin-eosin stained liver histopathological images based on pixel-wise clustering | |
| Femil et al. | An Efficient Hybrid Optimization for Skin Cancer Detection Using PNN Classifier. | |
| Giorgio | Differential diagnosis: shape and function, fractal tools in the pathology lab | |
| CN112529843A (zh) | 一种用于识别异常上皮细胞的方法和系统 | |
| CN109949279A (zh) | 一种基于皮肤图像的年龄分析系统 | |
| Bianciardi et al. | Fractals and pathology | |
| EP1155381B1 (en) | Minimally invasive apparatus and method for testing lesions of the oral cavity and similar epithelium | |
| CN110335278B (zh) | 一种量化肿瘤微环境的胶质方向特征的方法 | |
| Dey et al. | Precise segmentation and classification of epithelial rete-pegs signature in assessing lower limb wound healing progression | |
| Lin et al. | Assessment of breast cancer mesenchymal tumor infiltrating lymphocytes based on regional segmentation and nuclear segmentation classification | |
| SayedElahl et al. | Robust segmentation model for unshaped microarray spots using fractal transformation |
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 |