JP7201681B2 - 単一チャネル全細胞セグメンテーションのためのシステム及び方法 - Google Patents
単一チャネル全細胞セグメンテーションのためのシステム及び方法 Download PDFInfo
- Publication number
- JP7201681B2 JP7201681B2 JP2020527819A JP2020527819A JP7201681B2 JP 7201681 B2 JP7201681 B2 JP 7201681B2 JP 2020527819 A JP2020527819 A JP 2020527819A JP 2020527819 A JP2020527819 A JP 2020527819A JP 7201681 B2 JP7201681 B2 JP 7201681B2
- Authority
- JP
- Japan
- Prior art keywords
- nuclear
- processor
- image
- segmentation
- cell
- 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
Images
Classifications
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical 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
- G06T7/10—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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- 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
- G06V20/693—Acquisition
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/20076—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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20152—Watershed 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
本技術は、画像分析のためのシステム及び方法を提供する。特定の実施形態では、本技術は、過去に取得された画像、例えば、デジタルに保存された画像とともに遡及的研究において使用され得ることが想定される。他の実施形態では、画像は、物理的サンプルから取得されてもよい。そのような実施形態では、本技術は、画像取得システムとともに使用することができる。本技術に従って動作することができる例示的な撮像システム10を図1に示す。一般に、撮像システム10は、信号を検出し、その信号を下流のプロセッサによって処理され得るデータに変換する撮像素子12を含む。撮像素子12は、画像データを作成するための様々な物理的原理に従って動作することができ、蛍光顕微鏡、明視野顕微鏡、又は適切な撮像様式に適合されたデバイスを含むことができる。しかしながら、一般に、撮像素子12は、ここでは写真フィルムなどの従来の媒体又はデジタル媒体の何れかにおいて組織マイクロアレイ上の複数のサンプルとして示されている、細胞の集団14を含む生体サンプルを示す画像データを作成する。本明細書で使用する場合、「標本」、「生体標本」、「生体材料」、又は「生体サンプル」との用語は、哺乳動物などの任意の生体系から単離された又はその中にある体液(血液、血漿、血清、又は尿など)、器官、組織、生検、画分、及び細胞を含むがそれらに限定されない、生体組織を含む生体対象から得られた又はその中にある材料、又は対象から得られた液体を指す。標本、生体標本、生体サンプル、及び/又は生体材料はまた、生体サンプル、標本、又は組織を含む材料の断面(器官又は組織の断面部分など)を含むことがあり、また、生体サンプルからの抽出物、例えば、体液(血液又は尿など)からの抗原を含むことがある。標本、生体標本、生体サンプル、及び/又は生体材料は、スライドの一部として画像化されてもよい。
本開示の特定の実施形態によれば、トレーニングモデルが開発され、単一チャネル全細胞セグメンテーションワークフローで使用される。トレーニングモデルは、深層学習フレームワーク上に構築され得る深層学習モデルであることができる。深層学習フレームワークのネットワークアーキテクチャは、畳み込み(convolution)及び逆畳み込み(deconvolution)層のカスケードを使用して画像又は画素ラベルの予測に使用することができる画像機能の階層(低レベルから高レベル)を学習する、畳み込みニューラルネットワークであり得る。Mxnetライブラリ及びU-netアーキテクチャを使用して、深層学習フレームワークにおいて複数の分類又はラベルの画素レベルの予測を計算することができる。
図5は、本開示の実施形態による単一チャネル全細胞セグメンテーションワークフローを示す。図6は、本開示の実施形態による、例示的な入力及び変換された画像を伴う、図5に対応する単一チャネル全細胞セグメンテーションワークフローを示す。
特定の実施形態では、セグメンテーション結果の評価が実行されてもよい。コンピューティング装置40は評価ユニットを含み、評価ユニットは品質管理(QC)評価を実行するように構成され、品質スコアの形でQC評価結果を提供する。QC評価は、例えば類似性メトリックなどのメトリックに基づくことができる。類似性メトリックは、例えば、細胞セグメンテーション結果をゴールドスタンダード(又はグラウンドトゥルース)細胞セグメンテーション結果と比較するためのメトリックとして定義された細胞セグメンテーション類似性メトリックを含み得る。グラウンドトゥルース細胞セグメンテーションは、以下の実施例セクションで説明するような、自動又は半自動のグラウンドトゥルース細胞セグメンテーションであり得る。幾つかの実施形態では、細胞セグメンテーション類似性メトリックは、セグメント化画像に適用され、細胞セグメンテーションの品質又は良さを評価し、細胞セグメンテーション品質スコアを生成する。セグメント化画像が1つ又は幾つかのセグメント化された対象を含む幾つかの実施形態では、バイナリ類似性メトリック(ダイスオーバーラップ比メトリックなど)を使用することができる。セグメント化画像が多数のセグメント化された対象(数百又は数千のセグメント化された細胞など)を含む特定の実施形態では、バイナリ類似性メトリックは十分ではなく、図11のアルゴリズムによって定義される細胞セグメンテーション類似性メトリックがQC評価に使用され得る。
以下の表1は、実施例セクションで使用されるデータセット及び実験条件の詳細を示す。データセットは、本開示の態様によるモデルのトレーニング、又は本開示の実施形態によるセグメンテーション方法のテストの何れかのために使用された。
実験1では、表1のプレート#1~5が使用され、合計108のサンプル画像が得られた。108の画像のうち、10の画像をテストセットとして使用し、残りの98の画像をさらにトレーニングセット(88画像)と検証セット(10画像)とに分割した。テストセットの10の画像のセグメンテーション結果を、それらを半自動グラウンドトゥルースセグメンテーションと比較することによって評価した。図13A~図13Dは、表1の実験1の1つのサンプルに対するセグメンテーション結果を示す。図13A(左上の列)は、半自動グラウンドトゥルースセグメンテーションを受けた画像のセグメンテーション結果を示す。図13B(右上の列)は、本開示の実施形態によるセグメンテーション技術を受けた画像のセグメンテーション結果を示す。図13C及び図13D(最下行)はそれぞれ、図13A及び図13Bの白いボックス内の領域のクローズアップを示す。2つのセグメンテーション結果で高い類似性が観察された。
図17は、交差検証実験の結果-表1の実験2の結果を示す。この実験では、10の集団の交差検証を行って、受信者動作曲線(ROC)を構築した。次に、交差検証を使用して、核確率マップ及び細胞確率マップの曲線下面積(AUC)及び精度(ACC)を評価した。交差検証では、表1(実験2)の最初の5つのプレート#1~5から取得した108の独立したサンプル画像を使用した。各交差検証の反復で、画像は3つの重なり合わない画像セットに分割された:トレーニングセット(88画像)、検証セット(10画像)、及びテストセット(10画像)。
表1のプレート#1~5からの合計108の画像を、モデル/ネットワーク、例えば、深層学習モデルをトレーニングするために使用した。実験3の108の画像を、トレーニングセットとしての98の画像と、検証セットとしての10の画像とに分割した。次に、モデル/ネットワークを、テストセットとしての表1のプレート#6からの15の画像を使用してテストした。テストデータセットに対して利用可能な半自動グラウンドトゥルースセグメンテーションがなかったため、2チャネルセグメンテーションが生成され、専門家による定性的評価の後にグラウンドトゥルースセグメンテーションとして使用された。前のセクションで説明した実験1に示したようなプロセスを適用すると、全体的な細胞レベルのセグメンテーション品質スコアは約0.84と決定された。次に、画像レベルのセグメンテーション品質スコアを、図11に示すようなアルゴリズムで定義された類似性メトリックを使用して、各画像に対する細胞レベルの品質スコアを平均化することによって決定した。
12 撮像素子
14 細胞の集団
16 システム制御回路
18 データ取得回路
20 データ処理回路
22 オペレータワークステーション
24 コンピュータ
26 ディスプレイ
28 キーボード
30 マウス
32 プリンタ
40 コンピューティング装置
42 プロセッサ
44 メモリデバイス
46 ストレージデバイス
48 ユーザーインターフェース
Claims (16)
- 1つ以上の非核細胞マーカー染色剤で染色された生体サンプルのサンプル画像を、輪郭を描かれた核及び細胞質領域を有する1つ以上の細胞を含むセグメント化画像に変換するためのコンピュータ実施方法であって、
(a)命令を実行するように構成されたプロセッサと、
前記プロセッサに動作可能に結合されたメモリ又はストレージデバイスであって、前記メモリ及び前記ストレージデバイスのうちの少なくとも1つは、
生体サンプルの複数のトレーニング画像を含むトレーニングデータから生成されるモデルであって、前記トレーニング画像は、核、細胞、及びバックグラウンドの少なくとも1つとして識別された領域を含む、モデル;
1つ以上の非核細胞マーカー染色剤で染色された前記生体サンプルの前記サンプル画像;及び
プロセッサ実行可能命令;
を格納するように構成される、メモリ又はストレージデバイスと、
を有するコンピュータシステムを提供することと、
(b)前記メモリ又は前記ストレージデバイス内で、前記モデル及び1つ以上の非核細胞マーカー染色剤で染色された前記生体サンプルの前記サンプル画像にアクセスすることと、
(c)前記モデルを前記サンプル画像に適用することにより、予測された核領域を含む核確率マップと、予測された細胞領域を含む細胞確率マップと、を生成することと、
(d)前記プロセッサにより、前記核確率マップからバイナリ核マスクを抽出することと、
(e)前記プロセッサにより、前記バイナリ核マスクから核種マップを抽出することであって、前記核種マップは、輪郭を描かれた核領域によって分離された、抽出された個々の核種を含む、ことと、
(f)前記プロセッサにより、前記抽出された核種を前記サンプル画像に適用することと、
(g)前記サンプル画像を、輪郭を描かれた核及び細胞質領域を有する1つ以上の細胞を含む前記セグメント化画像に変換することと、
を含む、方法。 - 前記サンプル画像は複数の画素を含み、ステップ(c)は、バックグラウンド画素、細胞画素、又は核画素である前記複数の画素の各画素の確率スケールを決定することをさらに含む、請求項1に記載の方法。
- 前記確率スケールは連続スケールである、請求項2に記載の方法。
- ステップ(d)は、ブロブ検出及びマルチレベルの閾値処理のうちの少なくとも1つを実行することをさらに含む、請求項1に記載の方法。
- 前記核確率マップ上で異なるサイズを有する核の領域を識別することと、
識別された前記核の領域にマルチレベルの閾値処理を適用することと、
前記核確率マップ内の複数の画素の各画素にバイナリ値を割り当てることと、
前記核確率マップから前記バイナリ核マスクを抽出することと、
をさらに含む、請求項4に記載の方法。 - ステップ(e)は、形状ベースのウォーターシェッドセグメンテーションを実行することをさらに含む、請求項1に記載の方法。
- 前記プロセッサにより、前記バイナリ核マスクの逆距離変換を決定することと、
前記プロセッサにより、決定された前記逆距離変換に拡張h-minima変換を適用することと、
前記プロセッサにより、前記バイナリ核マスクから局所最小値を抽出することと、
前記プロセッサにより、前記局所最小値をシードとして使用して、決定された前記逆距離変換にシードウォーターシェッド変換を適用することと、
をさらに含む、請求項6に記載の方法。 - 前記拡張h-minima変換を適用することは、深さhでH-minima変換を適用して、h未満の深さを有する局所最小値を抑えることと、前記抑えられた局所最小値を有する結果として得られる画像から局所最小値を抽出することと、を含む、請求項7に記載の方法。
- 前記深さhはユーザー定義の値である、請求項8に記載の方法。
- 前記深さhは3μmのデフォルト値を有する、請求項8に記載の方法。
- 前記サンプル画像は強度調整のために前処理され、前記前処理は、前記プロセッサにより、
前記サンプル画像のノイズ除去;
前記サンプル画像のバックグラウンド照明補正:及び
前記サンプル画像の再スケーリング;
のステップの少なくとも1つを実行することを含む、請求項1に記載の方法。 - 前記サンプル画像は、画素レベルの重み付けを前記サンプル画像に適用することによって生成された、増強されたサンプル画像である、請求項1に記載の方法。
- ステップ(g)は、前記画像のバックグラウンドを決定することと、マルチレベルの閾値処理に基づいてバックグラウンドラベルを割り当てることと、をさらに含む、請求項1に記載の方法。
- 前記マルチレベルの閾値処理は、
前記プロセッサにより、前記核確率マップ内の幾つかの核領域と、前記細胞確率マップ内の細胞領域の期待される面積と、を識別するステップと、
前記プロセッサにより、前記細胞領域の期待される面積に最も近いと推定される面積をもたらす閾値を選択することと、
によって実行される、請求項13に記載の方法。 - ステップ(g)は、割り当てられたバックグラウンドラベルと、輪郭を描かれた核領域によって分離された個々の核種を含む抽出された核種と、を使用してシードウォーターシェッドセグメンテーションを実行することをさらに含む、請求項12に記載の方法。
- 1つ以上の非核細胞マーカー染色剤で染色された生体サンプルのサンプル画像を、輪郭を描かれた核及び細胞質領域を有する1つ以上の細胞を含むセグメント化画像に変換するためのコンピュータシステムであって、
命令を実行するように構成されたプロセッサと、
前記プロセッサに動作可能に結合されたメモリ又はストレージデバイスと、
を含み、前記メモリ及び前記ストレージデバイスのうちの一方又は両方は、
生体サンプルの複数のトレーニング画像を含むトレーニングデータから生成されるモデルであって、前記トレーニング画像は、核、細胞、及びバックグラウンドの少なくとも1つとして識別された領域を含む、モデル;
1つ以上の非核細胞マーカー染色剤で染色された前記生体サンプルの前記サンプル画像;及び
プロセッサ実行可能命令であって、前記プロセッサによって実行されたときに、
(a)前記メモリ又は前記ストレージデバイス内で、前記モデル及び1つ以上の非核細胞マーカー染色剤で染色された前記生体サンプルの前記サンプル画像にアクセスすることと、
(b)前記モデルを前記サンプル画像に適用することにより、予測された核領域を含む核確率マップと、予測された細胞領域を含む細胞確率マップと、を生成することと、
(c)前記プロセッサにより、前記核確率マップからバイナリ核マスクを抽出することと、
(d)前記プロセッサにより、前記バイナリ核マスクから核種マップを抽出することであって、前記核種マップは、輪郭を描かれた核領域によって分離された、抽出された個々の核種を含む、ことと、
(f)前記プロセッサにより、前記抽出された核種を前記サンプル画像に適用することと、
(g)前記サンプル画像を、輪郭を描かれた核及び細胞質領域を有する1つ以上の細胞を含む前記セグメント化画像に変換することと、
を含む動作の実行を引き起こす、プロセッサ実行可能命令;
を格納するように構成される、コンピュータシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/814,511 | 2017-11-16 | ||
US15/814,511 US10789451B2 (en) | 2017-11-16 | 2017-11-16 | System and method for single channel whole cell segmentation |
PCT/US2018/061242 WO2019099641A1 (en) | 2017-11-16 | 2018-11-15 | System and method for single channel whole cell segmentation |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021503666A JP2021503666A (ja) | 2021-02-12 |
JP7201681B2 true JP7201681B2 (ja) | 2023-01-10 |
Family
ID=65041854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020527819A Active JP7201681B2 (ja) | 2017-11-16 | 2018-11-15 | 単一チャネル全細胞セグメンテーションのためのシステム及び方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10789451B2 (ja) |
EP (1) | EP3711020A1 (ja) |
JP (1) | JP7201681B2 (ja) |
CN (1) | CN111448582A (ja) |
WO (1) | WO2019099641A1 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11443426B2 (en) * | 2018-01-18 | 2022-09-13 | Nantomics, Llc | Real-time whole slide pathology image cell counting |
US11024025B2 (en) * | 2018-03-07 | 2021-06-01 | University Of Virginia Patent Foundation | Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy |
EP3895122A1 (en) * | 2018-12-13 | 2021-10-20 | Verily Life Sciences LLC | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy |
AU2020273186A1 (en) | 2019-04-11 | 2021-12-02 | Agilent Technologies, Inc. | User interface configured to facilitate user annotation for instance segmentation within biological sample |
US11276172B2 (en) * | 2019-05-03 | 2022-03-15 | Huron Technologies International Inc. | Image diagnostic system, and methods of operating thereof |
JP7195220B2 (ja) * | 2019-06-17 | 2022-12-23 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、および学習装置の作動プログラム |
JP7195233B2 (ja) * | 2019-07-18 | 2022-12-23 | 富士フイルム株式会社 | 機械学習モデルの運用装置とその作動方法および作動プログラム、並びに機械学習モデルの学習装置とその作動方法および作動プログラム |
CN110794569B (zh) * | 2019-11-14 | 2021-01-26 | 武汉兰丁智能医学股份有限公司 | 细胞微型显微图像采集装置及图像识别方法 |
WO2021108732A1 (en) * | 2019-11-25 | 2021-06-03 | Essenlix Corporation | Efficient training and accuracy improvement of imaging based assay |
CN111145209B (zh) * | 2019-12-26 | 2023-06-02 | 推想医疗科技股份有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
US20210217173A1 (en) * | 2020-01-15 | 2021-07-15 | Ricoh Company, Ltd. | Normalization and enhancement of mri brain images using multiscale filtering |
CN111369615B (zh) * | 2020-02-21 | 2023-05-23 | 苏州优纳医疗器械有限公司 | 一种基于多任务卷积神经网络的细胞核中心点检测方法 |
CN111429468A (zh) * | 2020-03-18 | 2020-07-17 | 合肥凯碧尔高新技术有限公司 | 细胞核分割方法、装置、设备及存储介质 |
US11741371B2 (en) * | 2020-03-20 | 2023-08-29 | International Business Machines Corporation | Automatically generating diverse text |
CN111951221B (zh) * | 2020-07-13 | 2023-10-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
CN112184696B (zh) * | 2020-10-14 | 2023-12-29 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与系统 |
WO2022093906A1 (en) * | 2020-10-29 | 2022-05-05 | Paige Ai, Inc. | Systems and methods for processing images to determine image-based computational biomarkers from liquid specimens |
CN113160109B (zh) * | 2020-12-15 | 2023-11-07 | 宁波大学 | 反背景差分的细胞图像分割方法 |
GB202106025D0 (en) * | 2021-04-27 | 2021-06-09 | Imperial College Innovations Ltd | Method & apparatus for processing microscope images of cells and tissue structures |
CN113192047A (zh) * | 2021-05-14 | 2021-07-30 | 杭州迪英加科技有限公司 | 一种基于深度学习的自动判读ki67病理切片的方法 |
CN113450363B (zh) * | 2021-06-10 | 2023-05-02 | 西安交通大学 | 一种基于标签校正的元学习细胞核分割系统及方法 |
JPWO2023008526A1 (ja) * | 2021-07-29 | 2023-02-02 | ||
CN114764789B (zh) * | 2022-03-30 | 2024-05-21 | 广州锟元方青医疗科技有限公司 | 病理细胞的量化方法、系统、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012099070A (ja) | 2010-11-05 | 2012-05-24 | Glory Ltd | 被写体検出方法および被写体検出装置 |
JP2013238459A (ja) | 2012-05-14 | 2013-11-28 | Tokyo Univ Of Science | 癌細胞領域抽出装置、方法、及びプログラム |
US20170249548A1 (en) | 2016-02-26 | 2017-08-31 | Google Inc. | Processing cell images using neural networks |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050136549A1 (en) * | 2003-10-30 | 2005-06-23 | Bioimagene, Inc. | Method and system for automatically determining diagnostic saliency of digital images |
US8280134B2 (en) * | 2008-09-22 | 2012-10-02 | Cambridge Research & Instrumentation, Inc. | Multi-spectral imaging including at least one common stain |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
US8175369B2 (en) * | 2008-12-12 | 2012-05-08 | Molecular Devices, Llc | Multi-nucleated cell classification and micronuclei scoring |
CA2899714C (en) | 2013-03-15 | 2020-10-27 | Ventana Medical Systems, Inc. | Tissue object-based machine learning system for automated scoring of digital whole slides |
US8995740B2 (en) * | 2013-04-17 | 2015-03-31 | General Electric Company | System and method for multiplexed biomarker quantitation using single cell segmentation on sequentially stained tissue |
EP3146463B1 (en) * | 2014-05-23 | 2020-05-13 | Ventana Medical Systems, Inc. | Systems and methods for detection of biological structures and/or patterns in images |
CA2994911C (en) * | 2015-09-02 | 2022-07-05 | Ventana Medical Systems, Inc. | Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining |
US20170091948A1 (en) | 2015-09-30 | 2017-03-30 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for automated analysis of cell images |
US9613254B1 (en) | 2015-09-30 | 2017-04-04 | General Electric Company | Quantitative in situ characterization of heterogeneity in biological samples |
US10078895B2 (en) * | 2015-12-30 | 2018-09-18 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer with tumor infiltrating lymphocyte (TIL) graphs |
US10083340B2 (en) * | 2016-01-26 | 2018-09-25 | Ge Healthcare Bio-Sciences Corp. | Automated cell segmentation quality control |
CN106296712B (zh) | 2016-08-23 | 2018-09-21 | 四川木牛流马智能科技有限公司 | 全自动神经嵴细胞显微图像分割系统及方法 |
CN107256558B (zh) * | 2017-05-18 | 2019-12-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
-
2017
- 2017-11-16 US US15/814,511 patent/US10789451B2/en active Active
-
2018
- 2018-11-15 WO PCT/US2018/061242 patent/WO2019099641A1/en unknown
- 2018-11-15 CN CN201880074274.1A patent/CN111448582A/zh active Pending
- 2018-11-15 JP JP2020527819A patent/JP7201681B2/ja active Active
- 2018-11-15 EP EP18836693.4A patent/EP3711020A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012099070A (ja) | 2010-11-05 | 2012-05-24 | Glory Ltd | 被写体検出方法および被写体検出装置 |
JP2013238459A (ja) | 2012-05-14 | 2013-11-28 | Tokyo Univ Of Science | 癌細胞領域抽出装置、方法、及びプログラム |
US20170249548A1 (en) | 2016-02-26 | 2017-08-31 | Google Inc. | Processing cell images using neural networks |
Non-Patent Citations (1)
Title |
---|
Fuyong Xing, et al.,An Automatic Learning-Based Framework for Robust Nucleus Segmentation,IEEE Transactions on Medical Imaging,2016年,Volume: 35, Issue: 2,https://ieeexplore.ieee.org/document/7274740 |
Also Published As
Publication number | Publication date |
---|---|
US10789451B2 (en) | 2020-09-29 |
EP3711020A1 (en) | 2020-09-23 |
CN111448582A (zh) | 2020-07-24 |
WO2019099641A1 (en) | 2019-05-23 |
US20190147215A1 (en) | 2019-05-16 |
JP2021503666A (ja) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7201681B2 (ja) | 単一チャネル全細胞セグメンテーションのためのシステム及び方法 | |
US20230127698A1 (en) | Automated stereology for determining tissue characteristics | |
Al-Kofahi et al. | A deep learning-based algorithm for 2-D cell segmentation in microscopy images | |
US10529072B2 (en) | Systems and methods for detection of structures and/or patterns in images | |
US10706535B2 (en) | Tissue staining quality determination | |
US10275880B2 (en) | Image processing method and system for analyzing a multi-channel image obtained from a biological tissue sample being stained by multiple stains | |
Ruusuvuori et al. | Evaluation of methods for detection of fluorescence labeled subcellular objects in microscope images | |
US10083340B2 (en) | Automated cell segmentation quality control | |
JP2022504870A (ja) | 細胞の分類のためのシステムおよび方法 | |
Dzyubachyk et al. | Automated analysis of time-lapse fluorescence microscopy images: from live cell images to intracellular foci | |
US10423820B2 (en) | Systems and methods for automatic generation of training sets for machine interpretation of images | |
Nurzynska et al. | CAS: Cell annotation software–research on neuronal tissue has never been so transparent | |
Niederlein et al. | Image analysis in high content screening | |
US20220058369A1 (en) | Automated stereology for determining tissue characteristics | |
Kar et al. | Assessment of deep learning algorithms for 3D instance segmentation of confocal image datasets | |
Kuo et al. | Automated assessment in HER-2/neu immunohistochemical expression of breast cancer | |
Mabaso | Automatic approach for spot detection in microscopy imaging based on image processing and statistical analysis | |
Qidwai et al. | Color-based fuzzy classifier for automated detection of cancerous cells in histopathological analysis | |
Chai | Using machine learning techniques on digitised histopathological images to distinguish lipoma (LP) from atypical lipomatous tumours (ALT) | |
Navakauskien˙ e et al. | Computational Methods for Protein Localization Analysis | |
NELSON | Mathematical morphology for quantification in biological & medical image analysis | |
Hollandi | Applications of deep learning in single-cell analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20211110 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20211224 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221128 |
|
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: 20221209 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221222 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7201681 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |