DE102010018147A1 - Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis - Google Patents

Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis Download PDF

Info

Publication number
DE102010018147A1
DE102010018147A1 DE102010018147A DE102010018147A DE102010018147A1 DE 102010018147 A1 DE102010018147 A1 DE 102010018147A1 DE 102010018147 A DE102010018147 A DE 102010018147A DE 102010018147 A DE102010018147 A DE 102010018147A DE 102010018147 A1 DE102010018147 A1 DE 102010018147A1
Authority
DE
Germany
Prior art keywords
code combinations
objects
analysis
code
mathematical approaches
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.)
Withdrawn
Application number
DE102010018147A
Other languages
German (de)
Inventor
Anmelder Gleich
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to DE102010018147A priority Critical patent/DE102010018147A1/en
Publication of DE102010018147A1 publication Critical patent/DE102010018147A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

The method involves modeling image perception and conception of image of human psyche. Used mathematical approaches are focused toward a structure and form of identification during pixel analysis. Code combinations (3) are determined and correlated with characteristic features. The correlation value for each code combination and a ranking series for the correlation value are computed (6). The optimum number of the code combinations is determined from the ranking series, and a filter level is optimized to minimize number of false negative and false positive results.

Description

Bei der vorliegenden Erfindung handelt es sich um das Verfahren und den Aufbau einer Untersuchungsmethode, die Informationen über Objekten aus dem Computer nutzt. Die Informationen gelangen in den Computer durch erkennende Geräte. Als erkennende Geräte können USB-Mikroskope, Scanner, Teleskope usw. eingesetzt werden. Als Objekte können verschiedene chemische, biologische, astronomische und andere physische Objekte benutzt werden. Die Informationen werden in Codes gespeichert und anschließend analisiert. In der Praxis sind Forschungsmethoden weit verbreitet, bei denen USB-Mikroskope und Scanner benutzt werden. Die Informationen über die untersuchten Objekte werden als BMP-Dateien gespeichert. Die hier vorgeschlagene Methode sieht die Analyse von Milliarden Code-Kombinationen aus diesen BMP-Dateien vor, um Abhängigkeiten zwischen Code-Kombinationen und charakteristischen Merkmalen von Objekten festzustellen. Dafür ist eine Datenbank erforderlich, die aus zwei Teilen besteht: Der erste Teil besteht aus Code-Kombinationen von Objekten ohne charakteristische Merkmale und der zweite Teil aus Code-Kombinationen von Objekten mit charakteristischen Merkmalen. Ein erarbeiteter Algorithmus ermöglicht es Code-Kombinationen auszuwählen, welche am häufigsten zu finden sind in BMP-Dateien von Objekten mit charakteristischen Merkmalen und genauso am seltensten in BMP-Dateien von Objekten ohne charakteristische Merkmale. Diejenigen Code-Kombinationen, welche mit charakteristischen Merkmalen korrelieren, können für die Diagnostik weiter benutzt werden. Bei Objekten mit charakteristischen Merkmalen handelt es sich um pathologische Objekte und bei Objekten ohne charakteristische Merkmale um die Norm.The present invention is the method and structure of an examination method that uses information about objects from the computer. The information enters the computer through cognitive devices. As recognizing devices USB-microscopes, scanners, telescopes, etc. can be used. As objects, various chemical, biological, astronomical and other physical objects can be used. The information is stored in codes and then analyzed. In practice, research methods are widely used that use USB microscopes and scanners. The information about the examined objects is saved as BMP files. The method proposed here involves analyzing billions of code combinations from these BMP files to determine dependencies between code combinations and characteristic features of objects. This requires a database that consists of two parts: The first part consists of code combinations of objects without characteristic features and the second part of code combinations of objects with characteristic features. A well-developed algorithm allows you to select code combinations that are most commonly found in BMP files of feature-type objects and, most rarely, in BMP files of non-characteristic features. Those code combinations that correlate with characteristic features can continue to be used for diagnostics. Objects with characteristic features are pathological objects and objects without characteristic features are the norm.

Eine Untersuchung der Patente innerhalb der Schnittmenge von Medizin, Optik und Informatik hat zeigt, dass die traditionelle Herangehensweise die Digitalisierung eines Bildes, die Optimierung, die Speicherung und die Übertragung mit anschließender Visualisierung ist. In diese Richtung vervollkommnet sich die Diagnostik, z. B.: (Pub No.: US 2009/0226065A1 Sampling medical images for virtual histology), (Systems and methods for automated diagnosis and grading of tissue images: Pub. No.: US 2006/0064248A1 ). Hierbei werden sichtbare Bilder oder Spektren im infraroten Bereich analysiert. (Pub. No.: US 2006/0269972A1 Method of diagnosing kolorectal adenomas and cancer using infrared-spectroscopy). Ähnliche Bearbeitungen beabsichtigen entweder die Visualisierung oder die automatische Feststellung bekannter struktureller Besonderheiten für eine bestimmte Pathologie. Sie modellieren meistens die Bildwahrnehmung und Bildauffassung der menschlichen Psyche oder analysieren die Spektren. Außerdem sind die verwendeten mathematischen Herangehensweisen auf die Suche nach gemeinsamen Details gerichtet, wie die Struktur- und Gestaltidentifizierung bei der Bildpunktanalyse. Der Vorteil dieser Modellierung ist die Ausschließung der Subjektivität bei der Bewertung. Ein menschliches Gehirn identifiziert jedoch die Gestalt normalerweise besser als ein Computer. Eben in der Wahl der Strategie die menschliche Wahrnehmung nachzumachen liegt der Nachteil der existierenden Bildanalyse. Eben deshalb waren die jahrelangen Versuche die Bearbeitung der histologischen Präparate zu automatisieren erfolglos.An examination of the patents within the intersection of medicine, optics and computer science has shown that the traditional approach is the digitization of an image, the optimization, the storage and the transmission with subsequent visualization. In this direction, the diagnostics, z. B .: (Pub No .: US 2009 / 0226065A1 Sampling medical images for virtual histology), (Systems and methods for automated diagnosis and grading of tissue images: Pub. US 2006 / 0064248A1 ). Here, visible images or spectra in the infrared region are analyzed. (Pub. No .: US 2006 / 0269972A1 Method of diagnosing colorectal adenomas and cancer using infrared-spectroscopy). Similar edits are intended to either visualize or automatically detect known structural peculiarities for a particular pathology. They mostly model the image perception and image perception of the human psyche or analyze the spectra. In addition, the mathematical approaches used are directed to the search for common details, such as the structure and shape identification in pixel analysis. The advantage of this modeling is the exclusion of subjectivity in the assessment. However, a human brain usually identifies the figure better than a computer. The disadvantage of existing image analysis lies precisely in the choice of strategy to imitate human perception. For that very reason the years of attempts to automate the processing of the histological preparations were unsuccessful.

In der hier vorgestellten Methode soll dieser Nachteil vermieden werden. Dies soll durch eine Datenbank geschehen, mit deren Hilfe die für die menschliche Wahrnehmung nicht zu erfassenden Korrelationen der Code-Kombinationen analysieren werden können. Es werden nicht Punkte, sondern Code-Kombinationen analysiert, die die Bilder kodieren. Der Vorteil der vorgeschlagenen Methode besteht darin, dass die erzielten Ergebnisse keine Alternative sind, sondern eine Ergänzung für die visuelle Analyse und neue ergänzende Informationen zur Verfügung stellen. Wie in Schema 1 dargestellt, wird bei dieser Methode die Strategie verfolgt, dass die Suche nach statistischen Unterschieden bei Gruppen mit Merkmalen und Gruppen ohne Merkmale die Grundlage des Algorithmus ist. Die Daten der Datenbank werden automatisch geladen. Diese Methode könnte für die verschiedenen physischen und chemischen Untersuchungen nützlich sein. Eine interessante Applikation der Methode ist die medizinische Diagnostik verschiedener pathologischer Zustände. Es ist wichtig, dass diese Methode eine grundsätzliche Möglichkeit eröffnet beispielsweise Blutabstriche, Kristalle aus dem Speichel, Bilder der Hautoberfläche oder der Regenbogenhaut des Auges, Gewebeschnitte usw. zu untersuchen. Die Bearbeitung erfordert keine Nutzung kostspieliger Geräte. Die Berechnungszeit beträgt nur ca. 10–20 Minuten pro PDB-Datei. Die Methode gibt die Möglichkeit geringe Mengen der Stoffe ohne Zerstörung zu untersuchen.In the method presented here, this disadvantage should be avoided. This is to be done through a database that can be used to analyze the correlations of the code combinations that are not to be recorded for human perception. It does not analyze points but code combinations that encode the pictures. The advantage of the proposed method is that the results obtained are not an alternative but provide a complement to the visual analysis and new supplementary information. As shown in Scheme 1, this approach follows the strategy that the search for statistical differences in groups with characteristics and groups without characteristics is the foundation of the algorithm. The data of the database will be loaded automatically. This method could be useful for the various physical and chemical investigations. An interesting application of the method is the medical diagnosis of various pathological conditions. It is important that this method provides a fundamental opportunity to examine, for example, blood smears, crystals from saliva, images of the skin surface or the iris of the eye, tissue sections, etc. Editing does not require the use of expensive equipment. The calculation time is only about 10-20 minutes per PDB file. The method gives the possibility to examine small amounts of substances without destruction.

Die Methoden sind gleich für die beiden Arten von Objekten (mit Merkmal, ohne Merkmal). Die Prozedur besteht aus zwei Teilen: Der erste Teil ist die Berechnung der Rangierreihe (Schema 1) aufgrund der Datenbank, der zweite Teil die Untersuchung der Objekte (Schema 2) mit Hilfe der Rangierreihe (Schema 1).The methods are the same for the two types of objects (with characteristic, without characteristic). The procedure consists of two parts: The first part is the calculation of the marshalling series (Scheme 1) based on the database, the second part the investigation of the objects (Scheme 2) using the marshalling series (Scheme 1).

Beschreibung von Schema 1:Description of Scheme 1:

  • 1. Objekte ohne Merkmal <<a>>. m – die Anzahl. 1 , Objects without characteristic << a >>. m - the number.
  • 2. Objekte mit Merkmal <<a>>. n – die Anzahl. 2 , Objects with characteristic << a >>. n - the number.
  • 3. x (bis zu 65536) – die Anzahl verschiedener Code-Kombinationen in den BMP-Dateien, die mit Hilfe von USB-Mikroskopen oder Scanner bekommen wurden; d – die relative Zahl von jeden Code-Kombinationen für Objekte mit Merkmal <<a>>; 8. e – ohne Merkmal <<a>>) 3 , x (up to 65536) - the number of different code combinations in the BMP files obtained from USB microscopes or scanners; d - the relative number of each code Combinations for objects with characteristic << a >>; 8th , e - without characteristic << a >>)
  • 4. Die Vergleiche der relativen Zahlen d und e (mit und ohne Merkmal <<a>>). 4 , The comparisons of the relative numbers d and e (with and without feature << a >>).
  • 5. Zähler der Zahlausschläge d und e. Im Fall, dass d > e, wird zum Wert p die Zahl Eins addiert (p = p + 1), ansonsten wird subtrahiert (p = p – 1). Wert p fängt mit Null an und wird zusammen für die ganze Datenbank berechnet. Auf diese Weise entspricht jeder Code-Kombination x der Wert p. 5 , Counter of the number of payments d and e. In the case that d> e, the value p is added to the value p (p = p + 1), otherwise it is subtracted (p = p - 1). Value p starts with zero and is calculated together for the whole database. In this way, each code combination x corresponds to the value p.
  • 6. Rangierung von allen p-Werten, vom höchsten bis zu niedrigsten. Auf diese Weise wird eine Rangierreihe berechnet. 6 , Ranking of all p-values, from highest to lowest. In this way, a jumper row is calculated.
  • 7. Die Wahl k der spezifischen Code-Kombinationen aufgrund von Rückgang des Wertes p der rangieren Reihe. 7 , The choice k of the specific code combinations due to decrease of the value p of the rank row.

Die Rangierreihe wurde durch ca. 5 Milliarden Vergleiche der Code-Kombinationen geschaffen. Die Prüfung der Methode wurde aufgrund des Schemas 2 durchgeführt.The shunting series was created by about 5 billion comparisons of the code combinations. The method was tested on the basis of Scheme 2.

Beschreibung von Schema 2:Description of Scheme 2:

  • 1. Ausgewählte Code-Kombinationen. k – die Anzahl (280 von 65536, beträgt ca. 0.4%). 1 , Selected code combinations. k - the number (280 of 65536, is about 0.4%).
  • 2. Untersuchungsobjekte. 2 , Research objects.
  • 3. x (bis zu 65536) – die Anzahl verschiedener Code-Kombinationen in den BMP-Dateien der Untersuchungsobjekte. 3 , x (up to 65536) - the number of different code combinations in the BMP files of the exam objects.
  • 10. Suche nach Koinzidenzen zwischen Code-Kombinationen der Untersuchungsobjekte und spezifischen Code-Kombinationen k der Rangierreihe. 10 , Search for coincidences between code combinations of the examination objects and specific code combinations k of the routing series.
  • 5. S Summierung der relativen Anzahl der gefundenen Code-Kombinationen bei der Berücksichtigung des Wertes p (Schema 1). Die Erhaltung des Wertes S für jedes Untersuchungsobjekt. 5 , S Summation of the relative number of code combinations found taking into account the value p (Scheme 1). The preservation of the value S for each object under investigation.
  • 6. Optimierung des Filterniveaus f durch die Vergleiche des Wertes f mit dem Wert S. Das Filterniveau ist optimal, wenn die relative Zahl der falschnegativen Ergebnisse (s < f) bei dem Merkmal „a” und die falschpositiven Ergebnisse (s > f) ohne Merkmal „a” gleichzeitig minimal sind. 6 , Optimization of the filter level f by comparing the value f with the value S. The filter level is optimal when the relative number of false negative results (s <f) for the feature "a" and the false positive results (s> f) without feature " a "are minimal at the same time.
  • 4. Objekte mit Merkmal <<a>>. n – die Anzahl. 4 , Objects with characteristic << a >>. n - the number.
  • 7.; 8. Wahrscheinlichkeit richtiger Ergebnisse (a + b), bei der a – relative Anzahl der Fälle (s > f) beim Merkmal „a” und b – relative Anzahl der Fälle (s < f) ohne Merkmal „a” ist. 7 . 8th , Probability of correct results (a + b), where a - relative number of cases (s> f) for the characteristic "a" and b - relative number of cases (s <f) without the characteristic "a".
  • 9. Objekte ohne Merkmal <<a>>. m – die Anzahl. 9 , Objects without characteristic << a >>. m - the number.

Wie oben gezeigt, erfordert der Gebrauch der hier vorgeschlagenen Methode die Benutzung der Datenbank. Eine solche Datenbank existiert bereits in der Histologie und der Histopathologie. In diesem Gebiet sammelte sich eine große Anzahl an Präparaten an und ihre Darstellung als BMP-Dateien. Unter Berücksichtigung dessen, wurden im Rahmen der Arbeit an der hier beschriebenen Herangehensweise ein bestimmter Algorithmus und ein Software-Paket für die Bewertung der diagnostischen Absichten erarbeitet.As indicated above, the use of the method proposed here requires the use of the database. Such a database already exists in histology and histopathology. In this area, a large number of preparations accumulated and their representation as BMP files. With this in mind, a specific algorithm and software package for evaluating diagnostic intent was developed as part of the work on the approach described here.

Durch die Analyse von 600 normalen und tumorhaften histologischen Präparaten ( http://alf3.urz.unibas.ch/pathopic/e/intro.htm ) wurden spezifische Code-Kombinationen festgestellt (Schema 1).By analyzing 600 normal and tumorous histological specimens ( http://alf3.urz.unibas.ch/pathopic/e/intro.htm ) specific code combinations were found (Scheme 1).

Die statistische Analyse zeigte auch, dass innerhalb der tumorhaften Präparate die Gesamtzahl der Kode-Kombinationen das Filterniveau (Schema 2) von 3.73 × 10–5 in 69% der Fälle überschreitet, und unter den normalen in nur 31% der Fälle. Dieser deutliche Unterschied könnte bereits bei der Differentialdiagnose von zweifelhaften Fällen als Ergänzung zur visuellen Begutachtung von histologischen Präparaten genutzt werden. Wenn man die Art und Lage des Tumors berücksichtigt und eine Datenbank schafft mit der Verwendung einer gleichen Optik und Technik, um den Einfluss von unspezifischen Faktoren zu reduzieren, kann die diagnostische Genauigkeit erheblich verbessert werden.Statistical analysis also showed that within the tumor specimens the total number of code combinations exceeds the filter level (Scheme 2) of 3.73 x 10 -5 in 69% of cases, and below normal in only 31% of cases. This clear difference could already be used in the differential diagnosis of doubtful cases as a supplement to the visual inspection of histological specimens. By taking into account the nature and location of the tumor and creating a database using the same optics and technique to reduce the influence of nonspecific factors, the diagnostic accuracy can be significantly improved.

Somit erlaubt die Analyse der Unterschiede in den Darstellungen von BMP-Dateien durch Code-Kombinationen für Gruppen von normalen und tumorhaften Präparaten ”digitale Marker” zu bestimmen hinsichtlich möglicher spezifischer Tumorstrukturen und Stoffe (Tumormarker), welche mit der bisher üblichen Untersuchung nicht nachgewiesen werden konnten.Thus, the analysis of the differences in the representations of BMP files by code combinations for groups of normal and tumorigenic specimens allows to determine "digital markers" for possible specific tumor structures and substances (tumor markers), which could not be detected with the usual investigation ,

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • US 2009/0226065 A1 [0002] US 2009/0226065 A1 [0002]
  • US 2006/0064248 A1 [0002] US 2006/0064248 A1 [0002]
  • US 2006/0269972 A1 [0002] US 2006/0269972 A1 [0002]

Zitierte Nicht-PatentliteraturCited non-patent literature

  • http://alf3.urz.unibas.ch/pathopic/e/intro.htm [0007] http://alf3.urz.unibas.ch/pathopic/e/intro.htm [0007]

Claims (6)

Die Methode zur Analyse von Objekten bei der Computer-Diagnostik beabsichtigt entweder die Visualisierung, oder die automatische Feststellung bekannter struktureller Besonderheiten für eine bestimmte Pathologie. Sie modelliert meistens die Bildwahrnehmung und Bildauffassung der menschlichen Psyche. Die verwendeten mathematischen Herangehensweisen sind auf die Struktur- und Gestaltidentifizierung bei der Bildpunktanalyse gerichtet.The method for analyzing objects in computer diagnostics either intends to visualize or automatically detect known structural peculiarities for a particular pathology. It usually models the image perception and image perception of the human psyche. The mathematical approaches used are directed to the structure and shape identification in pixel analysis. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Informationen, die als Datei dargestellt werden, NICHT in die Bildpunkte übertragen werden, sondern direkt in Code-Kombinationen analysiert werden.A method according to claim 1, characterized in that the information that is displayed as a file is NOT transmitted to the pixels, but are analyzed directly in code combinations. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass aufgrund der Datenbank, die Code-Kombinationen festgestellt werden können, die mit interessierenden Merkmalen korrelieren. Der Korrelationswert für jede Code-Kombination und die Rangierreihe für Korrelationswerte wird berechnet.A method according to claim 2, characterized in that due to the database, the code combinations can be determined, which correlate with features of interest. The correlation value for each code combination and the correlation value routing order are calculated. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die optimale Zahl der bedeutsamen Code-Kombinationen aus der Rangierreihe aufgrund eines Rückgangs der Merkmalwerte festgestellt wird.Method according to Claim 3, characterized in that the optimum number of significant code combinations from the shunting series is determined on the basis of a decrease in the characteristic values. Verfahren nach Anspruch 2, 3 und 4, dadurch gekennzeichnet, dass die Zahl der Code-Kombinationen von Objekten mit den entsprechenden Code-Kombinationen der Rangierreihe summiert werden um einen Merkmalwert für jedes Objekt zu erhalten.A method according to claim 2, 3 and 4, characterized in that the number of code combinations of objects are summed with the corresponding code combinations of the routing row to obtain a feature value for each object. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass das Filterniveau optimiert wird um die Zahl der falschnegativen und falschpositiven Ergebnisse zu minimieren.A method according to claim 5, characterized in that the filter level is optimized to minimize the number of false negative and false positive results.
DE102010018147A 2010-04-24 2010-04-24 Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis Withdrawn DE102010018147A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102010018147A DE102010018147A1 (en) 2010-04-24 2010-04-24 Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102010018147A DE102010018147A1 (en) 2010-04-24 2010-04-24 Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis

Publications (1)

Publication Number Publication Date
DE102010018147A1 true DE102010018147A1 (en) 2011-10-27

Family

ID=44751373

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102010018147A Withdrawn DE102010018147A1 (en) 2010-04-24 2010-04-24 Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis

Country Status (1)

Country Link
DE (1) DE102010018147A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202018005493U1 (en) 2018-11-28 2019-02-04 Alexey Kovalevskiy Device for determining the properties of articles of value metals and coins

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064248A1 (en) 2004-08-11 2006-03-23 Olivier Saidi Systems and methods for automated diagnosis and grading of tissue images
US20060269972A1 (en) 2003-08-14 2006-11-30 Ian Smith Method of diagnosing colorectal adenomas and cancer using infrared spectroscopy
US20090226065A1 (en) 2004-10-09 2009-09-10 Dongqing Chen Sampling medical images for virtual histology

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060269972A1 (en) 2003-08-14 2006-11-30 Ian Smith Method of diagnosing colorectal adenomas and cancer using infrared spectroscopy
US20060064248A1 (en) 2004-08-11 2006-03-23 Olivier Saidi Systems and methods for automated diagnosis and grading of tissue images
US20090226065A1 (en) 2004-10-09 2009-09-10 Dongqing Chen Sampling medical images for virtual histology

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
http://alf3.urz.unibas.ch/pathopic/e/intro.htm

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202018005493U1 (en) 2018-11-28 2019-02-04 Alexey Kovalevskiy Device for determining the properties of articles of value metals and coins

Similar Documents

Publication Publication Date Title
AT511265B1 (en) DEVICE FOR DETERMINING A CHARACTERIZATION VALUE AND METHOD FOR EVALUATING THREE-DIMENSIONAL IMAGES
EP2656277B1 (en) Device and method for determining objects in a colour photograph
DE102010016630A1 (en) Method and device for characterizing skin irregularities and method for evaluating the anti-aging effect of a cosmetic product
DE10353883A1 (en) Method and device for measuring disease-relevant tissue changes
DE102018108072A1 (en) Device, method and program for classifying medical images
DE112017005640T5 (en) Information processing apparatus and information processing method
DE1498824A1 (en) Device for automated cancer diagnosis
DE102018104616A1 (en) A method of dividing one or more images of a sample into color-separated image data, computer program product, computer-readable medium on which the computer program product is stored, and a system for splitting one or more images of a sample into color-separated image data
DE202013002484U1 (en) Apparatus for volumetric measurement of an ante-mortem object
EP3540632B1 (en) Method for classifying tissue samples
DE112014005372T5 (en) Device for supporting the diagnosis of osteoporosis
DE102019121446A1 (en) Quantitative characterization method for the area and content of different types of inclusions in steel
DE112019005143T5 (en) SYSTEM FOR CO-REGISTRATION OF MEDICAL IMAGES USING A CLASSIFICATOR
DE102005022156A1 (en) Method and device for ranking pixels in medical imaging
DE19801400C2 (en) Process for the automatic detection, description of properties and interpretation of Hep-2 cell patterns
DE10229880A1 (en) Image analysis method and device for image evaluation for in vivo small animal imaging
DE60131680T2 (en) METHOD AND DEVICE FOR IDENTIFYING A BIOLOGICAL SAMPLE
DE102010018147A1 (en) Method for analysis of pathological objects in computer diagnostics for visualization or automatic detection of structural features, involves focusing mathematical approaches toward structure and form of identification during analysis
DE112009005102T5 (en) Splitting of multipart objects
DE112019004112T5 (en) SYSTEM AND PROCEDURE FOR ANALYSIS OF MICROSCOPIC IMAGE DATA AND FOR GENERATING A NOTIFIED DATA SET FOR TRAINING THE CLASSIFICATORS
EP3430565B1 (en) Method for testing distributed objects by segmenting an overview image
EP3155588B1 (en) Whole-body image recording and image processing system and method for operating same
EP3126819B1 (en) Device and method for analysing a sample for the identification of prostate tumours
DE102021111508A1 (en) DEVICE AND METHOD FOR DETECTING HIGHER EXTENDING STRUCTURE USING A LIDAR SENSOR
DE102019009001B3 (en) Device for detecting the sex of juvenile fish

Legal Events

Date Code Title Description
R005 Application deemed withdrawn due to failure to request examination