JP6862538B2 - 撮像装置および形態特徴データ表示方法 - Google Patents
撮像装置および形態特徴データ表示方法 Download PDFInfo
- Publication number
- JP6862538B2 JP6862538B2 JP2019512139A JP2019512139A JP6862538B2 JP 6862538 B2 JP6862538 B2 JP 6862538B2 JP 2019512139 A JP2019512139 A JP 2019512139A JP 2019512139 A JP2019512139 A JP 2019512139A JP 6862538 B2 JP6862538 B2 JP 6862538B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- classification
- unit
- feature amount
- extraction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 38
- 230000000877 morphologic effect Effects 0.000 title claims description 28
- 238000003384 imaging method Methods 0.000 title description 10
- 238000000605 extraction Methods 0.000 claims description 86
- 238000012545 processing Methods 0.000 claims description 80
- 238000013145 classification model Methods 0.000 claims description 47
- 238000010191 image analysis Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000001772 blood platelet Anatomy 0.000 description 138
- 238000011156 evaluation Methods 0.000 description 49
- 210000004027 cell Anatomy 0.000 description 29
- 239000002245 particle Substances 0.000 description 27
- 238000003860 storage Methods 0.000 description 12
- 239000008187 granular material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 210000003463 organelle Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 230000002439 hemostatic effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000004739 secretory vesicle Anatomy 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 229920002527 Glycogen Polymers 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 229940096919 glycogen Drugs 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000003470 mitochondria Anatomy 0.000 description 3
- 210000001778 pluripotent stem cell Anatomy 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000005239 tubule Anatomy 0.000 description 3
- 102000029749 Microtubule Human genes 0.000 description 2
- 108091022875 Microtubule Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003000 inclusion body Anatomy 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000004688 microtubule Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 210000003292 kidney cell Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000001178 neural stem cell Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
- G06F18/41—Interactive pattern learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/945—User interactive design; Environments; Toolboxes
-
- 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
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Description
図1は、実施例1に係る血小板評価システムの概略構成を示すブロック図である。本実施例の血小板評価システムは、図1に示すように画像取得部100、取得した画像が入力される画像入力部102、入力された画像を表示する画像表示部103、画像から血小板を認識し、形態特徴量を解析する画像解析部104、解析された形態特徴量を表示する特徴量表示部105、特徴量から該当する血小板を任意に抽出、ソートするための抽出、ソート条件入力部106、前記入力情報を基に該当画像を抽出、ソートする抽出、ソート処理部107、前記の抽出、ソート処理結果を表示するための抽出、ソート処理結果表示部108、ユーザが分類先を指定するためのユーザ分類入力部109、ユーザによる分類結果を表示するためのユーザ分類結果表示部110、ユーザ分類結果である教師データに基づき分類モデルを作成する分類モデル作成部111、前記分類モデルを使用し、特徴量から血小板を分類する自動分類部112、自動分類した結果を表示するための自動分類結果表示部113を備えている。また、画像取得部100は、荷電粒子線装置101、処理部121、制御部122、画像生成部123、記憶部124、入出力部125から構成される。
込んでも良いし、別のファイルとして記憶させてもよい。
図3は上述した本実施例の装置を血小板評価システムに適用した場合の動作を示すフローチャートである。前述の画像および撮像条件の取得までの流れは図3のステップ301の説明である。以下、図3のフローチャートに従い動作処理を説明する。
「形態複雑度」は血小板外形の丸さを示す特徴量である。血小板は血液中で碁石のような円盤型の形状をとることが知られている。上述したように、血小板が包埋された樹脂をスライスすることで血小板試料を作製するため、観察される血小板の断面は円形もしくは楕円形であることが予想される。また、血小板は外部刺激により活性化された状態になると長い突起を出し、それが相互にからまって凝集体(血栓)を作ることが知られている。したがって、丸みを失い、形態が複雑化した血小板は活性化状態であると判断できる。なお、医療用の血小板製剤としては、血小板は活性化していない状態が望ましい。
(形態複雑度) = (周囲長)2/(面積) ・・・(1)
なお、本実施例では式(1)により形態複雑度を算出したが、形態複雑度は血小板の丸さと複雑さを定量的に表現できればよく、例えば円形度や真円度を用いても良く、周囲長や面積や直径、もしくは血小板の重心位置等を組み合わせて形態複雑度を算出してもよい。
「OCS面積比」は血小板内部に開放小管系が占める割合を示す特徴量である。人間の血液から採取された血小板の寿命は4日程度であることが知られており、寿命間近の血小板は開放小管系の面積が増加する傾向がある。したがって、OCS面積比を算出することで開放小管系の増加具合を算出することができ、血小板が寿命間近であるかを推定することができる。
(OCS面積比) = (開放小管系の総面積)/(血小板の面積)・・・(2)
開放小管系の拡張度(OCS拡張度)
「OCS拡張度」は血小板内部の開放小管系の中でも細長く拡張した開放小管系の拡張具合を示す特徴量である。前述した開放小管系の面積比が低い値の場合でも、細長く拡張した開放小管系が存在し、その開放小管系の最大径が血小板外形の最大径の50%を超えるような場合には、血小板の止血能力が著しく低下している可能性が高いことが本発明者等の生化学検査結果により示されている。したがって、OCS拡張度を算出することで、止血能力が低い血小板を選別することができる。
(OCS拡張度) = (開放小管系の最大径)/(血小板の直径)・・・(3)
このとき、「開放小管系の最大径」は血小板内のすべての開放小管系の最大径のうち最大のものの値を使用する。
「濃染領域面積比」は血小板内部に濃染領域が占める割合を示す特徴量である。上述したように、濃染領域はα顆粒や濃染顆粒等の血小板の止血メカニズムと密接な関係がある化学物質(分泌物)を含んでいる。したがって、もしも濃染領域面積比が0%、1%、2%、3%、4%、5%など、低い値を示す場合には当該血小板は止血能力が低いと推定できる。
(濃染領域面積比)=(濃染領域の総面積)/(血小板の面積)・・・(4)
なお、血小板の評価を実施するために定義した濃染領域の構成要素はα顆粒、濃染顆粒、グリコーゲン顆粒、ミトコンドリアに限定する必要はなく、止血メカニズムと関連する分泌物を含む少なくともひとつ以上の細胞小管系が含まれていればよい。また、その他血小板の良否及び/又は機能性、品質に相関のある細胞質、封入体又は副形質を濃染領域の変わりに定義し、その面積比を算出してもよい。
続いて、実施例1に係る血小板評価システムで血小板の最終評価をするときの動作処理フローについて図面を用いて説明する。
505 画像拡大表示部,506 任意の形態特徴量を指定するインターフェース,507 特徴量の値の範囲を示すインターフェース,508 抽出処理実行を指示するインターフェース,509 ソート実行を指示するインターフェース,510 分類入力インターフェース,511 分類するための閾値を入力するインターフェース,512 抽出と同時に分類の実行も指示するインターフェース,602 特徴量、分類、評価結果表示用のパネル,603 背景色変更領域,604 分類先選択用インターフェース,605 特徴量表示用ポップアップ,700 血小板の断面像とその特徴量を示す表示画面,801 矢印,802 事象の理由、将来的な事象表示,1001、1002 ROC曲線,1101 作業支援用ユーザインターフェース
Claims (7)
- 画像を取得する画像入力部と、
取得した前記画像を表示する画像表示部と、
前記画像から形態の特徴量を算出する画像解析部と、
算出された前記特徴量を表示する特徴量表示部と、
前記特徴量に対して抽出やソートの条件を指定する抽出、ソート条件入力部と、
入力された前記条件に基づき、前記特徴量の抽出やソート処理を行う抽出、ソート処理部と、
前記抽出、ソート処理部の処理結果を表示する抽出、ソート処理結果表示部と、前記画像に対する分類先をユーザが入力するユーザ分類入力部と、
前記ユーザ分類入力部からの入力内容を表示するユーザ分類結果表示部と、
前記抽出、ソート処理部の処理結果に基づき、前記画像を分類する自動分類部を作成する分類モデル作成部と、
前記自動分類部で分類された前記画像の分類結果を表示する自動分類結果表示部と、を備え、
前記自動分類結果表示部は、前記自動分類部の分類結果に基づいて前記特徴量を強調表示する、
ことを特徴とする画像分類装置。 - 請求項1に記載の画像分類装置であって、
前記ユーザ分類結果表示部と前記自動分類結果表示部とを同一画面に並列表示する、
ことを特徴とする画像分類装置。 - 請求項1に記載の画像分類装置であって、
前記自動分類部の分類結果と、前記ユーザ分類入力部から入力される前記入力内容の一致率を計算する計算部を更に備え、
計算した前記一致率を表示する、
ことを特徴とする画像分類装置。 - 請求項1に記載の画像分類装置であって、
前記画像は細胞の断面像であり、
前記特徴量は前記細胞の輪郭の形態的特徴量と、前記輪郭の内部領域に含まれる内部構造物の特徴量である、
ことを特徴とする画像分類装置。 - 画像を取得する画像入力部と、
取得した前記画像を表示する画像表示部と、
前記画像から形態の特徴量を算出する画像解析部と、
算出された前記特徴量を表示する特徴量表示部と、
前記特徴量に対して抽出やソートの条件を指定する抽出、ソート条件入力部と、
入力された前記条件に基づき、前記特徴量の抽出やソート処理を行う抽出、ソート処理部と、
前記抽出、ソート処理部の処理結果を表示する抽出、ソート処理結果表示部と、前記画像に対する分類先をユーザが入力するユーザ分類入力部と、
前記ユーザ分類入力部からの入力内容を表示するユーザ分類結果表示部と、
前記抽出、ソート処理部の処理結果に基づき、前記画像を分類する自動分類部を作成する分類モデル作成部と、
前記自動分類部で分類された前記画像の分類結果を表示する自動分類結果表示部と、を備え、
前記画像は細胞の断面像であり、
前記特徴量は前記細胞の輪郭の形態的特徴量と、前記輪郭の内部領域に含まれる内部構造物の特徴量であり、
前記細胞は血小板であり、
前記輪郭の形態的特徴量とは、前記血小板外形の丸さを示す特徴量であり、前記内部構造物の特徴量は、前記血小板の開放小管系の面積比と、当該開放小管系の拡張度と、前記血小板の濃染領域の面積比とを含む、
ことを特徴とする画像分類装置。 - 解析分類部と表示部を備えた画像分類装置の表示方法であって、
前記解析分類部は、
取得した画像から形態の特徴量を算出し、
算出した前記特徴量に対して指定された抽出やソートの条件に基づき、前記特徴量の抽出やソート処理を行い、
前記特徴量の抽出やソート処理の処理結果に基づき、前記画像を分類するための自動分類部を作成し、
前記表示部は、
取得した前記画像を表示し、
算出した前記特徴量を表示し、
前記特徴量の抽出やソート処理の処理結果を表示し、
前記画像に対する分類先がユーザ入力された場合、入力内容を表示し、
前記自動分類部により分類された前記画像の自動分類結果を表示し、
前記自動分類部の自動分類結果に基づいて、前記特徴量を強調表示する、
ことと特徴とする表示方法。 - 解析分類部と表示部を備えた画像分類装置で実行されるプログラムであって、
前記解析分類部を、
取得した画像から形態の特徴量を算出し、
算出した前記特徴量に対して指定された抽出やソートの条件に基づき、前記特徴量の抽出やソート処理を行い、
前記特徴量の抽出やソート処理の処理結果に基づき、前記画像を分類するための自動分類部を作成する、よう動作させ、
前記表示部を、
取得した前記画像を表示し、
算出した前記特徴量を表示し、
前記特徴量の抽出やソート処理の処理結果を表示し、
前記画像に対する分類先がユーザ入力された場合、入力内容を表示し、
前記自動分類部により分類された前記画像の自動分類結果を表示する、よう動作させ、
前記自動分類部の自動分類結果に基づいて、前記特徴量を強調表示する、
よう動作させる、
ことを特徴とするプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/015223 WO2018189875A1 (ja) | 2017-04-14 | 2017-04-14 | 撮像装置および形態特徴データ表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018189875A1 JPWO2018189875A1 (ja) | 2020-02-27 |
JP6862538B2 true JP6862538B2 (ja) | 2021-04-21 |
Family
ID=63793330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019512139A Active JP6862538B2 (ja) | 2017-04-14 | 2017-04-14 | 撮像装置および形態特徴データ表示方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11321585B2 (ja) |
JP (1) | JP6862538B2 (ja) |
WO (1) | WO2018189875A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6333871B2 (ja) * | 2016-02-25 | 2018-05-30 | ファナック株式会社 | 入力画像から検出した対象物を表示する画像処理装置 |
JP2019215728A (ja) * | 2018-06-13 | 2019-12-19 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7096360B2 (ja) * | 2018-12-14 | 2022-07-05 | 富士フイルム株式会社 | ミニバッチ学習装置とその作動プログラムおよび作動方法 |
JP7059402B2 (ja) * | 2019-01-11 | 2022-04-25 | 株式会社日立ハイテク | 荷電粒子線装置及びその制御方法 |
CN113632077A (zh) * | 2019-03-28 | 2021-11-09 | 松下知识产权经营株式会社 | 识别信息赋予装置、识别信息赋予方法以及程序 |
WO2021059572A1 (ja) * | 2019-09-27 | 2021-04-01 | 富士フイルム株式会社 | 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム |
JP2023015674A (ja) * | 2021-07-20 | 2023-02-01 | 株式会社エビデント | 細胞塊の内部予測方法、プログラム、及び、画像処理装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP4155496B2 (ja) * | 2002-04-25 | 2008-09-24 | 大日本スクリーン製造株式会社 | 分類支援装置、分類装置およびプログラム |
WO2005090945A1 (en) * | 2004-03-16 | 2005-09-29 | Amnis Corporation | Method for imaging and differential analysis of cells |
JP5255953B2 (ja) * | 2008-08-28 | 2013-08-07 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及び装置 |
WO2011004568A1 (ja) | 2009-07-08 | 2011-01-13 | 株式会社ニコン | 受精卵観察の画像処理方法、画像処理プログラム及び画像処理装置、並びに受精卵の製造方法 |
US9607202B2 (en) * | 2009-12-17 | 2017-03-28 | University of Pittsburgh—of the Commonwealth System of Higher Education | Methods of generating trophectoderm and neurectoderm from human embryonic stem cells |
JP5745290B2 (ja) | 2010-04-23 | 2015-07-08 | 国立大学法人名古屋大学 | 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム |
CN103930762B (zh) * | 2011-06-17 | 2018-03-20 | 罗氏血液诊断股份有限公司 | 用于样本显示与查看的系统和方法 |
JP6063756B2 (ja) | 2013-01-25 | 2017-01-18 | 株式会社Screenホールディングス | 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法 |
CN105407819A (zh) * | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 用于自动化非侵入细胞活性追踪的设备、方法和系统 |
WO2015182382A1 (ja) | 2014-05-30 | 2015-12-03 | 富士フイルム株式会社 | 細胞評価装置および方法並びにプログラム |
WO2016020391A2 (en) * | 2014-08-04 | 2016-02-11 | Ventana Medical Systems, Inc. | Image analysis system using context features |
US10304188B1 (en) * | 2015-03-27 | 2019-05-28 | Caleb J. Kumar | Apparatus and method for automated cell analysis |
EP3391283A4 (en) * | 2015-12-18 | 2019-07-10 | Abbott Laboratories | METHOD AND SYSTEMS FOR ASSESSING CELL MORPHOLOGY |
-
2017
- 2017-04-14 JP JP2019512139A patent/JP6862538B2/ja active Active
- 2017-04-14 US US16/604,918 patent/US11321585B2/en active Active
- 2017-04-14 WO PCT/JP2017/015223 patent/WO2018189875A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2018189875A1 (ja) | 2018-10-18 |
US11321585B2 (en) | 2022-05-03 |
JPWO2018189875A1 (ja) | 2020-02-27 |
US20200125894A1 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6862538B2 (ja) | 撮像装置および形態特徴データ表示方法 | |
US20230127698A1 (en) | Automated stereology for determining tissue characteristics | |
Kumar et al. | Automated detection of acute leukemia using k-mean clustering algorithm | |
Dese et al. | Accurate machine-learning-based classification of leukemia from blood smear images | |
Schmitz et al. | Current automated 3D cell detection methods are not a suitable replacement for manual stereologic cell counting | |
Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
US10089518B2 (en) | Graphical user interface for analysis of red blood cells | |
Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
Sankarapandian et al. | A pathology deep learning system capable of triage of melanoma specimens utilizing dermatopathologist consensus as ground truth | |
KR20220133918A (ko) | 생물학적 샘플 내의 대상의 체계적인 특징화 | |
Loddo et al. | A computer-aided system for differential count from peripheral blood cell images | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
Gebremeskel et al. | Automatic early detection and classification of leukemia from microscopic blood image | |
Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
Mbiki et al. | Classifying changes in LN-18 glial cell morphology: a supervised machine learning approach to analyzing cell microscopy data via FIJI and WEKA | |
JP6847204B2 (ja) | 荷電粒子線装置および細胞評価方法 | |
Amitha et al. | Developement of computer aided system for detection and classification of mitosis using SVM | |
Liu et al. | Automatic detection of circulating tumor cells based on microscopic images | |
Dutta et al. | Detection of leukemia in blood samples applying image processing using a novel edge detection method | |
Edwards et al. | Segmentation of biological cell images for sonification | |
Sergeev et al. | Development of automated computer vision methods for cell counting and endometrial gland detection for medical images processing | |
Umamaheswari et al. | Optimizing Cervical Cancer Classification with SVM and Improved Genetic Algorithm on Pap Smear Images. | |
Fairuz et al. | White Blood Cells Detection Using Saturation Level | |
Place | Facilitating Analysis of Toxoplasma gondii Bradyzoite Metabolic Activity via Image Processing and Multivariate Logistic Regression for High Throughput Classification of Mitochondrial Morphologies | |
Akalin et al. | Early Detection of ALL Disease Using YOLOv4 Algorithm on Peripheral Blood Smear Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191010 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191010 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210129 |
|
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: 20210302 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210331 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6862538 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |