CN1795272A - 快速识别病原体、细菌和异常细胞的系统和方法 - Google Patents

快速识别病原体、细菌和异常细胞的系统和方法 Download PDF

Info

Publication number
CN1795272A
CN1795272A CNA2004800140181A CN200480014018A CN1795272A CN 1795272 A CN1795272 A CN 1795272A CN A2004800140181 A CNA2004800140181 A CN A2004800140181A CN 200480014018 A CN200480014018 A CN 200480014018A CN 1795272 A CN1795272 A CN 1795272A
Authority
CN
China
Prior art keywords
image
benchmark
provides
data
view data
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
Application number
CNA2004800140181A
Other languages
English (en)
Other versions
CN1795272B (zh
Inventor
F·小瓦克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bartron Medical Imaging LLC
Original Assignee
Bartron Medical Imaging LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bartron Medical Imaging LLC filed Critical Bartron Medical Imaging LLC
Publication of CN1795272A publication Critical patent/CN1795272A/zh
Application granted granted Critical
Publication of CN1795272B publication Critical patent/CN1795272B/zh
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/019—Biological contaminants; Fouling
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实现病原体、细菌、癌细胞以及人体和动物的其他异常细胞的快速识别。在一个实施例中，本发明的系统包括：第一子系统，它获得和处理病原体、细菌以及其他异常细胞的样品图像；和第二子系统，它接收所述图像，利用先进的图像分割技术从所述图像分离出特定的特征，然后利用模式识别处理快速和准确地识别病原体、细菌以及其他异常细胞，其中把从原始图像分割或者分离的特征与已知的基准图像相对比。

Description

快速识别病原体、细菌和异常细胞的系统和方法
相关申请的交叉参考
本申请要求共同拥有和共同未决的2003年3月27日提交的美国临时申请序列号No.60/458，76927和2003年9月25日提交的60/505,944的优先权。
技术领域
本发明一般地涉及用于识别病原体和异常细胞的系统和方法。
背景技术
对病原体、细菌、异常细胞和传染性疾病的及时诊断，往往由于需要使用培养作为手段来识别细菌和选择最佳处理方法而变得复杂。当前，病原体的识别往往需要几天时间并涉及复杂的程序，这种情况可能不适当地延误有效的治疗，诸如适当地选择最佳抗生素。在食品，尤其是牛肉、家禽和鱼类细菌污染的检测中也存在类似的问题。延误食物产品中有害细菌存在的识别会造成受污染的产品被放行进入商品流通和食用，后果可怕。在某些情况下，这些延误对病人是致命性的或者会引起不必要的痛苦。按照疾病控制中心1999年的统计，有1,194,959起由细菌引起的传染性疾病报告的报告病例。另外，有许多食物中毒的实例没有按照必须遵守的规定报告疾病控制中心。治疗感染病人的通常做法是服用广谱抗生素。然而，由于细菌对许多抗生素的抗药性问题，广谱抗生素可能并不有效。若能快速而准确地进行诊断，许多传染性疾病本来是可以避免或快速治疗的。迅速地识别病原体、细菌和异常细胞在应付生物恐怖主义和在战争过程中生物战剂也是关键性的。
发明内容
本发明实现病原体、细菌及其他异常的人体的和动物的细胞的迅速识别。在一个实施例中，本发明涉及用于自动地快速识别病原体的非侵入性系统和方法。按照本发明的一个实施例，所述系统包括；第一子系统，它获得和处理病原体、细菌或者其它异常细胞的样品的图像；和第二子系统，它接收所述样品图像，利用先进的图像分割技术从每一图像分离出特定的特征，然后利用所分离出来的特定特征，通过模式识别处理快速和准确地识别病原体、细菌或者异常细胞结构。
在一个实施例中，在以上叙述中描述的第一子系统包括图像捕获系统，后者包括显微镜和摄像机。所述图像捕获系统捕获或采集病原体、细菌或者异常细胞结构样品的图像，然后增强、数字化和暂时存储所述捕获或采集的样品图像的有关部分。所述第一子系统还包括通信系统，通过各种各样适用的通信方案中的任何一种，诸如卫星链路、因特网、电话线路向所述第二子系统发送处理后的图像。在一个推荐的实施例中，所述第一子系统还包括计算机、微处理器或者其它控制器，用于控制所述第一子系统的运行。在一个推荐的实施例中，所述第一子系统配置成自动运行，以便把样品图像处理中的手工操作减到最少。
在一个实施例中，所述第二子系统一般位于中央位置。所述第二子系统接收所述第一子系统发送的处理后的图像。所述第二子系统包括图像处理系统，处理从所述第一子系统接收的图像，以便从样品图像中分离出某些感兴趣的特征。所述图像处理器进行图像分割，以便从所述图像分离上述特征。所述第二子系统包括数据库，后者包含已知的基准图像。这样的数据库起已知的病原体细胞、细菌细胞和异常细胞图像库的作用。每个基准图像都与已知的病原体、细菌或者异常细胞结构相联系。图像处理系统执行以下程序：数据采选程序，它从所述分离的特征取出特定的图像数据；和模式识别程序，它把提取的图像数据与数据库中的已知基准图像比较，以便确定所述分离的特征是否对应于或者匹配任何已知的基准图像。
本发明的系统和方法还可以在医疗和牙科领域中用作诊断放射学和成像工具。具体地说，本发明的系统和方法可以配置成能够分析医疗图像，诸如软组织图像、乳房X线照片图像、X射线(骨和牙齿)图像、超声图像、MRI图像和CAT扫描图像等。
在另一方面，所述系统配置成使所述第一子系统和第二子系统结合，共同形成一个位于一个位置的主系统。这样的配置将适用于美国和全世界的大城市医院或者许多教学医院。
因而，本发明在一个方面涉及用于识别病原体的方法，所述方法包括：提供图像；以图像分割算法处理所提供的图像，以便从所提供的图像分离出具有感兴趣的特征的至少一段；以及把所提供的图像的分离的一段与多个基准图像比较，以便确定所分离的段是否对应于任何基准图像。
在一个相关的方面，本发明涉及用于识别病原体的系统，所述系统包括：用于提供图像的装置；数据库，它具有存储存储在其中的至少一个基准图像；和图像处理资源，用于(i)用图像分割算法加工所提供的图像，以便从所提供的图像分离出具有感兴趣的特征的至少一段；和(ii)把所提供的图像的分离的段与基准图像比较，以便确定所述分离的段是否对应于所述基准图像。
附图的简短描述
可以相信本发明的特征是新颖的。附图只是为了举例说明的目的，因而不是按比例画出的。但是，通过参照以下结合附图进行的详细说明，可以最好地理解既作为机构又作为操作方法的本发明本身，附图中：
图1是本发明系统的方框示意图；
图2是示于图1中的成像子系统的一个实施例的透视图；
图3是图2成像子系统后侧的透视图；
图4是流程图，举例说明示于图1中的成像子系统的运行；
图5是示于图1中的图像管理诊断子系统的方框示意图；
图5A-5D是流程图，举例说明示于图5中的图像管理诊断子系统的运行；以及
图6是流程图，举例说明示于图5中的图像管理诊断子系统使用的簇调度处理(cluster scheduling process)；
实施本发明的方式
参见图1，图中示出按照本发明的用于快速识别病原体、细菌和异常细胞结构的系统的方框示意图。系统100一般地包括成像子系统100a和图像管理诊断子系统100b。子系统100a一般地包括计算机或者控制器101、着色模块102、显微镜104、数字彩色摄像机106、图像存储器108和通信模块110。正如从随后的描述将会明显看到的，计算机101控制显微镜104、数字彩色摄像机106、图像存储器108和通信系统110的运行和运行顺序。
参见图1，着色模块102对附于载物片的病原体、细菌和异常细胞样品的载物片进行着色。所述载物片在用显微镜104观看之前着色。在一个推荐的实施例中，着色模块102是商售的免疫着色程序模块。在先有技术上一个这样的适用的商售的免疫着色程序模块称为电动furescence滤光镜，用于着色细胞的准确彩色成像。在一个推荐的实施例中，在5和10种不同的着色之间进行选择，以便为预定的数目指定样品的载物片着色，以保证这些载物片中至少一个的着色的病原体、细菌或者异常细胞产生可以接受的图像。
在一个实施例中，用统计分析来确定保证这些载物片中至少一个包含冒犯的病原体、细菌等所需要的足够数目的样品载物片。着色模块102配置成利用一组标准的着色，以便覆盖感兴趣的病原体、细菌等的范围。
参见图1，显微镜104配置成提供足够的放大倍数并包括油浸物镜、摄像机106用的光学端口、自动载物台机构和自动聚焦机构。自动载物台机构包括用于方便放置样品载物片的浅井。自动载物台机构对每一个载物片进行光栅扫描，而同时自动聚焦机构保持所述图像聚焦。自动载物台机构配置成在每一个步骤停止短暂的时间，以便允许采集图像。给每一个采集的图像指定自动载物台机构位置的x-y坐标。这些x-y坐标以适当的形式自动地加到采集的样品图像上。
参见图1，摄像机106受控于计算机或者控制器101，以便在每一次显微镜104的自动载物台机构停止时捕获或者采集所述样品的彩色成像。摄像机106配置成提供适当的分辨率和稳定性。摄像机106将所采集的图像数字化。然后，把数字化图像传输到图像存储器108。图像存储器108是临时存储器，具有足够的数据存储能力，以便暂时存储摄像机106所采集的图像。
在一个推荐的实施例中，以单一的商售的紧凑装置的形式实现显微镜104和摄像机106，所述紧凑装置组合显微镜104和摄像机106两者的功能。一个这样的商售的装置是Leica ModelDMRXA2显微镜。也可以用其它适用的商售的装置把显微镜和摄像机结合为单一的装置。
在一个替代的实施例中，所采集的图像预先筛分并针对有用的和相关的内容预先排序。这是通过筛分处理器和显示装置(两者均未示出)完成的，它们与图像存储器108进行电子数据通信。所述预先筛分的和预先排序功能还保证只对具有相关信息的图像进行分析。筛分处理器利用预定的判据(描述符)确定所述图像是否具有相关内容。
参见图1，计算机101控制图像存储器108，以便把所存储的数字化图像转移到通信模块110。在一个实施例中，通信模块110包括RF(射频)天线111。但是，通信模块110最好配置成通过各种各样适用的通信模块中的任何一种，例如，电话线路、因特网、专用线路或者RF通信或者通过卫星通信进行通信，向第二子系统100b发射数字化图像。按照本发明，第一子系统100a和第二子系统100b之间的通信链路是双向的。在推荐的实施例中，第一子系统100a和第二子系统100b之间的通信是实时的。在一个实施例中，用DSL SpeedstreamModel 5260来实现通信模块110。
在推荐的实施例中，一种适用的商售的PC(个人计算机)高端系统用来实现控制模块101和图像存储器108。
在替代的实施例中，可以通过单独的适用的商售的部件来实现子系统100a。例如，可以通过适用的商售的电子或者数字显微镜来实现显微镜104。类似地，可以通过能够根据由数字显微镜提供的图像提供彩色图像的适用的摄像机来实现摄像机106。
参见图2和3，图中示出按照本发明替代的实施例的成像子系统100a。在所述实施例中，子系统100a的全部部件组合为单一的便携式、紧凑、健壮并能够电池组供电运行或者AC供电的装置，以便为移动运行或者在远程位置运行作好准备。图像子系统100a的所述实施例具有外壳120、控制面板122和123以及接口124。接口124包括RS 232接口126、视频数据端口128和130、USB端口132和外部电源输入端134。可再充电的电池组136向全部其它部件提供电源。筛子138允许捕获要分析的空气样本，从而允许捕获要分析的在空气中传播的病原体、细菌等。载物片插入装置140使用户能把样品载物片142插入外壳120中。液体进口144和液体出口146允许要分析的液体(例如，水)的进入和流出。在替代的实施例中，示于图2和3的子系统100a的特定的实施例配置成利用来自地面车辆电池组的电力运行。
参见图1和4，图中示出一个流程图，举例说明成像子系统100a的运行。在步骤150，用户激活计算机101。在步骤152，把存储在主系统(未示出)的任何需要的数据装入计算机101。在步骤154，进行样本或样品的显影、制备和写实验报告(protocols)。在该步骤，样品由着色模块102着色。在步骤156，通过计算机起始(off-going)启动显微镜104和摄像机106，并把已着色的样品载物片提供给显微镜104。接着，在步骤158、160和162，确定是否开始手动(亦即，本地)控制样品载物片的成像。若决定手动控制，则用户把手动输入命令输入计算机101，以便按照这样的命令所定义的数据控制显微镜104和摄像机106。接着，在步骤164，产生所述样品的图像。在步骤166，把所产生的样品图像显示在外部显示装置(未示出)，诸如可以连接到计算机101或者摄像机106的计算机屏幕或者LCD上。包括在步骤164和166中的是这些图像的预先筛分和预先排序，以便确定所述图像是否包含相关信息。在一个实施例中，医疗人员通过视觉检查把图像预先筛分。在步骤168，收集相关图像并将它们编制在图像存储器108中。在步骤170，把所述相关图像存储在图像存储器108或者一种外部数据存储装置(未示出)，诸如只读存储器(ROM)或者CD-ROM。在一个实施例中，所述外部数据存储装置是一种外部装置，它与图像存储器108进行电子数据通信。在步骤172，把所收集和编制的相关图像发送到输出缓冲存储器，然后发送到通信模块110。在步骤174，然后利用通信模块110把这些图像传送到图像管理诊断子系统100b。
参见图1，在本发明的一个实施例中，图像管理诊断子系统100b位于中央。在推荐的实施例中，子系统100b配置成为多个子系统100a服务，并实时提供诊断信息。子系统100b一般地包括通信模块180、天线181、临时图像存储器182和图像处理系统190。通信模块180接收由子系统100a的通信模块110发送的数字化图像数据。在一个实施例中，通过在以上叙述中描述的商售的DSL SpeedstreamModel 5260来实现通信模块180。然后把所述接收的数字化图像数据传输到临时图像存储器182。然后把存储的数字化图像从临时图像存储器182传输到图像处理系统190。参见图5，图中示出图像处理子系统190的方框示意图。图像处理系统190包括工作站200、202和204，它们处在利用公用集线器206的电子数据通信中。在一个实施例中，工作站200、202和204是商售的PentiumTM类计算机，分别由Linus、Sun和MicrosoftTM制造。在一个实施例中，以商售的开关，诸如Hewlett Packard或者兼容的10/100/1000集线器来配置公用集线器206。图像处理系统190还包括主节点208以及主节点208和公用集线器206之间的防火墙210。主节点208包括数据处理模块，后者完成在随后的叙述中描述的特定的图像处理和计算机分析程序的实现和执行过程。在推荐的实施例中，主节点208配置成实现高速并行处理。在一个实施例中，主节点208包括Scyld Beowulf计算机簇，后者具有包括64个节点的并行处理器。所述Scyld Beowulf计算机簇是先有技术已知的，由NASA Goddard空间飞行中心研制。图像处理子系统190还包括中央集线器212。在一个实施例中，以商售的开关，诸如Hewlett Packard或者兼容的10/100/1000集线器来配置中央集线器212。图像处理子系统190还包括多个从节点214，它们处在利用中央集线器212的电子数据通信中。在一个实施例中，存在64个从节点214并且以具有最小128MB随机存取存储器的PCPentium类计算机来配置每一个从节点214。图像处理系统190还包括数据库服务器220。数据库服务器220存储源自子系统100a的图像数据(见图1)，由子系统100b分析。数据库服务器是先有技术已知的，因而在这里不必详细讨论。图像处理系统190还包括具有足够的数据存储能力的文件服务器图像储存库222。储存库222具有第一和第二部分。第一部分用于存储已知的病原体、细菌和异常细胞的图像。具体地说，第一部分包含庞大的病原体、异常细胞结构、细菌等的基准图像库，带有几个每一种类型不同的视图，以便考虑旋转及其他明显差异。最好把所引用的图像压缩，以便把存储器需求减到最小。每一个基准图像具有相应的识别标志信息，提供有关基准图像的信息，诸如病原体、细菌、细胞等的名称。储存库222的第二部分用于存储在随后的叙述中描述的层次分割加工产生的图像片段。
参见图1和5，由临时图像存储器182输出的图像输入到数据库服务器220。利用工作站200、202和204中任何一个把数据库服务器220中的图像送至主节点208。主节点208完成几个功能。主节点208完成从数据库服务器220接收的数字化图像的预扫描，以便确定所述数字化图像是否包含相关和有用的信息。若所述图像不包含相关和有用的信息，则把图像或者弃置(亦即，删除)或者存储在文件服务器图像储存库222的一个指定区域。若所述图像包含相关和有用的信息，则对图像进行进一步处理。具体地说，主节点208完成所述图像的分割。在一个实施例中，对主节点208进行编程，以便执行题为″在并行计算机上实现递归层次分割的方法″的未决美国专利申请序列号09/839,147所描述的分割处理，所述专利申请的公开附此作参考。上述未决美国专利申请序列号09/839,147是在2003年5月1日公开的，专利申请公开号为US 2003/0081833，附此作参考。所述分割处理从所述数字化图像分离出特定的特征。具体地说，所述分割处理在分割细节的不同的级别上进行顺序组图像分割，其中，在相对较粗的细节级别上的分割是根据简单的区域合并程序从较细的细节级别的分割产生的。层次图像分割处理的独特特征是分割出来的区域边界在全图像空间分辨率上在层次中所有分割细节级别上维持不变。处理的结果是特征类似的区域被分割和识别出来。因而，可以利用某些指定判据，例如，颜色、形状、大小等把具有截然不同于背景和碎屑的特征的病原体的图像分离出来。
然后，主节点208根据几个描述符，诸如所分离的特征的大小和形状对所述分离的特征进行快速分析。主节点208包括存储判据用的存储器，这些判据在所述快速分析中用来确定一种分离的特征的特定的图像是否具有有用的信息。若所述特定的图像具有有用的信息，则保存所述特定的图像，并可以用于进一步的分析。若确定所述特定的图像没有有用的信息，则弃置所述特定的图像。若具有分离的特征的特定图像具有有用的信息，则主节点208对所述图像进行进一步处理。具体地说，主节点208实现和执行计算机程序，进行光学识别和数据采选。在一个实施例中，利用由NASA喷气推进实验室(NASA Jet Propulsion Laboratories)和CalTech研制的称为″可连续缩放的模板匹配″的计算机程序来配置所述计算机程序。所述计算机程序包括进行数据采选的第一部分和进行光学识别的第二部分。利用先有技术已知的并由NASA喷气推进实验室研制的称为″钻石眼(Diamond Eye)″的计算机程序配置所述数据采选部分。所述″DiamondEye″计算机程序基于分布式小程序/服务器体系结构，后者提供与平台无关的通向图像采选业务的入口。与″DiamondEye″计算机程序相联系的数据库提供永久存储器并使查询″所采选的″信息成为可能。计算引擎进行数据采选任务大部分要求高的部分的并行运行：图像处理、目标识别和内容操作查询。所述数据采选处理的目的是从以上叙述中描述的分割处理所得的目标图像的所述一个或多个分离特征，提取所需的特定的图像数据。所述用户输入限定要从目标图像的一个或多个分离特征采选的图像数据的参数的特定数据。
由主节点208执行的计算机程序的光学识别部分包括模式识别程序，后者确定计算机程序数据采选部分所获得的采选的数据是否匹配或者对应于基准库部分文件服务器图像储存库222中的任何基准图像。所述光学识别程序可以检测在大小上不同，但除此之外类似于指定(基准)模式的模式。若匹配或者存在对应关系，则把所述基准图像、所述匹配或者对应于所述基准图像的目标分离特征和与所述基准图像相联系的任何信息显示在工作站200、202和204的显示器上。主节点208还实现图像分析程序的执行过程和实现方案，所述图像分析程序对目标分离特征进行统计分析，以便识别有助于医疗人员进行诊断的感兴趣的区域。一个适用的图像分析程序是由国家健康协会(National Institute of Health)研制的ImageJ程序。结果是，医疗人员可以在任何一个工作站200、202和204上观看所得信息的基础上进行诊断。若对于目标分离特征没有匹配或者相应的基准图像，则将这样的信息显示在工作站200、202和204上。
主节点208还实现和执行在随后的叙述中详细描述的调度程序，它实现所有图像处理系统190各节点的成本和时间有效的调度。因而，无论在图像处理系统190中有16、64还是128个节点，这些节点都有效地用来以效能价格合算的方式达到最佳运行。
参见图5A-5D，图中示出由图像处理系统190实现的图像处理方法的流程图。所述方法在步骤300由任何一个工作站200、202和204用户输入的命令启动。在步骤302，用户使用工作站200、202和204中任何一个，以便从数据库服务器220检索图像。所述检索出的图像是要通过主节点208处理和分析的图像。正如在以上叙述中所描述的，检索出的图像可能是JPEG、TIFF或者其它格式。在步骤304，主节点208把检索出的图像转换为适用于主节点208处理的原始数据。在步骤306，所述用户可以向工作站200、202和204输入命令，诸如通过主节点208实现的层次分割处理使用的参数数据和递归级别数据。这些参数数据包括要分割的目标图像的区域个数。每一个区域定义所述图像的医疗人员在分析上感兴趣的特定的部分。所述递归级别数据定义所需的位分辨率和处理所述图像所需的频带宽度。在替代的实施例中，参数数据和递归级别数据不是通过用户输入的，而是所述软件内预先给定的。接着，步骤307实现簇调度程序，后者调度主节点208内簇的使用，以便达到时间和成本有效的运行和使用所述簇。因而，步骤307保证在任何时刻全部簇都总是在执行任务，而没有一个簇空闲。步骤307还调度文件服务器图像储存库222和数据库服务器220的时间以及有效的运行和使用。所述调度程序在随后的叙述中描述。接着，在步骤308，确定是否用所述层次分割处理继续进行所述方法。若不用层次分割进行所述方法，则所述方法在步骤309结束。若用层次分割进行所述方法，则所述方法进到步骤310、312或者314。步骤310确定检索出的图像是否应该在检索出的图像用层次分割进行分割之前格式化为RGB(红、绿、蓝)格式。若需要RGB格式，则所述方法转移到步骤318，其中开始进行所述层次分割处理。若不需要RGB格式，则所述方法转移到步骤312。在步骤312，确定检索出的图像是否应该在检索出的图像通过层次分割进行分割之前格式化为8位格式。若需要8位，则所述方法转移到步骤318，其中开始进行所述层次分割处理。若不需要8位格式，则所述方法转移到步骤314。在步骤314，确定检索出的图像是否应该在检索出的图像用层次分割进行分割之前格式化为16位格式。若不需要16位格式，则所述方法转移到步骤315，在这里复位这些参数。然后所述方法转移到步骤316，使所述方法回到起点，步骤300。若需要16位格式，则所述方法转移到步骤318，其中开始进行所述层次分割处理。正如从上述显而易见的，在步骤310、312和314执行的判别过程取决于在步骤306输入的递归级别。在步骤318，开始进行所述层次分割处理并把检索出的图像分成片段。每一片段都限定所检索(在步骤302取出)的图像的一个特定的区域。在步骤320，确定所述片段是否要经受进一步处理或者所述片段是否要存入储存库222。若步骤320确定所述特定的区域的所述片段不要经受进一步处理，则步骤322把所述特定的区域的这些图像存储在储存库222。若步骤320确定所述片段要经受进一步处理，则所述方法转移到步骤324，其中映射所述片段限定的区域。具体地说，步骤324映射或者给每一个区域赋予标签。在步骤325，把加了标记的区域存入储存库222。
接着，在步骤326，用户把定义所需的CSTM(可连续缩放的模板匹配)模型通过工作站200、202和204中的任何一个输入到主节点208。具体地说，所述数据定义要根据存储在图像储存库222的基准图像建立的所需的模型。这些模型基于某些病原体、细菌或其它疾病的特定的特征和特性。接着，步骤327确定在存储在储存库222中的加了标记的区域是否存在所述CSTM模型。所述步骤是通过执行在以上叙述中描述的″可连续地缩放的模板匹配″程序完成的。若在存储在储存库222的加了标记的区域中不存在所述CSTM模型，则所述方法转移到步骤328，在这里向工作站200、202和204发送数据，表示没有找到匹配。若步骤327确定存在匹配或者对应于储存库222中存储的加了标记的区域的CSTM模型，则所述方法转移到步骤330，该步骤检索加有标记的图像，后者定义一个或多个CSTM模型所对应的一个或多个特定区域。在步骤332，在工作站200、202和204显示检索出的加有标记的图像，以便使医疗人员能够检查检索出的图像并作出诊断。然后所述方法在步骤334结束。
参见图6，图中示出步骤307的簇调度程序的流程图。在步骤400，确定是否要执行所述簇调度程序。若不要启动所述簇调度程序，则所述簇调度程序结束，而由主节点208实现的方法转移到步骤308(见图5A)。若要执行所述簇调度程序，则所述程序转移到步骤402。步骤402确定正在被请求处理目标图像的节点的数目。因而，步骤402确定是4个、16个、64个、128个还是更多的节点被请求。在步骤404，确定正在被请求用于处理检索出的目标图像的节点是快速节点还是缓慢节点。用快速节点还是缓慢节点，取决于要处理的图像数量和任何特定的情况，例如，急救、化学战事态等所决定的时间因素。在步骤406，确定是否存在与所需的任何节点相联系的时间延迟。具体地说，步骤406确定在特定的节点可以用来处理所述检索出的目标图像之前是否存在时间延迟。所述时间延迟是所述节点完成它的其它任务所需要的时间量。因而，若特定的节点忙于其他任务，则主节点208将根据所述节点完成它的其它任务所需要的时间量期满，调度所述节点用来处理所述检索出的目标图像。类似地，主节点208调度节点在所述当前任务完成时开始执行新的任务。是否有时间延迟取决于许多因素，诸如递归级别、需要的节点数和是需要快速节点还是缓慢节点。接着，步骤408计算所述特定的处理任务的成本因数。所述成本函数取决于递归级别、所需的节点数、需要的是快速节点还是缓慢节点以及任何时间延迟。因而，若有前面的这些因素中任何一个改变，则所述成本因数可能改变。在工作站200、202和204中任何一个上显示所述成本因数信息。用先有技术已知的数学算法来确定所述成本因数。在步骤410，所述簇调度程序结束，而由主节点208实现的总过程在步骤308重新开始。
所述特定的层次分割和模板匹配计算机程序以及在以上叙述中描述的算法是便于本发明实现和工作的适用程序和算法的示例。因而，要明白，其他适用的分割和模板匹配程序也可以采用。
本发明提供许多优点和好处，诸如：
a)排除培养的必要性；
b)提供病原体、细菌、传染性疾病和异常细胞的迅速而准确的识别；
c)允许图像采集子系统与图像处理和识别子系统分开，以便允许在要求高的状态下进行远程操作；
d)使用多个数据发送途径来利用可用的通信系统；
e)使用相对低成本并行处理计算机系统来实现近似的实时运行；
f)与传染性疾病斗争，减少发病和死亡率，并向国家和世界边远区域提供高水平的医疗；
g)进行细菌引起的传染性疾病诊断和检测食物的细菌污染；
h)子系统100a可以用在小医院和诊所，特别是在农村或者边远区域，诸如阿巴拉契亚和印第安保留地以及保健设施的使用受到限制的第三世界国家；
i)子系统100a可以用在大型屠宰场、肉类、家禽处理设施、大型奶牛场及其他农产品行业，以便在这样的肉类、家禽和奶牛场产品销售到用户以前使细菌的检测成为可能；以及
j)子系统100a可以用在研究实验室、疾病控制中心和药物制造商，以便在新抗生素的研究和开发方面提供协助。
尽管上述描述是在本发明涉及病原体、细菌和异常细胞快速识别的方面进行的，但是本发明的系统和方法可以在医疗和牙科领域用作诊断放射学和成像工具。具体地说，本发明的系统和方法可以配置成分析医疗图像，诸如软组织图像、乳房X射线照片图像、x射线(骨和牙齿)图像、超声图像、MRI图像和CAT扫描的图像。在这样的实施例中，对上述图像进行分割，以便产生以一般与在以上叙述中描述的数字显微镜图像相同的方式识别的区域。具体地说，所述图像传输到图像处理系统190，其中工作站200、202和204用来压缩所述图像。在推荐的实施例中，使用先有技术已知的无损压缩软件程序。最好保证所述压缩软件用于医疗图像上是合格的。适用的压缩软件是GZIP和BZIT2。可以使用其它适用的压缩软件。接着，把所述压缩图像存入文件服务器图像储存库222。把所述压缩图像存储在储存库222中并且随后对其进行检索，因此，可以对所述压缩图像进行分割和/或将其与其他图像、段或者区域比较。从储存库222检索压缩图像之后，利用在以上叙述中描述的递归层次分割程序为分割准备压缩图像。最好，在以上叙述所描述的并行计算平台(例如，主节点208)上执行上述递归层次分割程序。如前面描述的，所述图像分割处理包括把图像分隔成部分或者区域。这些区域可以随后与不同的组织中正常、异常或者偏差相联系，但是，分割处理简单地给出每一个区域的属的标签。所述区域由几组具有类似的数据特征值的多频谱的或者超频谱的图像像素构成。这些数据特征值可以是多频谱的或者超频谱的数据值本身和/或可以是衍生特征，诸如频带比或者组织特征。同时，把已经被分割成它们的部分或者区域的区域图像以及已经加有标记的掩蔽的分割的图像存储在储存库220中。存储在储存库220中的图像可以由以上叙述中描述的可缩放的模板匹配程序调出，用于或者进行观看或者与已经与放射性图像中正常的、异常的或者偏差相联系的已知的或者已定义的分割区域对照。
本发明的原理、推荐的实施例和运行方式已经在上述申请中描述。但是，在这里想要保护的本发明不应被解释为限于所公开的特定的形式，因为这些应视为说明性的，而不是限制性的。在不脱离本发明的精神的情况下本专业的技术人员可以做出各种改变。，以上的详细描述在性质上应该被认为是示例性的，并不限制所附权利要求书所提出的本发明的范围和精神。

Claims (26)

1.一种识别病原体的方法，所述方法包括：
提供图像；
利用图像分割算法处理所述提供的图像，以便从所述提供的图像分离出至少一个具有感兴趣的特征的段；以及
把所述提供的图像的分离的段与多个基准图像比较，以便确定所分离的段是否对应于任何基准图像。
2.如权利要求1所述的方法，其中提供图像的步骤包括采集图像。
3.如权利要求2所述的方法，其中所述采集图像的步骤包括处理所述采集的图像，以便提供所述采集的图像的有关部分。
4.如权利要求2所述的方法，其中所述采集图像的步骤包括将所述采集的图像数字化。
5.如权利要求4所述的方法，其中所述采集图像的步骤还包括以数字方式增强所述数字化图像。
6.如权利要求5所述的方法，其中还包括把所述以数字方式增强的图像存储在数据存储装置中。
7.如权利要求1所述的方法，其中所述提供的图像包括样品的图像。
8.如权利要求1所述的方法，其中所述提供的图像包括牙科x射线图像。
9.如权利要求1所述的方法，其中所述图像分割算法包括递归层次分割算法。
10.如权利要求1所述的方法，其中把所述分离的段与多个基准图像比较的所述步骤包括：
利用数据采选算法处理所述分离的段，以便从所述分离的段提取特定的图像数据；以及
利用光学识别算法处理所述提取的特定的图像数据和每一个基准图像，以便确定所述提取的特定的图像数据是否与所述基准图像中任何一个相匹配。
11.如权利要求10所述的方法，其中还包括：
设置显示装置；以及
显示所述提取的数据以及处理所述提取的图像数据和每一个基准图像的结果。
12.如权利要求1所述的方法，其中还包括设置具有存储于其中的多个基准图像的数据库。
13.一种用于识别病原体的系统，所述系统包括：
用于提供图像的装置；
具有存储于其中的至少一个基准图像的数据库；以及
图像处理资源，用于(i)利用图像分割算法处理所述提供的图像，以便从所述提供的图像分离出至少一个具有感兴趣的特征的段和(ii)把所述提供的图像的分离的段与所述基准图像比较，以便确定所述分离的段是否对应于所述基准图像。
14.如权利要求13所述的系统，其中所述装置包括用于采集图像的装置。
15.如权利要求14所述的系统，其中所述装置包括数字化仪，以便将所述提供的图像数字化。
16.如权利要求15所述的系统，其中所述装置还包括增强器装置，用于以数字方式增强所述数字化图像。
17.如权利要求16所述的系统，其中还包括数据存储器资源，用于存储所述数字化图像。
18.如权利要求13所述的系统，其中所述提供的图像包括样品图像。
19.如权利要求13所述的系统，其中所述提供的图像包括牙科x射线图像。
20.如权利要求13所述的系统，其中所述图像分割算法包括递归层次分割算法。
21.如权利要求13所述的系统，其中所述图像处理资源配置成利用数据采选算法处理所述分离的段，以便从所述分离的段提取图像数据。
22.如权利要求21所述的系统，其中所述图像处理资源利用光学识别算法处理所述提取图像数据和所述基准图像，以便确定所述提取的图像数据是否与所述基准图像匹配。
23.如权利要求22所述的系统，其中还包括显示装置，用于显示所述提取的数据以及利用所述光学识别算法处理所述提取的图像数据和所述基准图像的结果。
24.如权利要求13所述的系统，其中所述图像处理资源包括并行处理资源。
25.如权利要求24所述的系统，其中所述并行处理资源包括Beowulf簇。
26.如权利要求13所述的系统，其中所述装置包括摄像机。
CN2004800140181A 2003-03-27 2004-03-25 快速识别病原体、细菌和异常细胞的系统和方法 Expired - Lifetime CN1795272B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US45876903P 2003-03-27 2003-03-27
US60/458,769 2003-03-27
US50594403P 2003-09-25 2003-09-25
US60/505,944 2003-09-25
PCT/US2004/009172 WO2004086941A2 (en) 2003-03-27 2004-03-25 System and method for rapidly identifying pathogens, bacteria and abnormal cells

Publications (2)

Publication Number Publication Date
CN1795272A true CN1795272A (zh) 2006-06-28
CN1795272B CN1795272B (zh) 2013-04-24

Family

ID=33135111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2004800140181A Expired - Lifetime CN1795272B (zh) 2003-03-27 2004-03-25 快速识别病原体、细菌和异常细胞的系统和方法

Country Status (7)

Country Link
US (1) US7346205B2 (zh)
EP (1) EP1625226A4 (zh)
JP (1) JP4585511B2 (zh)
CN (1) CN1795272B (zh)
CA (1) CA2519554A1 (zh)
HK (1) HK1091514A1 (zh)
WO (1) WO2004086941A2 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339185B (zh) * 2008-06-23 2011-03-02 武汉呵尔医疗科技发展有限公司 用于脱落细胞检测的自动显微成像仪及检测方法
CN104408738A (zh) * 2014-12-15 2015-03-11 爱威科技股份有限公司 一种图片处理方法及系统
CN104713879A (zh) * 2013-12-11 2015-06-17 首都医科大学附属北京同仁医院 临床微生物鉴别方法
CN103389312B (zh) * 2012-05-08 2015-10-14 珠海格力电器股份有限公司 铜管检测系统
CN107036956A (zh) * 2017-05-22 2017-08-11 粉蓝医疗科技（杭州）有限公司 细胞核统计方法和装置
CN108038472A (zh) * 2017-12-27 2018-05-15 杭州智微信息科技有限公司 一种骨髓检查领域软件快速查找异常细胞的交互方法
CN108257111A (zh) * 2016-12-27 2018-07-06 西门子保健有限责任公司 在x射线成像中的自动化图像检验

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8005314B2 (en) * 2005-12-09 2011-08-23 Amnis Corporation Extended depth of field imaging for high speed object analysis
US8885913B2 (en) 1999-01-25 2014-11-11 Amnis Corporation Detection of circulating tumor cells using imaging flow cytometry
US7450229B2 (en) * 1999-01-25 2008-11-11 Amnis Corporation Methods for analyzing inter-cellular phenomena
US8131053B2 (en) 1999-01-25 2012-03-06 Amnis Corporation Detection of circulating tumor cells using imaging flow cytometry
US8406498B2 (en) * 1999-01-25 2013-03-26 Amnis Corporation Blood and cell analysis using an imaging flow cytometer
US7009651B2 (en) * 2000-10-12 2006-03-07 Amnis Corporation System and method for high numeric aperture imaging systems
CA2596101A1 (en) 2004-03-16 2005-09-29 Amnis Corporation Method for imaging and differential analysis of cells
US8150136B2 (en) * 2004-03-16 2012-04-03 Amnis Corporation Image based quantitation of molecular translocation
US8953866B2 (en) 2004-03-16 2015-02-10 Amnis Corporation Method for imaging and differential analysis of cells
US7697759B2 (en) * 2004-05-11 2010-04-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Split-remerge method for eliminating processing window artifacts in recursive hierarchical segmentation
US8295541B2 (en) * 2004-06-30 2012-10-23 Vision Fire & Security Pty Ltd System and method for detecting a change in an object scene
US7657070B2 (en) * 2006-01-20 2010-02-02 Sakura Finetek U.S.A., Inc. Automated system of processing biological specimens and method
US7616320B2 (en) 2006-03-15 2009-11-10 Bahram Javidi Method and apparatus for recognition of microorganisms using holographic microscopy
US20070287124A1 (en) * 2006-05-26 2007-12-13 Hidehiko Yamamoto System to assist in explaining condition of periodontal disease
US8566727B2 (en) * 2007-01-03 2013-10-22 General Electric Company Method and system for automating a user interface
US8254696B2 (en) * 2007-03-07 2012-08-28 Drs Sustainment Systems, Inc. Systems and methods for detection of an airborne contaminant
US9047502B2 (en) * 2007-12-13 2015-06-02 Nikon Corporation Automatic system for judging quality of cell
US20090287120A1 (en) 2007-12-18 2009-11-19 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Circulatory monitoring systems and methods
US20090287093A1 (en) * 2008-05-15 2009-11-19 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Circulatory monitoring systems and methods
US9717896B2 (en) 2007-12-18 2017-08-01 Gearbox, Llc Treatment indications informed by a priori implant information
US8636670B2 (en) 2008-05-13 2014-01-28 The Invention Science Fund I, Llc Circulatory monitoring systems and methods
US20090318773A1 (en) * 2008-06-24 2009-12-24 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Involuntary-response-dependent consequences
US8125331B2 (en) * 2008-08-27 2012-02-28 The Invention Science Fund I, Llc Health-related signaling via wearable items
US8284046B2 (en) 2008-08-27 2012-10-09 The Invention Science Fund I, Llc Health-related signaling via wearable items
US20100056873A1 (en) * 2008-08-27 2010-03-04 Allen Paul G Health-related signaling via wearable items
US8130095B2 (en) * 2008-08-27 2012-03-06 The Invention Science Fund I, Llc Health-related signaling via wearable items
US8094009B2 (en) * 2008-08-27 2012-01-10 The Invention Science Fund I, Llc Health-related signaling via wearable items
JP5393310B2 (ja) * 2009-07-13 2014-01-22 メディア株式会社 口腔内細菌マップ作成システム
US8570370B2 (en) * 2009-08-31 2013-10-29 Bio-Rad Laboratories, Inc. Compact automated cell counter
US8451524B2 (en) * 2009-09-29 2013-05-28 Amnis Corporation Modifying the output of a laser to achieve a flat top in the laser's Gaussian beam intensity profile
US8817115B1 (en) 2010-05-05 2014-08-26 Amnis Corporation Spatial alignment of image data from a multichannel detector using a reference image
US9522396B2 (en) 2010-12-29 2016-12-20 S.D. Sight Diagnostics Ltd. Apparatus and method for automatic detection of pathogens
EP2707690B1 (en) * 2011-05-13 2023-08-02 Koninklijke Philips N.V. Generating a slicing scheme for slicing a specimen
CN104169719B (zh) 2011-12-29 2017-03-08 思迪赛特诊断有限公司 用于检测生物样品中病原体的方法和系统
CN103789203A (zh) * 2012-10-26 2014-05-14 西门子医疗保健诊断公司 细菌自动识别装置和方法、自动检测设备、尿液分析仪
EP2999988A4 (en) 2013-05-23 2017-01-11 S.D. Sight Diagnostics Ltd. Method and system for imaging a cell sample
IL227276A0 (en) 2013-07-01 2014-03-06 Parasight Ltd A method and system for obtaining a monolayer of cells, for use specifically for diagnosis
CN104346801B (zh) * 2013-08-02 2018-07-20 佳能株式会社 图像构图评估装置、信息处理装置及其方法
US10831013B2 (en) 2013-08-26 2020-11-10 S.D. Sight Diagnostics Ltd. Digital microscopy systems, methods and computer program products
US9536304B2 (en) * 2013-08-30 2017-01-03 Dairy Quality Inc. Determining pathogens based on an image of somatic cells in a fluid sample
CN107077732B (zh) 2014-08-27 2020-11-24 思迪赛特诊断有限公司 用于对数字显微镜计算聚焦变化的系统及方法
AU2015394657B2 (en) * 2015-05-11 2019-07-11 Arcelormittal Method of determining a chemical composition of a slag portion
CN114674825A (zh) 2015-09-17 2022-06-28 思迪赛特诊断有限公司 用于检测身体样本中实体的方法和设备
CN105671122A (zh) * 2016-03-30 2016-06-15 李辰 细菌鉴定方法及装置
CA3018536A1 (en) 2016-03-30 2017-10-05 S.D. Sight Diagnostics Ltd Distinguishing between blood sample components
US11099175B2 (en) 2016-05-11 2021-08-24 S.D. Sight Diagnostics Ltd. Performing optical measurements on a sample
EP4177593A1 (en) 2016-05-11 2023-05-10 S.D. Sight Diagnostics Ltd. Sample carrier for optical measurements
JP7214729B2 (ja) 2017-11-14 2023-01-30 エス．ディー．サイト ダイアグノスティクス リミテッド 光学測定用試料収容器
US20210237064A1 (en) * 2020-01-31 2021-08-05 Astrin Biosciences, Inc. Biological Fluid Filtration System
US20240024551A1 (en) * 2022-07-25 2024-01-25 William M. Gosney Apparatus utilizing venting for processing of blood to remove pathogen cells therein
US11872333B1 (en) 2022-07-25 2024-01-16 William M. Gosney Cassette apparatus utilizing venting for processing of blood to remove pathogen cells therein
US11801336B1 (en) * 2022-07-25 2023-10-31 William M. Gosney Cassette apparatus utilizing electric field for processing of blood to neutralize pathogen cells therein
CN116798523A (zh) * 2023-06-01 2023-09-22 南京金域医学检验所有限公司 一种抗中性粒细胞胞浆抗体的图谱识别判定系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5627907A (en) * 1994-12-01 1997-05-06 University Of Pittsburgh Computerized detection of masses and microcalcifications in digital mammograms
US5742700A (en) * 1995-08-10 1998-04-21 Logicon, Inc. Quantitative dental caries detection system and method
EP0799550B1 (en) * 1995-10-25 2000-08-09 Koninklijke Philips Electronics N.V. Segmented picture coding method and system, and corresponding decoding method and system
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6901156B2 (en) 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
US7027633B2 (en) * 2000-11-30 2006-04-11 Foran David J Collaborative diagnostic systems
US6895115B2 (en) 2001-04-23 2005-05-17 The United States Of America As Represented By The United States National Aeronautics And Space Administration Method for implementation of recursive hierarchical segmentation on parallel computers
US6879729B2 (en) * 2001-06-08 2005-04-12 The Regents Of The University Of California Parallel object-oriented, denoising system using wavelet multiresolution analysis
WO2004111934A2 (en) * 2003-06-16 2004-12-23 Dynapix Intelligence Imaging Inc. Segmentation and data mining for gel electrophoresis images

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339185B (zh) * 2008-06-23 2011-03-02 武汉呵尔医疗科技发展有限公司 用于脱落细胞检测的自动显微成像仪及检测方法
CN103389312B (zh) * 2012-05-08 2015-10-14 珠海格力电器股份有限公司 铜管检测系统
CN104713879A (zh) * 2013-12-11 2015-06-17 首都医科大学附属北京同仁医院 临床微生物鉴别方法
CN104408738A (zh) * 2014-12-15 2015-03-11 爱威科技股份有限公司 一种图片处理方法及系统
CN104408738B (zh) * 2014-12-15 2018-08-17 爱威科技股份有限公司 一种图片处理方法及系统
CN108257111A (zh) * 2016-12-27 2018-07-06 西门子保健有限责任公司 在x射线成像中的自动化图像检验
CN107036956A (zh) * 2017-05-22 2017-08-11 粉蓝医疗科技（杭州）有限公司 细胞核统计方法和装置
CN108038472A (zh) * 2017-12-27 2018-05-15 杭州智微信息科技有限公司 一种骨髓检查领域软件快速查找异常细胞的交互方法
CN108038472B (zh) * 2017-12-27 2018-10-23 杭州智微信息科技有限公司 一种骨髓检查领域软件快速查找异常细胞的交互方法

Also Published As

Publication number Publication date
JP4585511B2 (ja) 2010-11-24
WO2004086941A3 (en) 2004-12-23
CA2519554A1 (en) 2004-10-14
WO2004086941A2 (en) 2004-10-14
US20070054350A1 (en) 2007-03-08
HK1091514A1 (en) 2007-01-19
EP1625226A2 (en) 2006-02-15
EP1625226A4 (en) 2007-01-10
CN1795272B (zh) 2013-04-24
US7346205B2 (en) 2008-03-18
JP2006524818A (ja) 2006-11-02

Similar Documents

Publication Publication Date Title
CN1795272B (zh) 快速识别病原体、细菌和异常细胞的系统和方法
CN107463800B (zh) 一种肠道微生物信息分析方法及系统
Bell et al. Assessment of ZooImage as a tool for the classification of zooplankton
CN111709333B (zh) 基于笼养鸡异常粪便的溯源预警系统及健康监测方法
CN102194059A (zh) 一种用于医学信息系统的可视化索引系统
CN1977283A (zh) 用于医疗诊断的智能定性和定量分析的方法及系统
CN1830380A (zh) 中医舌像分析与诊断系统
WO2007092547A2 (en) System and method for review in studies including toxicity and risk assessment studies
US7606779B2 (en) Methods and system for data aggregation of physical samples
CN106548038A (zh) 一种基于知识的医疗影像采集分析系统
CN101763468A (zh) 一种处理临床辅助检查资料的方法
JP2003521669A (ja) 検体の予備処理機能を備えた検査体系
JP2023164475A (ja) 生体試料評価処理のためのアプリケーション開発環境
Tong et al. Predicting heart rejection using histopathological whole-slide imaging and deep neural network with dropout
CN111797706A (zh) 一种基于图像的寄生虫虫卵形状识别系统及方法
CN111667472A (zh) 骨髓细胞形态学人工智能分析方法
Cao et al. OPIA: an open archive of plant images and related phenotypic traits
CN110164504A (zh) 二代测序数据的处理方法、装置及电子设备
CN109979588A (zh) 图像扫描病理切片系统
CN1559050A (zh) 医疗信息的流通方法
CN113869124A (zh) 基于深度学习的血细胞形态学分类方法及系统
Fetter et al. StomataCounter: a deep learning method applied to automatic stomatal identification and counting
CN114467862B (zh) 一种餐厨垃圾养殖类昆虫自动投放系统
CN117809124B (zh) 基于多特征融合的医学图像关联调用方法及系统
EP4372379A1 (en) Pathology image analysis method and system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1091514

Country of ref document: HK

C14 Grant of patent or utility model
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1091514

Country of ref document: HK