DE19616997A1 - Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben - Google Patents
Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder KörperflüssigkeitsprobenInfo
- Publication number
- DE19616997A1 DE19616997A1 DE19616997A DE19616997A DE19616997A1 DE 19616997 A1 DE19616997 A1 DE 19616997A1 DE 19616997 A DE19616997 A DE 19616997A DE 19616997 A DE19616997 A DE 19616997A DE 19616997 A1 DE19616997 A1 DE 19616997A1
- Authority
- DE
- Germany
- Prior art keywords
- cell
- sample
- image
- segments
- evaluation
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 210000001124 body fluid Anatomy 0.000 title claims abstract description 10
- 239000010839 body fluid Substances 0.000 title claims description 9
- 230000008569 process Effects 0.000 title abstract description 11
- 210000004027 cell Anatomy 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 230000001575 pathological effect Effects 0.000 claims abstract description 12
- 210000003537 structural cell Anatomy 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 106
- 210000001519 tissue Anatomy 0.000 claims description 22
- 210000004205 output neuron Anatomy 0.000 claims description 11
- 210000002364 input neuron Anatomy 0.000 claims description 8
- 210000002808 connective tissue Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 210000000981 epithelium Anatomy 0.000 claims description 4
- 238000007901 in situ hybridization Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000010186 staining Methods 0.000 claims description 4
- 210000003038 endothelium Anatomy 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000001537 neural effect Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 42
- 210000002569 neuron Anatomy 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000002055 immunohistochemical effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003562 morphometric effect Effects 0.000 description 4
- 238000013425 morphometry Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000002700 urine Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002489 hematologic effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 108020004414 DNA Proteins 0.000 description 2
- 239000003298 DNA probe Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000006285 cell suspension Substances 0.000 description 2
- 108091092356 cellular DNA Proteins 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 108700020796 Oncogene Proteins 0.000 description 1
- 241001510071 Pyrrhocoridae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000004163 cytometry Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002889 endothelial cell Anatomy 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 238000012151 immunohistochemical method Methods 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000007762 localization of cell Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000036647 reaction Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012109 statistical procedure Methods 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G01N15/1433—
-
- 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—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1488—Methods for deciding
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Description
Die vorliegende Erfindung betrifft ein Verfahren zur Untersuchung von Gewebeproben oder
Körperflüssigkeiten auf einem Objektträger mit einem automatischen Mikroskop sowie
einem Videosystem und einem Auswertecomputer mit Neuronalen Netzen. Die Einzelheiten
des Verfahrens ergeben sich aus den Ansprüchen 1 und 8.
Im Stand der Technik sind zur Untersuchung von Proben computerunterstützte Bildanalyse
systeme bekannt, die ein Mikroskop mit einer Videokamera gekoppelt an einen Computer
beinhalten. Mit Hilfe einer Bildverarbeitungskarte wird das von der Videokamera aufge
nommene Bild dem Computer zugeführt und mit einer Bildverarbeitungssoftware in ge
eigneter Weise auf einem Bildschirm dargestellt. Bei der im Stand der Technik bekannten
Vorgehensweise muß der Anwender das Mikroskop auf den zu untersuchenden Bereich
einstellen und fokussieren. Die Auswertung der Probe erfolgt anhand des auf dem Bild
schirm dargestellten Bildes, wobei gegebenenfalls die Bildverarbeitungssoftware durch
Kontrastveränderungen, Einfärbungen usw. unterstützend wirksam sein kann.
Im Stand der Technik sind auch stärker automatisierte Apparaturen bekannt, wie sie bei
spielsweise in WO 91/20048 und WO 92/13308 beschrieben sind. Die in diesen Dokumen
ten offenbarten Vorrichtungen weisen ein automatisches Mikroskop mit einer Kamera und
ein computerunterstütztes Auswertesystem auf. Objektivwechsel, Fokussierung und
Probenbewegung werden automatisch vorgenommen. Die Auswertung erfolgt, indem der
Hintergrund durch spezielle Verfahren, wie z. B. Schwellenwertverfahren, von der Bildin
formation abstrahiert wird. Innerhalb des Bildes werden Objekte lokalisiert und voneinander
getrennt. Die lokalisierten Objekte (in der Regel Zellen) werden fokussiert und morpho
metrische und densitometrische Parameter bestimmt. Diese Parameter werden anschließend
durch regelbasierte oder multivariate statistische Verfahren evaluiert. Eine Voraussetzung
für diese Vorgehensweise ist, daß dicht beieinanderliegende Zellen optisch voneinander ge
trennt werden können, da sonst eine Zellerkennung aufgrund der morphometrischen und
densitometrischen Parameter fehlschlägt. In dem Artikel "Automated Cervical Smear
Classification" (IEEE/9th Annual Conference of the Engineering in Medicine and Biological
Society, Seite 1457) wird ein derartiges Verfahren beschrieben. In diesem Artikel wird vor
geschlagen, das Problem überlappender Zellen zu lösen, indem lediglich die Kerne angefärbt
werden und die Klassifizierung aufgrund dieser Anfärbung vorgenommen wird.
Weiterhin sind im Stand der Technik mathematische Optimierungsverfahren bekannt, die
versuchen, die Bilder der Objekte in einem multivariablen Raum durch Trenn
linien/Trennflächen voneinander zu separieren. Ebenfalls wurden regelbasierte und
statistische Verfahren entwickelt, um das Problem der Objektseparierung zu lösen.
Aufgabe der vorliegenden Erfindung war es, ein Verfahren zur Untersuchung von Gewebe
proben oder Körperflüssigkeitsproben bereitzustellen, das auch für Proben mit dicht beiein
anderliegenden Objekten eine gezielte Auswertung ermöglicht, ohne daß eine Fokussierung
und Trennung von Objekten vorgenommen werden muß.
Die vorstehend genannte Aufgabe wird durch ein Verfahren gemäß Anspruch 1 und An
spruch 8 gelöst. Insbesondere hat es sich als wichtig erwiesen, bei der Untersuchung der
Probe mit einem Neuronalen Netz Zellen, Zellkomplexe oder histologische Strukturen so
abzubilden, daß sie nicht am Rand des ausgewerteten Bereiches liegen und teilweise aus
dem Auswertebereich herausragen. Das erfindungsgemäße Verfahren schlägt eine Vor
gehensweise vor, bei dem weder der Eingriff eines Operateurs noch die Verwendung abge
leiteter Größen, wie beispielsweise morphometrische oder densitometrische Größen, not
wendig sind. Überraschend hat sich gezeigt, daß eine Untersuchung von Bildsegmenten mit
eng beieinanderliegenden Zellen oder Zellkomplexen mit Neuronalen Netzen auch dann
möglich ist, wenn keine Fokussierung auf einzelne Zellen vorgenommen wird, wobei jedoch
sichergestellt werden muß, daß der Bildbereich, der dem Neuronalen Netz zugeführt wird,
die Zellen bzw. die Zellkomplexe vollständig enthält, so daß diese Strukturen nicht aus dem
Auswertebereich herausragen. Dies war nicht zu erwarten, da die im Stand der Technik
bekannten Verfahren darauf basieren, daß einzelne Objekte, wie Zellen, Zellkomplexe oder
histologische Strukturen als einzelne Objekte lokalisiert, fokussiert und identifiziert werden.
Weiterhin hat es sich als vorteilhaft erwiesen, wenn eine Klassifizierung der Art der Probe
erfolgt und die Neuronalen Netze unter Berücksichtigung dieser Klassifizierung unter
suchen, ob Zelltypen vorliegen, die nicht zur Art der Probe gehören oder ob strukturelle
Zell-/Gewebeveränderungen vorliegen. Bei dieser Vorgehensweise hat es sich als wichtig
erwiesen, das Bild der Probe zu digitalisieren und die erhaltenen Bildpunkte in zusammen
hängende Segmente aufzuteilen, von denen jedes einzeln untersucht werden kann.
Die vorliegende Erfindung fällt in das Gebiet der medizinischen Bilddiagnostik, zu der
Tomographie, Ultraschall und Mikroskopie gehören. Von diesen Verfahren ist die
mikroskopische Diagnostik das wichtigste Mittel um bösartige Erkrankungen auszu
schließen oder zu bestätigen. Bei gynäkologischen, urologischen oder endoskopischen
Untersuchungen und Operationen werden deshalb routinemäßig Proben für die onkolo
gische Diagnostik in die pathologischen, cytologischen oder hämatologischen Labors ge
schickt. Das Probenmaterial besteht aus Zellabstrichen, Zellsuspensionen oder zell- und
strukturbildenden Teilen, die bei Biopsien oder Gewebeschnitten erhalten werden.
Bei der heute üblichen Untersuchung entscheidet der Arzt zunächst auf der zellulären
Ebene, ob alle Zellteile vorhanden sind, diese in einem normalen Verhältnis zueinander
stehen und ob der Zellnukleus eine normale Chromatinverteilung besitzt. Weiterhin wird auf
dieser Ebene analysiert, ob ungewöhnliche Zellarten vorhanden sind. Auf der Strukturebene
untersucht der Arzt, ob die gefundenen Zellgruppen dem Organ entsprechen, dem sie ent
nommen wurden und ob Zellarten auftreten, die untypisch für das untersuchte Gewebe sind.
Weiterhin wird analysiert, ob die Grenzen zwischen unterschiedlichen Gewebearten normal
oder gestört sind. Die häufigste Ursache für derartige Veränderungen ist die bösartige Um
wandlung von Zellen.
Weil die gesuchten Strukturveränderungen in den Proben ohne Anfärung in der Regel nicht
sichtbar sind, werden spezielle Färbungen benutzt. Die Präparate werden von Hand oder mit
Färbeautomaten gefärbt, wobei auch spezielle immunologische Marker, wie z. B. Tumor
marker-Antikörper, eingesetzt werden können. Bei der sogenannten in-situ Hybridisierung
werden spezielle DNA-Sonden, die an den Onkogenteil der zellulären DNA binden, einge
setzt, um Tumorgene zu finden.
Auf der zellulären Ebene wird versucht, mit Hilfe multivariater statistischer Verfahren Ent
scheidungsregeln zu formulieren, so daß die bisher vom Arzt durchgeführte Untersuchung
automatisiert werden kann. Eine Automatisierung in diesem Bereich ist sehr wichtig, da die
Anzahl der Untersuchung ständig steigt und das notwendige qualifizierte Laborpersonal oft
fehlt. Die Früherkennung von krebsartigen Veränderungen würde grundsätzlich zu einer
besseren Prognose der Patienten beitragen. Die automatische Bewertung von zellulären und
strukturellen Zell- und Organveränderungen eröffnet neue Möglichkeiten bei der Früher
kennung von Tumoren und steigert dadurch die Heilungschancen erheblich.
Bei dieser Problematik setzt die vorliegende Erfindung an und schlägt ein automatisiertes
Verfahren zur Untersuchung von Gewebeproben oder Körperflüssigkeitsproben vor.
Proben, die mit dem erfindungsgemäßen Verfahren untersucht werden können, sind bei
spielsweise Gewebeschnitte, Abstriche, Zellausstriche und Körperflüssigkeiten, wie Blut,
Urin, Punktatflüssigkeit und dergleichen. Zur Untersuchung wird die Probe auf einen Ob
jektträger gebracht, so daß eine dünne Schicht der Probe erhalten wird, die untersucht wer
den kann.
Im Rahmen der Erfindung wird durch Neuronale Netze eine Untersuchung von Zellen, Zell
komplexen, histologischen Strukturen usw. vorgenommen. Diese Einheiten werden im
Folgenden zusammenfassend als Zellobjekte bezeichnet. Darunter sollen auch solche Ob
jekte verstanden werden, die am Rand des aufgenommenen Bildes liegen und nur teilweise
erfaßt werden.
Die Auswertung der Probe erfolgt mit einem automatischen Mikroskop. Im Stand der
Technik bekannte Mikroskope (beispielsweise WO 91/20048) weisen Einrichtungen zum
Einstellen der Fokussierung sowie zur Einstellung gewünschter Bildausschnitte auf. Das
gängigste Beispiel für eine solche Vorrichtung zur lateralen Verschiebung der Probe besteht
in einem Kreuztisch, durch den der Objektträger innerhalb einer Ebene verschoben wird.
Weiterhin kann ein Mikroskop zur Durchführung des erfindungsgemäßen Verfahrens Ein
richtungen zum automatischen Wechsel von Objektiven und Filtern besitzen.
In der Bildebene des Mikroskops ist der Sensor eines Videosystems angeordnet. Heute
gängige Videokameras besitzen ein CCD-Array von 1024 × 1024 oder 512 × 512 Pixeln. Es
sind sowohl CCD-Arrays bekannt, die als Ausgabewert Grauwerte bereitstellen als auch
solche, die Farbwerte (rot-grün-blau-Werte) liefern.
Ein erfindungsgemäßes System zur automatischen Untersuchung von Proben weist weiter
hin einen Auswertecomputer auf, der mit dem Videosystem und auch mit dem Mikroskop
verbunden ist. Auswertecomputer für eine solche Anwendung weisen einen sogenannten
"frame-grabber" auf, der dazu dient, die vom Videosystem bereitgestellten Signale in den
Auswertecomputer einzulesen.
Weiterhin besitzt der Auswertecomputer Vorrichtungen zur Steuerung des Mikroskops, um
eine Fokussierung sowie eine laterale Verschiebung der Probe relativ zum Objektiv des
Mikroskopes zu steuern.
Der Auswertecomputer muß zur Lösung der vorliegenden Problemstellung eine hohe
Rechenleistung aufweisen. Insbesondere sind in dem Auswertecomputer mehrere Neuronale
Netze implementiert.
Neuronale Netze werden als mathematische Modelle biologischer Gehirnfunktionen ver
wendet. Durch die Auswahl geeigneter Netztopologien und Verarbeitungsfunktionen wird
versucht, komplexe Denk- und Entscheidungsvorgänge mit Hilfe von Computern zu simu
lieren. Die wesentlichen Erkenntnisse über künstliche Neuronale Netze sind in dem Buch
"Parallel distributed processing: Explorations in the microstructure of cognition" von
Rummelhart and McCulloch dargelegt. Es gibt heute über 100 verschiedene Netzwerk
modelle sowie eine Vielzahl von Verknüpfungscharakteristika und Funktionen. Die prinzi
pielle Funktionsweise eines Neuronalen Netzes ist in der Fig. 1 dargestellt. Auf der Ein
gangsseite des Neuronalen Netzes befinden sich sogenannte Input-Neuronen, die mit
"Hidden-Neuronen" verbunden sind. Jedes Neuron hat einen oder mehrere gewichtete In
puts, entweder in Form externer Signale oder als Output von anderen Neuronen. Es sind
sowohl positive als auch negative Wichtungen möglich. Die Summe der gewichteten Inputs
wird über eine Transferfunktion in den oder die Outputwerte überführt, die ihrerseits andere
Neuronen ansteuern oder als Ausgabewerte dienen. Die in Fig. 1 dargestellten Hidden-
Neuronen sind mit den Output-Neuronen verbunden. Selbstverständlich kann der Bereich
der Hidden-Neuronen auch wesentlich komplexer aufgebaut sein und aus mehreren unter
einander vernetzten Ebenen bestehen. Die Gesamtheit aller Neuronen einer bestimmten
Funktionalität wird als Layer, wie z. B. Input-Layer, bezeichnet. Von denen im Stand der
Technik bekannten Organisationsstrukturen Neuronaler Netze seien an dieser Stelle nur die
Typen Perceptron, Hopfield, Kohnen und Grossberg-Modell erwähnt. Die wichtigsten
Parameter eines Netzes sind neben der Topologie die Neuronengrundspannungen sowie die
Stärke der Verbindungen der Neuronen untereinander. Zur Einstellung der Parameter wird
ein repräsentatives Trainingsset mehrmals durch das Netz evaluiert. Nach jedem Evaluie
rungszyklus werden die Wichtungen und die Grundspannungen verändert und neu einge
stellt. Diese Iteration wird so oft durchlaufen, bis die Durchschnittsfehlerrate ein vorgege
benes Minimum unterschreitet oder ein zuvor definiertes aufgabenbezogenes Abbruchkrite
rium erreicht wird. Das Testset wird zur Kontrolle ebenfalls iterativ evaluiert.
Die vorliegende Erfindung ist insbesondere dadurch gekennzeichnet, daß mehrere Neuro
nale Netze mit verschiedenen Aufgaben verwendet werden. Zur Analyse durch die Neuro
nalen Netze wird das digitalisierte Bild in zusammenhängende Segmente vorzugsweise
gleicher Größe aufgeteilt und die erhaltenen Segmente separat voneinander durch die Netze
ausgewertet.
Wichtig ist es, daß die untersuchte Probe zunächst gemäß ihrer Art klassifiziert wird. Dies
kann entweder durch einen Operateur erfolgen oder das digitalisierte Bild der Probe wird
durch ein Neuronales Netz (NNα untersucht.
Bei dem erfindungsgemäßen Verfahren wird zunächst ein Bild der Probe aufgenommen und
die digitalisierten Signale des Bildes einzelnen Bildpunkten zugeordnet. Die erhaltenen
Bildpunkte werden zusammenhängenden Segmenten zugewiesen, deren Auswertung ge
trennt erfolgt. Die Segmente werden durch Neuronale Netze NNβ i untersucht, indem die
digitalisierten Bildsignale des Segmentes den Input-Neuronen zugeführt werden.
Bei einem ersten Typ der Neuronalen Netze NNβ₁ untersucht das Neuronale Netz, ob in
dem jeweiligen Segment eine Zelle, ein Zellkomplex, ein Gewebeteil oder Artefactstruktu
ren vorliegen. Alternativ oder zusätzlich kann eine weitere Auswertung durch ein Neuro
nales Netz NNβ₂ vorgenommen werden, das untersucht, ob es sich bei dem Gewebe der
Probe um Epithelium, Endothelium, Bindegewebe oder Muskulatur handelt oder ob eine
Körperflüssigkeit vorliegt. Weiterhin ist die Auswertung durch ein drittes Neuronales Netz
NNβ₃ möglich, das untersucht, ob in dem Segment eine Zelle oder ein Zellkomplex vorliegt.
Schließlich kann noch eine Untersuchung durch ein viertes Neuronales Netz NNb₄ vorge
nommen werden, das erkennt, wenn ein Zellobjekt über den Rand des jeweiligen Segmentes
hinausragt. Ist dies der Fall, so erfolgt eine Auswertung des gesamten Zellobjektes. Wenn
das Zellobjekt in andere Segmente hineinragt, für die bereits ein Bild aufgenommen wurde,
so kann das Zellobjekt untersucht werden, indem neue Segmente so gebildet werden, daß
das Zellobjekt vollständig in einem dieser Segmente liegt. Sollte das Zellobjekt jedoch aus
dem mit dem Videosystem aufgenommenen Bild herausragen, so ist es notwendig, ein
weiteres Bild aufzunehmen, das das Zellobjekt vollständig erfaßt.
Von den bereits genannten Auswertungen kann bei einer Untersuchung nur eine einzelne
verwendet werden, oder die Netze können in geeigneter Weise miteinander kombiniert wer
den. Vorteilhaft ist es jedoch, alle vier genannten Neuronalen Netze bei einer Probe zur
Anwendung zu bringen.
Bei einem erfindungsgemäßen Verfahren werden die Segmente weiterhin mit ein oder
mehreren Neuronalen Netzen NNγ i ausgewertet und als pathologisch klassifiziert, wenn
Zelltypen vorliegen, die nicht zur Art der Probe gehören oder wenn strukturelle Zell- bzw.
Gewebeveränderungen vorliegen. Zur Erkennung, ob fremde Zelltypen oder strukturelle
Veränderungen vorliegen, ist es von Bedeutung, in die Auswertung die Art der Probe mit
einzubeziehen. Insbesondere ist es vorteilhaft, aufgrund der Kenntnis der Art der Probe die
Neuronalen Netze NNγ i auszuwählen. So ist es beispielsweise denkbar, für die in der Praxis
auftretenden Probenarten jeweils Sätze von Neuronalen Netzen bereitzustellen, die für die
spezielle Probenart trainiert wurden. Ob bei der Auswertung der Segmente mit den Neuro
nalen Netzen NNγ i ein oder mehrere Netze verwendet werden, hängt von der Komplexität
des jeweiligen Problems ab.
Wurde die vorliegende Probe als pathologisch klassifiziert, so wird vorzugsweise eine
weitere Untersuchung vorgenommen, indem eine Aufnahme des oder der betreffenden
Segmente, in denen Besonderheiten gefunden wurden, mit einer höheren Vergrößerung
aufgenommen und untersucht werden. Die neue Aufnahme wird wiederum in Segmente
unterteilt wie bereits beschrieben und Neuronale Netze NNβ i werden verwendet, wie dies
bereits bei niedriger Auflösung erfolgt ist. Schließlich werden auch für die Aufnahme mit
höherer Vergrößerung die Neuronalen Netze NNγ i zur Anwendung gebracht und wiederum
untersucht, ob Zelltypen vorliegen, die nicht zur Art der Probe gehören oder ob strukturelle
Zell-/Gewebeveränderungen vorliegen. Ist dies der Fall, so wird die an dem mit kleinerer
Vergrößerung aufgenommenen Bild gestellte Diagnose verifiziert. Es kann auch vorgesehen
werden, daß die Aufnahme mit höherer Vergrößerung direkt auf einem Monitor ausgegeben
wird, damit ein erfahrener Operateur eine visuelle Auswertung vornehmen kann.
Neben den bereits beschriebenen Verfahren ist ein weiteres Verfahren zur automatisierten
mikroskopischen Untersuchung Gegenstand dieser Patentanmeldung, das beschreibt, wie
auf effiziente Weise eine Auswertung durch 3 verschiedene Typen von Neuronalen Netzen
erfolgen kann. Das bereits beschriebene Verfahren und das folgende Verfahren können auch
miteinander kombiniert werden.
Das geschilderte Verfahren ist anhand des Flußdiagrammes in Fig. 5 übersichtlicher dar
gestellt.
Bei dem zweiten erfindungsgemäßen Verfahren dient ein erstes Neuronales Netz dazu, die
digitalisierten Signale des Videosystems dahingehend auszuwerten, ob sich ein Zelleobjekt
in dem Segment befindet, der dem Input-Layer des Neuronalen Netzes zugewiesen wurde.
Dieses erste Neuronale Netz (NNA) besitzt vorzugsweise einen Aufbau, bei dem jedem
Output-Neuron ein 16 × 16 Pixelbild im Input-Feld zugeordnet ist. Für eine CCD-Kamera
mit 512 × 512 Pixeln ergibt sich daher ein 32 × 32 Output-Feld. Bei dem NNA und auch den
Neuronalen Netzen NNB und NNC wird jeweils ein digitalisierter Bildpunkt einem Input-
Neuron zugeordnet. Vorzugsweise weist ein erfindungsgemäßes Neuronales Netz pro
Segment jeweils ein einzelnes Output-Neuron auf.
Selbstverständlich können auch NN mit mehreren Output-Neuronen pro Segment ver
wendet werden, wenn die gewünschte Information in einfacher Weise aus diesen Output-
Neuronen ablesbar ist. Aufgabe dieses ersten Netzes ist es, festzustellen, in welchen der
Segmente ein Zellobjekt lokalisiert ist. Für diese Analyse ist es notwendig, das verwendete
Neuronale Netz entsprechend zu trainieren. Es hat sich insbesondere als vorteilhaft erwie
sen, das Neuronale Netz mit Proben der gleichen Art zu trainieren, die später durch das
Netz analysiert werden sollen. Das Training von Neuronalen Netzen zur Erzielung des ge
wünschten Verhaltens ist im Stand der Technik hinlänglich bekannt und wird daher an
dieser Stelle nicht näher erläutert.
Als Ergebnis der Auswertung wird die Information erhalten, in welchen Segmenten Zellob
jekte vorhanden sind. Dies wird durch die Aktivität des oder der Output-Neuronen ange
zeigt, die jedem Segment zugeordnet sind.
Die Segmente, in denen ein Zellobjekt detektiert wurde, werden durch ein zweites Neuro
nales Netz (NNB) ausgewertet, indem die digitalisierten Signale des jeweiligen Segmentes
den Input-Neuronen des NNB zugeführt werden und jedem der Segmente vorzugsweise ein
Output-Neuron zugeordnet ist, dessen Aktivität anzeigt, ob im jeweiligen Segment eine
einzelne Zelle oder ein Zellkomplex vorliegt. Geeignete Neuronale Netze können auch für
diese Anwendung durch Training an Proben bekannter Zusammensetzung erhalten werden.
Analog dem Neuronalen Netz A ist es auch hier vorteilhaft, das Training an Proben gleicher
Art durchzuführen. Eine Vorgehensweise, bei der ein Segment mit dem Neuronalen Netz B
nur dann ausgewertet wird, wenn zuvor mit dem Neuronalen Netz A in diesem Segment ein
Zellobjekt detektiert wurde, besitzt den Vorteil, daß die Zahl der Segmente, die ausgewertet
werden müssen, stark reduziert werden kann, was zu einer Einsparung an Rechenzeit führt.
Diese Vorgehensweise ist insbesondere dann von Vorteil, wenn nur sehr wenige Zellobjekte
im Bild vorhanden sind (rare event detection).
Für die Verläßlichkeit des erfindungsgemäßen Verfahrens hat es sich weiterhin als not
wendig erwiesen, zu überprüfen, ob Zellobjekte an den Bildgrenzen liegen oder gar nur
teilweise im Bild enthalten sind. Um dies auszuschließen, wird ein drittes Neuronales Netz
(NNC) eingesetzt, mit dem die Segmente ausgewertet werden, die an den Bildgrenzen liegen
und in denen ein Zellobjekt gefunden wurde. Das Neuronale Netz C liefert die Information,
ob in einem bestimmten Segment ein Zellobjekt an der Bildgrenze liegt. Ist dies der Fall, so
wird ein weiteres Bild der Probe aufgenommen, in dem die Zellobjekte vollständig enthalten
sind. Hierzu wird durch den Auswertecomputer das automatische Mikroskop so ange
steuert, daß Probe und Objektiv lateral gegeneinander verschoben werden. Dies kann bei
spielsweise durch einen motorgetriebenen Kreuztisch realisiert werden.
Wurden die Auswertungsschritte mit den Neuronalen Netzen NNA, NNB und NNC vorge
nommen, so werden die Segmente, in denen Zellobjekte detektiert wurden, mit höherer
Vergrößerung erneut aufgenommen. Die so erhaltenen Bilder können beispielsweise visuell
durch einen Operateur ausgewertet werden. Vorteilhaft wird die Auswertung dieser Auf
nahmen jedoch durch ein weiteres Neuronales Netz (NND) durchgeführt. Dieses Netz nimmt
eine Analyse vor, ob die Probe als pathologisch zu bewerten ist.
Die nachfolgenden vorteilhaften Ausgestaltungen beziehen sich auf beide genannten Verfah
ren zur Untersuchung.
Eine Besonderheit der erfindungsgemäßen Verfahren liegt darin, daß in keinem der Schritte
eine Fokussierung des Mikroskopes auf einzelne Zellen oder Strukturen erfolgt. Es ist
lediglich notwendig, Bilder geeigneter Schichten der Probe aufzunehmen. Die im Stand der
Technik bekannten Verfahren zur automatisierten Bildanalytik für die zelluläre Diagnostik
führen eine Lokalisierung von Zellen oder Zellkomglomeraten durch und bewerten diese
bezüglich morphometrischer und densitometrischer Parameter. Daher war es überraschend,
daß mit den erfindungsgemäßen Verfahren die Erkennung pathologischer Strukturverände
rungen mit großer Sicherheit auch ohne eine solche Fokussierung auf einzelne Objekte
möglich ist.
Als besonders vorteilhaft hat es sich erwiesen, Bilder aus mehreren Schichten der Probe
aufzunehmen, wobei keine Fokussierung des Videosystems auf Zellen oder Zellgruppen
erfolgt. Die Informationen aus übereinanderliegenden Segmenten der verschiedenen Schich
ten können kombiniert werden, um so zu einer genaueren Analyse zu gelangen.
Eine Klassifizierung der Probenart wurde bereits als vorteilhaft beschrieben, da auf Basis
dieser Information geeignete Neuronale Netze ausgewählt werden können. Vorteilhaft ver
fügt der Auswertecomputer daher über eine Vielzahl unterschiedlicher Neuronaler Netze,
die verschiedenen Probenarten angepaßt sind. Bei Kenntnis der Probenart können dann
automatisch geeignete Neuronale Netze für die Auswerteschritte des erfindungsgemäßen
Verfahrens herangezogen werden. Die Klassifizierung der Probe selbst kann entweder durch
den Anwender erfolgen, der aufgrund der Herkunft die Klassifizierung vornimmt oder es
kann ein weiteres Neuronales Netz eingesetzt werden, das darauf spezialisiert ist, verschie
dene Probenarten voneinander zu unterscheiden.
Für einen Routineeinsatz ist es bevorzugt, den Objektträger, auf dem sich die Probe be
findet, bezüglich der Art der Probe zu kennzeichnen (beispielsweise mit einem Barcode).
Die Information kann vor Beginn des Untersuchungsverfahrens automatisch eingelesen
werden (beispielsweise mit einem Strichcodeleser) und diese Information dem Auswerte
computer übermittelt werden, so daß geeignete Neuronale Netze ausgewählt werden.
Die Vergrößerungen, mit denen das Mikroskop arbeitet, liegen für die Schritte mit den
Neuronalen Netzen NNA NNB und NNC im Bereich von 30 bis 200, vorzugsweise bei etwa
100. Die Aufnahme mit höherer Vergrößerung zur Analyse von Segmenten, in denen
Zellobjekte detektiert wurden, erfolgt mit einer Vergrößerung von 200 bis 600, vorzugs
weise etwa 400.
Es hat sich im praktischen Einsatz als vorteilhaft herausgestellt, Neuronale Netze NNA bzw.
NNβ i einzusetzen, bei denen jedem Output-Neuron ein 16 × 16 Input-Feld zugeordnet ist.
Die Anwendung des erfindungsgemäßen Verfahrens wird anhand der folgenden Anwen
dungsbeispiele näher erläutert.
Bei hämatologischer Zelltypisierung stehen die folgenden Aufgaben im Vordergrund:
Erstellung eines quantitativen und eines qualitativen Blutbildes sowie Erkennung und Diffe renzierung von bösartigen hämatologischen Krankheiten, wie z. B. Leukämie und Lympho men.
Erstellung eines quantitativen und eines qualitativen Blutbildes sowie Erkennung und Diffe renzierung von bösartigen hämatologischen Krankheiten, wie z. B. Leukämie und Lympho men.
Zur Durchführung dieser Auswertung wird ein Blutausstrich oder ein Sternumpunktataus
strich nach vorgeschriebenen Verfahren vorbereitet und gemäß dem erfindungsgemäßen
Verfahren ausgewertet. Bei dieser Anwendung ist es nicht unbedingt notwendig, daß die
gewählten Segmente eine ganze Zelle beinhalten müssen, sondern es ist eine Auswertung
auch möglich, wenn die Segmente nur Teile der Zelle beinhalten. Da die Farbe bei dieser
Anwendung eine wesentliche Informationsquelle darstellt, wird vorzugsweise die Farbin
formation der Pixel nach dem RGB-(red-green-blue) oder nach dem HSI(Hue-Saturation-
Intensity)-System ausgewertet.
Bei der Untersuchung von Urinsedimenten wird eine eher qualitative Aussage gefordert. Bei
den großen Zellen (Zylinder) des Urinsediments steht die sichere Erkennung dieser Zellen
im Vordergrund, während für die Erythrozyten die Zahl im Vordergrund steht.
Die Auswertung histologischer Proben erfolgt heute je nach klinischer Fragestellung sehr
unterschiedlich. Im Schnellverfahren werden z. B. Gewebeproben aus dem Operationsraum
ausgewertet, wenn das Ergebnis für den weiteren Fortgang des Eingriffs wichtig ist. Eine
zweite Art von Proben sind Biopsien. Hier wird, wenn bei ultraschallendoskopischen oder
röntgentomographischen Untersuchungen eine Solidmasse im Körper entdeckt wird, eine
Probe mit einer Biopsienadel ausgestochen oder mit einer Schere ausgeschnitten. Die Aus
wertung einer solchen Probe dauert im allgemeinen etwa 1 Woche. Die dritte Art von
Proben werden in einer Operation entnommen aber nicht sofort ausgewertet. Die vierte Art
sind differenzialdiagnostisch schwierige Proben, die zu diagnostischen Centren geschickt
werden.
Neben der direkten Auswertung von histologischen oder Biopsieproben kommen hier auch
noch DNA-Färbungen sowie immunhistochemische Färbungen in Betracht. Da die Proben
sehr unterschiedlich sind, ist es bei dieser Anwendung insbesondere wichtig, für die jewei
lige Art der Probe ein geeignetes Neuronales Netz auszuwählen. Das Netz, das die
Endauswertung vornimmt, unterscheidet zwischen Strukturen, die normalerweise in dieser
Art von Gewebe vorliegen und solchen Strukturen, die auf einer abnormalen Veränderung
beruhen oder auf Strukturen zurückgehen, die normalerweise nicht in dieser Art von Probe
vorhanden sind. Da die hier auftretenden Fallgestaltungen sehr unterschiedlich sind, ist ein
Auswertevorgang bevorzugt, bei dem das Neuronale Netz Strukturen lokalisiert, die als
ungewöhnlich erkannt wurden und diese auf einem Display dem Operateur anzeigt, so daß
eine gesonderte Bewertung erfolgt. Andererseits können hierfür auch differenzial
diagnostische Neuronale Netze eingesetzt werden, die an die möglichen Fallgestaltungen
angepaßt sind.
Die immunhistochemischen Reaktionen dienen dazu, die Differenzialdiagnose zu erleichtern
und zur Prognose beizutragen. Heute existieren verschiedene immunhistochemische Aus
werteverfahren. Bei Zellsuspensionen kann man die Durchflußzytometrie anwenden, obwohl
sichere Tumormarker oder Markerpattern dafür noch nicht verfügbar sind.
Mit Hilfe der TV-Bild-Zytometrie können auch die immunhistochemischen Reaktionen der
einzelnen Zellen nicht nur qualitativ sondern auch quantitativ bestimmt werden. Bisher
wurde die Auswertung von histologischen Proben anschließend manuell mit dem Mikroskop
durchgeführt, wobei der Zeitaufwand für gefärbte und mit verschiedenen Antikörpern mar
kierte Präparate 5 bis 30 Minuten beträgt. Die Stärke der immunhistochemischen Reaktion
wird mit "+" oder "++" oder "+++" gekennzeichnet. Bei bestimmten Tumoren wird
zwischen positiver nuklearer und zytoplasmatischer Reaktion unterschieden.
Ein auf Neuronalen Netzen basierendes System teilt das Bild des mit speziellen Antikörpern
gefärbten Präparates in Bildsegmente auf und prüft diese Segmente auf positive Reaktionen.
Das Training des Neuronalen Netzes wird vorzugsweise beim Hersteller durchgeführt, wo
bei für jeden Test ein spezielles Training erfolgen muß. Je nach Schwierigkeit der zu lösen
den Aufgabe können auch mehrere, unterschiedlich strukturierte Neuronale Netze, z. B. für
unterschiedliche Testverfahren, zum Einsatz kommen. Wenn das Analysesystem über Bar
code oder manuelle Programmierung die aktuelle Testanforderung erhält, werden automa
tisch der zugehörige Netzwerktyp sowie die gültigen Netzparameter angewählt. Die Aus
wertung kann sehr schnell ablaufen, da das Netz für das Bildsegment nur eine Ja/Nein Ent
scheidung treffen muß.
Mit Neuronalen Netzen kann eine immunhistochemische Auswertung vorgenommen wer
den, nachdem die Probe mit speziellen Antikörpern gefärbt wurde. Das Bild der Probe wird
in verschiedene Bildsegmente aufgeteilt und diese auf eine positive Reaktion mit den Anti
körpern überprüft. Bei dieser Anwendung ist es wichtig, für jeden Test ein spezielles
Neuronales Netz zu trainieren. Je nach Schwierigkeit der zu lösenden Aufgabe können auch
mehrere unterschiedlich strukturierte Neuronale Netze für unterschiedliche Testverfahren
zum Einsatz kommen. Insbesondere bei dieser Anwendung ist es vorteilhaft, dem Analyse
system über einen Barcode oder über manuelle Programmierung den aktuellen Test mitzu
teilen, so daß ein geeignetes Neuronales Netz zur Auswertung herangezogen wird.
Die in-situ-Hybridisierung dient dazu, spezielle DNA-Segmente zu detektieren. Bei diesem
Verfahren wird zunächst die zelluläre DNA entfaltet, danach werden mit einem Labelling
system versehene DNA-Sonden zugegeben. Nach Abschluß der Reaktion wird ermittelt, ob
und wieviele Sonden eine Zelle aufgenommen hat.
Wichtigste Teilaufgaben sind die Bereitstellung der Marker und die Auswertung der Reak
tion. Eine automatisierte Auswertung der Reaktion wird zunehmend interessanter, da in
zwischen Geräte für die automatische Probenvorbereitung entwickelt wurden. Mit Hilfe der
Neuronalen Netze kann der zweite, arbeitsintensive Schritte, die Bildanalyse, vereinfacht
und in kürzerer Zeit durchgeführt werden. Zudem kann die Auswertung nicht nur qualitativ
(positiv/negativ) sondern auch halb-quantitativ in mehreren Stufen erfolgen.
Fig. 2 zeigt das Bild eines zu analysierenden Objektes, das sich auf einem Objektträger
befindet. Das Bild wird zur weiteren Bearbeitung in einen elektronischen Speicher einge
lesen. Bild 3 zeigt für das gleiche Objekt auf der Z-Achse die optische Intensitätsverteilung
für das in der XY-Ebene befindliche Objekt. Anstelle der hier gezeigten monochromatischen
Intensitätsmessung werden vorteilhaft die Intensitäten der Farben Rot, Gelb und Blau ge
messen und einer nachfolgenden Auswertung zugrundegelegt.
Die Auswertung der Intensitätsverteilung in Fig. 3 ist schematisch in Fig. 4 dargestellt.
Das über der Intensitätsverteilung eingezeichnete Raster stellt die Aufteilung des Bildes in
Segmente dar. Ein Neuronales Netzwerk wertet die einzelnen Segmente aus und prüft, ob in
dem jeweiligen Segment eine Gewebeprobe vorhanden ist. Bei weiteren Untersuchungen
werden nur diese Bildsegmente berücksichtigt.
Für das Beispiel eines parenchymalen Gewebes wird die Intensitätsinformation weiterhin mit
einem Neuronalen Netz auf Abnormalitäten untersucht. Bildsegmente, in denen solche Ab
normalitäten gefunden wurden, werden mit Hilfe eines weiteren Neuronalen Netzes klassi
fiziert, das zwischen vaskulären Objekten, Neuronenkomplexen und unmittelbar patholo
gischen Veränderungen differenzieren kann.
Bei einem epi/endothelialen Organ analysiert ein Neuronales Netz, ob das zu analysierende
Objekt Bindegewebemuskulatur, Epithelium oder Endothelium enthält. Ein weiteres
Neuronlaes Netz analysiert die Begrenzungen von Epithelium und Bindegewebe, um in
vasive Prozesse zu entdecken. Noch ein weiteres Neuronales Netz kann zur Untersuchung
eingesetzt werden, ob das Bindegewebe epi/endotheliale Zellinseln enthält. Ein weiteres
Neuronales Netz kann in den Segmenten nach vaskulären oder Neuronenkomplexen suchen.
Claims (23)
1. Verfahren zur automatisierten, mikroskopischen Untersuchung von Gewebeproben
oder Körperflüssigkeitsproben auf einem Objektträger mit
- - einem automatischen Mikroskop,
- - einem Videosystem,
- - einem Auswertecomputer mit Neuronalen Netzen (NN)
mit den Schritten
- a) Aufnahme eines Bildes der Probe mit dem Videosystem und Zuweisung digita lisierter Signale zu einzelnen Bildpunkten,
- b) Klassifizierung der Art der Probe
- c) Aufteilung der Bildpunkte in zusammenhängende Segmente und Auswertung jedes Segmentes durch ein oder mehrere Neuronale Netze (NNβ i), wobei die digitalisierten Bildsignale des Segmentes den Input-Neuronen des NNβ i zuge führt werden,
- d) Auswertung der Segmente mit ein oder mehreren Neuronalen Netzen NNγ i und Klassifizierung der Probe als pathologisch, wenn
- - Zelltypen vorliegen, die nicht zur Art der Probe gehören oder
- - wenn strukturelle Zell-/Gewebeveränderungen vorliegen.
2. Verfahren gemäß Anspruch 1, bei dem die Klassifizierung der Art der Probe durch ein
Neuronales Netz NNα erfolgt.
3. Verfahren gemäß Anspruch 1, mit einem Neuronalen Netz NNβ i, das untersucht, ob
in dem jeweiligen Segment eine Zelle, ein Zellkomplex, Gewebeteile oder Artefakt
strukturen vorliegen.
4. Verfahren gemäß Anspruch 1 oder 3, mit einem Neuronalen Netz NNβ₂, das unter
sucht, ob es sich bei dem Gewebe der Probe um Epithelium, Endothelium, Bindege
webe, Muskulatur oder um Körperflüssigkeit handelt.
5. Verfahren gemäß Anspruch 1, 3 oder 4, mit einem Neuronalen Netz NNβ₃, das
untersucht, ob in dem Segment eine Zelle oder ein Zellkomplex vorliegt.
6. Verfahren gemäß Anspruch 1, 3, 4 oder 5, mit einem Neuronalen Netz NNβ₄, das
erkennt, wenn ein Zellobjekt über den Rand des jeweiligen Segmentes hinausragt und
wenn dies der Fall ist, eine Untersuchung des gesamten Zellobjektes vorgenommen
wird.
7. Verfahren gemäß Anspruch 1, bei dem, wenn die Probe in Schritt d) als pathologisch
klassifiziert wurde, eine Aufnahme des oder der betreffenden Segmente mit einer
höheren Vergrößerung erfolgt und die Schritte c) und d) erneut durchgeführt werden.
8. Verfahren zur automatisierten, mikroskopischen Untersuchung von Gewebeproben
oder Körperflüssigkeitsproben auf einem Objektträger mit
- - einem automatischen Mikroskop,
- - einem Videosystem,
- - einem Auswertecomputer mit mindestens drei verschiedenen Neuronalen Netzen
(NN) mit den Schritten
- a) Aufrahme eines Bildes der Probe mit dem Videosystem und Zuweisung digita lisierter Signale zu einzelnen Bildpunkten,
- b) Aufteilung der Bildpunkte in zusammenhängen Segmente und Auswertung jedes Segmentes durch ein erstes Neuronales Netz (NNA), wobei die digitalisierten Bildsignale des Segmentes den Input-Neuronen des NNA zugeführt werden und jedem Segment mindestens ein Output-Neuron zugeordnet ist, dessen Aktivität anzeigt, ob ein Zellobjekt im jeweiligen Segment vorhanden ist,
- c) Auswertung der Segmente, in denen ein Zellobjekt detektiert wurde durch ein zweites Neuronales Netz (NNB), wobei die digitalisierten Bildsignale der Segmente jeweils den Input-Neuronen des NNB zugeführt werden und jedem der untersuchten Segmente mindestens ein Output-Neuron zugeordnet ist, dessen Aktivität anzeigt, ob im jeweiligen Segment eine einzelne Zelle oder ein Zellkomplex vorliegt,
- d) Auswertung der Segmente, die an den Bildgrenzen liegen und in denen ein Zellobjekt gefunden wurde durch ein drittes Neuronales Netz (NNC), wobei die digitalisierten Signale jedes der betreffenden Segmente den Input-Neuronen des NNC zugeführt werden und das NNC die Information liefert, ob ein Zellob jekt an einer der Bildgrenzen liegt,
- e) wenn in Schritt d) Zellobjekte detektiert wurden, die an einer Bildgrenze liegen, dann Aufnahme eines neuen Bildes, in dem die Zellobjekte vollständig enthalten sind und erneute Durchführung der Schritte b) und c),
- f) Aufnahme der Segmente, in denen in Schritt b) Zellobjekte detektiert wurden mit höherer Vergrößerung.
9. Verfahren gemäß Anspruch 8, bei dem das in Schritt f) aufgenommene Bild durch ein
weiteres Neuronales Netz (NND) ausgewertet wird und das NND als Ausgabe die In
formation liefert, ob die Probe pathologisch ist.
10. Verfahren gemäß Anspruch 1 oder 8, bei dem das Videosystem Bilder der Probe in
mindestens zwei Schichten aufnimmt, wobei keine Fokussierung des Videosystems
auf Zellen oder Zellgruppen erfolgt.
11. Verfahren gemäß Anspruch 9, bei dem zusätzlich eine Klassifizierung der Probe nach
ihrer Art erfolgt und bei der Entscheidung, ob eine pathologische Probe vorliegt, diese
Information einbezogen wird.
12. Verfahren gemäß Anspruch 9 oder 11, bei dem die Probe als pathologisch erkannt
wird, wenn Zellen, Zellkomplexe oder interzelluläre Strukturen vorliegen, die bei
nicht-pathologischen Proben der gleichen Art nicht vorliegen.
13. Verfahren gemäß Anspruch 11, bei dem die Klassifizierung der Art der Probe durch
den Anwender erfolgt.
14. Verfahren gemäß Anspruch 11, bei dem die Klassifizierung der Art der Probe durch
ein weiteres Neuronales Netz erfolgt.
15. Verfahren gemäß Anspruch 11, bei dem aufgrund der Klassifizierung der Probe ein
bestimmter Netzwerktyp mit vorgegebenen Netzwerkparametern für das NND ausge
wählt wird.
16. Verfahren gemäß Anspruch 1 bis 6 oder 11, bei dem aufgrund der Klassifizierung
geeignete Neuronale Netze Nnβ i bzw. NNA NNB und NNC ausgewählt werden.
17. Verfahren gemäß Anspruch 1 oder 8, bei dem als Probe Gewebeschnitte eingesetzt
werden und diese vor Beginn des Untersuchungsverfahrens mit immunhisto
chemischen oder durch in-situ-Hybridisierung angefärbt werden und eine Auswertung
aufgrund der erfolgten Anfärbung erfolgt.
18. Verfahren gemäß Anspruch 7 oder 8, bei dem die Aufnahme des ersten Bildes in
Schrift a) mit einer Vergrößerung von 30 bis 200 erfolgt und die Aufnahme des
zweiten Bildes in Schritt e) mit einer Vergrößerung von 200 bis 600.
19. Verfahren gemäß Anspruch 18, bei dem die Aufnahme des ersten Bildes mit einer
Vergrößerung von etwa 100 und die des zweiten Bildes mit einer Vergrößerung von
etwa 400 erfolgt.
20. Verfahren gemäß Anspruch 8, mit einem NNA, bei dem jedem Output-Neuron ein
16 × 16 Input-Feld zugeordnet ist.
21. Verfahren gemäß Anspruch 8, bei dem das Videosystem eine CCD-Kamera mit
512 × 512 Einzelsensoren ist.
22. Verfahren gemäß Anspruch 9 oder 11, bei dem nach Bildsegmenten gesucht wird, die
Zellen von einem Organ enthalten, die bei normalen Proben dieser Art nicht in der
Probe vorhanden sind.
23. Verfahren gemäß Anspruch 1 oder 8, dadurch gekennzeichnet, daß keine Fokussie
rung auf einzelne Zellen oder Zellkomplexe erfolgt.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19616997A DE19616997A1 (de) | 1996-04-27 | 1996-04-27 | Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben |
EP97920751A EP0896661A1 (de) | 1996-04-27 | 1997-04-25 | Verfahren zur automatisierten mikroskopunterstützten untersuchung von gewebeproben oder körperflüssigkeitsproben |
US09/147,161 US6246785B1 (en) | 1996-04-27 | 1997-04-25 | Automated, microscope-assisted examination process of tissue or bodily fluid samples |
JP09538571A JP2000513465A (ja) | 1996-04-27 | 1997-04-25 | 生体組織の試料および体液の試料の自動顕微鏡支援検査方法 |
PCT/EP1997/002130 WO1997041416A1 (de) | 1996-04-27 | 1997-04-25 | Verfahren zur automatisierten mikroskopunterstützten untersuchung von gewebeproben oder körperflüssigkeitsproben |
JP2006273434A JP2007133859A (ja) | 1996-04-27 | 2006-10-04 | 生体組織の試料および体液の試料の自動顕微鏡支援検査方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19616997A DE19616997A1 (de) | 1996-04-27 | 1996-04-27 | Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19616997A1 true DE19616997A1 (de) | 1997-10-30 |
Family
ID=7792708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19616997A Withdrawn DE19616997A1 (de) | 1996-04-27 | 1996-04-27 | Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben |
Country Status (5)
Country | Link |
---|---|
US (1) | US6246785B1 (de) |
EP (1) | EP0896661A1 (de) |
JP (2) | JP2000513465A (de) |
DE (1) | DE19616997A1 (de) |
WO (1) | WO1997041416A1 (de) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19801400A1 (de) * | 1998-01-16 | 1999-07-29 | Petra Dr Ing Perner | Verfahren und Anordnung zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern |
DE102004018174B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern mit Fällen und zum fallbasierten Erkennen von Objekten in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
DE102004018171B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern luftgetragener Keime und/oder Pollen und zum fallbasierten Erkennen dieser Objekte in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
US7192120B2 (en) | 1998-06-09 | 2007-03-20 | Silverbrook Research Pty Ltd | Ink printhead nozzle arrangement with thermal bend actuator |
DE102007003448A1 (de) | 2007-01-19 | 2008-07-24 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur automatischen Erkennung, Verarbeitung, Interpretation und Schlussfolgerung von als digitale Datenmengen vorliegenden Objekten |
DE102007009485A1 (de) | 2007-02-22 | 2008-08-28 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur Modellbildung für die Bildsegmentierung |
DE202009011850U1 (de) | 2009-08-28 | 2011-01-05 | Perner, Petra, Dr.-Ing. | Einrichtung zur automatischen Erfassung der dynamischen Prozesse von Zellen von Zellproben |
US7895141B2 (en) | 2004-04-08 | 2011-02-22 | Petra Perner | Methods for case-based recognition of HEp-2 cells in digital images of HEp-2 cell sections |
DE102010035908A1 (de) | 2009-08-28 | 2011-03-10 | Perner, Petra, Dr.-Ing. | Einrichtung und Verfahren zur automatischen Erfassung der dynamischen Prozesse von Zellen von Zellproben |
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6272235B1 (en) * | 1997-03-03 | 2001-08-07 | Bacus Research Laboratories, Inc. | Method and apparatus for creating a virtual microscope slide |
US6404906B2 (en) * | 1997-03-03 | 2002-06-11 | Bacus Research Laboratories,Inc. | Method and apparatus for acquiring and reconstructing magnified specimen images from a computer-controlled microscope |
US6611833B1 (en) | 1999-06-23 | 2003-08-26 | Tissueinformatics, Inc. | Methods for profiling and classifying tissue using a database that includes indices representative of a tissue population |
US6581011B1 (en) | 1999-06-23 | 2003-06-17 | Tissueinformatics, Inc. | Online database that includes indices representative of a tissue population |
US6993170B2 (en) * | 1999-06-23 | 2006-01-31 | Icoria, Inc. | Method for quantitative analysis of blood vessel structure |
US6558623B1 (en) * | 2000-07-06 | 2003-05-06 | Robodesign International, Inc. | Microarray dispensing with real-time verification and inspection |
US6979425B1 (en) * | 1999-10-04 | 2005-12-27 | Robodesign International, Inc. | High capacity microarray dispensing |
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
PT1301894E (pt) * | 2000-04-24 | 2009-08-21 | Iris Int Inc | Aparelho e método de imagiologia por redes neuronais múltiplas |
US7025933B2 (en) * | 2000-07-06 | 2006-04-11 | Robodesign International, Inc. | Microarray dispensing with real-time verification and inspection |
US6985616B2 (en) | 2001-10-18 | 2006-01-10 | Robodesign International, Inc. | Automated verification and inspection device for sequentially inspecting microscopic crystals |
WO2002076282A2 (en) * | 2001-01-05 | 2002-10-03 | Tissueinformatics, Inc. | Method for quantitative analysis of blood vessel structure |
JP2004535569A (ja) * | 2001-04-09 | 2004-11-25 | ライフスパン バイオサイエンシズ インコーポレイテッド | 有機体物質の画像パターン認識のためのコンピュータ手法 |
US20020186875A1 (en) * | 2001-04-09 | 2002-12-12 | Burmer Glenna C. | Computer methods for image pattern recognition in organic material |
DE10124340A1 (de) * | 2001-05-18 | 2002-12-05 | Fraunhofer Ges Forschung | Verfahren zur Analyse einer biologischen Probe |
JP4497923B2 (ja) * | 2001-12-05 | 2010-07-07 | ザ ジェイ. デビッド グラッドストーン インスティテューツ | ロボット顕微鏡検査システム |
JP3516144B1 (ja) * | 2002-06-18 | 2004-04-05 | オムロン株式会社 | 光学情報コードの読取方法および光学情報コード読取装置 |
CN1901839A (zh) | 2003-11-10 | 2007-01-24 | 阿尔特生物科学公司 | 可溶性tcr分子及其用途 |
EP1574988B1 (de) | 2004-03-08 | 2014-06-18 | Siemens Product Lifecycle Management Software Inc. | Bestimmung und Benutzung von geometrischen Merkmalsdaten |
CN100399241C (zh) | 2004-07-08 | 2008-07-02 | 微软公司 | 自动文本生成 |
US20060189893A1 (en) * | 2005-01-06 | 2006-08-24 | Diamics, Inc. | Systems and methods for detecting abnormal cells |
US20060161076A1 (en) * | 2005-01-06 | 2006-07-20 | Diamics, Inc. | Systems and methods for collection of cell clusters |
US9760677B2 (en) | 2009-04-29 | 2017-09-12 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
US9171344B2 (en) | 2007-10-30 | 2015-10-27 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
US8065166B2 (en) | 2007-10-30 | 2011-11-22 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
US8059136B2 (en) * | 2007-12-11 | 2011-11-15 | Honeywell International Inc. | Hierarchichal rapid serial visual presentation for robust target identification |
JP5387147B2 (ja) * | 2009-06-03 | 2014-01-15 | 日本電気株式会社 | 病理画像診断システム、病理画像処理方法、病理画像診断プログラム |
WO2010151761A2 (en) * | 2009-06-26 | 2010-12-29 | Cim Software Corporation | Method for identifying and tracking tissue samples and histological preparations |
HUP0900741A2 (en) | 2009-11-27 | 2011-07-28 | 3Dhistech Kft | Assembly and procedure for digitization of moving slide |
WO2014093838A2 (en) | 2012-12-14 | 2014-06-19 | The J. David Gladstone Institutes | Automated robotic microscopy systems |
EP2936116B8 (de) * | 2012-12-19 | 2020-04-01 | Koninklijke Philips N.V. | System und verfahren zur klassifikation von teilchen in einer flüssigprobe |
CN105096294B (zh) * | 2014-04-30 | 2019-01-18 | 西门子医疗保健诊断公司 | 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置 |
US10755078B2 (en) | 2015-04-10 | 2020-08-25 | President And Fellows Of Harvard College | Methods and devices for live cell imaging analysis |
CN108140240B (zh) * | 2015-08-12 | 2022-05-31 | 分子装置有限公司 | 用于自动分析细胞的表型反应的系统和方法 |
JP2018061440A (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
CN110431637A (zh) * | 2017-02-09 | 2019-11-08 | 莱维特医疗公司 | 用于组织样本处理的系统和方法 |
US10540535B2 (en) | 2017-03-13 | 2020-01-21 | Carl Zeiss Microscopy Gmbh | Automatically identifying regions of interest on images of biological cells |
TWI699816B (zh) * | 2017-12-26 | 2020-07-21 | 雲象科技股份有限公司 | 自動化顯微鏡系統之控制方法、顯微鏡系統及電腦可讀取記錄媒體 |
DE102018217901A1 (de) * | 2018-10-18 | 2020-04-23 | Leica Microsystems Cms Gmbh | Optimierung von Arbeitsabläufen von Mikroskopen |
WO2020092550A1 (en) * | 2018-11-01 | 2020-05-07 | Leavitt Medical, Inc. | Pathological slides and related systems and methods |
FI3884463T3 (fi) * | 2018-11-30 | 2024-03-14 | Amgen Inc | Järjestelmiä ja menetelmiä sytopaattisen vaikutuksen havaitsemiseksi soluissa |
JP2020005661A (ja) * | 2019-10-16 | 2020-01-16 | 憲隆 福永 | 受精判定システム |
CN112396583B (zh) * | 2020-11-18 | 2024-01-26 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
WO2022107435A1 (ja) * | 2020-11-20 | 2022-05-27 | コニカミノルタ株式会社 | 画像解析方法、画像解析システム及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4965725B1 (en) * | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
US5313532A (en) * | 1990-01-23 | 1994-05-17 | Massachusetts Institute Of Technology | Recognition of patterns in images |
WO1991020048A1 (en) | 1990-06-21 | 1991-12-26 | Applied Electronic Vision, Inc. | Cellular analysis utilizing video processing and neural network |
US5857030A (en) * | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
EP0766205B1 (de) * | 1995-09-29 | 2003-12-03 | Koninklijke Philips Electronics N.V. | Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild |
US5741213A (en) * | 1995-10-25 | 1998-04-21 | Toa Medical Electronics Co., Ltd. | Apparatus for analyzing blood |
-
1996
- 1996-04-27 DE DE19616997A patent/DE19616997A1/de not_active Withdrawn
-
1997
- 1997-04-25 EP EP97920751A patent/EP0896661A1/de not_active Withdrawn
- 1997-04-25 WO PCT/EP1997/002130 patent/WO1997041416A1/de active Application Filing
- 1997-04-25 JP JP09538571A patent/JP2000513465A/ja active Pending
- 1997-04-25 US US09/147,161 patent/US6246785B1/en not_active Expired - Fee Related
-
2006
- 2006-10-04 JP JP2006273434A patent/JP2007133859A/ja active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19801400A1 (de) * | 1998-01-16 | 1999-07-29 | Petra Dr Ing Perner | Verfahren und Anordnung zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern |
DE19801400C2 (de) * | 1998-01-16 | 2001-10-18 | Petra Perner | Verfahren zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern |
US7192120B2 (en) | 1998-06-09 | 2007-03-20 | Silverbrook Research Pty Ltd | Ink printhead nozzle arrangement with thermal bend actuator |
DE102004018174B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern mit Fällen und zum fallbasierten Erkennen von Objekten in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
DE102004018171B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern luftgetragener Keime und/oder Pollen und zum fallbasierten Erkennen dieser Objekte in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
US7895141B2 (en) | 2004-04-08 | 2011-02-22 | Petra Perner | Methods for case-based recognition of HEp-2 cells in digital images of HEp-2 cell sections |
DE102007003448A1 (de) | 2007-01-19 | 2008-07-24 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur automatischen Erkennung, Verarbeitung, Interpretation und Schlussfolgerung von als digitale Datenmengen vorliegenden Objekten |
DE102007009485A1 (de) | 2007-02-22 | 2008-08-28 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur Modellbildung für die Bildsegmentierung |
DE202009011850U1 (de) | 2009-08-28 | 2011-01-05 | Perner, Petra, Dr.-Ing. | Einrichtung zur automatischen Erfassung der dynamischen Prozesse von Zellen von Zellproben |
DE102010035908A1 (de) | 2009-08-28 | 2011-03-10 | Perner, Petra, Dr.-Ing. | Einrichtung und Verfahren zur automatischen Erfassung der dynamischen Prozesse von Zellen von Zellproben |
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111339904B (zh) * | 2020-02-21 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US6246785B1 (en) | 2001-06-12 |
JP2007133859A (ja) | 2007-05-31 |
EP0896661A1 (de) | 1999-02-17 |
WO1997041416A1 (de) | 1997-11-06 |
JP2000513465A (ja) | 2000-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19616997A1 (de) | Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben | |
DE19747415C2 (de) | Verfahren zur Unterstützung eines Betrachters bei der Durchmusterung einer Probe und zytologisches Probenanalysiersystem | |
DE69532276T2 (de) | Automatisiertes cytologisches probenklassifizierungsverfahren | |
DE3689856T3 (de) | Analyseverfahren und vorrichtung für biologische specimen. | |
EP0810428B1 (de) | Automatisierte Vorrichtung und Verfahren zum Messen und Bestimmen von Molekülen oder Teilen davon | |
DE3642209C2 (de) | ||
DE2823490A1 (de) | Verfahren zur analyse von organismus- zellen | |
EP1181525B1 (de) | Verfahren zur automatischen analyse von mikroskopaufnahmen | |
AT411066B (de) | Verfahren und anordnung zur untersuchung von zellen | |
DE60120663T2 (de) | Bildgebungseinheit mit assoziierter Bilderdatenbank | |
DE1498824A1 (de) | Vorrichtung zur maschinellen Krebsdiagnose | |
DE19709348A1 (de) | Automatisches Multi-Epitop-Ligand-Kartierungssystem | |
DE4211904C2 (de) | Automatisches Verfahren zum Erstellen einer Liste unterschiedlicher Arten für eine flüssige Probe | |
DE102008059788A1 (de) | Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie | |
EP3575848A1 (de) | Analyzer zur dreidimensionalen analyse einer medizinischen probe mittels einer lichtfeldkamera | |
EP2920577A1 (de) | Vorrichtung und verfahren zur mikroskopie einer vielzahl von proben | |
DE102006038335A1 (de) | Verfahren zur Zellanalyse | |
EP3430565B1 (de) | Verfahren zur untersuchung verteilter objekte unter segmentierung eines übersichtbildes | |
DE19801400C2 (de) | Verfahren zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern | |
EP3828617A1 (de) | Verfahren zur digitalen anfärbung von zellen | |
EP1381846B1 (de) | Verfahren zur analyse einer biologischen probe | |
DE19637741B4 (de) | Automatisches Zytologisches Probenanalysesystem unter Verwendung von individualisierten Patientendaten | |
DE69831573T2 (de) | Inspektionssystem mit probenvorschau | |
EP3971827B1 (de) | Verfahren zum detektieren einer bindung von antikörpern einer patientenprobe an doppelsträngige dns unter verwendung von crithidia luciliae zellen und fluoreszenzmikroskopie | |
DE102021204805A1 (de) | Bewertungsverfahren für Simulationsmodelle in der Mikroskopie |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8127 | New person/name/address of the applicant |
Owner name: ROCHE DIAGNOSTICS GMBH, 68305 MANNHEIM, DE |
|
8141 | Disposal/no request for examination |