DK3161787T3 - Detektering af kanter af en cellekerne under anvendelse af billeanalyse - Google Patents
Detektering af kanter af en cellekerne under anvendelse af billeanalyse Download PDFInfo
- Publication number
- DK3161787T3 DK3161787T3 DK15732707.3T DK15732707T DK3161787T3 DK 3161787 T3 DK3161787 T3 DK 3161787T3 DK 15732707 T DK15732707 T DK 15732707T DK 3161787 T3 DK3161787 T3 DK 3161787T3
- Authority
- DK
- Denmark
- Prior art keywords
- pixel
- pixels
- tensor
- image
- voice
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Claims (15)
1. Billedbehandlingssystem (100) til digital patologi omfattende en processor (105) og en hukommelse koblet til processoren, hukommelsen lagrer et digitalt billede (702) afen biologisk vævsprøve og lagrer computer-eksekverbare instruktioner der, når de udføres af processoren, forårsager processoren til at udføre operationer til genkendelse afen cellekernegrænse i det digitale billede, hvilke operationer omfatter: - identificere, med processoren, én eller flere initialkanter i det digitale billede (702) og anvende pixels'ne indenfor de identificerede initialkanter som initial-stemme-pixels (316); - anvende, med processoren, et tensor-stemme-felt til udførelse af tensor-stemme-operationer på pixels (322, 324, 328) i et nabolag af hvert af initial-stemme-pixels'ne (316); - akkumulere, med processoren, en flerhed af stemmer for hver af de naboliggende pixels (322, 324, 328) for at bestemme en tensor-værdi for den naboliggende pixel (322, 324, 328), mængden afstemmen indikerer hvorvidt den naboliggende pixel skønnes til at være en kantpixel af den samme cellekerne som initial-stemme-pixel'en, tensor-værdien er en sum af alle stemmer afgivet af alle initial-stemme-pixels i hvis nabolag den naboliggende pixel (322, 324) ligger; og - nedbryde, med processoren, hver af de bestemte tensor-værdier for at bestemme egenværdier og egenvektorer af den nedbrudte tensor-værdi; - evaluere, med processoren, de bestemte egenværdier og egenvektorer for at identificere forfinede kantpixels, idet de forfinede kantpixels repræsenterer cellekernegrænsen; og - generere, med processoren, et saliens-kantstyrke-billede (806) der selektivt omfatter de identificerede forfinede kantpixels som repræsenterer cellekernegrænsen.
2. Systemet ifølge krav 1, - hvor tensor-stemme-feltet koder ét eller flere træk af cellekernen; - hvor det ene eller flere træk af cellekernen omfatter informationen om hvorvidt de typiske intensitetsværdier af inder-kerne-pixels af type af cellekerne der skal bestemmes er større eller mindre end de typiske intensitetsværdier af yder-kerne-pixel; - hvor tensor-stemme-feltet er et ikkesymmetrisk tensor-stemme-felt, - hvor tensor-stemme-feltet er ikkesymmetrisk langs en intensitetsgradient (318) af initial-stemme-pixel'en hvis stemme er beregnet; og - hvor kodningen udføres således af beregningen af en stemme af en initial-stemme-pixel (316) med tensor-stemme-feltet omfatter at: o identificere, med processoren, en retning afen intensitetsgradient (318) af det digitale billede (702) ved initial-stemme-pixel'en (316); og ° forårsage stemmeoperationer at afgive større stemmer på en første naboliggende pixel (324) end på en anden naboliggende pixel (328), idet de første og anden naboliggende pixels ligger lige langt væk fra stemme-pixel'en (316), hvor den første naboliggende pixel ligger, ifølge den identificerede retning af intensitetsgradient (318), i retningen af det indre af cellekernen; hvor den anden naboliggende pixel (328) ligger, ifølge den identificerede retning af intensitetsgradienten (318), i retning af udenfor cellekernen.
3. Systemet ifølge et hvilket som helst af de foregående krav, hvor afgivelsen af stemmen afgivet af en af initial-stemme-pixels'ene i hvis nabolag den naboliggende pixel ligger omfattende at: - identificere stemmevinklen forden ene initial-stemme-pixel og den naboliggende pixel, hvor stemmevinklen er vinklen mellem en linje og
retningen vinkelret på intensitetsgradient (318) ved den ene initial-stemme-pixel (316), linjen forbinder initial-stemme-pixel'en og den naboliggende pixel, intensitetsgradienten repræsentereren gradient af intensitetsværdier af det digitale billede (702), intensitetsgradienten peger i retningen af intensitetsværdier typiske for de indre dele af typen af cellekerne der skal bestemmes; - afgive en nulstemme på det naboliggende pixel medmindre stemmevinklen hører til et af følgende vinkelområder:
4. Systemet ifølge et hvilket som helst af de foregående krav, hvor evalueringen af de bestemte egenværdier og egenvektorer omfatter bestemmelse af hvorvidt pixel'en for hvilken de evaluerede egenværdier og egenvektorer blev bestemt er en kantpixel, en overgangspixel, eller en udenforligger, hvilken fremgangsmåde omfatter at: - anvende denne information til selektiv fremhævning af kantpixels'ene i saliens-kantstyrke-billedet (806).
5. Systemet ifølge et hvilket som helst af de foregående krav, hvor tensor-værdien bestemt for hver pixel repræsenterer en saliens-værdi for denne pixel, saliens-værdien er proportional med sandsynligheden for at denne pixel er et element af en cellekerne kant.
6. Systemet ifølge krav ifølge et af de foregående krav, - hvor tensor-stemme-feltet er moduleret ved et træk af cellekernen; og - hvor trækket af cellekernen er radiusen af typen af cellekerne hvis grænse skal detekteres.
7. Systemet ifølge krav 6, hvor beregning af hver stemme af en (O, 316) af initial-stemme-pixels'ne for en (322, 324) af dens naboliggende pixels omfatter at: - identificere en intensitetsgradient (318) ved den ene initial-stemme-pixel (316), idet intensitetsgradienten repræsentereren gradient af intensitetsværdier af det digitale billede (702), intensitetsgradienten peger i retningen af intensitetsværdier typiske for de indre dele af typen af cellekerner der skal bestemmes; - beregne en bue (317) af en cirkel der forbinder det ene initial-stemme-pixel (316) og det ene af de naboliggende pixels (324), buen har en geometrisk midte, den geometriske midte ligger på en linje hvis retning er identisk med retningen af intensitetsgradienten (318) og ligger på halvdelen af denne linje til hvilken retningen af intensitetsgradienten peger; - reducere mængden af stemme afgivet på den ene naboliggende pixel i forhold til afstanden (I) mellem den ene naboliggende pixel og initial-stemme-pixel'en (316); og/eller - reducere mængden af stemme afgivet på den ene naboliggende pixel i tilfælde af at krumningen af buen (317) afviger fra den typiske kantkrumning af typen af cellekerne der skal identificeres mere end en forudbestemt afgivelsestærskelværdi.
8. Systemet ifølge krav 7, - hvor stemmen afgivet på den ene naboliggende pixel er nul krumningen .7€ af buen (317) er under en nedre krumningstærskelværdi Xmin eller er over en øvre krumningstærskelværdi Xmax;
- hvor
hvor rmax er den øvre tærskelværdi af en radius af cellekerne typen der skal identificeres; og - hvor
hvor rm/n er den nedre tærskelværdi af en radius af cellekerne typen der skal identificeres.
9. Systemet ifølge et hvilket som helst af de foregående krav, hvor operationerne yderligere omfatter at: - anvende de forfinede kantpixels til sampling af forgrundspixels (404) og baggrundspixels (406), hvor forgrundspixels'ne er kandidater til inder-kerne-pixels, baggrundspixels kan være kandidater til yder-kerne-pixels, hvor til forgrunds- og baggrundspixels samples ved at udvælge pixels af det digitale billede (702) i nabolaget afen identificeret forfinet kantpixel (408), hvor til forgrundspixels og baggrundspixels vælges fra forskellige sider af kanten (402); - danne et forgrunds-histogram (410) for intensitetsværdier af de samplede forgrundspixels (404); - danne et baggrundshistogram (412) for intensitetsværdier af de samplede baggrundspixels (406); - evaluere forgrunds- og baggrundshistogrammerne for at identificere en optimeret intensitetstærskelværdi, den optimerede intensitetstærskelværdi er en intensitetstærskelværdi der er i stand til at adskille de samplede pixels i afhængighed af om deres intensitetsværdier er under eller over intensitetstærskelværdier i to separate sæt af pixels således at de to separate sæt af pixels har minimumafvigelse fra forgrunds- og baggrundspixelsamples.
10. Systemet ifølge krav 9, hvor operationerne yderligere omfatter at: - tildele en vægt til hver af forgrunds-billed-pixels'ne og til hver af baggrunds-billed-pixels'ne, vægten er proportional med: ° saliens-værdien af den identificerede forfinede kantpixel (408), idet den identificerede forfinede kantpixel ligger imellem den udvalgte forgrunds-(404) og baggrunds (406) pixel og er en af de forfinede kantpixels fra hvis to sider forgrunds- og baggrundspixel blev samplet; eller ° størrelsen af intensitetsgradienten af den identificerede forfinede kantpixel (408), idet den identificerede forfinede kantpixel ligger imellem den samplede forgrunds- (404) og baggrunds (406)-pixel og er en af de forfinede kantpixels fra hvis to sider forgrunds- og baggrundspixel'en blev samplet; hvor den optimerede intensitetstærskelværdi identificeres således at den optimerede intensitetstærskelværdi den er i stand til at adskille de samplede pixels i afhængighed af deres intensitetsværdier værende under eller over intensitetstærskelværdien og i afhængighed af vægtene af de udvalgte pixels i to separate sæt af pixels således at de to separate sæt af pixels har minimumafvigelse fra til forgrunds- og baggrundspixelsamples.
11. Systemet ifølge et hvilket som helst af de foregående krav, operationerne yderligere omfattende: - for hver af en flerhed af foruddefinerede vinkler, beregne, i et enkelt beregningstrin, et respektivt tensor-stemme-felt (902, 904, 906), idet hver tensor af hver af de beregnede tensor-stemme-felter inkorporerering af information om retningen af intensitetsgradienten ved hver pixel (316) af billedet (702) og inkorporerer den relative position af hver af en flerhed af naboliggende pixels med hensyn til denne pixel (316), hvert beregnede tensor-stemme-felt mangler information om intensitetsgradientstørrelse af pixels'ene; hvor tensor-stemme-operationerne udføres efter beregningen af flerheden af tensor-stemme-felter, hvor afgivelsen afen stemme med en af initial-stemme-pixels'ene på en af dets naboliggende pixels omfatter at: - identificere, for det ene initial-stemme-pixel (316), en IVP-gradientvinkel, IVP-gradientvinklen er vinklen mellem x-aksen af billedet og retningen af intensitetsgradient ved det ene initial-stemme-pixel; - identificere det ene (904) af flerheden af tensor-stemme-felter der er blevet afgivet for en vinkel som er identisk med den identificerede IVP-gradientvinkel eller som er den mest lignende med den identificerede IVP-gradientvinkel; - bringe det identificerede tensor-stemme-felt på linje med gitteret af det digitale billede (702); - anvende den relative position af den ene initial-stemme-pixel og den ene naboliggende pixel inkorporeret i det identificerede tensor-stemme-felt for at identificere tensor-værdien der er nedbrudte til beregning afstemmen.
12. Systemet ifølge et hvilket som helst af de foregående krav, hvor operationerne yderligere omfatter at: - beregne en intensitetsgradient i initialbilledet (702) ved stedet for hvert initial-stemme-pixel; og - analysere billedgradienterne ved initial-stemme-pixels'ene for at producere stav-tensor-komponenter af tensor-værdien af hvert initial-stemme-pixel, hvor retningen af intensitetsgradienten ved en pixel anvendes som retningen afen stav-tensor-komponent ved den pixel og hvor gradientværdien af intensitetsgradienten ved denne pixel anvendes som styrken af stav-tensor-komponenten ved denne pixel.
13. Fremgangsmåde til automatisk genkendelse afen cellekernegrænse i et digitalt billede (702) afen biologisk vævsprøve, hvilken fremgangsmåde udføres af en processor af et digitalt patologisk billede-analysesystem, hvilken fremgangsmåde omfatter at: - identificere, med processoren, én eller flere initialkanter i det digitale billede (702) og anvende pixels'ne indenfor de identificerede initialkanter som initial-stemme-pixels (316); - anvende, med processoren, et tensor-stemme-felt til udførelse af tensor-stemme-operationer på pixels i et nabolag af hver af initial-stemme-pixels'ne (316); - akkumulere, med processoren, en flerhed af stemmer for hver af de naboliggende pixels (322, 324) for at bestemme en tensor-værdi for den naboliggende pixel (322, 324), mængden afstemmen indikerer hvorvidt den naboliggende pixel skønnes at være en kantpixel af den samme cellekerne som initial-stemme-pixel, tensor-værdien er en sum af alle stemmer afgivet af alle initial-stemme-pixels i hvis nabolag den naboliggende pixel (322, 324) ligger; og - nedbryde, med processoren, hver af de bestemte tensor-værdier for at bestemme egenværdier og egenvektorer (ei, e2) af den nedbrudte tensor-værdi; - evaluere, med processoren, de bestemte egenværdier og egenvektorer for at identificere forfinede kantpixels, idet de forfinede kantpixels repræsenterer cellekernegrænsen; og - generere, med processoren, et saliens-kantstyrke-billede (806) der selektivt omfatter de identificerede forfinede kantpixels som repræsenterer cellekernegrænsen.
14. Specifikt, ikke-transistorisk computer-læsbart medium med computer-eksekverbare instruktioner til udførelse med et databehandlingssystem, af de computer-eksekverbare instruktioner til udførelse af afgrænsningen af objektgrænser til billedanalyse af biologiske vævsprøver, de computer-eksekverbare instruktioner, når de udføres, forårsager behandlingssystemet til at udføre fremgangsmåden ifølge krav 13.
15. Specifikt, ikke-transistorisk computer-læsbart medium til lagring af computer-eksekverbare instruktioner der, når de udføres af en processor, udfører operationer til genkendelse af en cellekernegrænse i en biologisk vævsprøve, hvilke operationer omfatter: a) udføre tensor-stemme-operationer på pixels i et nabolag af initial-stemme-pixels; b) akkumulere en flerhed af stemmer for hver af de naboliggende pixels for at bestemme en tensor-værdi; og c) generere et saliens-kantstyrke-billede der fremhæver kantpixels baseret på egenværdier og egenvektorer aftensoren ved pixelen, hvor tensor-stemme-operationerne anvender et ikke-symmetrisk tensor-stemme-felt som inkorporerer domæne-viden om en struktur der skal detekteres, ikke begrænset til størrelsen af cellekernen og den kendsgerning at gradienterne på kanten peger til omtrent den samme position.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462018848P | 2014-06-30 | 2014-06-30 | |
PCT/EP2015/064845 WO2016001223A1 (en) | 2014-06-30 | 2015-06-30 | Detecting edges of a nucleus using image analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
DK3161787T3 true DK3161787T3 (da) | 2018-08-13 |
Family
ID=53496716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DK15732707.3T DK3161787T3 (da) | 2014-06-30 | 2015-06-30 | Detektering af kanter af en cellekerne under anvendelse af billeanalyse |
Country Status (8)
Country | Link |
---|---|
US (1) | US10127675B2 (da) |
EP (2) | EP3389011B1 (da) |
JP (1) | JP6660313B2 (da) |
AU (1) | AU2015283079A1 (da) |
CA (1) | CA2948226C (da) |
DK (1) | DK3161787T3 (da) |
ES (1) | ES2680678T3 (da) |
WO (1) | WO2016001223A1 (da) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3389011B1 (en) | 2014-06-30 | 2019-06-12 | Ventana Medical Systems, Inc. | Image analysis system for detecting edges of a nucleus |
US9996933B2 (en) * | 2015-12-22 | 2018-06-12 | Qualcomm Incorporated | Methods and apparatus for outlier detection and correction of structured light depth maps |
US9898817B2 (en) * | 2016-02-25 | 2018-02-20 | Niramai Health Analytix Pvt Ltd | Software tool for breast cancer screening |
US10360434B2 (en) * | 2016-07-25 | 2019-07-23 | Case Western Reserve University | Multi-pass adaptive voting for nuclei detection in histopathological images |
US9934578B2 (en) * | 2016-08-15 | 2018-04-03 | Macau University Of Science And Technology | Method for edge detection |
CN109963936A (zh) * | 2016-09-08 | 2019-07-02 | 雅培实验室 | 自动体液分析 |
EP3324407A1 (en) | 2016-11-17 | 2018-05-23 | Fraunhofer Gesellschaft zur Förderung der Angewand | Apparatus and method for decomposing an audio signal using a ratio as a separation characteristic |
EP3324406A1 (en) * | 2016-11-17 | 2018-05-23 | Fraunhofer Gesellschaft zur Förderung der Angewand | Apparatus and method for decomposing an audio signal using a variable threshold |
WO2018109764A1 (en) * | 2016-12-14 | 2018-06-21 | Eyes Ltd | System and methods for fully automated data analysis, reporting and quantification for medical and general diagnosis, and for edge detection in digitized images |
US10783627B2 (en) | 2017-03-03 | 2020-09-22 | Case Western Reserve University | Predicting cancer recurrence using local co-occurrence of cell morphology (LoCoM) |
US10121093B2 (en) * | 2017-04-11 | 2018-11-06 | Sony Corporation | System and method for background subtraction in video content |
EP3438928A1 (en) * | 2017-08-02 | 2019-02-06 | Koninklijke Philips N.V. | Detection of regions with low information content in digital x-ray images |
CN107644398B (zh) * | 2017-09-25 | 2021-01-26 | 上海兆芯集成电路有限公司 | 图像插补方法及其相关图像插补装置 |
JP6996200B2 (ja) * | 2017-09-29 | 2022-01-17 | 富士通株式会社 | 画像処理方法、画像処理装置、および画像処理プログラム |
CN107909555B (zh) * | 2017-11-27 | 2020-06-02 | 北京大恒图像视觉有限公司 | 一种保持锐度的网格噪声消除方法 |
WO2019110583A1 (en) | 2017-12-07 | 2019-06-13 | Ventana Medical Systems, Inc. | Deep-learning systems and methods for joint cell and region classification in biological images |
WO2019121564A2 (en) | 2017-12-24 | 2019-06-27 | Ventana Medical Systems, Inc. | Computational pathology approach for retrospective analysis of tissue-based companion diagnostic driven clinical trial studies |
CN109960978A (zh) * | 2017-12-25 | 2019-07-02 | 大连楼兰科技股份有限公司 | 基于图像分层技术的车辆检测系统及装置 |
CN108492260B (zh) * | 2018-02-07 | 2019-01-08 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
CN109657717A (zh) * | 2018-12-17 | 2019-04-19 | 罗世彬 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
CN109584253B (zh) * | 2018-12-20 | 2022-08-30 | 重庆切克威科技有限公司 | 油液磨粒图像分割方法 |
CN111414904B (zh) * | 2019-01-08 | 2023-12-01 | 北京地平线机器人技术研发有限公司 | 处理感兴趣区域数据的方法和装置 |
WO2020163742A1 (en) | 2019-02-08 | 2020-08-13 | Photon-X, Inc. | Integrated spatial phase imaging |
CN110210437B (zh) * | 2019-06-10 | 2021-08-17 | 上海联影医疗科技股份有限公司 | 一种图像中人体区域的确定方法及系统 |
WO2021067665A2 (en) * | 2019-10-03 | 2021-04-08 | Photon-X, Inc. | Enhancing artificial intelligence routines using 3d data |
CN110827220B (zh) * | 2019-11-01 | 2023-05-30 | 杭州当虹科技股份有限公司 | 一种基于图像边缘分析的抗锯齿方法 |
CN110969638B (zh) * | 2019-11-12 | 2023-09-29 | 桂林电子科技大学 | 一种基于张量的背景减除方法及系统 |
CN111681256B (zh) * | 2020-05-07 | 2023-08-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111640123B (zh) * | 2020-05-22 | 2023-08-11 | 北京百度网讯科技有限公司 | 无背景图像的生成方法、装置、设备及介质 |
CN115867936A (zh) * | 2020-06-19 | 2023-03-28 | 佩治人工智能公司 | 处理电子图像以产生组织图可视化的系统和方法 |
CN112070696A (zh) * | 2020-09-07 | 2020-12-11 | 上海大学 | 一种基于纹理与结构分离的图像修复方法及系统、终端 |
CN112348750B (zh) * | 2020-10-27 | 2023-08-18 | 西安电子科技大学 | 基于阈值融合和邻域投票的sar图像变化检测方法 |
CN113112496B (zh) * | 2021-04-30 | 2022-06-14 | 哈尔滨工业大学 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
CN113190737B (zh) * | 2021-05-06 | 2024-04-16 | 上海慧洲信息技术有限公司 | 一种基于云平台的网站信息采集系统 |
CN114567794B (zh) * | 2022-03-11 | 2023-06-30 | 浙江理工大学 | 一种直播视频背景替换方法 |
US20230394647A1 (en) * | 2022-06-06 | 2023-12-07 | Nvidia Corporation | Determining contour edges for an image |
US12075017B2 (en) * | 2022-07-15 | 2024-08-27 | Zhejiang University Of Technology | Method for acquiring color density characteristic curve in printing |
CN115457004B (zh) * | 2022-09-22 | 2023-05-26 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115358497B (zh) * | 2022-10-24 | 2023-03-10 | 湖南长理尚洋科技有限公司 | 基于gis技术的智慧全景巡河方法及系统 |
CN116630790B (zh) * | 2023-03-17 | 2024-05-24 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
CN116485785B (zh) * | 2023-06-15 | 2023-08-18 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
KR102699637B1 (ko) * | 2024-02-14 | 2024-08-28 | 주식회사 에이비스 | 복수의 바이옵시 조직 절편들을 포함하는 슬라이드 이미지로부터의 절편 데이터 획득 방법 |
CN117934455B (zh) * | 2024-03-19 | 2024-06-11 | 江苏盖亚环境科技股份有限公司 | 一种基于河道水流净化效果的检测方法及系统 |
CN117974528B (zh) * | 2024-04-02 | 2024-06-18 | 北京易优联科技有限公司 | 一种肾活检切片影像优化增强方法 |
CN118447043A (zh) * | 2024-07-08 | 2024-08-06 | 齐鲁工业大学(山东省科学院) | 基于非对称二次度量的测地线方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1534114A2 (en) * | 2002-06-18 | 2005-06-01 | Lifespan Biosciences, Inc. | Computerized image capture of structures of interest within a tissue sample |
US8126229B2 (en) * | 2007-08-03 | 2012-02-28 | Siemens Medical Solutions Usa, Inc. | Reduction of lymph tissue false positives in pulmonary embolism detection |
JP5745919B2 (ja) * | 2011-04-28 | 2015-07-08 | 浜松ホトニクス株式会社 | 細胞解析方法、細胞解析装置、および細胞解析プログラム |
JP5928010B2 (ja) * | 2012-03-07 | 2016-06-01 | 株式会社豊田中央研究所 | 道路標示検出装置及びプログラム |
US9412176B2 (en) * | 2014-05-06 | 2016-08-09 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
EP3389011B1 (en) | 2014-06-30 | 2019-06-12 | Ventana Medical Systems, Inc. | Image analysis system for detecting edges of a nucleus |
-
2015
- 2015-06-30 EP EP18170775.3A patent/EP3389011B1/en active Active
- 2015-06-30 EP EP15732707.3A patent/EP3161787B1/en active Active
- 2015-06-30 ES ES15732707.3T patent/ES2680678T3/es active Active
- 2015-06-30 CA CA2948226A patent/CA2948226C/en active Active
- 2015-06-30 JP JP2016575788A patent/JP6660313B2/ja active Active
- 2015-06-30 WO PCT/EP2015/064845 patent/WO2016001223A1/en active Application Filing
- 2015-06-30 DK DK15732707.3T patent/DK3161787T3/da active
- 2015-06-30 AU AU2015283079A patent/AU2015283079A1/en not_active Abandoned
-
2016
- 2016-12-21 US US15/387,638 patent/US10127675B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US10127675B2 (en) | 2018-11-13 |
WO2016001223A1 (en) | 2016-01-07 |
EP3389011A1 (en) | 2018-10-17 |
WO2016001223A9 (en) | 2016-02-25 |
CA2948226A1 (en) | 2016-01-07 |
ES2680678T3 (es) | 2018-09-10 |
JP2017521779A (ja) | 2017-08-03 |
EP3161787A1 (en) | 2017-05-03 |
CA2948226C (en) | 2023-09-05 |
EP3389011B1 (en) | 2019-06-12 |
EP3161787B1 (en) | 2018-06-13 |
AU2015283079A1 (en) | 2016-11-24 |
US20170098310A1 (en) | 2017-04-06 |
JP6660313B2 (ja) | 2020-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DK3161787T3 (da) | Detektering af kanter af en cellekerne under anvendelse af billeanalyse | |
US10540771B2 (en) | System and method for image segmentation | |
JP6496709B2 (ja) | 連続的に染色した組織における、1つの細胞の分割を使用する多重化バイオマーカー定量用の方法及びコンピュータ可読媒体 | |
CN113628157A (zh) | 利用病理图像来表征肿瘤微环境的系统和方法 | |
US20060204953A1 (en) | Method and apparatus for automated analysis of biological specimen | |
WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
EP2909793A2 (en) | Biological unit identification based on supervised shape ranking | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN112330701A (zh) | 基于极坐标表示的组织病理图像细胞核分割方法及系统 | |
De | Automatic data extraction from 2D and 3D pie chart images | |
CN107742113A (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
Wang et al. | A region-line primitive association framework for object-based remote sensing image analysis | |
WO2022150554A1 (en) | Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework | |
WO2020035550A1 (en) | System and method for analysis of microscopic image data and for generating an annotated data set for classifier training | |
WO2014016234A1 (en) | Biological unit segmentation with ranking based on similarity applying a shape and scale descriptor | |
WO2023204959A1 (en) | Cell classification using center emphasis of a feature map | |
Jabar et al. | Image segmentation using an adaptive clustering technique for the detection of acute leukemia blood cells images | |
Sintunata et al. | Skeleton extraction in cluttered image based on Delaunay triangulation | |
Qu et al. | Contour detection based on SUSAN principle and surround suppression | |
WO2024001051A1 (zh) | 空间组学单细胞数据获取方法及装置和电子设备 | |
Chen et al. | Segmentation of overlapping cells in cervical cytology images: a survey | |
Carvajal | AN END TO END PIPELINE TO LOCALIZE NUCLEI IN MICROSCOPIC ZEBRAFISH EMBRYO IMAGES | |
WO2013052632A1 (en) | Pathological image analysis using neighbourhood graphs and geometric statistics of nuclei | |
Farhan | Automated clump splitting for biological cell segmentation in microscopy using image analysis | |
Yalçın | Effect of shadow in building detection and building boundary extraction |