CN202795476U - 图像处理设备 - Google Patents
图像处理设备 Download PDFInfo
- Publication number
- CN202795476U CN202795476U CN2011203973160U CN201120397316U CN202795476U CN 202795476 U CN202795476 U CN 202795476U CN 2011203973160 U CN2011203973160 U CN 2011203973160U CN 201120397316 U CN201120397316 U CN 201120397316U CN 202795476 U CN202795476 U CN 202795476U
- Authority
- CN
- China
- Prior art keywords
- unit
- correlation
- degree
- motion
- normalization
- 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.)
- Expired - Lifetime
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- 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
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本实用新型公开了一种图像处理设备。一种图像处理设备包括:运动检测单元,用于利用要评估的目标的图像来检测所述要评估的目标的运动;相关度计算单元,用于利用用于指示所述运动检测单元检测到的所述要评估的目标的所述运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;及评估值计算单元,用于利用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的所述运动的协同度的评估值。
Description
技术领域
本公开涉及图像处理设备,并且更具体地涉及能够对要非侵入性评估的目标的运动的协同度进行定量评估的图像处理设备。
背景技术
在再生医学中,使用通过细胞培养而产生的培养细胞来设法进行由于事故或疾病而导致丧失的身体细胞、组织或器官等的再生或其功能的恢复。存在可以产生这样的培养细胞的多种细胞组织。在细胞组织中,心肌细胞被用于心脏治疗。所培养的心肌细胞本身根据脉搏来移动。因此,例如,在产生培养心肌细胞的步骤中,必须对所培养的心肌细胞的质量进行评估,从而确定所培养的心肌的运动是否令人满意。
例如,当评估所培养的心肌细胞的质量时,以视觉的方式来观察所培养的心肌细胞的当前状态。而且,通过使用电极来穿刺所培养的心肌细胞并测量其电势来评估所培养的心肌细胞的质量。然而,在视觉检查中,检查者的主观想法可能反映在评估结果上,因此难以获得精确且客观的评估结果。当测量所培养的心肌细胞的电势时,可能产生下述问题:所培养的心肌细胞须与电极接触,因此,这种评估不是非侵入性的。而且,基于电势测量而量化的信息例如局限于脉搏时间。而且,测量目标局限于可使用电极测量来的目标。
因此,公开了下述配置:在通过对心肌细胞进行成像而得到的成像画面中设置测量点,自动测量所述测量点的亮度,并且根据测量值来测量心肌细胞的变形周期(例如公开号为63-233392的未经审查的日本专利申请(图1))。
发明内容
然而,在公开号为63-233392的未经审查的日本专利申请(图1)所公开的方法中存在下述问题:由于对亮度的周期性改变进行测量,可测量的目标局限于脉搏周期的时间间隔。即,这种方法是非侵入性进行的,但仍然存在可定量测量的信息仅仅为脉搏周期的问题。因此,存在难以获得准确的评估结果的问题。
例如,当在再生医学等中对所培养的心肌细胞进行评估时,优选的是评估所培养的心肌细胞的各个部分的运动是否协同。然而,在公开号为63-233392的未经审查的日本专利申请(图1)所公开的方法中,存在难以对要非侵入性评估的目标的运动的协同度进行定量评估的问题。
期望提供一种能够对要非侵入性评估的运动目标的运动的协同度进行定量评估的图像处理设备、方法和程序。
根据本公开的一个实施例,提供了一种图像处理设备,该图像处理设备包括:运动检测单元,用于利用要评估的目标的图像来检测所述要评估的目标的运动;相关度计算单元,用于利用用于指示由所述运动检测单元检测的要评估的目标的运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及评估值计算单元,用于通过使用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的运动的协同度的评估值。
所述运动检测单元可以将所述图像的所述要评估的目标的整个区域划分为多个部分区域,并且检测相应的部分区域的运动。所述相关度计算单元可以使用由所述运动检测单元针对每一个部分区域而计算的运动向量来计算各部分区域之间的相关度。所述评估值计算单元可以通过使用由所述相关度计算单元计算的各部分区域之间的相关度来计算所述评估值。
所述评估值计算单元可以包括:相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的各部分区域之间的相关度归一化;分布计算单元,用于计算由所述相关度计算单元计算的各部分区域之间的相关度的时间方向分布;分布归一化单元,用于利用预定函数将由所述分布计算单元计算的分布归一化;以及平均/评估值计算单元,用于计算所述要评估的目标的整个图像中的、由所述相关度归一化单元归一化的部分区域之间的相关度和由所述分布归一化单元归一化的分布的乘积的平均值,作为所述评估值。
所述评估值计算单元可以包括:相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的各部分区域之间的相关度归一化;分布计算单元,用于计算由所述相关度计算单元计算的各部分区域之间的相关度的时间方向分布;分布归一化单元,用于利用预定函数将由所述分布计算单元计算的分布归一化;以及平均/评估值计算单元,用于计算由所述相关度归一化单元归一化的各部分区域之间的相关度与由所述分布归一化单元归一化的分布的乘积中值大于预定阈值的乘积的数量与乘积总数的比,作为所述评估值。
所述评估值计算单元可以进一步包括:距离计算单元,用于计算由所述相关度计算单元计算的各部分区域之间的相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及差平均值计算单元,用于计算由所述归一化单元归一化的所述差的平均值,作为所述评估值。
所述评估值计算单元可以进一步包括:距离计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的所述相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及平均/评估值计算单元,用于计算由所述归一化单元归一化的所述差的平均值中值大于预定阈值的平均值的数量与平均值总数的比,作为所述评估值。
所述相关度计算单元可以针对所述部分区域中的一些或全部来计算部分区域之间的相关度。所述评估计算单元可以通过将由所述相关度计算单元计算的各部分区域之间的相关度的强度成像于三维空间中来显示三维图。
所述评估值计算单元可以计算所述评估值,使得当所述评估值越大时,所述协同度越高。
所述评估值计算单元可以计算所述评估值,使得当所述评估值越小时,所述协同度越低。
所述图像处理设备可以进一步包括成像单元,用于通过将所述要评估的目标成像来获得所述要评估的目标的图像。所述运动检测单元可以通过使用由所述成像单元获得的所述要评估的目标的图像来检测所述要评估的目标的运动。
所述相关度计算单元可以反复地计算所述要评估的目标的多个部分中在运动量上的时间改变之间的相关度。
所述要评估的目标可以是自发运动的细胞。
所述要评估的目标可以是通过培养从活体中提取的细胞而产生的培养细胞。
根据本公开的另一实施例,提供了一种图像处理方法,该方法包括:由图像处理设备的运动检测单元利用要评估的目标的图像来检测所述要评估的目标的运动;由所述图像处理设备的相关度计算单元利用用于指示由所述运动检测单元检测的所述要评估的目标的运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及由所述图像处理设备的评估值计算单元利用由所述相关度计算单元计算的相关度来计算用于评估所述要评估的目标的运动的协同度的评估值。
根据本公开的另一实施例,提供了一种程序,该程序使得计算机起到以下单元的作用:运动检测单元,用于利用要评估的目标的图像来检测所述要评估的目标的运动;相关度计算单元,用于利用用于指示由所述运动检测单元检测的要评估的目标的运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及评估值计算单元,用于通过使用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的运动的协同度的评估值。
根据本公开的另一实施例,通过使用要评估的目标的图像来检测所述要评估的目标的运动;通过使用用于指示所检测的所述要评估的目标的运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;并且通过使用所计算的相关度来计算用以评估所述要评估的目标的运动的协同度的评估值。
具体地说,根据本公开的实施例,能够以非侵入的方式来定量评估要评估的目标的运动的协同度。
附图说明
图1A至1C是运动的协同度(cooperativity)的图;
图2A和2B是运动的协同度的图;
图3是培养心肌细胞评估设备的主要配置的一个示例的框图;
图4是评估指标数据产生单元的主要配置的一个示例的框图;
图5是评估目标图像数据的结构的一个示例的图;
图6是运动检测单元的主要配置的一个示例的框图;
图7是帧图像数据的块划分的一个示例的图;
图8是运动检测数据的配置的一个示例的图;
图9是相关度计算单元的主要配置的一个示例的框图;
图10是运动量之间的相关度的图;
图11是运动相关度数据历史的配置的一个示例的图;
图12是评估单元的配置的一个示例的框图;
图13A和13B是归一化函数的一个示例的图;
图14是评估处理的流程的一个示例的流程图;
图15是评估指标数据产生处理的流程的一个示例的流程图;
图16是相关度评估处理的流程的一个示例的流程图;
图17是评估单元的配置的另一个示例的框图;
图18A和18B是相关度评估的不同示例的图;
图19是相关度评估处理的流程的另一个示例的流程图;
图20是药物评估设备的主要配置的一个示例的框图;
图21A和21B是块的示例的图;
图22是药物剂量对于各块之间的相关度的影响的一个示例的图;
图23是评估指标数据产生单元的主要配置的一个示例的框图;
图24是评估单元的主要配置的一个示例的框图;
图25是评估处理的流程的一个示例的流程图;
图26是用于产生评估指标数据的处理的流程的一个示例的流程图;
图27是影响评估处理的流程的一个示例的流程图;以及
图28是个人计算机的主要配置的一个示例的框图。
具体实施方式
以下将描述用于执行本公开的方式(以下称为实施例)。
将以下面的顺序来进行描述:
1.第一实施例(培养心肌细胞评估设备)
2.第二实施例(培养心肌细胞评估设备)
3.第三实施例(药物评估设备)
4.第四实施例(个人计算机)
1.第一实施例
运动的协同度
首先将描述要评估的目标的运动的协同度。例如,在再生医学中,使用培养的细胞来治疗人体的各种组织或器官等。培养的细胞是通过细胞培养而产生的细胞组织。图1A中所示的培养细胞1是被培养和生长的细胞。例如,作为通过培养心肌细胞而产生的细胞的培养心肌细胞用于心脏等的治疗。
近年来,正在进行技术开发,以大量地产生培养细胞1,并且以低成本为临床实践提供足够数量的培养细胞。当大量地产生培养细胞时,必须有效地精确评估所产生的细胞。
通过培养从活体中提取的心肌细胞来产生培养细胞1。当心肌细胞1(培养心肌细胞)作为培养细胞产生时,心肌细胞在反复地正常收缩和松弛的同时脉动。在这种情况下,对培养细胞1的心肌细胞的运动进行评估,以评估培养细胞1的性能。作为培养心肌细胞的所有培养细胞1反复地收缩和松弛。例如,如图1B中所示,各部分的细胞象运动向量2所示的那样以预定的方式来运动。
如图1C中所示,培养细胞1的观察区域被划分为多个部分区域(块)。检测每一块中的运动量(运动向量),以检查时间改变。
例如,图1C所示的图4-1示出块3-1中的运动量的时间改变。图4-2示出块3-2中的运动量的时间改变。对各块中的细胞的运动之间的相关度(协同度,cooperativity)进行评估。
图2A中所示的图5-1至5-3示出了图4-1所示的块3-1中的细胞的运动量和图4-2所示的块3-2中的细胞的运动量之间的关系的时间改变。
如在图5-1中所示,首先块3-1中存在的从活体中提取的细胞的运动量和块3-2中存在的细胞的运动量具有低相关度。然而,如在图5-2中所示,当随着时间培养细胞时,运动量之间的相关度逐渐变强。如图5-3中所示,随着时间流逝,在运动量之间的相关度变得很强。
即,如图2B的图形中所示,培养细胞1的多个位置处的运动量的相关度系数逐渐增大并且稳定。即,每一区域处的细胞的运动的协同度变强。理想的是,各细胞的运动相互相关,并且整体培养细胞1作为单个活体组织来脉动。
另一方面,当细胞未被良好地培养因而培养细胞1的性能不稳定时,各部分的细胞的协同度未得到改善,脉动弱,各部分以分散的状态来运动或不运动。
即,可以建立培养细胞1的各部分的运动的协同度的评估,作为用于评估培养细胞1的性能的一种方法。通过计算协同度的强和弱的程度作为评估值,可以适当地对培养细胞进行定量评估。
培养心肌细胞评估设备
图3是培养心肌细胞评估设备的主要配置的一个示例的框图。
图3中所示的培养心肌细胞评估设备100是评估培养心肌细胞110的运动的协同度的设备。如图3中所示,培养心肌细胞评估设备100包括成像单元101、评估目标图像数据产生记录单元102、评估指标数据产生单元103和评估单元104。
成像单元101对作为要评估的目标的培养心肌细胞110进行成像。成像单元101可以直接将培养心肌细胞110成像(而不使用其他构件)或可以使用诸如显微镜等其他构件将培养心肌细胞110成像。
培养心肌细胞110相对于成像单元101可以是固定的,或可以不是固定的。优选地,培养心肌细胞110相对于成像单元101是固定的,从而使得培养心肌细胞评估设备100能够检测运动(在其位置上的时间改变)。
成像单元101向评估目标图像数据产生记录单元102提供通过成像而得到的培养心肌细胞110的图像的图像信号。
评估目标图像数据产生记录单元102基于从成像单元101提供的图像信号来产生评估目标图像数据,并且将所产生的评估目标图像数据存储为例如内部记录介质中。所产生的评估目标图像数据是基于通过将培养心肌细胞110成像而得到的图像信号而产生的运动图像数据。
例如,评估目标图像数据产生记录单元102可以仅在从成像单元101提供的多个帧图像中提取给定周期的帧图像,并且将所提取的帧图像设置为评估目标图像数据。例如,评估目标图像数据产生记录单元102可以提取成像单元101提供的帧图像中的每一个的部分区域,并且可以将由各部分帧图像形成的运动图像设置为评估目标图像数据。例如,评估目标图像数据产生记录单元102针对成像单元101提供的帧图像中的每一个执行任何图像处理,并且可以将图像处理结果设置为评估目标图像数据。例如,可以使用图像的扩展、缩小、旋转、变形、亮度或色度的校正、锐度、噪声去除和中间帧图像的产生等,作为所述图像处理。当然,还可以执行其他图像处理。
评估目标图像数据产生记录单元102在预定的定时向评估指标数据产生单元103提供所存储的评估目标图像数据。
评估指标数据产生单元103在所提供的评估目标图像数据的每一个帧图像中的每一块上检测要评估的目标(培养心肌细胞110)的运动,每一块是指从图像中的要评估的目标(培养心肌细胞110)的整个区域划分的多个部分区域中的每一个。
评估指标数据产生单元103将所检测的各块的运动表示为运动向量,并且计算要评估的目标(培养心肌细胞110)的各块的运动的相关度。而且,评估指标数据产生单元103产生评估指标数据,该评估指标数据是指用于基于运动的相关度来评估各块的运动的协同度的指标。
评估指标数据产生单元103向评估单元104提供所产生的评估指标数据。
评估单元104计算所提供的评估指标数据,以计算培养心肌细胞110的运动之间的协同度的评估值114,并且输出评估值114。
由培养心肌细胞评估设备100评估的目标可以是除培养心肌细胞110之外的目标。例如,除心脏细胞之外的细胞的细胞层片可以是要评估的目标。当然,要评估的目标可以是除细胞之外的目标。然而,优选地,要评估的目标是可以运动并且可以利用对运动协同度的评估来评估的目标。所述运动可以象心肌细胞的运动那样是自发的(自激励的),或可以是通过从外部提供的电信号而建立的。
评估指标数据产生单元
图4是图1A至1C中的评估指标数据产生单元103的主要配置的一个示例的框图。如图4中所示,评估指标数据产生单元103包括运动检测单元121、运动检测数据存储单元122、相关度计算单元123和相关度数据历史储存存储器124。
运动检测单元121输入由评估目标图像数据产生记录单元102记录的评估目标图像数据112,检测各块的运动,并且提供检测结果(运动向量)并将检测结果作为运动检测数据存储在运动检测数据存储单元122中。
相关度计算单元123使用在运动检测数据存储单元122中存储的运动检测数据来计算块的运动的相关度系数,然后提供相关度系数并将相关度系数作为相关度数据存储在相关度数据历史储存存储器124中。
在相关度系数被反复计算预定次的同时,相关度数据历史储存存储器124保存所计算的系数,作为相关度数据。相关度数据历史储存存储器124在预定的定时向评估单元104提供所保存的相关度数据,作为评估指标数据113。
评估目标图像数据的结构
图5是向评估指标数据产生单元103提供的评估目标图像数据112的结构的一个示例的图。以预定长度的评估间隔(例如,T+1帧(其中,T是任何自然数))来评估运动的协同度。因此,通过与评估间隔对应的第一帧图像数据132-1至第(T+1)帧图像数据132-(T+1)来形成向评估指标数据产生单元103提供的评估目标图像数据112。
运动检测单元的配置的示例
图6是运动检测单元121的主要配置的一个示例的框图。如图6中所示,运动检测单元121包括帧存储器141和运动向量计算单元142。帧存储器141在每一帧周期期间保存依序输入的帧图像数据132,作为评估目标图像数据112。
运动向量计算单元142输入作为当前时间的评估目标图像数据112输入的帧图像数据以及在紧接该当前时间的之前时间(在时间上的先前时间)保存在帧存储器141中的帧图像数据。然后,运动向量计算单元142计算用于指示每一块的两个帧图像数据之间的运动的运动向量。所计算的运动向量作为运动检测数据151被保存在运动检测数据存储单元122中。
将更详细地描述由图6中的运动检测单元121执行的处理。运动向量计算单元142输入当前时间的帧图像数据132和紧接该当前时间的之前时间(在时间上的先前时间)的帧图像数据132。如图7中所示,运动向量计算单元142将输入的帧图像数据132划分为M×N(其中,M和N是任何自然数)个块161。然后,运动向量计算单元142通过经由诸如帧图像之间的块匹配的方法来检测各块161的运动,以产生运动向量。每一块161由例如(16×16)个像素形成。
运动向量计算单元142依序使用第一帧图像数据132至第(T+1)帧图像数据132来执行运动检测处理。也就是说,运动向量计算单元142使用(T+1)个帧图像来产生(M×N×T)的运动检测数据(运动向量)。运动向量计算单元142提供以这种方式计算的运动向量并将该运动向量存储在运动检测数据存储单元122中。
当使用第T帧图像数据132和第(T+1)帧图像数据132来完成最后的运动检测处理时,如图8中所示,运动检测数据存储单元122存储由T帧单元运动检测数据171-1至171-T形成的运动检测数据。
通过针对可以在每个帧周期期间获得的当前时间的帧图像数据132和紧接该当前时间的之前时间(在时间上的先前时间)的帧图像数据132来执行运动检测处理,获得帧单元运动检测数据171-1至171-T中的每一个。
例如,可以通过下述方式来获得第三帧单元运动检测数据171-3:输入作为当前时间的帧图像数据和紧接该当前时间的之前时间的帧图像数据的第四帧图像数据132-4和第三帧图像数据132-3,并且执行运动检测处理。
通过(M×N)个块单元运动检测数据181来形成帧单元运动检测数据171-1至171-T中的每一个。块单元运动检测数据181中的每一个是与一个块161对应并且指示针对对应块161而检测的运动向量的数据。
根据该实施例的运动检测数据151具有下述结构,其中,每一帧单元运动检测数据171具有(M×N)个块单元运动检测数据181。
相关度计算单元
图9是图4中的相关度计算单元123的主要配置的一个示例的框图。
如图9中所示,相关度计算单元123包括块间相关度系数计算单元201、相关度系数存储单元202和平均值计算单元203。
块间相关度系数计算单元201使用从运动检测数据存储单元122读取的与一个评估间隔对应的运动检测数据151来计算各块之间的运动的相关度系数C。例如,块间相关度系数计算单元201如下面的表达式(1)中那样计算块A和B之间的相关度系数Ca,b。
在表达式(1)中,Va(k)表示在时间k的帧的块A的运动量。而且,顶部有横线的表示在该评估间隔内块A的、沿时间先后次序的方向的运动量的平均值。Vb(k)表示在时间k的帧的块B的运动量。而且,顶部有横线的表示在评估间隔内块B的沿时间先后次序的方向的的运动量的平均值。
即,如图10中所示,块间相关度系数计算单元201计算在评估间隔内两块之间的运动量的形状的相关度。
块间相关度系数计算单元201计算所有块(所有块的组合)之间的相关度系数C。例如,当块间相关度系数计算单元201计算L个相关度系数Ca,b时,如下面的表达式(2)中那样计算L。
相关度系数存储单元202存储由块间相关度系数计算单元201计算的L个相关度系数Ca,b。
平均值计算单元203如下面的表达式(3)中那样计算作为所计算的各块之间的相关度系数的平均值的平均相关度系数Cave。
平均值计算单元203提供由块间相关度系数计算单元201计算的各相关度系数Ca,b和由平均值计算单元203计算的平均相关度系数Cave,作为相关度数据211,并将其存储在相关度数据历史储存存储器124中。即,如图11中所示,一个评估间隔的(L+1-)个相关度数据211被存储在相关度数据历史储存存储器124中。
评估指标数据产生单元103将产生评估指标数据的处理重复预定次数(例如,S次(其中,S是任何自然数))。即,成像单元101通过继续成像来产生与至少(评估间隔(T+1帧)×S次)对应的帧图像。评估目标图像数据产生记录单元102产生与至少(评估间隔×S次)对应的评估目标图像数据。在评估目标图像数据中,相应的评估间隔可以不在时间上连续。
例如,从培养开始到培养结束的时间段被设置为10天,并且T=600帧被成像两个小时以用于评估。在该情况下,每一评估间隔对应于600帧,并且该评估间隔被重复S=120次。
如上所述,相关度计算单元123产生针对每一评估间隔的相关度数据211。因此,如图11中所示,在相关度数据历史储存存储器124中存储(L+1)×S个相关度数据211。
评估单元
在相关度数据历史储存存储器124中存储的与S个评估间隔对应的相关度数据211被作为评估指标数据113提供到评估单元104。
图12是评估单元104的主要配置的一个示例的框图。如图12中所示,评估单元104包括相关度系数归一化单元221、分布计算单元222、分布归一化单元223和评估值计算单元224。
相关度系数归一化单元221使用图13A所示的图形中的诸如曲线231等的函数fc来归一化作为评估指标数据113的每一个相关度系数Ca,b,如下面的表达式(4)中那样(计算通过函数fc来归一化的相关度系数C’)。
C’=fc(C) (4)
例如,当计算L个相关度系数Ca,b时,相关度系数归一化单元221使用函数fc来归一化L个相关度系数Ca,b中的每一个。
函数fc可以是任何函数,只要当相关度系数Ca,b的值更大时使得函数fc更大而当相关度系数Ca,b的值更小时使得函数fc更小即可。即,各块的运动量之间的相关度越高,归一化的相关度系数C’的值越大,而各块的运动量之间的相关度越低,归一化的相关度系数C’的值越小。
相关度系数归一化单元221向分布计算单元222提供归一化的相关度系数C’和归一化的相关度系数Ca,b。
分布计算单元222如下面的表达式(5)中那样计算相关度系数Ca,b的前一第N分布Vc。
在表达式(5)中,顶部有横线的是指在评估间隔内沿时间轴方向的相关度系数Ca,b的平均值。如上所述,当相关度系数Ca,b的计算进行S次时,满足关系“N=S”。即,分布计算单元222计算所有帧图像中的相关度系数的L个分布Vc。分布计算单元222向分布归一化单元223提供所计算的相关度系数的分布Vc和相关度系数C’。
分布归一化单元223使用诸如图13B所示的图形中的曲线232等的函数gc来归一化每一个相关度系数的分布Vc,如下面的表达式(6)中那样(计算由函数gc归一化的相关度系数的分布Vc’)。
V’c=gc(Vc) (6)
函数gc可以是任何函数,只要当相关度系数的分布Vc的值更大时可以使得函数gc更小而当相关度系数的分布Vc的值更小时可以使得函数gc更大即可。即,变化越小,归一化的相关系数的分布Vc’的值越大,而变化越大,则值越小。
分布归一化单元223向评估值计算单元224提供归一化的相关度系数的分布Vc’和归一化的相关度系数C’。
评估值计算单元224计算整个画面中的归一化相关度系数C’和归一化相关度系数的分布Vc’的乘积的平均值(L个平均值),作为评估值Ec,如下面的表达式(7)中那样。
在该情况下,当归一化的相关度系数和归一化的相关度系数的分布更大时,评估值Ec更大。即,当各块之间的相关度系数高并且稳定时(相关度越大并且在时间方向上的变化越小),评估Ec被评估得越高。
评估值计算单元224可以计算归一化相关度系数C’和归一化相关度系数的分布Vc’的乘积的值大于预定阈值Tc1的相关度系数的数量Nc1与全部帧图像(L个帧图像)的比,作为评估值Ec,如下面的表达式(8)中那样。
阈值Ta1是预先确定的任何值。当阈值Ta1被设置得越大时,评估基准越高(评估条件越严格)。因此,评估值Ec越小。在该情况下,当归一化的相关度系数和时间方向分布的乘积比预定基准大且稳定的相关度系数的数量越大时,评估值Ec越大。
即,在该情况下,与如上所述使用平均值来计算评估值Ec的情况相比较,相应的相关度系数中的变化优选地更小。例如,当评估平均值时,尽管相应的相关度系数的变化大,但是评估有时会高。然而,当使用阈值来执行评估时,尽管某些相关度系数的值会很大,但是,在相关度系数的数量Nc1大的情况下,评估也不会高。
如上所述,仅评估两个块之间的相关度系数Ca,b,但是本公开的实施例不限于此。评估单元104还可以评估由平均值计算单元203计算的平均相关度系数Cave。在该情况下,评估单元104象上述的相关度系数Ca,b那样评估平均相关度系数Cave。
即,在该情况下,评估值计算单元224计算归一化相关度系数C’和归一化相关度系数的分布V’的(L+1)个乘积的平均值,作为评估值Ec。替代地,评估值计算单元224计算归一化相关度系数C’和归一化相关度系数的分布Vc’的乘积的值等于或大于阈值Tc1的相关度系数的数量Nc1与全部帧图像((L+1)个帧图像)的比,作为评估值Ec。
评估单元104以这种方式计算评估值Ec,使得当培养心肌细胞110的相应部分的脉动(运动)的协同度高时则评估值Ec越大,而当培养心肌细胞110的相应部分的脉动(运动)的协同度低时评估值Ec越小。因此,培养心肌细胞评估设备100(评估单元104)可以定量评估培养心肌细胞110的相应部分的脉动(运动)的协同度。而且,培养心肌细胞评估设备100可以通过下述方式容易且非侵入性地评估培养心肌细胞:使用利用通过对培养心肌细胞110成像而获得的图像数据检测的培养心肌细胞110的相应部分的运动向量,作为用于计算评估值的指标。
评估处理的流程
接下来,将参考图14的流程图来描述由培养心肌细胞评估设备100执行的评估处理的流程的一个示例。
当评估处理开始时,培养心肌细胞评估设备100的成像单元101在步骤S101中将要评估的目标成像。在步骤S102中,评估目标图像数据产生记录单元102根据通过步骤S101的成像而获得的图像信号来产生评估目标图像数据。
在步骤S103中,评估指标数据产生单元103根据在步骤S102中产生的评估目标图像数据来产生评估指标数据,评估指标数据是用于评估要评估的目标的运动的协同度的指标的数据。在步骤S104中,评估单元104通过使用在步骤S103中产生的评估指标数据来评估相关度,即要评估的目标的各块的运动之间的协同度,并且计算评估值。
在步骤S105中,评估单元104输出步骤S104中计算的评估值。然后,评估处理结束。
用于产生评估指标数据的处理的流程
接下来,将参考图15的流程图来描述图14的步骤S103中用于产生评估指标数据的处理的流程的一个示例。
当用于产生评估指标数据的处理开始时,评估指标数据产生单元103的运动检测单元121在步骤S121针对每一块来检测要评估的目标的运动,并且产生运动向量。在步骤S122中,运动检测数据存储单元122存储在步骤S121中产生的每一块的运动向量。
在步骤S123中,运动检测单元121确定是否要在预定时间段(评估间隔)期间执行运动检测。当运动检测单元121确定存在未执行运动检测的帧图像时,运动检测单元121将处理返回到步骤S121,并且对于要新处理的帧图像重复运动检测。
当运动检测单元121在步骤S123中确定在预定评估间隔期间对于所有要处理的帧图像执行运动检测时,运动检测单元121允许处理进行到步骤S124。
在步骤S124中,相关度计算单元123的块间相关度系数计算单元201根据在步骤S122中存储的运动向量(运动检测数据)来计算各块之间的相关度系数。在步骤S125中,相关度计算单元123的相关度系数存储单元202存储在步骤S124中计算的在各块之间的相关度系数。
在步骤S126中,块间相关度系数计算单元201确定是否已产生了所有块之间的相关度系数,并且将处理返回到步骤S124以重复从步骤S124至步骤S126的处理,直到产生所有块之间的相关度系数。当在步骤S126中产生所有块之间的相关度系数时,块间相关度系数计算单元201允许处理进行到步骤S127。
在步骤S127中,平均值计算单元203计算平均相关度系数,该平均相关度系数是步骤S124中计算的各块之间的相关度系数的平均值。在步骤S128中,相关度数据历史储存存储器124存储步骤S124中计算的相关度系数和步骤S127中计算的平均相关度系数,作为相关度数据。
在步骤S129中,相关度计算单元123确定是否将相关度系数和平均相关度系数的计算迭代预定次数。当相关度计算单元123确定未将相关度系数和平均相关度系数的计算迭代预定次数时,处理转到步骤S121,以重复随后的处理。
另一方面,当相关度计算单元123在步骤S129中确定将相关度系数和平均相关度系数的计算迭代预定次数时,相关度计算单元123允许处理进行到步骤S130。
在步骤S130中,相关度数据历史储存存储器124将保存的相关度数据输出,作为评估指标数据。当步骤S130的处理结束时,评估指标数据产生单元103结束用于产生评估指标数据的处理,并且将处理返回到图14的步骤S103,使得执行步骤S104之后的处理。
相关度评估处理的流程
接下来,将参考图16的流程图来描述图14的步骤S104中执行的相关度评估处理的流程的一个示例。
当相关度评估处理开始时,评估单元104的相关度系数归一化单元221在步骤S151中归一化各块之间的相关度系数。在步骤S152中,分布计算单元222计算各块之间的相关度系数的时间方向分布。
在步骤S153中,分布归一化单元223归一化在步骤S152中计算的每一个相关度系数的分布。在步骤S154中,评估值计算单元224使用在步骤S151中计算的归一化的相关度系数和在步骤S153中计算的归一化相关度系数的分布来计算评估值。
当评估值计算单元224计算评估值时,评估值计算单元224将处理返回到图14的步骤S104,以执行在步骤S105之后的处理。
培养心肌细胞评估设备100可以通过这种方式来执行各种处理,以定量评估要评估的目标(例如,细胞的运动)的协同度。而且,培养心肌细胞评估设备100可以在指标的产生过程中使用运动向量,以更容易和非侵入性地评估要评估的目标的协同度。
2.第二实施例
评估单元的另一示例
协同度评估方法不限于上述示例。例如,可以将所培养的肌肉细胞的脉动与在期望的正常培养时间中培养的细胞作比较,并且可以评估该比较结果。在该情况下,预先确定在脉动期望正常培养时间的改变模式(期望改变模式)。
图17是在该情况下的评估单元104的主要配置的框图。在该情况下,如图17中所示,评估单元104包括距离计算单元241、距离归一化单元242和评估值计算单元243。
如图18A的图形所示,距离计算单元241通过将培养心肌细胞的脉动的改变模式(测量改变模式)与期望改变模式相比较来评估相似度。在图18A中,实线251指示块中的细胞的运动之间的相关度的期望改变模式,并且虚线252指示块中的细胞的运动之间的测量改变模式。期望改变模式和测量改变模式之间的差越小,则评估值越大。
距离计算单元241针对各块计算在相应的过去时间期间期望改变模式和测量改变模式之间的距离的和Dc,如下面的表达式(9)中那样。
在表达式(9)中,C(k)是在测量改变模式下各块之间的时间k的帧图像的相关度系数,并且CI(k)是在期望改变模式下各块之间的时间k的帧图像的相关度系数。而且,k表示测量重复了多少次(过去的时间)(当测量重复S次时,满足关系“0≤k≤S-1”)。另外,Wc(k)是加权系数,并且可具有任何值。例如,期望改变模式和测量改变模式之间的差不重要。然而,当过去的时间越长需将期望改变模式和测量改变模式彼此逼近时,当k的值越大时,则加权系数Wc的值被设置得越大。
当获得在相应的过去时间期间期望改变模式和测量改变模式之间的距离的和Dc时,距离计算单元241向距离归一化单元242提供该距离的和Dc。
距离归一化单元242通过使用图18B中所示的图形中的实线253和函数hc来归一化距离的和Dc(计算归一化距离的和Dc’),如下面的表达式(10)中那样。
D’c=hc(Dc) (10)
函数hc可以是任何函数,只要当距离的和Dc越小时函数hc的值越大而当距离的和Dc越大时函数hc的值越小即可。即,当期望改变模式和测量改变模式之间的距离越小时,归一化的距离的和Dc’的值越大,而当期望改变模式和测量改变模式之间的距离越大时,归一化的距离的和Dc’的值越小。
距离归一化单元242向评估值计算单元243提供归一化的距离的和Dc’。
评估值计算单元243计算归一化的距离的和Dc’的平均值(M×N个平均值),作为评估值Ec,如下面的表达式(11)中那样。
在该情况下,在所有的帧图像中期望改变和测量改变之间的距离越小,则评估值Ec的值越大。
评估值计算单元243可以计算归一化的距离的和Dc’等于或大于预定阈值Tc2的相关度系数的数量Nc2与全部的帧图像的比,作为评估值Ec,如下面的表达式(12)中那样。
在表达式(12)中,阈值Tc2是预先确定的任何值。当阈值Tc2被设置得越大时,评估基准越高(评估条件越严格)。因此,评估值Ec越小。在该情况下,当所有的帧图像中测量改变和期望改变之间的差比预定基准更小和稳定的块的数量越大时,评估值Ec越大。
如上所述,评估单元104计算通过下述方式获得的评估值Ec:基于用于心肌细胞的脉动的运动量的指标数据来评估块的运动量之间的相关度(即协同度)。更具体地,评估单元104计算评估值Ec,使得当培养心肌细胞110的各部分的脉动(运动)之间的协同度越高时评估值Ec越大,而当培养心肌细胞110的各部分的脉动(运动)之间的协同度越低时评估值Ec越小。即,评估单元104可以定量评估心肌细胞的运动之间的协同度。
相关度评估处理的流程
将参考图19来描述相关度评估处理的流程的一个示例。
当相关度评估处理开始时,评估单元104的距离计算单元241在步骤S171中计算改变模式之间的距离的和。在步骤S172中,距离归一化单元242归一化在步骤S171中计算的距离的和。
在步骤S173中,评估值计算单元243使用在步骤S172归一化的距离的和来计算评估值。当评估值计算单元243计算评估值时,评估值计算单元243结束相关度评估处理,并且将处理返回到图14的步骤S104,以执行步骤S105之后的处理。
培养心肌细胞评估设备100可以通过这种方式执行各种处理,以定量评估要评估的目标(例如,细胞的运动)的协同度。而且,培养心肌细胞评估设备100可以通过在指标的产生过程中使用运动向量来更容易且非侵入性地评估要评估的目标的协同度。
3.第三实施例
另一种评估的应用
通过评估要评估的目标的运动的协同度,可以评估对于要评估的目标的运动具有影响的另一目标(例如气体、液体、固体的剂量)或任何环境条件(例如温度、湿度、压力、亮度、振动或磁场)。
通过对培养肌肉细胞的相差观察运动图像进行分析而计算的各个区域的脉动显示依赖于培养天数的协同脉动,还显示各种药物的剂量的变化。通过根据任何方法来检测这种变化,可以在发现药物时预先评估药物毒性或效果等。因此,近来已经得到关注。
例如,根据相关技术,存在一种用于通过在培养板的底部布置的电极来检测细胞的外部电势并且通过薄膜电势上的改变来掌握细胞的脉动的行为的方法。而且,存在下述方法:在细胞中输入与钙组合的发光荧光颜料,检测由于细胞的激励(行为电势)而改变的钙的浓度,检测细胞的脉动节奏,并且评估细胞的信息传播模式。
然而,这些方法具有下列问题:需要特定的培养板,荧光颜料昂贵,难以输入荧光颜料,或者需要一些时间来输入荧光颜料等。因为这些原因,对于细胞的简单和非侵入式监控存在许多问题。
因此,如上所述,药物毒性等被配置为使用下述方法来评估:检测细胞的运动,并且评估细胞的运动的相关度(协同度)。心肌细胞的脉动包括收缩和松弛。然而,例如,当禁止细胞的钙离子的进入和退出时,松弛时间会延长(难以从收缩状态返回)。由于细胞松弛的延长,因此,细胞的运动之间的相关度会降低。细胞经由间隙联结点从其他细胞接收信号或向其他细胞发送信号。然而,当禁止间隙链接点处的信号通信时,细胞的运动之间的相关度会降低。
也就是说,可以通过评估细胞的运动之间的相关度来评估所开出的药物对于心肌细胞的影响。可以通过经由对图像的分析来评估细胞的运动之间的相关度,从而掌握细胞脉动行为上的改变,而不用向细胞添加诸如荧光颜料等反应剂,并且不必使用特殊的培养板。因此,可以容易且精确地评估药物的毒性等。
药物评估设备
图20是药物评估设备的主要配置的一个示例的框图。图20中所示的药物评估设备300是通过被输入药物的培养心肌细胞110的运动的协同度来评估该药物的影响(积极作用或副作用等)的设备。
如图20中所示,与图3中的培养心肌细胞评估设备100相似,药物评估设备300包括成像单元101和评估目标图像数据产生记录单元102。成像单元101对施用药物之前和之后的培养心肌细胞110进行成像。
评估目标图像数据产生记录单元102基于从成像单元101提供的图像信号111来产生评估目标图像数据,并且在例如内部记录介质中存储所产生的评估目标图像数据。即,在施用药物之前和之后,针对培养心肌细胞110的相应的运动图像来产生评估目标图像数据。
药物评估设备300包括取代培养心肌细胞评估设备100的评估指标数据产生单元103的评估指标数据产生单元303,并且包括取代评估单元104的评估单元304。
评估指标数据产生单元303从评估目标图像数据产生记录单元102获取评估目标图像数据112。评估指标数据产生单元303使用所获取的评估目标图像数据112来产生评估指标数据113,并且向评估单元304提供评估指标数据113。
更具体地,评估指标数据产生单元303在所提供的评估目标图像数据112的每一帧图像中的每一块上检测要评估的目标(培养心肌细胞110)的运动,该每一帧图像例如是培养心肌细胞110的运动图像,该每一块是要评估的目标的图像的整个区域所划分的多个部分区域中的每一个。评估指标数据产生单元303将所检测的相应块的运动表示为运动向量,并且将运动向量作为评估指标数据113提供到评估单元304。
评估单元304利用所提供的评估指标数据113以计算对培养心肌细胞110的运动之间的协同度的评估值114。
更具体地,如图21A中所示,评估单元304设置从整个帧图像(观察区域)中获得的多个部分区域,并且例如评估各部分区域的运动向量之间的相关度。
在图21A的示例中,帧图像被划分为4×4个部分区域(16个部分区域)。部分区域的大小(即,划分数量)是任意的。然而,当划分数量在检测运动向量时是整数倍时,容易执行计算处理。
在许多情况下,很窄的区域中的相关度对于整个观察区域(帧图像)中的运动向量的相关度评估结果没有大的影响。因此,部分区域的大小(划分数量)优选地根据各种条件被设置为适当的大小,该各种条件例如是帧图像的大小(分辨率)、移动要评估的目标的方法和评估基准(必要的精度),使得计算量不会没有必要地增大。
通常,例如,如图21A中所示,帧图像优选地被划分为4×4个部分区域。而且,通常,因为运动向量是以小于划分数量的单位来计算的,所以评估单元304计算每一区域中所包括的运动向量的平均值,并且向每一个区域的运动向量设置平均值。
如图21B中所示,评估单元304计算每一区域的运动向量(每一区域的运动向量的平均值)中的时间改变。因为评估目标图像数据112是运动图像,所以针对每一帧来计算运动向量(在每一个采样时间期间)。即,评估单元304计算每一帧的每个区域的运动向量(在每一个采样时间期间)。图21B示出由评估单元304计算的每一区域的运动向量(运动向量的绝对值)上的时间改变的图形(即,脉动图案)。
评估单元304评估所有区域中的相应区域之间的相关度,并且获得图22中所示的3D图。图22中所示的3D图是通过将相应区域之间的特征的相关度的强度绘于三维空间中来获得的。在图22所示的3D图中,x和y轴表示相应的区域(两个区域的组合),并且z轴表示区域之间的运动向量(或运动量)的时间改变相关度的强度。假设理想相关度为1,则可以通过表达式(13)来计算相关度系数C。
在这个表达式中,满足关系“(x,y)={(xi,yi)}”(其中,i=1,2,...,n),x和y表示x轴方向和y轴方向上的运动量,并且i表示采样数(时间)。而且,顶部有横线的和顶部有横线的分别表示数据x={xi}和y={yi}的算术平均值。算术平均值是下面的表达式(14)和表达式(15)中所示的向量之间形成的角度的余弦,下式表示相对于每一个数据的平均值的偏离。
在图22中,左面的3D图表示药物施用之前的相关度,并且右面的3D图表示药物施用两个小时后的相关度。当然,在任何时间进行评估(例如3D图)是任意的。
在图22的示例中,最上面的3D图表示在施用被用作有机溶剂的二甲亚砜(dimethyl sulfoxide)之前和之后的相关度。上侧第二个3D图表示施用阿司匹林乙酰水杨酸(aspirin acetylsalicylic acid)之前和之后的相关度。上侧第三个3D图表示施用dl-索他洛尔(dl-sotarol)之前和之后的相关度。最下面的3D图表示在施用18-β-甘草次酸(18-β-glycyrrhetinateacid)之前和之后的相关度。
如图22的3D图所示,二甲亚砜或阿司匹林乙酰水杨酸对于心肌细胞的脉动的协同度没有大的影响。相反,dl-索他洛尔禁止钾通道。即,当向培养心肌细胞500施用dl-索他洛尔时,由于在松弛过程中工作的钾通道功能的改变,松弛处理改变。因为每一脉动的波形分散,如图22中所示,所以,相应区域的运动向量之间的相关度在施用后降低。而且,因为18-β-甘草次酸禁止间隙联结点,如图22中所示,所以,相应的区域的运动向量之间的相关度在施用后降低。
以这种方式,评估单元304可以通过评估相应区域的运动向量的相关度来容易地检测到药物对于心肌细胞的脉动的影响。通过观察部分区域的运动向量之间的相关度,即,培养心肌细胞500的观察区域中的细胞的脉动之间的相关度,能够获得仅通过观察特定细胞(特定部分区域)的脉动的形式不可获得的信息。例如,当施用18-β-甘草次酸时,松弛波形的大扩展不会出现。然而,如上所述,细胞之间(在部分区域之间)的相关度发生相当大的改变。因此,可以使用与观察特定细胞的脉动的形式的情况不同的指标来评估药物。评估单元304可以向用户提供诸如图22中所示的3D图的图像,作为评估值114,或可以提供通过将相关度定量数字化而得到的评估结果,作为评估值114。
当然,在图22中所示的3D图仅是图像的示例。例如,可以通过诸如线图、条形图、分布图或模式图等任何图像来表示相应区域的运动向量之间的相关度。而且,可以使用任何评估药物,并且可以使用除上述四种药物之外的药物。
下面详细描述各单元。
评估指标数据产生单元
图23是评估指标数据产生单元303的主要配置的一个示例的框图。如图23中所示,评估指标数据产生单元303包括运动检测单元121和运动检测数据存储单元122。即,评估指标数据产生单元303向评估单元304提供运动检测数据(运动向量),作为评估指标数据113。
评估单元
图24是评估单元304的主要配置的示例的框图。如图24中所示,评估单元304包括运动向量获取单元341、区域特征量计算单元342、相关度系数计算单元343、相关度评估单元344、显示单元345和输出单元346。
运动向量获取单元341从评估指标数据产生单元303(运动检测数据存储单元122)获取作为评估指标数据113的期望的运动向量(例如,与用户指示评估其相关度的运动图像对应的运动向量)。运动向量获取单元341向区域特征量计算单元342提供所获取的运动向量。
区域特征量计算单元342计算部分区域的运动向量(在区域中的运动向量的平均值),用于评估上述运动向量之间的相关度,并且将运动向量(或运动量)的平均值的时间改变设置为区域的特征量。区域特征量计算单元342计算每一区域的特征量。每一区域的特征量可以是用于指示每一个区域的运动(或运动量)的时间改变的参数,或可以是上述区域的运动向量的平均值。例如,区域中的代表性位置的运动向量(或运动量)的时间改变可以是区域的特征量,或者,区域中具有最大值的运动向量(或运动量)的时间改变可以是该区域的特征量。当然,区域中具有中间值的运动向量(或运动量)也可以是该区域的特征量。当然,区域的特征量可以是其他参数。区域特征量计算单元342向相关度系数计算单元343提供所计算的每一个区域的特征量。
相关度系数计算单元343例如通过如上所述的表达式(13)来计算部分区域之间的特征量的相关度系数C。相关度系数计算单元343计算两个部分区域(所有部分区域)的所有组合中的特征量的相关度系数。当然,可以仅针对部分区域中的一些来计算特征量的相关度系数。而且,可以使用用于计算特征量的相关度系数的任何方法。相关度系数计算单元343可以通过除上述表达式(13)之外的计算来计算相关度系数。
相关度系数计算单元343向显示单元345提供所计算的相关度系数以显示相关度系数,或向输出单元346提供所计算的相关度系数以便向另一设备提供相关度系数。相关度系数计算单元343向相关度评估单元344提供所计算的相关度系数。
相关度评估单元344定量评估所提供的相关度系数的值。例如,相关度评估单元344通过使用阈值来确定相关度系数是否减小。相关度评估单元344向显示单元345提供评估结果以显示评估结果,或向输出单元346提供评估结果以便向另一个设备提供评估结果。
显示单元345包括诸如监控器等显示装置,以便形成从相关度系数计算单元343或相关度评估单元344提供的数据的图像,并且在显示装置上显示图像。例如,显示单元345将由相关度系数计算单元343计算的相关区域之间的相关度的强度的图像形成和显示为在三维空间中绘制的3D图。例如,显示单元345形成从相关度评估单元344提供的评估结果的图像并显示该图像。
输出单元346包括诸如外部终端等的接口,并且向外部设备或网络等输出从相关度系数计算单元343或相关度评估单元344提供的数据。
因此,当评估单元304计算部分区域之间的运动向量(或运动量)的时间改变的相关度系数时,药物评估设备300容易且非侵入性地评估药物剂量对于心肌细胞的脉动的影响。
评估处理的流程
接下来,将参考图25的流程图来描述由药物评估设备300执行的评估处理的流程的一个示例。
当评估处理开始时,药物评估设备300的成像单元101在步骤S301将要评估的目标程序。在步骤S302中,评估目标图像数据产生记录单元102根据通过步骤S301的成像而获得的图像信号来产生评估目标图像数据。
在步骤S303中,评估指标数据产生单元303通过使用步骤S302中产生的评估目标图像数据来产生评估指标数据。在步骤S304中,评估单元304通过下述方式来评估药物的影响:通过使用步骤S303中产生的评估指标数据来检查在药物施用之前和之后的培养心肌细胞110的脉动的部分区域之间的相关度(协同度)。
在步骤S305中,评估单元304的输出单元346向药物评估设备300的外部输出在步骤S304中计算的评估值,然后处理结束。在步骤S305中,输出单元346可以不输出评估值,但是,显示单元345形成评估值的图像,如上所述,并且可以向显示装置输出图像。如上所述,显示单元345可以形成在步骤304中计算的相关度系数组的图像,并且可以在显示装置上显示图像。替代地,输出单元346可以向药物评估设备300的外部输出相关度系数组。
产生评估指标数据的处理的流程
接下来,参考图26的流程图来描述用于图25的步骤S303中产生评估指标数据的处理的流程的一个示例。
当产生评估指标数据的处理开始时,评估指标数据产生单元303的运动检测单元121检测每一块的要评估的目标的运动,并且在步骤S321中产生运动向量。在步骤S322中,运动检测数据存储单元122存储在步骤S321中产生的每一块的运动向量。
在步骤S323中,运动检测单元121确定是否在预定时间段(评估间隔)期间执行了运动检测。在预定评估间隔期间,当运动检测单元121确定存在未进行运动检测的帧图像时,运动检测单元121将处理返回到步骤S321,以对新近要被处理的帧图像重复进行运动检测。
在步骤S323中,当运动检测单元121确定在预定评估间隔期间要处理的全部帧图像已进行了运动检测时,运动检测单元121结束产生评估指标数据的处理,并且将处理返回到图25的评估处理,以执行步骤S304后的处理。
影响评估处理的流程
接下来,将参考图27的流程图来描述在图25的步骤S304中执行的影响评估处理的流程的一个示例。
当影响评估处理开始时,评估单元304的运动向量获取单元341在步骤S341从运动检测数据存储单元122获取期望的运动向量。
在步骤S342中,区域特征量计算单元342使用在步骤S341中获取的运动向量来计算每一区域的特征量。在步骤S343中,相关度系数计算单元343针对步骤S342中计算的特征量来计算各区域之间的相关度系数。
在步骤S344中,相关度评估单元344通过评估在步骤S343中计算的相关度系数来评估区域之间的协同度(脉动之间的相关度)。当步骤S344的处理结束时,相关度评估单元344结束影响评估处理,并且将处理返回到图25的评估处理,以执行步骤S305之后的处理。
因此,当评估单元304计算部分区域之间的运动向量(或运动量)的时间改变的相关度系数时,药物评估设备300可以容易地评估药物剂量对于心肌细胞的脉动的影响。由于根据这种方法不使用特殊的培养板或荧光反应剂,因此,评估能够简单地以低成本非侵入性地进行,并且适合于自动化。而且,根据这种方法,可以在诸如大约0.6平方毫米并具有小数量细胞的较窄范围内的观察区域处进行实验。可以使用通常可获得的高密度培养板(1536孔板(1.7mm直径/每井)或384孔板(3.6mm直径/每井))来充分地进行评估。该评估也适合于药物发现中的初始筛选。这种技术适用于任何评估,只要可以通过对培养心肌细胞110的观察来进行评估既可。
4.第四实施例
个人计算机
可以通过硬件或软件来执行上述的系列处理。在该情况下,例如,配置图28中所示的个人计算机。
在图28中,个人计算机1500的CPU(中央处理单元)1501根据在ROM(只读存储器)1502中存储的程序或从存储单元1513安装到RAM(随机存取存储器)1503上的程序来执行各种处理。CPU 1501在RAM1503上执行各种处理,并且数据等被适当地存储在RAM 1503中。
CPU 1501、ROM 1502和RAM 1503经由总线1504彼此连接。输入/输出接口1510也连接到总线1504。
由键盘或鼠标等实现的输入单元1511、由CRT(阴极射线管)或LCD(液晶显示器)实现的显示器、由扬声器等实现的输出单元1512、由硬盘等实现的存储单元1513和由调制解调器等实现的通信单元1514连接到输入/输出接口1510。通信单元1514通过包括因特网等的网络来执行通信处理。
如果必要,驱动器1515连接到输入/输出接口1510,并且,如果必要,适当地安装可拆卸介质1521,诸如磁盘、光盘、磁光盘或半导体存储器等,以便从其读取的计算机程序被安装在存储单元1513中。
当通过软件来执行上述的系列处理时,从网络或记录介质安装用于该软件的程序。
例如,如图28中所示,记录介质与设备主体分离,不仅由可拆卸介质1521构成,而且由ROM 1502或存储单元1513中所包括的硬盘等构成,可拆卸介质1521可由磁盘(包括软盘)、光盘(包括CD-ROM(致密盘只读存储器)和DVD(数字通用盘))、磁光盘(包括MD(微型盘))或半导体存储器来实现,并且该可拆卸介质存储程序,并被分发以向用户提供程序,ROM 1502存储程序并且以嵌入于设备主体中的状态被提供到用户。
由计算执行的程序可以是按照说明书中所述的顺序以时间顺序执行的程序,或可以是并行地或当被调用时在必要的时间执行的程序。
在说明书中,用于描述记录介质中所存储的程序的步骤不仅包括按照所述顺序以时间顺序的处理,而且包括不必然被处理但是可以并行或单独地被处理的处理。
在说明书中,系统指的是包括多个装置(设备)的整体设备。
如上所述为单个设备(或处理单元)的配置可以被划分为多个设备(或处理单元)并且由其构成。相反,如上所述为多个设备(或处理单元)的配置可以被集成为单个设备(或处理单元)。当然,可以为每一个设备(或每一个处理单元)的配置添加除上述配置之外的其他配置。而且,当整个系统的操作的配置基本上彼此相同时,一个设备(或处理单元)的配置的一部分可以被包括在另一个设备(或另一个处理单元)的配置中。即,这种技术不限于上述实施例,而是可以在不偏离本技术的主旨的情况下在本技术的范围内以各种形式被修改。
根据所述技术,可以实现下面的配置。
(1).一种图像处理设备,该图像处理设备包括:运动检测单元,用于利用要评估的目标的图像来检测所述要评估的目标的运动;相关度计算单元,用于利用用于指示所述运动检测单元检测到的所述要评估的目标的所述运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及评估值计算单元,用于利用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的所述运动的协同度的评估值。
(2).在(1)中所述的图像处理设备中,所述运动检测单元将所述图像中所述要评估的目标的整个区域划分为多个部分区域,并检测各部分区域的运动,所述相关度计算单元利用由所述运动检测单元针对每一部分区域计算的运动向量来计算各部分区域之间的相关度,并且所述评估值计算单元利用由所述相关度计算单元计算的所述部分区域之间的相关度来计算所述评估值。
(3).在(2)中所述的图像处理设备中,所述评估值计算单元包括:相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的所述部分区域之间的相关度归一化;分布计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度的时间方向分布;分布归一化单元,用于利用预定函数将由所述分布计算单元计算的所述分布归一化;以及平均/评估值计算单元,用于计算所述要评估的目标的整个图像中的由所述相关度归一化单元归一化的所述部分区域之间的相关度与由所述分布归一化单元归一化的所述分布的乘积的平均值,作为所述评估值。
(4).在(2)或(3)中所述的图像处理设备中,所述评估值计算单元包括:相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的所述部分区域之间的相关度归一化;分布计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度的时间方向分布;分布归一化单元,用于利用预定函数将由所述分布计算单元计算的所述分布归一化;以及平均/评估值计算单元,用于计算由所述相关度归一化单元归一化的所述部分区域之间的相关度与由所述分布归一化单元归一化的所述分布的乘积中值大于预定阈值的乘积的数量与乘积总数的比,作为所述评估值。
(5).在(2)至(4)中所述的图像处理设备中,所述评估值计算单元包括:距离计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及差平均值计算单元,用于计算由所述归一化单元归一化的所述差的平均值,作为所述评估值。
(6).在(2)到(5)中所述的图像处理设备中,所述评估值计算单元包括:距离计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的所述相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及平均/评估值计算单元,用于计算由所述归一化单元归一化的所述差的平均值中值大于预定阈值的平均值的数量与平均值总数的比,作为所述评估值。
(7).在(2)到(6)中所述的图像处理设备中,所述相关度计算单元针对所述部分区域中的一些或全部来计算所述部分区域之间的相关度,并且所述评估计算单元通过将由所述相关度计算单元计算的各部分区域之间的相关度的强度成像于三维空间中来显示三维图。
(8).在(1)到(7)中所述的图像处理设备中,所述评估值计算单元计算所述评估值,使得当所述评估值越高时,所述协同度越高。
(9).在(1)到(8)中所述的图像处理设备中,所述评估值计算单元计算所述评估值,使得当所述评估值越低时,所述协同度越低。
(10).(1)到(9)中所述的图像处理设备进一步包括:成像单元,用于通过将所述要评估的目标成像来获得所述要评估的目标的图像。所述运动检测单元通过使用由所述成像单元获得的所述要评估的目标的所述图像来检测所述要评估的目标的运动。
(11).在(1)到(10)中所述的图像处理设备中,所述相关度计算单元反复计算所述要评估的目标的多个部分中的运动量的时间改变之间的相关度。
(12).在(1)到(11)中所述的图像处理设备中,所述要评估的目标是自发运动的细胞。
(13).在(1)到(12)中所述的图像处理设备中,所述要评估的目标是通过培养从活体中提取的细胞而产生的培养细胞。
(14).一种图像处理方法,该方法包括:由图像处理设备的运动检测单元利用要评估的目标的图像来检测所述要评估的目标的运动;由所述图像处理设备的相关度计算单元利用用于指示由所述运动检测单元检测的所述要评估的目标的运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及由所述图像处理设备的评估值计算单元利用由所述相关度计算单元计算的相关度来计算用于评估所述要评估的目标的运动的协同度的评估值。
(15).一种程序,该程序使得计算机起到以下单元的作用:运动检测单元,用于利用要评估的目标的图像来检测所述要评估的目标的运动;相关度计算单元,用于利用用于指示所述运动检测单元检测到的所述要评估的目标的所述运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及评估值计算单元,用于利用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的所述运动的协同度的评估值。
本公开包含与2010年10月19日提交于日本专利局的日本优先权专利申请JP 2010-234505和2011年2月28日提交于日本专利局中的日本优先权专利申请JP 2011-043329中公开的主题相关的主题,这两个日本专利申请的整体内容通过引用被包含在此。
本领域的技术人员应当明白,可以根据设计要求和其他因素来进行各种修改、组合、子组合和改变,只要它们在所附权利要求或其等同内容的范围内既可。
Claims (7)
1.一种图像处理设备,包括:
运动检测单元,用于利用所述要评估的目标的图像来检测所述要评估的目标的运动;
相关度计算单元,用于利用用于指示所述运动检测单元检测到的所述要评估的目标的所述运动的运动向量来计算所述要评估的目标的多个部分的运动量之间的时间改变相关度;以及
评估值计算单元,用于利用由所述相关度计算单元计算的所述相关度来计算用于评估所述要评估的目标的所述运动的协同度的评估值。
2.根据权利要求1所述的图像处理设备,
其中,所述运动检测单元将所述图像中所述要评估的目标的整个区域划分为多个部分区域,并检测各部分区域的运动,
其中,所述相关度计算单元利用由所述运动检测单元针对每一部分区域计算的运动向量来计算各部分区域之间的相关度,并且
其中,所述评估值计算单元利用由所述相关度计算单元计算的所述部分区域之间的相关度来计算所述评估值。
3.根据权利要求2所述的图像处理设备,其中,所述评估值计算单元包括:
相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的所述部分区域之间的相关度归一化;
分布计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度的时间方向分布;
分布归一化单元,用于利用预定函数将由所述分布计算单元计算的所述分布归一化;以及
平均/评估值计算单元,用于计算所述要评估的目标的整个图像中的由所述相关度归一化单元归一化的所述部分区域之间的相关度与由所述分布归一化单元归一化的所述分布的乘积的平均值,作为所述评估值。
4.根据权利要求2所述的图像处理设备,其中,所述评估值计算单元包括:
相关度归一化单元,用于利用预定函数将由所述相关度计算单元计算的所述部分区域之间的相关度归一化;
分布计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度的时间方向分布;
分布归一化单元,用于利用预定函数将由所述分布计算单元计算的所述分布归一化;以及
平均/评估值计算单元,用于计算由所述相关度归一化单元归一化的所述部分区域之间的相关度与由所述分布归一化单元归一化的所述分布的乘积中值大于预定阈值的乘积的数量与乘积总数的比,作为所述评估值。
5.根据权利要求2所述的图像处理设备,其中,所述评估值计算单元包括:
距离计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;
归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及
差平均值计算单元,用于计算由所述归一化单元归一化的所述差的平均值,作为所述评估值。
6.根据权利要求2所述的图像处理设备,其中,所述评估值计算单元包括:
距离计算单元,用于计算由所述相关度计算单元计算的所述部分区域之间的所述相关度中的、作为预先确定的期望时间改变的期望改变与作为由所述运动检测单元检测的时间改变的测量改变之间的差;
归一化单元,用于利用预定函数将由所述距离计算单元计算的所述差归一化;以及
平均/评估值计算单元,用于计算由所述归一化单元归一化的所述差的平均值中值大于预定阈值的平均值的数量与平均值总数的比,作为所述评估值。
7.根据权利要求1所述的图像处理设备,进一步包括:
成像单元,用于通过将所述要评估的目标成像来获得所述要评估的目 标的图像,
其中,所述运动检测单元通过使用由所述成像单元获得的所述要评估的目标的所述图像来检测所述要评估的目标的运动。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010-234505 | 2010-10-19 | ||
JP2010234505 | 2010-10-19 | ||
JP2011043329A JP5828210B2 (ja) | 2010-10-19 | 2011-02-28 | 画像処理装置および方法、並びに、プログラム |
JP2011-043329 | 2011-02-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN202795476U true CN202795476U (zh) | 2013-03-13 |
Family
ID=44720703
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011203973160U Expired - Lifetime CN202795476U (zh) | 2010-10-19 | 2011-10-12 | 图像处理设备 |
CN201110316238.1A Active CN102568001B (zh) | 2010-10-19 | 2011-10-12 | 图像处理设备和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110316238.1A Active CN102568001B (zh) | 2010-10-19 | 2011-10-12 | 图像处理设备和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8582823B2 (zh) |
EP (1) | EP2444935B1 (zh) |
JP (1) | JP5828210B2 (zh) |
CN (2) | CN202795476U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568001A (zh) * | 2010-10-19 | 2012-07-11 | 索尼公司 | 图像处理设备、方法和程序 |
CN109841024A (zh) * | 2014-12-16 | 2019-06-04 | 佳能株式会社 | 图像处理装置和图像处理方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6191888B2 (ja) * | 2010-10-19 | 2017-09-06 | ソニー株式会社 | 画像処理装置および方法、並びに、プログラム |
JP6102166B2 (ja) * | 2012-10-10 | 2017-03-29 | 株式会社ニコン | 心筋細胞の運動検出方法、心筋細胞の培養方法、薬剤評価方法、画像処理プログラム及び画像処理装置 |
US9582894B2 (en) * | 2012-12-27 | 2017-02-28 | Tampereen Ylipoisto | Visual cardiomyocyte analysis |
JP6494903B2 (ja) | 2013-02-14 | 2019-04-03 | ソニー株式会社 | 分析システム、分析プログラム及び分析方法 |
US9984472B2 (en) * | 2013-06-17 | 2018-05-29 | A9.Com, Inc. | Image processing and motion compensation |
JP6217968B2 (ja) * | 2013-07-19 | 2017-10-25 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
US10157459B2 (en) | 2013-07-19 | 2018-12-18 | Sony Corporation | Cell evaluation apparatus and method to search for an area to be observed in cardiomyocytes |
JP6459458B2 (ja) * | 2014-03-03 | 2019-01-30 | ソニー株式会社 | 細胞評価装置 |
JP2016041023A (ja) * | 2014-08-14 | 2016-03-31 | ソニー株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム。 |
JP2016114557A (ja) * | 2014-12-17 | 2016-06-23 | 国立大学法人 筑波大学 | 画像処理装置、レーザ照射システム、画像処理方法、および画像処理プログラム |
JP2016140317A (ja) * | 2015-02-03 | 2016-08-08 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
WO2018055762A1 (ja) * | 2016-09-26 | 2018-03-29 | オリンパス株式会社 | 細胞状態計測装置 |
JP6424911B2 (ja) * | 2017-02-28 | 2018-11-21 | 株式会社ニコン | 心筋細胞の運動検出方法、心筋細胞の培養方法、薬剤評価方法、画像処理プログラム及び画像処理装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63233392A (ja) | 1987-03-20 | 1988-09-29 | Nippon Petrochem Co Ltd | 周期的に形状を変える物体の変形周期測定法 |
CN1253652A (zh) * | 1997-03-31 | 2000-05-17 | 松下电器产业株式会社 | 活动图像显示方法及其装置 |
GB0112338D0 (en) * | 2001-05-21 | 2001-07-11 | Ricardo Consulting Eng | Improved engine management |
JP2003169319A (ja) * | 2001-11-30 | 2003-06-13 | Mitsubishi Electric Corp | 映像監視装置 |
AU2003211104B2 (en) * | 2002-02-13 | 2009-01-29 | Reify Corporation | Method and apparatus for acquisition, compression, and characterization of spatiotemporal signals |
JP4217876B2 (ja) * | 2002-12-20 | 2009-02-04 | 財団法人生産技術研究奨励会 | 画像における移動物体の追跡方法及び装置 |
JP4662142B2 (ja) * | 2004-08-13 | 2011-03-30 | ソニー株式会社 | 移動物体検出装置及び方法 |
ATE431397T1 (de) * | 2005-06-01 | 2009-05-15 | Fraunhofer Ges Forschung | Verfahren zur optischen bestimmung des dynamischen verhaltens von kontrahierenden zellen |
WO2007027684A2 (en) * | 2005-08-30 | 2007-03-08 | University Of Maryland Baltimore | Techniques for 3-d elastic spatial registration of multiple modes of measuring a body |
JP4951160B2 (ja) * | 2006-06-29 | 2012-06-13 | ボルグワーナー・モールステック・ジャパン株式会社 | テンショナ |
WO2009076218A2 (en) * | 2007-12-07 | 2009-06-18 | University Of Maryland | Composite images for medical procedures |
US8339475B2 (en) * | 2008-12-19 | 2012-12-25 | Qualcomm Incorporated | High dynamic range image combining |
JP5828210B2 (ja) * | 2010-10-19 | 2015-12-02 | ソニー株式会社 | 画像処理装置および方法、並びに、プログラム |
-
2011
- 2011-02-28 JP JP2011043329A patent/JP5828210B2/ja active Active
- 2011-09-27 EP EP11182945.3A patent/EP2444935B1/en active Active
- 2011-10-07 US US13/269,239 patent/US8582823B2/en active Active
- 2011-10-12 CN CN2011203973160U patent/CN202795476U/zh not_active Expired - Lifetime
- 2011-10-12 CN CN201110316238.1A patent/CN102568001B/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568001A (zh) * | 2010-10-19 | 2012-07-11 | 索尼公司 | 图像处理设备、方法和程序 |
CN102568001B (zh) * | 2010-10-19 | 2017-01-18 | 索尼公司 | 图像处理设备和方法 |
CN109841024A (zh) * | 2014-12-16 | 2019-06-04 | 佳能株式会社 | 图像处理装置和图像处理方法 |
US11501535B2 (en) | 2014-12-16 | 2022-11-15 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium for reducing a visibility of a specific image region |
CN109841024B (zh) * | 2014-12-16 | 2024-01-26 | 佳能株式会社 | 图像处理装置和图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2444935B1 (en) | 2017-06-14 |
US8582823B2 (en) | 2013-11-12 |
CN102568001A (zh) | 2012-07-11 |
JP2012105631A (ja) | 2012-06-07 |
EP2444935A1 (en) | 2012-04-25 |
CN102568001B (zh) | 2017-01-18 |
JP5828210B2 (ja) | 2015-12-02 |
US20120093373A1 (en) | 2012-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN202795476U (zh) | 图像处理设备 | |
JP6504417B2 (ja) | 心筋細胞評価装置および方法、並びに、プログラム | |
Schirner et al. | Inferring multi-scale neural mechanisms with brain network modelling | |
JP6078943B2 (ja) | 画像処理装置および方法、並びに、プログラム | |
Courtiol et al. | Dynamical mechanisms of interictal resting-state functional connectivity in epilepsy | |
Carasso et al. | Velocity Vector Imaging: standard tissue-tracking results acquired in normals—the VVI-STRAIN study | |
CN105378052B (zh) | 细胞评估装置和方法以及程序 | |
Glomb et al. | Connectome spectral analysis to track EEG task dynamics on a subsecond scale | |
Field et al. | False cerebral activation on BOLD functional MR images: study of low-amplitude motion weakly correlated to stimulus | |
WO2017190337A1 (zh) | 有监督的多模态脑影像融合方法 | |
US20160374624A1 (en) | Systems and methods for noninvasive intracranial pressure calibration without the need for invasive icp | |
US11087472B2 (en) | Image processing device, method, and medium for calculating propagation speed and direction of object pulsations | |
Tao et al. | Local sensitivity to stimulus orientation and spatial frequency within the receptive fields of neurons in visual area 2 of macaque monkeys | |
Gruskin et al. | Brain connectivity at rest predicts individual differences in normative activity during movie watching | |
O’farrell et al. | Luminal fluid motion inside an in vitro dissolution model of the human ascending colon assessed using magnetic resonance imaging | |
Peterson et al. | Regularized partial correlation provides reliable functional connectivity estimates while correcting for widespread confounding | |
JP6191888B2 (ja) | 画像処理装置および方法、並びに、プログラム | |
JP6436142B2 (ja) | 画像処理装置および方法、並びに、プログラム | |
Qi et al. | 3-way parallel fusion of spatial (sMRI/dMRI) and Spatio-temporal (fMRI) Data with Application to Schizophrenia | |
Ariga | Assessment of myocardial fibre structure in hypertrophic cardiomyopathy with magnetic resonance diffusion tensor imaging | |
Zhao et al. | A within-subject voxel-wise constant-block partial least squares correlation method to explore MRI-based brain structure–function relationship | |
Mandal | Comparing statistically pooled brain maps in FMRI studies using parametric and non-parametric methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20130313 |
|
CX01 | Expiry of patent term |