CN112712877A - 大视场高通量高分辨病理切片分析仪 - Google Patents
大视场高通量高分辨病理切片分析仪 Download PDFInfo
- Publication number
- CN112712877A CN112712877A CN202011420323.8A CN202011420323A CN112712877A CN 112712877 A CN112712877 A CN 112712877A CN 202011420323 A CN202011420323 A CN 202011420323A CN 112712877 A CN112712877 A CN 112712877A
- Authority
- CN
- China
- Prior art keywords
- pathological section
- image
- pathological
- section
- resolution
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 165
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000003384 imaging method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 36
- 230000003902 lesion Effects 0.000 claims description 24
- 201000011510 cancer Diseases 0.000 claims description 18
- 238000010186 staining Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000010191 image analysis Methods 0.000 claims description 12
- 230000036210 malignancy Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007489 histopathology method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/0004—Microscopes specially adapted for specific applications
- G02B21/0008—Microscopes having a simple construction, e.g. portable microscopes
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/0004—Microscopes specially adapted for specific applications
- G02B21/002—Scanning microscopes
- G02B21/0024—Confocal scanning microscopes (CSOMs) or confocal "macroscopes"; Accessories which are not restricted to use with CSOMs, e.g. sample holders
- G02B21/008—Details of detection or image processing, including general computer control
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/26—Stages; Adjusting means therefor
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
- G02B21/367—Control or image processing arrangements for digital or video microscopes providing an output produced by processing a plurality of individual source images, e.g. image tiling, montage, composite images, depth sectioning, image comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/955—Computational photography systems, e.g. light-field imaging systems for lensless imaging
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/70—SSIS architectures; Circuits associated therewith
- H04N25/76—Addressed sensors, e.g. MOS or CMOS sensors
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Vascular Medicine (AREA)
- Pathology (AREA)
- Immunology (AREA)
Abstract
本发明涉及一种大视场高通量高分辨病理切片分析仪,包括:照明模块,用于产生单色光;病理切片固定模块,用于固定并调整病理切片位置,以使病理切片位于成像视野位置处;数据采集模块,用于采集单色光经过病理切片后携带波前信息的散射光,与未携带病理切片信息的透射光形成的干涉图像信息;控制处理模块,用于对干涉图像信息进行图像重建,得到重建图像,基于预先训练完成的病理切片分析模型,对重建图像进行分析,得到病理切片的分析结果。本发明的病理切片分析仪,成像视野为传统光学显微镜的数百倍,不需要对病理切片进行染色,采用深度学习网络分析病理情况,简化了病理切片的分析过程。
Description
技术领域
本发明属于医学影像技术领域,具体涉及一种大视场高通量高分辨病理切片分析仪。
背景技术
病理切片显微特征的光学检查是诊断疾病的金标准之一,病理切片是取一定大小的病变组织,用病理组织学方法制成病理切片,通常将病变组织包埋在石蜡块里,用切片机切成薄片,再用苏木精-伊红染色,用显微镜进一步检查病变,以及其发生发展过程,最后作出病理诊断。
在通过病理切片进行诊断时,需要使用切片系统对切片进行观察,然后对病理切片进行分析,现有的病理切片成像方式和病理切片分析过程还存在以下不足:(1)传统光学显微技术视野与分辨率互相限制,获取高分辨图像必然伴随着一个较小的视野,在需要大量获取数据时会消耗大量的时间;此外,医生对病理切片的标记是一个重复性高的过程,长时间进行不能保证标记的准确性;(2)病理学检查流程中为了更好观察需要对切片染色,该过程是不可逆且耗时的;(3)受激拉曼显微成像技术可以为未经处理的生物组织提供快速、免标记、亚微米分辨率成像,但是受激拉曼显微成像技术视野较小,系统复杂,不适合于临床,虽然计算显微成像技术成像视野大,但是超分辨过程需要消耗大量时间。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种大视场高通量高分辨病理切片分析仪。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种大视场高通量高分辨病理切片分析仪,包括:
照明模块,用于产生单色光;
病理切片固定模块,用于固定并调整病理切片位置,以使所述病理切片位于成像视野位置处;
数据采集模块,用于采集单色光经过所述病理切片后携带波前信息的散射光,与未携带所述病理切片信息的透射光形成的干涉图像信息;
控制处理模块,用于对所述干涉图像信息进行图像重建,得到重建图像,基于预先训练完成的病理切片分析模型,对所述重建图像进行分析,得到所述病理切片的分析结果。
在本发明的一个实施例中,所述照明模块包括单色光源以及位于其下方的微孔结构,所述单色光源输出波长可调的单色光,所述微孔结构用于对所述单色光进行空间滤波,并且使其发生衍射。
在本发明的一个实施例中,所述病理切片固定模块包括病理切片固定器和病理切片位置调整器,所述病理切片固定器用于固定所述病理切片,所述病理切片位置调整器用于调整所述病理切片位置,以使所述病理切片位于成像视野位置处。
在本发明的一个实施例中,所述数据采集模块包括像元探测器,所述像元探测器的成像视场>20mm2,所述像元探测器的单个像元尺寸<1.4μm。
在本发明的一个实施例中,所述控制处理模块包括控制单元和数据处理单元,所述控制单元用于控制所述照明模块产生单色光,控制所述病理切片固定模块使所述病理切片位于成像视野位置处,以及控制数据采集模块采集所述干涉图像信息;
所述数据处理单元利用结构张量的图像自聚焦算法对所述干涉图像信息进行搜寻得到重建参数,利用角谱传播理论根据所述重建参数对所述干涉图像信息进行图像重建,得到所述重建图像,利用基于生成对抗网络的图像高分辨算法提高所述重建图像的分辨率,利用基于深度卷积神经网络的图像分析网路,对所述重建图像进行分析,判断所述病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
在本发明的一个实施例中,所述数据处理单元包括重建参数获取子单元、图像重建子单元和图像分析子单元,其中,
所述重建参数获取子单元,用于根据结构张量的图像自聚焦算法对所述干涉图像信息进行搜寻得到重建参数,所述重建参数为所述病理切片与数据采集模块之间的距离z;
所述图像重建子单元,用于根据所述重建参数利用角谱传播理论对所述干涉图像信息进行图像重建,得到重建图像;
所述图像分析子单元,用于基于预先训练完成的病理切片分析模型,对所述重建图像进行分析,得到所述病理切片的分析结果;
其中,所述分析结果包括所述病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
在本发明的一个实施例中,所述重建参数获取子单元用于:
根据先验信息确定病理切片样本与所述数据采集模块的距离的搜索范围以及搜索步长;
根据下式计算每个搜索步长的图像结构张量:
根据计算得到的图像结构张量,绘制结构张量曲线,寻找最值点,所述最值点作为所述病理切片与所述数据采集模块的距离z。
在本发明的一个实施例中,所述图像重建子单元用于根据角谱传播理论,按照下述的图像重建公式进行图像重建,获取所述重建图像:
其中,ξ表示傅里叶变换,ξ-1表示傅里叶反变换,i表示复数符号,k=2π/λ,λ表示单色光波长,fx,fy表示空间频率,z表示病理切片与数据采集模块的距离。
在本发明的一个实施例中,所述病理切片分析模型的训练方法包括:
步骤a:获取数据集,所述数据集包括若干不同可疑病变区域的组织病理切片图像,每个可疑病变区域的组织病理切片图像包括该可疑病变区域的带有标记的显微图像、第一重建图像和第二重建图像,其中,
所述带有标记的显微图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用临床显微镜获取组织病理切片全片的显微图像,再对所述显微图像进行标记得到的;
所述第一重建图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用所述大视场高通量高分辨病理切片分析仪获取的;
所述第二重建图像为对未进行苏木精-伊红染色的可疑病变区域的组织病理切片使用所述大视场高通量高分辨病理切片分析仪获取的;
步骤b:将所述数据集进行分组作为训练数据集和测试数据集;
步骤c:将所述训练数据集输入深度学习网络进行训练和网络参数优化,所述深度学习网络包括基于对抗生成网络的高分辨率图像重建网络和基于深度卷积神经网络的图像分析网络;
步骤d:重复步骤c直至所述深度学习网络达到预设的训练迭代次数,或者误差小于预设阈值,得到病理切片分析模型;
步骤e:利用所述测试数据集对所述病理切片分析模型进行性能测试,确定所述病理切片分析模型的性能。
与现有技术相比,本发明的有益效果在于:
1.本发明的大视场高通量高分辨病理切片分析仪,大视野、高通量成像,成像视野为传统光学显微镜的数百倍,采用像元探测器收集信号,成像视野等于像元探测器的活跃区域大小,而且能够快速获取图像。
2.本发明的大视场高通量高分辨病理切片分析仪,由于不依靠物镜获取图像,极大降低了仪器的成本消耗,适合用于临床诊断,尤其是资源较匮乏的地区。
3.本发明的大视场高通量高分辨病理切片分析仪,采用深度学习网络分析病理情况,不需要改变现有的仪器结构,智能地对病理图像分析,避免了医生大量重复操作带来的误差以及不同医生主观因素导致对病理情况判断不一致。
4.本发明的大视场高通量高分辨病理切片分析仪,不需要对病理切片进行染色,就可以对病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型进行分析判断,简化了病理切片的分析过程。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例提供的一种大视场高通量高分辨病理切片分析仪的结构框图;
图2是本发明实施例提供的另一种大视场高通量高分辨病理切片分析仪的结构框图;
图3是本发明实施例提供的一种大视场高通量高分辨病理切片分析仪的结构示意图。
图标:1-照明模块;101-单色光源;102-微孔结构;2-病理切片固定模块;201-病理切片固定器;202-病理切片位置调整器;3-数据采集模块;301-像元探测器;4-控制处理模块;401-控制单元;402-数据处理单元;4021-重建参数获取子单元;4022-图像重建子单元;4023-图像分析子单元。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种大视场高通量高分辨病理切片分析仪及分析方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
实施例一
请参见图1,图1是本发明实施例提供的一种大视场高通量高分辨病理切片分析仪的结构框图。如图所示,本发明实施例的大视场高通量高分辨病理切片分析仪,包括:
照明模块1,用于产生单色光;
病理切片固定模块2,用于固定并调整病理切片位置,以使所述病理切片位于成像视野位置处;
数据采集模块3,用于采集单色光经过所述病理切片后携带波前信息的散射光,与未携带所述病理切片信息的透射光形成的干涉图像信息;
控制处理模块4,用于对所述干涉图像信息进行图像重建,得到重建图像,基于预先训练完成的病理切片分析模型,对所述重建图像进行分析,得到所述病理切片的分析结果。
本实施例的大视场高通量高分辨病理切片分析仪,由于不依靠物镜获取图像,极大降低了仪器的成本消耗,适合用于临床诊断,尤其是资源较匮乏的地区。
进一步地,请结合参见图2和图3,图2是本发明实施例提供的另一种大视场高通量高分辨病理切片分析仪的结构框图;图3是本发明实施例提供的一种大视场高通量高分辨病理切片分析仪的结构示意图。如图所示,具体地,照明模块1包括单色光源101以及位于其下方的微孔结构102,单色光源101输出波长可调的单色光,微孔结构102用于对单色光进行空间滤波,并且使其发生衍射。可选地,单色光源101为激光二极管。
进一步地,病理切片固定模块2位于照明模块1的下方,病理切片固定模块2包括病理切片固定器201和病理切片位置调整器202,病理切片固定器201用于固定病理切片,病理切片位置调整器202用于调整病理切片位置,以使病理切片位于成像视野位置处。
进一步地,数据采集模块3位于病理切片固定模块2的下方,数据采集模块3包括像元探测器301,像元探测器的成像视场>20mm2,像元探测器的单个像元尺寸<1.4μm。可选地,像元探测器301可以是线阵CCD、面阵CCD或CMOS。
由于线阵CCD获取信息少,需要机械扫描操作增加获取的信息量,面阵CCD信息输出速率较慢且价格昂贵,而CMOS具有较低价格,且阵列的面积较大,因此,在本实施例中选取CMOS作为像元探测器301。另外,CMOS成像,其成像视野通常可超过20mm2,而且成像速度快,通常可达10-20fps。
在本实施例中,单色光经过病理切片后携带波前信息的散射光,与未携带所述病理切片信息的透射光在CMOS平面形成光干涉信号,CMOS将该光干涉信号转化为电信号,传输至控制处理模块4。
进一步地,控制处理模块4包括控制单元401和数据处理单元402,其中,控制单元401分别与单色光源101、病理切片位置调整器202以及像元探测器301连接。
控制单元401用于控制单色光源101输出单色光,控制病理切片位置调整器202使病理切片位于最佳成像视野位置处,以及控制像元探测器301采集干涉图像信息。
数据处理单元402与像元探测器301连接,数据处理单元402利用结构张量的图像自聚焦算法对接收到的干涉图像信息进行搜寻得到重建参数,利用角谱传播理论根据重建参数对干涉图像信息进行图像重建,得到重建图像,利用基于生成对抗网络的图像高分辨算法提高重建图像的分辨率,利用基于深度卷积神经网络的图像分析网路,对重建图像进行分析,判断病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
本实施例的大视场高通量高分辨病理切片分析仪,大视野、高通量成像,成像视野为传统光学显微镜的数百倍,采用像元探测器收集信号,成像视野等于像元探测器的活跃区域大小,而且能够快速获取图像。
进一步地,数据处理单元402包括重建参数获取子单元4021、图像重建子单元4022和图像分析子单元4023,其中,
重建参数获取子单元4021,用于根据结构张量的图像自聚焦算法对干涉图像信息进行搜寻得到重建参数,重建参数为病理切片与数据采集模块之间的距离z;
图像重建子单元4022,用于根据重建参数利用角谱传播理论对干涉图像信息进行图像重建,得到重建图像;
图像分析子单元4023,用于基于预先训练完成的病理切片分析模型,对重建图像进行分析,得到病理切片的分析结果;
在本实施例中,病理切片分析模型的输入数据为病理切片的重建图像,病理切片分析模型的输出数据为病理切片的分析结果,分析结果包括病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
具体地,重建参数获取子单元4021用于:根据先验信息确定病理切片样本与数据采集模块的距离的搜索范围以及搜索步长;
在本实施例中,先验信息为搭建大视场高通量高分辨病理切片分析仪时病理切片样本到像元探测器之间的距离估计值。
根据下式计算每个搜索步长的图像结构张量:
根据计算得到的图像结构张量,绘制结构张量曲线,寻找最值点,最值点作为病理切片与数据采集模块的距离z。
进一步地,图像重建子单元4022用于根据角谱传播理论,按照下述的图像重建公式进行图像重建,获取所述重建图像:
其中,ξ表示傅里叶变换,ξ-1表示傅里叶反变换,i表示复数符号,k=2π/λ,λ表示单色光波长,fx,fy表示空间频率,z表示病理切片与数据采集模块的距离。
进一步地,在本实施例中,病理切片分析模型的训练方法包括:
步骤a:获取数据集,数据集包括若干不同可疑病变区域的组织病理切片图像,每个可疑病变区域的组织病理切片图像包括该可疑病变区域的带有标记的显微图像、第一重建图像和第二重建图像,其中,
带有标记的显微图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用临床显微镜获取组织病理切片全片的显微图像,再对显微图像进行标记得到的;
第一重建图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用大视场高通量高分辨病理切片分析仪获取的;
第二重建图像为对未进行苏木精-伊红染色的可疑病变区域的组织病理切片使用大视场高通量高分辨病理切片分析仪获取的;
具体地,每个可疑病变区域的组织病理切片图像的获取方法包括:在可疑病变区域的同一位置连续切取两片组织病理切片,其中一片进行苏木精-伊红染色,一片不进行苏木精-伊红染色。首先,使用临床显微镜结合空间平移,获取经过苏木精-伊红染色的组织病理切片全片的高分辨率图像,也就是显微图像,然后由经验丰富临床医师对该显微图像进行标记,得到带有标记的显微图像。其次,使用本实施例的大视场高通量高分辨病理切片分析仪,获取经过苏木精-伊红染色的组织病理切片的重建图像,作为第一重建图像。最后,使用本实施例的大视场高通量高分辨病理切片分析仪,获取未经苏木精-伊红染色的病理切片的重建图像,作为第二重建图像。
即就是在可疑病变区域的同一位置连续切取两片组织病理切片,一片进行苏木精-伊红染色,一片不进行苏木精-伊红染色,进行染色的组织病理切片用于获取该可疑病变区域的带有标记的显微图像和第一重建图像,未进行染色的组织病理切片用于获取该可疑病变区域的第二重建图像。
在本实施例中,需要采集不少于200例的不同可疑病变区域的组织病理切片图像。显微图像的标记包括图像中的肿瘤类型、肿瘤恶性程度以及癌症分型。
步骤b:将数据集进行分组作为训练数据集和测试数据集;
步骤c:将训练数据集输入深度学习网络进行训练和网络参数优化,深度学习网络包括基于对抗生成网络的高分辨率图像重建网络和基于深度卷积神经网络的图像分析网络;
步骤d:重复步骤c直至深度学习网络达到预设的训练迭代次数,或者误差小于预设阈值,得到病理切片分析模型;
步骤e:利用测试数据集对病理切片分析模型进行性能测试,确定病理切片分析模型的性能。
本实施例的大视场高通量高分辨病理切片分析系统,不需要对病理切片进行染色,就可以对病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型进行分析判断,简化了病理切片的分析过程。另外,采用深度学习网络分析病理情况,不需要改变现有的仪器结构,智能地对病理图像分析,避免了医生大量重复操作带来的误差以及不同医生主观因素导致对病理情况判断不一致。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种大视场高通量高分辨病理切片分析仪,其特征在于,包括:
照明模块,用于产生单色光;
病理切片固定模块,用于固定并调整病理切片位置,以使所述病理切片位于成像视野位置处;
数据采集模块,用于采集单色光经过所述病理切片后携带波前信息的散射光,与未携带所述病理切片信息的透射光形成的干涉图像信息;
控制处理模块,用于对所述干涉图像信息进行图像重建,得到重建图像,基于预先训练完成的病理切片分析模型,对所述重建图像进行分析,得到所述病理切片的分析结果。
2.根据权利要求1所述的大视场高通量高分辨病理切片分析仪,其特征在于:所述照明模块包括单色光源以及位于其下方的微孔结构,所述单色光源输出波长可调的单色光,所述微孔结构用于对所述单色光进行空间滤波,并且使其发生衍射。
3.根据权利要求1所述的大视场高通量高分辨病理切片分析仪,其特征在于,所述病理切片固定模块包括病理切片固定器和病理切片位置调整器,所述病理切片固定器用于固定所述病理切片,所述病理切片位置调整器用于调整所述病理切片位置,以使所述病理切片位于成像视野位置处。
4.根据权利要求1所述的大视场高通量高分辨病理切片分析仪,其特征在于,所述数据采集模块包括像元探测器,所述像元探测器的成像视场>20mm2,所述像元探测器的单个像元尺寸<1.4μm。
5.根据权利要求1所述的大视场高通量高分辨病理切片分析仪,其特征在于,所述控制处理模块包括控制单元和数据处理单元,所述控制单元用于控制所述照明模块产生单色光,控制所述病理切片固定模块使所述病理切片位于成像视野位置处,以及控制数据采集模块采集所述干涉图像信息;
所述数据处理单元利用结构张量的图像自聚焦算法对所述干涉图像信息进行搜寻得到重建参数,利用角谱传播理论根据所述重建参数对所述干涉图像信息进行图像重建,得到所述重建图像,利用基于生成对抗网络的图像高分辨算法提高所述重建图像的分辨率,利用基于深度卷积神经网络的图像分析网路,对所述重建图像进行分析,判断所述病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
6.根据权利要求5所述的大视场高通量高分辨病理切片分析仪,其特征在于,所述数据处理单元包括重建参数获取子单元、图像重建子单元和图像分析子单元,其中,
所述重建参数获取子单元,用于根据结构张量的图像自聚焦算法对所述干涉图像信息进行搜寻得到重建参数,所述重建参数为所述病理切片与数据采集模块之间的距离z;
所述图像重建子单元,用于根据所述重建参数利用角谱传播理论对所述干涉图像信息进行图像重建,得到重建图像;
所述图像分析子单元,用于基于预先训练完成的病理切片分析模型,对所述重建图像进行分析,得到所述病理切片的分析结果;
其中,所述分析结果包括所述病理切片的肿瘤类型、肿瘤恶性程度以及癌症分型。
9.根据权利要求6所述的大视场高通量高分辨病理切片分析仪,其特征在于,所述病理切片分析模型的训练方法包括:
步骤a:获取数据集,所述数据集包括若干不同可疑病变区域的组织病理切片图像,每个可疑病变区域的组织病理切片图像包括该可疑病变区域的带有标记的显微图像、第一重建图像和第二重建图像,其中,
所述带有标记的显微图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用临床显微镜获取组织病理切片全片的显微图像,再对所述显微图像进行标记得到的;
所述第一重建图像为对可疑病变区域的组织病理切片进行苏木精-伊红染色后使用所述大视场高通量高分辨病理切片分析仪获取的;
所述第二重建图像为对未进行苏木精-伊红染色的可疑病变区域的组织病理切片使用所述大视场高通量高分辨病理切片分析仪获取的;
步骤b:将所述数据集进行分组作为训练数据集和测试数据集;
步骤c:将所述训练数据集输入深度学习网络进行训练和网络参数优化,所述深度学习网络包括基于对抗生成网络的高分辨率图像重建网络和基于深度卷积神经网络的图像分析网络;
步骤d:重复步骤c直至所述深度学习网络达到预设的训练迭代次数,或者误差小于预设阈值,得到病理切片分析模型;
步骤e:利用所述测试数据集对所述病理切片分析模型进行性能测试,确定所述病理切片分析模型的性能。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420323.8A CN112712877B (zh) | 2020-12-07 | 2020-12-07 | 大视场高通量高分辨病理切片分析仪 |
PCT/CN2021/102379 WO2022121284A1 (zh) | 2020-12-07 | 2021-06-25 | 大视场高通量高分辨病理切片分析仪 |
US18/104,812 US20230177645A1 (en) | 2020-12-07 | 2023-02-02 | Pathological section analyzer with large field of view, high throughput and high resolution |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420323.8A CN112712877B (zh) | 2020-12-07 | 2020-12-07 | 大视场高通量高分辨病理切片分析仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712877A true CN112712877A (zh) | 2021-04-27 |
CN112712877B CN112712877B (zh) | 2024-02-09 |
Family
ID=75542675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011420323.8A Active CN112712877B (zh) | 2020-12-07 | 2020-12-07 | 大视场高通量高分辨病理切片分析仪 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230177645A1 (zh) |
CN (1) | CN112712877B (zh) |
WO (1) | WO2022121284A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121284A1 (zh) * | 2020-12-07 | 2022-06-16 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103322941A (zh) * | 2013-07-09 | 2013-09-25 | 河北工程大学 | 一种准确获取三维显微图像的方法 |
US20130274119A1 (en) * | 2010-05-25 | 2013-10-17 | Arryx, Inc. | Methods and apparatuses for detection of positional freedom of particles in biological and chemical analyses and applications in immunodiagnostics |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
CN109240064A (zh) * | 2018-08-06 | 2019-01-18 | 浙江工业大学 | 基于am335x处理器的便携式数字全息显微系统 |
CN110570379A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种基于结构张量的非局部均值ct图像降噪方法 |
CN110927115A (zh) * | 2019-12-09 | 2020-03-27 | 杭州电子科技大学 | 基于深度学习的无透镜双型融合目标检测装置及方法 |
CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967703B (zh) * | 2018-01-05 | 2019-06-21 | 电子科技大学 | 一种基于连通域的光学扫描全息的自聚焦和重建方法 |
CN112712877B (zh) * | 2020-12-07 | 2024-02-09 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
-
2020
- 2020-12-07 CN CN202011420323.8A patent/CN112712877B/zh active Active
-
2021
- 2021-06-25 WO PCT/CN2021/102379 patent/WO2022121284A1/zh active Application Filing
-
2023
- 2023-02-02 US US18/104,812 patent/US20230177645A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274119A1 (en) * | 2010-05-25 | 2013-10-17 | Arryx, Inc. | Methods and apparatuses for detection of positional freedom of particles in biological and chemical analyses and applications in immunodiagnostics |
CN103322941A (zh) * | 2013-07-09 | 2013-09-25 | 河北工程大学 | 一种准确获取三维显微图像的方法 |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
CN109240064A (zh) * | 2018-08-06 | 2019-01-18 | 浙江工业大学 | 基于am335x处理器的便携式数字全息显微系统 |
CN110570379A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种基于结构张量的非局部均值ct图像降噪方法 |
CN110927115A (zh) * | 2019-12-09 | 2020-03-27 | 杭州电子科技大学 | 基于深度学习的无透镜双型融合目标检测装置及方法 |
CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121284A1 (zh) * | 2020-12-07 | 2022-06-16 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
Also Published As
Publication number | Publication date |
---|---|
WO2022121284A1 (zh) | 2022-06-16 |
CN112712877B (zh) | 2024-02-09 |
US20230177645A1 (en) | 2023-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6333326B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
US9495745B2 (en) | Method for analyzing biological specimens by spectral imaging | |
CA2803933C (en) | Method for analyzing biological specimens by spectral imaging | |
US6181414B1 (en) | Infrared spectroscopy for medical imaging | |
EP3009832A1 (en) | A cytological system and method for analyzing a biological sample by raman spectroscopy | |
MX2014004004A (es) | Metodo y sistema para analizar especimenes biologicos por medio de imagenes espectrales. | |
CN104885187A (zh) | 傅立叶重叠关联成像系统、设备和方法 | |
CN109297949B (zh) | 显微影像结合透射拉曼光谱的肿瘤细胞检测方法及装置 | |
US20220351347A1 (en) | Computational refocusing-assisted deep learning | |
CN112712877B (zh) | 大视场高通量高分辨病理切片分析仪 | |
CN112798504B (zh) | 大视场高通量流式细胞分析系统及分析方法 | |
WO2016174441A1 (en) | Infrared imaging of biological material | |
CA2279945A1 (en) | Infrared spectroscopy for medical imaging | |
US20240044771A1 (en) | Method for characterising sperm cells | |
AU2017204736A1 (en) | Method for analyzing biological specimens by spectral imaging | |
Wang et al. | Classification of Benign–Malignant Thyroid Nodules Based on Hyperspectral Technology | |
Sindhoora et al. | Machine learning aided classification and grading of biopsy sample using discrete wavelet transform and gray level co-occurrence matrix | |
WO2023122341A1 (en) | Methods and systems for evaluating fiber qualities |
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 |