JP2022530087A - インピーダンス信号処理による医療分析装置 - Google Patents
インピーダンス信号処理による医療分析装置 Download PDFInfo
- Publication number
- JP2022530087A JP2022530087A JP2021563136A JP2021563136A JP2022530087A JP 2022530087 A JP2022530087 A JP 2022530087A JP 2021563136 A JP2021563136 A JP 2021563136A JP 2021563136 A JP2021563136 A JP 2021563136A JP 2022530087 A JP2022530087 A JP 2022530087A
- Authority
- JP
- Japan
- Prior art keywords
- data set
- pulse data
- impedance value
- value
- rotation
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000003550 marker Substances 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 8
- 239000008280 blood Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000005684 electric field Effects 0.000 description 4
- 210000003743 erythrocyte Anatomy 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009652 hydrodynamic focusing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012415 analytical development Methods 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
- G01N15/12—Investigating individual particles by measuring electrical or magnetic effects by observing changes in resistance or impedance across apertures when traversed by individual particles, e.g. by using the Coulter principle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
Description
・ 赤血球を球形化することで、形状因子への影響を相殺することができる。ただし、浸透圧を変更するための特殊な試薬を開発する必要がある。
・ 開口部を延長することで、電界を均一化することができる。ただし、インピーダンスの損失が著しく大きくなり、同時通過の危険性が高くなる(2つの細胞が同時に開口部を通過すると、区別がつかなくなる)。
・ パルスをソートすることで、縁部に近い細胞の軌道に対応するパルスを除去することができる。ただし、パルス幅に基づくこれらの方法は、波高を考慮しても(特に細胞サイズが変化する場合)有効ではなく、細胞の回転情報を識別することができない。
・ 計算機は、
* パルスデータセットの最大インピーダンス値を決定するステップと、
* 最大インピーダンス値に[0.7;0.95]の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が上限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
* 最大インピーダンス値に[0.1;0.6]の範囲で選択された上限係数を掛けて下限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が下限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
* 上限持続時間と下限持続時間とから算出された比によって決定される回転値を返すステップと、
によって、パルスデータセットを処理するように配置され、
・ 上限係数は、[0.8;0.9]の範囲で選択され、
・ 下限係数は、[0.3;0.6]の範囲で選択され、
・ 上限係数は、0.875であり、下限係数は、0.5であり、
・ 計算機は、上限持続時間を下限持続時間で割った値に等しい回転値を返し、分類器は、回転値が厳密に0.45よりも小さいパルスデータセットを回転パルスデータセット群に分類し、回転値が0.45よりも大きいパルスデータセットを無回転パルスデータセット群に分類するように配置され、
・ 計算機は、ニューラルネットワークであり、パルスデータセットを処理してニューラルネットワークによる処理に適合させるように、時間マーカーおよびインピーダンス値を無次元化し、無次元化されたデータをニューラルネットワークのために選択されたインピーダンス値に再サンプリングするように配置された変換器と、変換器によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも1つの隠れ層、および回転値を決定するための出力層を含む多層パーセプトロンと、を備え、
・ 入力層は、変換器によって処理されたパルスデータセットの幅を受け取る入力をさらに含み、
・ 多層パーセプトロンは、20のニューロンを含む隠れ層を備え、これらのニューロンの活性化関数は、シグモイド関数であり、
・ 多層パーセプトロンは、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連するパルスデータセットの最大インピーダンス値が0.3radよりも大きい細胞配向を有する入力に対して0に設定され、それ以外の場合は1に設定される。
a.パルスデータセットを受け取るステップであって、パルスデータセットの各々は、時間マーカーに毎回関連付けられるインピーダンス値データを含み、これらのデータは、共に、細胞が極性のある開口部を通る際に測定される細胞インピーダンス値の曲線を表す、パルスデータセットを受け取るステップと、
b.ステップaで得られたパルスデータセットを処理して、パルスデータセットが得られた細胞が、極性のある開口部を通過する間に回転を受けたかどうかを示す回転値を決定するステップと、
c.ステップbで得られた回転値に応じて、パルスデータセットを回転パルスデータセット群または無回転パルスデータセット群に分類するステップと、
を含む。
・ ステップbは、
b1.パルスデータセットの最大インピーダンス値を決定するステップと、
b2.最大インピーダンス値に[0.7;0.95]の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が上限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
b3.最大インピーダンス値に[0.1;0.6]の範囲で選択された上限係数を掛けて下限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が下限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
b4.上限持続時間と下限持続時間から算出された比によって決定される回転値を返すステップと、
を含み、
・ 上限係数は、[0.8;0.9]の範囲で選択され、
・ 下限係数は、[0.3;0.6]の範囲で選択され、
・ 上限係数は、0.875であり、下限係数は、0.5であり、
・ ステップb4において、上限持続時間を下限持続時間で割った値に等しい回転値が返され、ステップcにおいて、回転値が厳密に0.45よりも小さいパルスデータセットが回転パルスデータセット群に分類され、回転値が0.45よりも大きいパルスデータセットが無回転パルスデータセット群に分類され、
・ ステップbは、ニューラルネットワークによって実行され、ニューラルネットワークは、パルスデータセットを処理してニューラルネットワークによる処理に適合させるように、時間マーカーおよびインピーダンス値を無次元化し、無次元化されたデータをニューラルネットワークのために選択されたインピーダンス値に再サンプリングするように配置された変換器と、変換器によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも1つの隠れ層、および回転値を決定するための出力層を含む多層パーセプトロンと、を備え、
・ 入力層は、変換器によって処理されたパルスデータセットの幅を受け取る入力をさらに含み、
・ 多層パーセプトロンは、20のニューロンを含む隠れ層を備え、これらのニューロンの活性化関数は、シグモイド関数であり、
・ 多層パーセプトロンは、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連するパルスデータセットの最大インピーダンス値が0.3radよりも大きい細胞配向を有する入力に対して0に設定され、それ以外の場合は1に設定される。
Claims (10)
- 細胞インピーダンス信号処理を用いた医療分析装置であって、
パルスデータセットを受け取るように配置されたメモリ(4)であって、前記パルスデータセットの各々は、時間マーカーに毎回関連付けられるインピーダンス値データを含み、前記データは、共に、細胞が極性のある開口部を通る際に測定される細胞インピーダンス値の曲線を表す、メモリ(4)と、
前記パルスデータセットが得られた細胞が、前記極性のある開口部を通過する間に回転を受けたかどうかを示す回転値を決定することで、前記パルスデータセットを処理するように配置された計算機(6)と、
前記計算機(6)に所与のパルスデータセットを提供するように、および得られた前記回転値を使用して、前記所与のパルスデータセットを回転パルスデータセット群(10)または無回転パルスデータセット群(12)に分類するように配置された分類器(8)と、
を備える、
装置。 - 前記計算機(6)は、
・ 前記パルスデータセットの最大インピーダンス値を決定するステップと、
・ 前記最大インピーダンス値に[0.7;0.95]の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、前記パルスデータセット内の関連する前記インピーダンス値が前記上限インピーダンス値に等しい時間マーカーを前記パルスデータセット内で決定し、前記時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
・ 前記最大インピーダンス値に[0.1;0.6]の範囲で選択された上限係数を掛けて下限インピーダンス値を算出し、前記パルスデータセット内の関連する前記インピーダンス値が前記下限インピーダンス値に等しい時間マーカーを前記パルスデータセット内で決定し、前記時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
・ 前記上限持続時間と前記下限持続時間から算出された比によって決定される回転値を返すステップと、
によって、前記パルスデータセットを処理するように配置される、
請求項1に記載の装置。 - 前記上限係数は、[0.8;0.9]の範囲で選択される、
請求項2に記載の装置。 - 前記下限係数は、[0.3;0.6]の範囲で選択される、
請求項2または3に記載の装置。 - 前記上限係数は、0.875であり、前記下限係数は、0.5である、
請求項2に記載の装置。 - 前記計算機(6)は、前記上限持続時間を前記下限持続時間で割った値に等しい回転値を返し、前記分類器(8)は、前記回転値が厳密に0.45よりも小さいパルスデータセットを前記回転パルスデータセット群に分類し、前記回転値が0.45よりも大きいパルスデータセットを前記無回転パルスデータセット群に分類するように配置される、
請求項2~5のいずれか1項に記載の装置。 - 前記計算機(6)は、ニューラルネットワークであり、前記パルスデータセットを処理して前記ニューラルネットワークによる処理に適合させるように、前記時間マーカーおよび前記インピーダンス値を無次元化し、前記無次元化されたデータを前記ニューラルネットワークのために選択された前記インピーダンス値に再サンプリングするように配置された変換器(14)と、前記変換器(14)によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも1つの隠れ層、および回転軸を決定するための出力層を含む多層パーセプトロン(16)と、を備える、
請求項1に記載の装置。 - 前記入力層は、前記変換器(14)によって処理された前記パルスデータセットの幅を受け取る入力をさらに含む、
請求項7に記載の装置。 - 前記多層パーセプトロン(16)は、20のニューロンを含む隠れ層を備え、前記ニューロンの活性化関数は、シグモイド関数である、
請求項7または8に記載の装置。 - 前記多層パーセプトロン(16)は、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連する前記パルスデータセットの最大インピーダンス値が0.3radよりも大きい細胞配向を有する入力の場合は0に設定され、それ以外の場合は1に設定される、
請求項7~9のいずれか1項に記載の装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1904410 | 2019-04-25 | ||
FR1904410A FR3095518B1 (fr) | 2019-04-25 | 2019-04-25 | Dispositif d’analyses médicales à traitement de signaux d’impédance |
PCT/EP2020/061564 WO2020216952A1 (fr) | 2019-04-25 | 2020-04-24 | Dispositif d'analyses médicales à traitement de signaux d'impédance |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022530087A true JP2022530087A (ja) | 2022-06-27 |
JP7487229B2 JP7487229B2 (ja) | 2024-05-20 |
Family
ID=68072584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021563136A Active JP7487229B2 (ja) | 2019-04-25 | 2020-04-24 | インピーダンス信号処理による医療分析装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220196538A1 (ja) |
EP (1) | EP3959503B1 (ja) |
JP (1) | JP7487229B2 (ja) |
CN (1) | CN113811881A (ja) |
BR (1) | BR112021019989A2 (ja) |
FR (1) | FR3095518B1 (ja) |
WO (1) | WO2020216952A1 (ja) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU3418584A (en) * | 1983-10-14 | 1985-04-18 | Ortho Diagnostic Systems Inc. | Screening method for red blood cell abnormality |
US6437551B1 (en) * | 1999-11-02 | 2002-08-20 | The Regents Of The University Of California | Microfabricated AC impedance sensor |
US6916658B2 (en) * | 2001-07-27 | 2005-07-12 | Beckman Coulter, Inc. | Method for measurement of immature granulocytes |
CN1262320C (zh) * | 2002-03-21 | 2006-07-05 | 傅春农 | 双向平衡不对称脉冲离子(电泳)导入仪 |
US7457709B2 (en) * | 2005-12-20 | 2008-11-25 | Beckman Coulter, Inc. | Systems and methods for particle counting |
TWI445951B (zh) * | 2012-01-13 | 2014-07-21 | Univ Nat Chi Nan | Detection system and data processing device |
ITUD20120079A1 (it) * | 2012-05-04 | 2013-11-05 | Ct Di Riferimento Oncologico | Metodo per l'analisi del processo di formazione di aggregati in un fluido biologico e relativa apparecchiatura di analisi |
US10973431B2 (en) * | 2014-02-14 | 2021-04-13 | Beth Israel Deaconess Medical Center, Inc. | Electrical impedance myography |
JP2019501658A (ja) * | 2016-01-14 | 2019-01-24 | アントン バウアーAnton Bauer | 生産用細胞株を作製する方法 |
JP6642197B2 (ja) * | 2016-03-30 | 2020-02-05 | トヨタ自動車株式会社 | 燃料電池システム |
US10816453B2 (en) * | 2017-11-03 | 2020-10-27 | Sharp Life Science (Eu) Limited | Co-planar micro-impedance cytometry device |
CN109272027A (zh) * | 2018-08-30 | 2019-01-25 | 昆明理工大学 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
-
2019
- 2019-04-25 FR FR1904410A patent/FR3095518B1/fr active Active
-
2020
- 2020-04-24 WO PCT/EP2020/061564 patent/WO2020216952A1/fr unknown
- 2020-04-24 US US17/606,101 patent/US20220196538A1/en active Pending
- 2020-04-24 BR BR112021019989A patent/BR112021019989A2/pt unknown
- 2020-04-24 JP JP2021563136A patent/JP7487229B2/ja active Active
- 2020-04-24 EP EP20725989.6A patent/EP3959503B1/fr active Active
- 2020-04-24 CN CN202080030889.1A patent/CN113811881A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
FR3095518A1 (fr) | 2020-10-30 |
JP7487229B2 (ja) | 2024-05-20 |
EP3959503B1 (fr) | 2023-08-02 |
US20220196538A1 (en) | 2022-06-23 |
WO2020216952A1 (fr) | 2020-10-29 |
CN113811881A (zh) | 2021-12-17 |
FR3095518B1 (fr) | 2021-05-07 |
EP3959503A1 (fr) | 2022-03-02 |
BR112021019989A2 (pt) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3356792B1 (en) | Microfluidic device for selection of semen | |
US9588102B2 (en) | Method and apparatus for determining white blood cell counts | |
JP5005704B2 (ja) | 粒子計数のためのシステムおよび方法 | |
JP3707620B2 (ja) | 光散乱技術を使用した網赤血球分析方法と装置 | |
US20210140938A1 (en) | Identification method, classification analysis method, identification device, classification analysis device, and storage medium | |
JPH09170979A (ja) | 尿中有形成分分析装置 | |
CN107389536B (zh) | 基于密度-距离中心算法的流式细胞粒子分类计数方法 | |
US20150308971A1 (en) | Microfluidic impedance flow cytometer | |
EP0874983B1 (en) | Method and apparatus for determination of hemoglobin content of individual red blood cells | |
CN104755905B (zh) | 具有凝集块校准的血小板计数的系统和方法 | |
Caselli et al. | A Bayesian approach for coincidence resolution in microfluidic impedance cytometry | |
JP2022530087A (ja) | インピーダンス信号処理による医療分析装置 | |
US20230066255A1 (en) | Medical analysis device with impedance signal processing | |
Arianti et al. | Classification of Overlapping Red Blood Cells Using Image Segmentation and Convolutional Neural Network | |
Grimaldi et al. | Surface measurement of the human lymphocyte micro-nucleus in image affected by alterations | |
GB2614044A (en) | Automatic assessment of histological indices | |
Mazalan et al. | Automated Platelet Counter Based on the Modified Hough Transform | |
Chowdhury | Automated assessment of erythrocyte parameters using artificial neural network. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230327 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240402 |
|
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: 20240416 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7487229 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |