JP2019529882A - 生体粒子の分類のシステム及び方法 - Google Patents
生体粒子の分類のシステム及び方法 Download PDFInfo
- Publication number
- JP2019529882A JP2019529882A JP2019510405A JP2019510405A JP2019529882A JP 2019529882 A JP2019529882 A JP 2019529882A JP 2019510405 A JP2019510405 A JP 2019510405A JP 2019510405 A JP2019510405 A JP 2019510405A JP 2019529882 A JP2019529882 A JP 2019529882A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- level
- features
- image
- mask
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
Description
血液学
尿検査
画像取得
また、記憶媒体180は、プログラムが実行され得る第1のコンピュータに位置してもよく、又はネットワーク190を通じて第1のコンピュータに接続する第2の異なるコンピュータに位置してもよい。ネットワーク190の例では、第2のコンピュータは、プログラム命令145を実行のために第1のコンピュータに提供してもよい。図1Aは、単一のプロセッサ120を有する単一のコンピューティングデバイス110を示しているが、システム100は、任意の数のコンピューティングデバイス110及び任意の数のプロセッサ120を含み得る。例えば、複数のコンピューティングデバイス110又は複数のプロセッサ120が、有線又は無線ネットワーク(例えば、広域ネットワーク、ローカルエリアネットワーク、又はインターネット)上に分散され得る。複数のコンピューティングデバイス110又は複数のプロセッサ120は、本開示の任意のステップを個別に、又は互いに連携して遂行し得る。
特徴抽出
いくつかの例では、特徴抽出は、一組の画素を群へとクラスタ化することを含み得る。各画素は、パレット内の最も近い色に割り振ってもよい。得られた色特徴シグネチャは、パレット内の各色の振幅値を有するヒストグラムであってもよい。
γCj中の全ての細胞をリングマスクRlでマスクする。
マスクされた細胞画像内の保持された画素から一組のRGB画素Vlを形成する。
Rl中の各組の画素Vlについて
Vlをhグループにクラスタ化すると、一組のhクラスタセンタ
リングカラーパレットを作成する
より大径を有するリングマスク300〜350に向かってバイアスを導入し得る。この問題に対処するために、各ヒストグラムベクトルは単位大きさに正規化されてもよい。
特徴選択
分類機アーキテクチャ
分類機アーキテクチャの第1のレベルモデル
分類機アーキテクチャの第2のレベルモデル
一対のカテゴリ{Cj,Ck}、1≦j≦m,1≦k≦m,j≠kが与えられる。
正しい分類の確率は以下のように計算され得る。
f=(Pr{Cj,Ck}(M)×max(M1))+((1−Pr{Cj,Ck}(M))×max(M2))
Gjを、血液カテゴリCjに一致するラベルTi、1≦i≦nを有する画像Piのサブセットとして定義する
全ての特徴Fs、1≦s≦mについて
Gjとデータセット内の残りの粒子画像との間の特徴Fsの識別係数Ds,jを計算する。
計数Dsは、受信機動作曲線(Receiver Operating Curve、ROC)の曲線下面積(Area Under the Curve、AUC)、情報エントロピー、又は他の利用可能な方法などの様々な方法によって計算することができる。
終了
終了
入力画像Piが与えられる
全ての分類機Cljについて
画像Piを分析して、Cljレベル1分類機に必要な特徴Fを抽出する
特徴Fをレベル1分類機に入力して
レベル1分類機の遷移関数
画像Piを分析して、Cljレベル2分類機に必要な特徴Fを抽出する
特徴Fをレベル2分類機に入力して
レベル2分類機の遷移関数
上記の
Clj分類機応答>0である場合、入力画像Piを血液粒子カテゴリCljとして分類し、入力画像Piの分類タスクを完了する
Clj分類機応答<0である場合、入力画像Piを血液粒子カテゴリ「その他」として分類し、分類機Clj+1へと続ける。
終了
終了
終了
入力画像PiがいずれのClj分類機によっても分類されなかった場合、画像Piに不明とラベル付けする。
Claims (41)
- 生体試料中の粒子の分類を決定する方法であって、前記方法は、
前記粒子の画像を取得することと、
プロセッサシステムにおいて前記粒子の前記画像を受信することと、
非一時的なコンピュータ可読媒体上に記憶されたコンピュータ実行可能コードを前記プロセッサシステムを使用して実行することと
を含み、
前記コンピュータ実行可能コードは、命令を含み、前記命令は、前記プロセッサシステム上で実行されると、
抽出ルーチンを遂行することであって、前記抽出ルーチンは、前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することを含み、前記抽出することは、
第1のマスクを前記画像に適用すること、
前記第1のマスクを適用することに基づいて前記画像から第1の組の画素を取得すること、及び
前記第1の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
マッピングルーチンを遂行することであって、前記マッピングルーチンは、前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることを含み、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第1のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第1のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を前記プロセッサシステムに行わせる、方法。 - 前記抽出することは、第2の組の画素を取得するために第2のマスクを前記画像に適用することを含む、請求項1に記載の方法。
- 前記第1のマスク及び前記第2のマスクは、円形又はリング形状である、請求項2に記載の方法。
- 前記異なるマスクの適用は、異なる画素を明らかにする、請求項2又は3に記載の方法。
- 前記第1のマスク及び前記第2のマスクは、所定の順序で適用される、請求項2〜4のいずれか一項に記載の方法。
- 前記抽出することは、前記第1の組の画素を群へとクラスタ化することを含む、請求項1〜5のいずれか一項に記載の方法。
- 前記抽出することは、前記クラスタ化された画素群からカラーパレットを作成することを含む、請求項6に記載の方法。
- 前記抽出することは、前記カラーパレットに部分的に基づいて前記画像のラベルを決定することを含む、請求項7に記載の方法。
- 前記抽出することは、前記画像をマスクサイズに正規化することを含む、請求項1〜8のいずれか一項に記載の方法。
- 前記抽出することは、前記第1のマスクを単位大きさに正規化することを含む、請求項1〜9のいずれか一項に記載の方法。
- 前記抽出することは、赤色緑色青色(RGB)色相彩度値(HSV)、色相彩度明度(HSL)、又は色相彩度明度(HSB)を含む選択された色空間を使用することを含む、請求項1〜10のいずれか一項に記載の方法。
- 前記抽出された特徴の前記選択されたサブセットは、訓練特徴、検証特徴、又はテスト特徴を含む、請求項1〜11のいずれか一項に記載の方法。
- 前記抽出された特徴の前記サブセットは、カスケード分類機アーキテクチャにマッピングされる、請求項1〜12のいずれか一項に記載の方法。
- 前記第1のレベルモデルは、機械学習モデルである、請求項1〜13のいずれか一項に記載の方法。
- 前記マッピングすることは更に、
前記確率値が前記閾値未満であるとき、前記粒子分類を決定するために第2のレベルモデルを使用することを含む、請求項1〜14のいずれか一項に記載の方法。 - 前記第2のレベルモデルは、機械学習モデルである、請求項15に記載の方法。
- 前記第2のレベルモデルを使用することは、
前記確率値を前記第2のレベルモデルで受信することと、
粒子カテゴリに関する分類性能に従ってソートされた値のリストを作成することと、
第2のレベルの確率値を作成するために前記確率値と前記ソートされたリストとを組み合わせることと、
前記粒子分類を決定するために前記第1のレベルの確率値と前記第2のレベルの確率値とを使用することとを更に含む、請求項15又は16に記載の方法。 - 前記粒子は、好中球、リンパ球、単球、好酸球、好塩基球、未成熟白血球、網状赤血球、有核赤血球、赤血球、上皮細胞、細菌、酵母、又は寄生虫からなる群から選択されるメンバーを含む、請求項1〜17のいずれか一項に記載の方法。
- 生体試料中の粒子の分類を決定するシステムであって、前記システムは、
プロセッサ及び前記プロセッサに連結されたコンピュータ可読記憶媒体を含み、前記コンピュータ可読記憶媒体は、
前記粒子の画像を取得することと、
前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することであって、前記抽出することは、
第1のマスクを前記画像に適用すること、
前記第1のマスクを適用することに基づいて前記画像から第1の組の画素を取得すること、及び
前記第1の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることであって、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第1のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第1のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を含む方法を実装するための前記プロセッサによって実行可能なコードを含む、システム。 - 前記システムは、デジタル顕微鏡カメラを使用する、請求項19に記載のシステム。
- 抽出された特徴のサブセットを分類機アーキテクチャにマッピングすることによって生体試料中の粒子の分類を決定する方法であって、前記マッピングすることは、
前記抽出された特徴のサブセットを以前記憶されたデータセットと比較するために第1のレベルの機械学習モデルを使用することであって、前記抽出された特徴は画像から抽出される、使用することと、
前記第1のレベルの機械学習モデルを使用して確率値を算出することと、
前記確率値を所定の比較表と比較することと、
前記確率値が閾値以上である場合、粒子分類を決定することと、
前記確率値が前記閾値未満である場合、第2のレベルの機械学習モデルを使用することと、
前記第2のレベルの機械学習モデルを使用して粒子カテゴリに関する分類性能に従って昇順にソートされた値のリストを作成することと、
第2のレベルのスコアを作成するために前記確率値と前記ソートされた値のリストとを組み合わせることと、
粒子分類を決定するために前記第2のレベルのスコアを使用することと、を含む、方法。 - 生体試料中の粒子の分類を決定する方法であって、前記方法は、
前記粒子の画像を取得することと、
前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することであって、前記抽出することは、
第1のマスクを前記画像に適用すること、
前記第1のマスクを適用することに基づいて前記画像から第1の組の画素を取得すること、及び
前記第1の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることであって、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第1のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第1のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を含む、方法。 - 前記抽出することは、第2の組の画素を取得するために第2のマスクを前記画像に適用することを含む、請求項22に記載の方法。
- 前記第1のマスク及び前記第2のマスクは、円形又はリング形状である、請求項23に記載の方法。
- 前記異なるマスクの適用は、異なる画素を明らかにする、請求項23又は24に記載の方法。
- 前記第1のマスク及び前記第2のマスクは、所定の順序で適用される、請求項23〜25のいずれか一項に記載の方法。
- 前記抽出することは、前記第1の組の画素を群へとクラスタ化することを含む、請求項22〜26のいずれか一項に記載の方法。
- 前記抽出することは、前記クラスタ化された画素群からカラーパレットを作成することを含む、請求項27に記載の方法。
- 前記抽出することは、前記カラーパレットに部分的に基づいて前記画像のラベルを決定することを含む、請求項28に記載の方法。
- 前記抽出することは、前記画像をマスクサイズに正規化することを含む、請求項22〜29のいずれか一項に記載の方法。
- 前記抽出することは、前記第1のマスクを単位大きさに正規化することを含む、請求項22〜30のいずれか一項に記載の方法。
- 前記抽出することは、赤色緑色青色(RGB)色相彩度値(HSV)、色相彩度明度(HSL)、又は色相彩度明度(HSB)を含む選択された色空間を使用することを含む、請求項22〜31のいずれか一項に記載の方法。
- 前記抽出された特徴の前記選択されたサブセットは、訓練特徴、検証特徴、又はテスト特徴を含む、請求項22〜32のいずれか一項に記載の方法。
- 前記抽出された特徴の前記サブセットは、カスケード分類機アーキテクチャにマッピングされる、請求項22〜33のいずれか一項に記載の方法。
- 前記第1のレベルモデルは、機械学習モデルである、請求項22〜34のいずれか一項に記載の方法。
- 前記マッピングすることは、
前記確率値が前記閾値未満であるとき、前記粒子分類を決定するために第2のレベルモデルを使用することを更に含む、請求項22〜35のいずれか一項に記載の方法。 - 前記第2のレベルモデルは、機械学習モデルである、請求項36に記載の方法。
- 前記第2のレベルモデルを使用することは、
前記確率値を前記第2のレベルモデルで受信することと、
粒子カテゴリに関する分類性能に従ってソートされた値のリストを作成することと、
第2のレベルの確率値を作成するために前記確率値と前記ソートされたリストとを組み合わせることと、
前記粒子分類を決定するために前記第1のレベルの確率値と前記第2のレベルの確率値とを使用することと
を更に含む、請求項36又は37に記載の方法。 - 前記粒子は、好中球、リンパ球、単球、好酸球、好塩基球、未成熟白血球、網状赤血球、有核赤血球、赤血球、上皮細胞、細菌、酵母、又は寄生虫からなる群から選択されるメンバーを含む、請求項22〜38のいずれか一項に記載の方法。
- 前記コンピュータ可読記憶媒体は、請求項1〜18のいずれか1つの方法を実装するための前記プロセッサによって実行可能なコードを含む、請求項19又は20に記載のシステム。
- 1つ以上のプロセッサによって実行可能なプログラム命令を含む非一時的コンピュータ可読記憶媒体であって、前記プログラム命令は、実行されると、前記1つ以上のプロセッサに動作を遂行させ、前記動作は、請求項1〜18のいずれか一項に記載の方法を含む、非一時的コンピュータ可読記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022110246A JP7465914B2 (ja) | 2016-08-22 | 2022-07-08 | 生体粒子の分類のシステム及び方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662377851P | 2016-08-22 | 2016-08-22 | |
US62/377,851 | 2016-08-22 | ||
PCT/US2017/047993 WO2018039216A1 (en) | 2016-08-22 | 2017-08-22 | System and method of classification of biological particles |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022110246A Division JP7465914B2 (ja) | 2016-08-22 | 2022-07-08 | 生体粒子の分類のシステム及び方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019529882A true JP2019529882A (ja) | 2019-10-17 |
JP2019529882A5 JP2019529882A5 (ja) | 2020-10-01 |
JP7104691B2 JP7104691B2 (ja) | 2022-07-21 |
Family
ID=59746362
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019510405A Active JP7104691B2 (ja) | 2016-08-22 | 2017-08-22 | 生体粒子の分類のシステム及び方法 |
JP2022110246A Active JP7465914B2 (ja) | 2016-08-22 | 2022-07-08 | 生体粒子の分類のシステム及び方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022110246A Active JP7465914B2 (ja) | 2016-08-22 | 2022-07-08 | 生体粒子の分類のシステム及び方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11403751B2 (ja) |
EP (1) | EP3500964A1 (ja) |
JP (2) | JP7104691B2 (ja) |
KR (1) | KR102469620B1 (ja) |
CN (1) | CN109952614B (ja) |
BR (1) | BR112019003144A2 (ja) |
WO (1) | WO2018039216A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021100606A1 (ja) * | 2019-11-19 | 2021-05-27 | 昭和電工株式会社 | 機械学習装置、方法、プログラム、およびシステム |
US11403751B2 (en) | 2016-08-22 | 2022-08-02 | Iris International, Inc. | System and method of classification of biological particles |
WO2022244075A1 (ja) * | 2021-05-17 | 2022-11-24 | 日本電気株式会社 | 検査システム |
WO2023105547A1 (ja) * | 2021-12-06 | 2023-06-15 | 日本電気株式会社 | 分類装置、分類方法、及びプログラム |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11132529B2 (en) * | 2016-11-16 | 2021-09-28 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
CN109117689B (zh) * | 2017-06-22 | 2020-01-07 | 京东方科技集团股份有限公司 | 行人检测方法和装置 |
WO2020004101A1 (ja) * | 2018-06-27 | 2020-01-02 | 株式会社Cybo | 表示制御装置、表示制御方法及び表示制御プログラム |
SE542402C2 (en) * | 2018-07-02 | 2020-04-21 | Cellavision Ab | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample |
US20210073513A1 (en) * | 2019-02-01 | 2021-03-11 | Essen Instruments, Inc. D/B/A Essen Bioscience, Inc. | Method for Classifying Cells |
JP7352365B2 (ja) * | 2019-03-22 | 2023-09-28 | シスメックス株式会社 | 細胞の分析方法、深層学習アルゴリズムの訓練方法、細胞分析装置、深層学習アルゴリズムの訓練装置、細胞の分析プログラム及び深層学習アルゴリズムの訓練プログラム |
JP7100336B2 (ja) * | 2019-05-16 | 2022-07-13 | ペイジ.エーアイ インコーポレイテッド | デジタル病理学のために、画像を処理し、処理された画像を分類するためのシステムおよび方法 |
CN112241748A (zh) * | 2019-07-16 | 2021-01-19 | 广州汽车集团股份有限公司 | 一种基于多源信息熵差异性的数据降维方法及装置 |
KR102201433B1 (ko) * | 2019-10-10 | 2021-01-13 | 연세대학교 산학협력단 | 기계학습을 이용한 바이오 에어로졸 모니터링 장치 및 그 방법 |
CN110796668B (zh) * | 2019-10-28 | 2022-04-01 | 闽江学院 | 一种基于稀疏限制的白细胞细胞核分割方法 |
US11625626B2 (en) * | 2020-01-31 | 2023-04-11 | Rsa Security Llc | Performance improvement recommendations for machine learning models |
US11860154B2 (en) * | 2020-05-28 | 2024-01-02 | Leuko Labs, Inc | Method to detect white blood cells and/or white blood cell subtypes from non-invasive capillary videos |
US20220082488A1 (en) * | 2020-06-26 | 2022-03-17 | Cytek Biosciences, Inc. | Methods of forming multi-color fluorescence-based flow cytometry panel |
CN114065826A (zh) * | 2020-07-28 | 2022-02-18 | 紫东信息科技(苏州)有限公司 | 图像分类模型的构建方法、分类方法、装置及电子设备 |
CN112419262A (zh) * | 2020-11-19 | 2021-02-26 | 上海联影智能医疗科技有限公司 | 骨髓涂片显微图像分析方法、装置、电子设备及存储介质 |
CN114663330A (zh) * | 2020-12-03 | 2022-06-24 | 富泰华工业(深圳)有限公司 | 干细胞密度确定方法、装置、电子设备及存储介质 |
CN114765575A (zh) * | 2021-01-04 | 2022-07-19 | 中国移动通信有限公司研究院 | 一种网络故障原因预测方法、装置及电子设备 |
CN112834518A (zh) * | 2021-01-06 | 2021-05-25 | 优刻得科技股份有限公司 | 颗粒缺陷检测方法、系统、设备和介质 |
US11953419B2 (en) | 2021-02-23 | 2024-04-09 | Industry-Academic Cooperation Foundation, Yonsei University | Apparatus for monitoring bioaerosols using machine learning and method thereof |
KR102326602B1 (ko) * | 2021-03-24 | 2021-11-16 | 주식회사 에니텍 | 자료동화 및 하이브리드 모델을 적용한 상세 공간 해상도 오염지도 산출 방법 및 정보 제공 방법 |
CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
KR20230080108A (ko) | 2021-11-29 | 2023-06-07 | 한국생산기술연구원 | 딥러닝 기반 미세 액적 분사 상태 모니터링 장치 및 방법 |
WO2023172763A1 (en) | 2022-03-11 | 2023-09-14 | Beckman Coulter, Inc. | Controls and their use in analyzers |
US20230334826A1 (en) * | 2022-04-13 | 2023-10-19 | Arkray, Inc. | Image processing device, data management device, image processing system, image processing method, and non-transitory storage medium |
WO2024030620A1 (en) | 2022-08-05 | 2024-02-08 | Beckman Coulter, Inc. | Identification of immature cell types utilizing imaging |
CN116934742B (zh) * | 2023-09-13 | 2024-02-27 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种淋巴结构图像识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001512824A (ja) * | 1997-08-08 | 2001-08-28 | オンコメトリックス・イメージング・コーポレーション | 悪性細胞および悪性関連の変化を有する細胞を自動的に検出するシステムおよび方法 |
JP2004505233A (ja) * | 2000-04-24 | 2004-02-19 | インターナショナル・リモート・イメージング・システムズ・インク | マルチニューラルネット画像装置及びその方法 |
US20050251347A1 (en) * | 2004-05-05 | 2005-11-10 | Pietro Perona | Automatic visual recognition of biological particles |
JP2007309804A (ja) * | 2006-05-19 | 2007-11-29 | Pola Chem Ind Inc | 角層細胞の自動鑑別装置 |
US8879813B1 (en) * | 2013-10-22 | 2014-11-04 | Eyenuk, Inc. | Systems and methods for automated interest region detection in retinal images |
JP2015137857A (ja) * | 2014-01-20 | 2015-07-30 | 富士ゼロックス株式会社 | 検出制御装置、プログラム及び検出システム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4612614A (en) * | 1980-09-12 | 1986-09-16 | International Remote Imaging Systems, Inc. | Method of analyzing particles in a fluid sample |
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
CA2901833A1 (en) * | 2013-02-28 | 2014-09-04 | Progyny, Inc. | Apparatus, method, and system for image-based human embryo cell classification |
CN103745210B (zh) * | 2014-01-28 | 2018-02-06 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
DE112015006268T5 (de) * | 2015-04-08 | 2018-01-25 | Olympus Corporation | Zellverfolgungs-Korrekturverfahren, Zellverfolgungs-Korrekturgerät und Speichermedium zur temporären Speicherung eines computerlesbaren Zellverfolgungs-Korrekturprogramms |
JP7104691B2 (ja) | 2016-08-22 | 2022-07-21 | アイリス インターナショナル, インコーポレイテッド | 生体粒子の分類のシステム及び方法 |
-
2017
- 2017-08-22 JP JP2019510405A patent/JP7104691B2/ja active Active
- 2017-08-22 EP EP17761164.7A patent/EP3500964A1/en active Pending
- 2017-08-22 KR KR1020197005157A patent/KR102469620B1/ko active IP Right Grant
- 2017-08-22 BR BR112019003144-8A patent/BR112019003144A2/pt not_active Application Discontinuation
- 2017-08-22 CN CN201780051805.0A patent/CN109952614B/zh active Active
- 2017-08-22 WO PCT/US2017/047993 patent/WO2018039216A1/en active Application Filing
- 2017-08-22 US US16/324,795 patent/US11403751B2/en active Active
-
2022
- 2022-06-27 US US17/850,234 patent/US11900598B2/en active Active
- 2022-07-08 JP JP2022110246A patent/JP7465914B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001512824A (ja) * | 1997-08-08 | 2001-08-28 | オンコメトリックス・イメージング・コーポレーション | 悪性細胞および悪性関連の変化を有する細胞を自動的に検出するシステムおよび方法 |
JP2004505233A (ja) * | 2000-04-24 | 2004-02-19 | インターナショナル・リモート・イメージング・システムズ・インク | マルチニューラルネット画像装置及びその方法 |
US20050251347A1 (en) * | 2004-05-05 | 2005-11-10 | Pietro Perona | Automatic visual recognition of biological particles |
JP2007309804A (ja) * | 2006-05-19 | 2007-11-29 | Pola Chem Ind Inc | 角層細胞の自動鑑別装置 |
US8879813B1 (en) * | 2013-10-22 | 2014-11-04 | Eyenuk, Inc. | Systems and methods for automated interest region detection in retinal images |
JP2015137857A (ja) * | 2014-01-20 | 2015-07-30 | 富士ゼロックス株式会社 | 検出制御装置、プログラム及び検出システム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403751B2 (en) | 2016-08-22 | 2022-08-02 | Iris International, Inc. | System and method of classification of biological particles |
WO2021100606A1 (ja) * | 2019-11-19 | 2021-05-27 | 昭和電工株式会社 | 機械学習装置、方法、プログラム、およびシステム |
WO2022244075A1 (ja) * | 2021-05-17 | 2022-11-24 | 日本電気株式会社 | 検査システム |
WO2023105547A1 (ja) * | 2021-12-06 | 2023-06-15 | 日本電気株式会社 | 分類装置、分類方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20190043135A (ko) | 2019-04-25 |
WO2018039216A1 (en) | 2018-03-01 |
CN109952614B (zh) | 2023-11-10 |
US11403751B2 (en) | 2022-08-02 |
US11900598B2 (en) | 2024-02-13 |
JP7104691B2 (ja) | 2022-07-21 |
EP3500964A1 (en) | 2019-06-26 |
KR102469620B1 (ko) | 2022-11-21 |
US20190228527A1 (en) | 2019-07-25 |
US20220335609A1 (en) | 2022-10-20 |
CN109952614A (zh) | 2019-06-28 |
JP7465914B2 (ja) | 2024-04-11 |
BR112019003144A2 (pt) | 2019-05-21 |
JP2022137166A (ja) | 2022-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7465914B2 (ja) | 生体粒子の分類のシステム及び方法 | |
Savkare et al. | Automatic detection of malaria parasites for estimating parasitemia | |
Ghosh et al. | Blood smear analyzer for white blood cell counting: a hybrid microscopic image analyzing technique | |
US20190087638A1 (en) | Analyzing digital holographic microscopy data for hematology applications | |
US7236623B2 (en) | Analyte recognition for urinalysis diagnostic system | |
US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
Ongun et al. | Feature extraction and classification of blood cells for an automated differential blood count system | |
Madhukar et al. | New decision support tool for acute lymphoblastic leukemia classification | |
Shirazi et al. | Extreme learning machine based microscopic red blood cells classification | |
Di Ruberto et al. | A leucocytes count system from blood smear images: Segmentation and counting of white blood cells based on learning by sampling | |
Pandit et al. | Survey on automatic rbc detection and counting | |
Meimban et al. | Blood cells counting using python opencv | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
CN115270874A (zh) | 一种基于密度估计的流式细胞分类和计数的方法和系统 | |
KR102624956B1 (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
Susrama et al. | Automated analysis of human sperm number and concentration (oligospermia) using otsu threshold method and labelling | |
Sapna et al. | Techniques for segmentation and classification of leukocytes in blood smear images-a review | |
Mirmohammadi et al. | Automatic recognition of acute lymphoblastic leukemia using multi-SVM classifier | |
Africa et al. | Development of a urine strip analyzer using artificial neural network using an android phone | |
Kareem | An evaluation algorithms for classifying leukocytes images | |
García‐Lamont et al. | Efficient nucleus segmentation of white blood cells mimicking the human perception of color | |
Darane et al. | Recognizing Presence of Hematological Disease using Deep Learning | |
Isnanto et al. | Size-based feature extraction on blood cells calculation process using k-means clustering | |
Khong et al. | A novel approach for efficient implementation of nucleus detection and segmentation using correlated dual color space | |
Indrani et al. | White blood cell image classification using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200820 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200820 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210623 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210827 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20211110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220121 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220609 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220708 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7104691 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |