JP7449420B2 - 循環異常細胞を検出する方法及び装置 - Google Patents
循環異常細胞を検出する方法及び装置 Download PDFInfo
- Publication number
- JP7449420B2 JP7449420B2 JP2022580447A JP2022580447A JP7449420B2 JP 7449420 B2 JP7449420 B2 JP 7449420B2 JP 2022580447 A JP2022580447 A JP 2022580447A JP 2022580447 A JP2022580447 A JP 2022580447A JP 7449420 B2 JP7449420 B2 JP 7449420B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- labeled
- cell
- feature image
- cell nucleus
- 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
- 230000002159 abnormal effect Effects 0.000 title claims description 99
- 238000000034 method Methods 0.000 title claims description 49
- 210000003855 cell nucleus Anatomy 0.000 claims description 284
- 239000000523 sample Substances 0.000 claims description 220
- 210000004027 cell Anatomy 0.000 claims description 144
- 238000010186 staining Methods 0.000 claims description 126
- 238000001514 detection method Methods 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 69
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 238000001446 dark-field microscopy Methods 0.000 claims description 58
- 238000013135 deep learning Methods 0.000 claims description 36
- 230000000877 morphologic effect Effects 0.000 claims description 30
- 238000002372 labelling Methods 0.000 claims description 24
- 230000004087 circulation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001918 dark-field optical micrograph Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001000 micrograph Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 9
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 8
- 210000005259 peripheral blood Anatomy 0.000 description 6
- 239000011886 peripheral blood Substances 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 2
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 2
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 229940044683 chemotherapy drug Drugs 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004976 peripheral blood cell Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000011581 secondary neoplasm Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005748 tumor development Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Image Analysis (AREA)
Description
画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行うことと、
細胞核がラベリングされた複数のプローブチャンネルの暗視野顕微鏡画像を予め構築された循環異常細胞検出モデルに入力して、各プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号数を得ることと、
ラベリングされた細胞核毎に、得られた各プローブチャンネルの暗視野顕微鏡画像における当該ラベリングされた細胞核に含まれる染色信号数に基づいて、当該ラベリングされた細胞核が循環異常細胞に属するか否かを特定することと、を含む循環異常細胞を検出する方法を提供する。
画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡サンプル画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行い、細胞核がラベリングされたプローブチャンネルの暗視野顕微鏡サンプル画像を分割して、複数の細胞核サンプル画像を得ることと、
細胞核サンプル画像毎に、当該細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれ第1特徴画像、第2特徴画像、第3特徴画像及び第4特徴画像を得ることと、
第4特徴画像に対して畳み込み処理を行い、第5特徴画像を得て、第5特徴画像に対してアップサンプリングを行い、第6特徴画像を得ることと、
第3特徴画像と第6特徴画像に対して畳み込み処理を行い、第7特徴画像を得て、第7特徴画像に対してアップサンプリングを行い、第8特徴画像を得ることと、
第2特徴画像と第8特徴画像に対して畳み込み処理を行い、第9特徴画像を得て、第9特徴画像に対してアップサンプリングを行い、第10特徴画像を得ることと、
第1特徴画像と第10特徴画像に対して畳み込み処理を行い、第11特徴画像を得ることと、
各細胞核サンプル画像をディープラーニングネットワークの入力とし、第7特徴画像、第9特徴画像及び第11特徴画像をディープラーニングネットワークの出力の3つのスケールの予測結果として融合し、最終的に細胞核サンプル画像におけるラベリングされた細胞核に含まれる染色信号数をディープラーニングネットワークの出力として、ディープラーニングネットワークに対してトレーニング及びテストを行い、循環異常細胞検出モデルを得ることと、を含む。
細胞核サンプル画像に対して第1畳み込み層、第2畳み込み層、第3畳み込み層及び第4畳み込み層による畳み込み処理を順次行い、第1特徴画像を得ることと、
第1特徴画像に対して第5畳み込み層及び第6畳み込み層による畳み込み処理を行い、第2特徴画像を得ることと、
第2特徴画像に対して第7畳み込み層及び第8畳み込み層による畳み込み処理を行い、第3特徴画像を得ることと、
第3特徴画像に対して第9畳み込み層及び第10畳み込み層による畳み込み処理を行い、第4特徴画像を得ることと、を含む。
前記細胞核サンプル画像サイズは320*320であり、第1畳み込み層は、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが320*320であることと、
第2畳み込み層は、第1サブ畳み込み層及び第2サブ畳み込み層を含み、第1サブ畳み込み層は、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが2、出力される特徴画像のサイズが160*160であり、第2サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが160*160であることと、
第3畳み込み層は、第3サブ畳み込み層及び第4サブ畳み込み層を含み、第3サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが160*160であり、第4サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが2、出力される特徴画像のサイズが80*80であることと、
第4畳み込み層は、第5サブ畳み込み層及び第6サブ畳み込み層を含み、第5サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層から出力される特徴画像が第1特徴画像であることと、を含む。
プローブチャンネルの暗視野顕微鏡画像毎に、当該暗視野顕微鏡画像に対してガウスカーネルによるフィルタリングを行い、ノイズ除去画像を得ることと、
ノイズ除去画像に対して連結領域ラベリングを行い、ラベリングされた連結領域を取得することと、
形態学的アルゴリズムを用いて、取得された連結領域を分割し、且つ分割して得られた領域に対してラベリングを行い、ラベリングされた細胞核を得ることと、を含む。
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第1カウントを得ることと、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第2カウントを得ることと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第3カウントを得ることと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第4カウントを得ることと、を含む。
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像におけるラベリングされた第1細胞核に含まれる染色信号の第1カウントを取得することと、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第2カウントを取得することと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第3カウントを取得することと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第4カウントを取得することと、
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントに基づいて、前記ラベリングされた第1細胞核が循環異常細胞に属するか否かを特定することと、を含む。
細胞核がラベリングされた複数のプローブチャンネルの暗視野顕微鏡画像を予め構築された循環異常細胞検出モデルに入力して、各プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号数を得るように構成された染色信号数取得モジュールと、
ラベリングされた細胞核毎に、得られた各プローブチャンネルの暗視野顕微鏡画像における当該ラベリングされた細胞核に含まれる染色信号数に基づいて、当該ラベリングされた細胞核が循環異常細胞に属するか否かを特定するように構成された細胞種類判定モジュールと、を含む循環異常細胞を検出する装置をさらに提供する。
当該暗視野顕微鏡画像を分割することを含んでもよい。
二値分割アルゴリズムに基づいてノイズ除去画像を分割して、二値画像を得て、二値画像に基づいて連結領域ラベリングを行うことを含む。
細胞核がラベリングされた第1プローブチャンネルのDF顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第1プローブチャンネルのDF顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第1カウントを得ることと、
細胞核がラベリングされた第2プローブチャンネルのDF顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第2プローブチャンネルのDF顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第2カウントを得ることと、
細胞核がラベリングされた第3プローブチャンネルのDF顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第3プローブチャンネルのDF顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第3カウントを得ることと、
細胞核がラベリングされた第4プローブチャンネルのDF顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第4プローブチャンネルのDF顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第4カウントを得ることと、を含む。
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像におけるラベリングされた第1細胞核に含まれる染色信号の第1カウントを取得することと、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第2カウントを取得することと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第3カウントを取得することと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第4カウントを取得することと、
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントに基づいて、前記ラベリングされた第1細胞核が循環異常細胞に属するか否かを特定することと、を含む。
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントのうち、カウント数が2以上のものが2より多い場合、前記ラベリングされた第1細胞核が循環異常細胞に属すると特定することを含む。
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントについて、いずれかのカウント数が2未満である場合、前記ラベリングされた第1細胞核が欠失細胞に属すると特定し、カウント数が2より大きいものが一つしかない場合、前記ラベリングされた第1細胞核が単一増幅細胞に属すると特定し、染色信号がペアで現れる場合、前記ラベリングされた第1細胞核が正常な細胞に属すると特定することを含む。
前記細胞核サンプル画像サイズは320*320であり、第1畳み込み層は、畳み込みカーネル数(Filters)が32、畳み込みカーネルサイズ(Size)が3*3、ストライドが1、出力される(Output)特徴画像のサイズが320*320であることと、
第2畳み込み層は、第1サブ畳み込み層及び第2サブ畳み込み層を含み、第1サブ畳み込み層は、深さ方向分離可能畳み込み(Convdw)を採用し、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが2、出力される特徴画像のサイズが160*160であり、第2サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが160*160であることと、
第3畳み込み層は、第3サブ畳み込み層及び第4サブ畳み込み層を含み、第3サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が64、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが160*160であり、第4サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが2、出力される特徴画像のサイズが80*80であることと、
第4畳み込み層は、第5サブ畳み込み層及び第6サブ畳み込み層を含み、第5サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が128、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層から出力される特徴画像が第1特徴画像であることと、を含む。
第6畳み込み層は、第9サブ畳み込み層及び第10サブ畳み込み層を含み、第9サブ畳み込み層は、空間畳み込みを採用し、畳み込みカーネル数が256、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが40*40であり、第10サブ畳み込み層は、畳み込みカーネル数が256、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが40*40であり、第10サブ畳み込み層から出力される特徴画像が第2特徴画像である。
第8畳み込み層は、第13サブ畳み込み層及び第14サブ畳み込み層を含み、第13サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が512、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが20*20であり、第14サブ畳み込み層は、畳み込みカーネル数が512、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが20*20であり、第14サブ畳み込み層から出力される特徴画像が第3特徴画像である。
第10畳み込み層は、第17サブ畳み込み層及び第18サブ畳み込み層を含み、第17サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が1024、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが10*10であり、第18サブ畳み込み層は、畳み込みカーネル数が1024、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが10*10であり、第18サブ畳み込み層から出力される特徴画像が第4特徴画像である。
画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行うように構成された細胞核ラベリングモジュール401を含む。
プローブチャンネルの暗視野顕微鏡画像毎に、当該暗視野顕微鏡画像に対してガウスカーネルによるフィルタリングを行い、ノイズ除去画像を得るように構成されたフィルタユニット(図示せず)と、
ノイズ除去画像に対して連結領域ラベリングを行い、ラベリングされた連結領域を取得するように構成された連結ラベリングユニットと、
形態学的アルゴリズムを用いて、取得された連結領域を分割し、且つ分割して得られた領域に対してラベリングを行い、ラベリングされた細胞核を得るように構成された細胞核ラベリングユニットと、を含む。
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第1カウントを得るように構成された第1カウント取得ユニット(図示せず)と、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第2カウントを得るように構成された第2カウント取得ユニットと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第3カウントを得るように構成された第3カウント取得ユニットと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、当該細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第4カウントを得るように構成された第4カウント取得ユニットと、を含む。
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像におけるラベリングされた第1細胞核に含まれる染色信号の第1カウントを取得するように構成された第1プローブチャンネルカウントユニット(図示せず)と、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第2カウントを取得するように構成された第2プローブチャンネルカウントユニットと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第3カウントを取得するように構成された第3プローブチャンネルカウントユニットと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第4カウントを取得するように構成された第4プローブチャンネルカウントユニットと、
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントに基づいて、前記ラベリングされた第1細胞核が循環異常細胞に属するか否かを特定するように構成された判定ユニットと、を含む。
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントのうち、カウント数が2以上のものが2より多い場合、前記ラベリングされた第1細胞核が循環異常細胞に属すると特定するように構成された。
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントについて、いずれかのカウント数が2未満である場合、前記ラベリングされた第1細胞核が欠失細胞に属すると特定し、カウント数が2より大きいものが一つしかない場合、前記ラベリングされた第1細胞核が単一増幅細胞に属すると特定し、染色信号がペアで現れる場合、前記ラベリングされた第1細胞核が正常な細胞に属すると特定するように構成された。
画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡サンプル画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行い、細胞核がラベリングされたプローブチャンネルの暗視野顕微鏡サンプル画像を分割して、複数の細胞核サンプル画像を得て、
細胞核サンプル画像毎に、当該細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれ第1特徴画像、第2特徴画像、第3特徴画像及び第4特徴画像を得て、
第4特徴画像に対して畳み込み処理を行い、第5特徴画像を得て、第5特徴画像に対してアップサンプリングを行い、第6特徴画像を得て、
第3特徴画像と第6特徴画像に対して畳み込み処理を行い、第7特徴画像を得て、第7特徴画像に対してアップサンプリングを行い、第8特徴画像を得て、
第2特徴画像と第8特徴画像に対して畳み込み処理を行い、第9特徴画像を得て、第9特徴画像に対してアップサンプリングを行い、第10特徴画像を得て、
第1特徴画像と第10特徴画像に対して畳み込み処理を行い、第11特徴画像を得て、
各細胞核サンプル画像をネットワークの入力とし、第7特徴画像、第9特徴画像及び第11特徴画像をディープラーニングネットワークの出力の3つのスケールの予測結果として融合し、最終的に細胞核サンプル画像におけるラベリングされた細胞核に含まれる染色信号数をディープラーニングネットワークの出力として、ディープラーニングネットワークに対してトレーニング及びテストを行い、循環異常細胞検出モデルを得るように構成された検出モデル構築モジュール(図示せず)をさらに含む。
細胞核サンプル画像に対して第1畳み込み層、第2畳み込み層、第3畳み込み層及び第4畳み込み層による畳み込み処理を順次行い、第1特徴画像を得ることと、
第1特徴画像に対して第5畳み込み層及び第6畳み込み層による畳み込み処理を行い、第2特徴画像を得ることと、
第2特徴画像に対して第7畳み込み層及び第8畳み込み層による畳み込み処理を行い、第3特徴画像を得ることと、
第3特徴画像に対して第9畳み込み層及び第10畳み込み層による畳み込み処理を行い、第4特徴画像を得ることと、を含む。
前記細胞核サンプル画像サイズは320*320であり、第1畳み込み層は、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが320*320であることと、
第2畳み込み層は、第1サブ畳み込み層及び第2サブ畳み込み層を含み、第1サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが2、出力される特徴画像のサイズが160*160であり、第2サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが160*160であることと、
第3畳み込み層は、第3サブ畳み込み層及び第4サブ畳み込み層を含み、第3サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が64、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが160*160であり、第4サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが2、出力される特徴画像のサイズが80*80であることと、
第4畳み込み層は、第5サブ畳み込み層及び第6サブ畳み込み層を含み、第5サブ畳み込み層は、深さ方向分離可能畳み込みを採用し、畳み込みカーネル数が128、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層から出力される特徴画像が第1特徴画像であることと、を含む。
Claims (10)
- 画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行い、前記形態学的アルゴリズムはハフ円検出アルゴリズム、閉演算及び/又は開演算を含むことと、
細胞核がラベリングされた複数のプローブチャンネルの暗視野顕微鏡画像を予め構築された循環異常細胞検出モデルに入力して、各プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号数を得ることと、
ラベリングされた細胞核毎に、得られた各プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた細胞核に含まれる染色信号数に基づいて、前記ラベリングされた細胞核が循環異常細胞に属するか否かを特定することと、を含み、
分割して得られた細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれのスケールがより小さい複数の異なるスケールの特徴画像を取得し、前記スケールがより小さい特徴画像に対して畳み込み処理およびアップサンプリング処理を行って得られた複数のスケールの特徴画像を融合することにより、前記循環異常細胞検出モデルを予め構築する、ことを特徴とする循環異常細胞を検出する方法。 - 前記循環異常細胞検出モデルを構築することは、
画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡サンプル画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行い、細胞核がラベリングされたプローブチャンネルの暗視野顕微鏡サンプル画像を分割して、複数の細胞核サンプル画像を得ることと、
細胞核サンプル画像毎に、前記細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれ第1特徴画像、第2特徴画像、第3特徴画像及び第4特徴画像を得ることと、
第4特徴画像に対して畳み込み処理を行い、第5特徴画像を得て、第5特徴画像に対してアップサンプリングを行い、第6特徴画像を得ることと、
第3特徴画像と第6特徴画像に対して畳み込み処理を行い、第7特徴画像を得て、第7特徴画像に対してアップサンプリングを行い、第8特徴画像を得ることと、
第2特徴画像と第8特徴画像に対して畳み込み処理を行い、第9特徴画像を得て、第9特徴画像に対してアップサンプリングを行い、第10特徴画像を得ることと、
第1特徴画像と第10特徴画像に対して畳み込み処理を行い、第11特徴画像を得ることと、
各細胞核サンプル画像をディープラーニングネットワークの入力とし、第7特徴画像、第9特徴画像及び第11特徴画像をディープラーニングネットワークの出力の3つのスケールの予測結果として融合し、最終的に細胞核サンプル画像におけるラベリングされた細胞核に含まれる染色信号数をディープラーニングネットワークの出力として、ディープラーニングネットワークに対してトレーニング及びテストを行い、循環異常細胞検出モデルを得ることと、を含むことを特徴とする請求項1に記載の循環異常細胞を検出する方法。 - 前記した、前記細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれ第1特徴画像、第2特徴画像、第3特徴画像及び第4特徴画像を得ることは、
細胞核サンプル画像に対して第1畳み込み層、第2畳み込み層、第3畳み込み層及び第4畳み込み層による畳み込み処理を順次行い、第1特徴画像を得ることと、
第1特徴画像に対して第5畳み込み層及び第6畳み込み層による畳み込み処理を行い、第2特徴画像を得ることと、
第2特徴画像に対して第7畳み込み層及び第8畳み込み層による畳み込み処理を行い、第3特徴画像を得ることと、
第3特徴画像に対して第9畳み込み層及び第10畳み込み層による畳み込み処理を行い、第4特徴画像を得ることと、を含むことを特徴とする請求項2に記載の循環異常細胞を検出する方法。 - 前記した、細胞核サンプル画像に対して第1畳み込み層、第2畳み込み層、第3畳み込み層及び第4畳み込み層による畳み込み処理を順次行い、第1特徴画像を得ることは、
前記細胞核サンプル画像サイズは320*320であり、第1畳み込み層は、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが320*320であることと、
第2畳み込み層は、第1サブ畳み込み層及び第2サブ畳み込み層を含み、第1サブ畳み込み層は、畳み込みカーネル数が32、畳み込みカーネルサイズが3*3、ストライドが2、出力される特徴画像のサイズが160*160であり、第2サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが160*160であることと、
第3畳み込み層は、第3サブ畳み込み層及び第4サブ畳み込み層を含み、第3サブ畳み込み層は、畳み込みカーネル数が64、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが160*160であり、第4サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが2、出力される特徴画像のサイズが80*80であることと、
第4畳み込み層は、第5サブ畳み込み層及び第6サブ畳み込み層を含み、第5サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが3*3、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層は、畳み込みカーネル数が128、畳み込みカーネルサイズが1*1、ストライドが1、出力される特徴画像のサイズが80*80であり、第6サブ畳み込み層から出力される特徴画像が第1特徴画像であることと、を含むことを特徴とする請求項3に記載の循環異常細胞を検出する方法。 - 前記した、画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行うことは、
プローブチャンネルの暗視野顕微鏡画像毎に、前記暗視野顕微鏡画像に対してガウスカーネルによるフィルタリングを行い、ノイズ除去画像を得ることと、
ノイズ除去画像に対して連結領域ラベリングを行い、ラベリングされた連結領域を取得することと、
形態学的アルゴリズムを用いて、取得された連結領域を分割し、且つ分割して得られた領域に対してラベリングを行い、ラベリングされた細胞核を得ることと、を含むことを特徴とする請求項1~4のいずれか1項に記載の循環異常細胞を検出する方法。 - 前記した、細胞核がラベリングされた複数のプローブチャンネルの暗視野顕微鏡画像を予め構築された循環異常細胞検出モデルに入力して、各プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号数を得ることは、
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、前記細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第1カウントを得ることと、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、前記細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第2カウントを得ることと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、前記細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第3カウントを得ることと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像を循環異常細胞検出モデルに入力して、前記細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号の第4カウントを得ることと、を含むことを特徴とする請求項1~4のいずれか1項に記載の循環異常細胞を検出する方法。 - 前記した、ラベリングされた細胞核毎に、得られた各プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた細胞核に含まれる染色信号数に基づいて、前記ラベリングされた細胞核が循環異常細胞に属するか否かを特定することは、
細胞核がラベリングされた第1プローブチャンネルの暗視野顕微鏡画像におけるラベリングされた第1細胞核に含まれる染色信号の第1カウントを取得することと、
細胞核がラベリングされた第2プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第2カウントを取得することと、
細胞核がラベリングされた第3プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第3カウントを取得することと、
細胞核がラベリングされた第4プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた第1細胞核に含まれる染色信号の第4カウントを取得することと、
前記染色信号の第1カウント、染色信号の第2カウント、染色信号の第3カウント及び染色信号の第4カウントに基づいて、前記ラベリングされた第1細胞核が循環異常細胞に属するか否かを特定することと、を含むとを特徴とする請求項6に記載の循環異常細胞を検出する方法。 - 画像処理アルゴリズム及び形態学的アルゴリズムを用いて、複数のプローブチャンネルの暗視野顕微鏡画像に含まれる細胞核に対してそれぞれ分割及びラベリングを行い、前記形態学的アルゴリズムはハフ円検出アルゴリズム、閉演算及び/又は開演算を含むように構成された細胞核ラベリングモジュールと、
細胞核がラベリングされた複数のプローブチャンネルの暗視野顕微鏡画像を予め構築された循環異常細胞検出モデルに入力して、各プローブチャンネルの暗視野顕微鏡画像における各ラベリングされた細胞核に含まれる染色信号数を得るように構成された染色信号数取得モジュールと、
ラベリングされた細胞核毎に、得られた各プローブチャンネルの暗視野顕微鏡画像における前記ラベリングされた細胞核に含まれる染色信号数に基づいて、前記ラベリングされた細胞核が循環異常細胞に属するか否かを特定するように構成された細胞種類判定モジュールと、を含み、
分割して得られた細胞核サンプル画像に対して複数回の畳み込み処理を行い、それぞれのスケールがより小さい複数の異なるスケールの特徴画像を取得し、前記スケールがより小さい特徴画像に対して畳み込み処理およびアップサンプリング処理を行って得られた複数のスケールの特徴画像を融合することにより、前記循環異常細胞検出モデルを予め構築する、ことを特徴とする循環異常細胞を検出する装置。 - 電子機器であって、
プロセッサと、
前記プロセッサにより実行可能な機械可読命令が記憶されたメモリと、
バスと、を含み、
電子機器が動作すると、前記プロセッサと前記メモリとはバスを介して通信し、前記機械可読命令が前記プロセッサにより実行されると、請求項1~7のいずれか1項に記載の循環異常細胞を検出する方法のステップを実行させることを特徴とする電子機器。 - コンピュータプログラムが記憶されたコンピュータ読み取り可能な記憶媒体であって、前記コンピュータプログラムがプロセッサにより実行されると、請求項1~7のいずれか1項に記載の循環異常細胞を検出する方法のステップを実行させることを特徴とするコンピュータ読み取り可能な記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585145.8A CN111739010B (zh) | 2020-06-23 | 2020-06-23 | 一种检测循环异常细胞的方法及装置 |
CN202010585145.8 | 2020-06-23 | ||
PCT/CN2020/133954 WO2021258651A1 (zh) | 2020-06-23 | 2020-12-04 | 一种检测循环异常细胞的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023532483A JP2023532483A (ja) | 2023-07-28 |
JP7449420B2 true JP7449420B2 (ja) | 2024-03-13 |
Family
ID=72650824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022580447A Active JP7449420B2 (ja) | 2020-06-23 | 2020-12-04 | 循環異常細胞を検出する方法及び装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11880974B2 (ja) |
EP (1) | EP4170583A4 (ja) |
JP (1) | JP7449420B2 (ja) |
CN (1) | CN111739010B (ja) |
WO (1) | WO2021258651A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739010B (zh) * | 2020-06-23 | 2022-06-24 | 珠海圣美生物诊断技术有限公司 | 一种检测循环异常细胞的方法及装置 |
CN114066818B (zh) * | 2021-10-23 | 2023-04-07 | 广州市艾贝泰生物科技有限公司 | 细胞检测分析方法、装置、计算机设备和存储介质 |
CN114049330A (zh) * | 2021-11-16 | 2022-02-15 | 长春理工大学 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
CN114085911B (zh) * | 2022-01-19 | 2022-05-17 | 珠海圣美生物诊断技术有限公司 | 一种检测肿瘤细胞或肿瘤细胞碎片的方法 |
CN114739970B (zh) * | 2022-06-09 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 荧光信号点断裂判定方法和装置 |
CN115035518B (zh) * | 2022-08-11 | 2022-11-01 | 珠海横琴圣澳云智科技有限公司 | 细胞核图像中荧光染色信号点的识别方法和装置 |
CN115100648B (zh) * | 2022-08-25 | 2022-11-29 | 珠海横琴圣澳云智科技有限公司 | 细胞显微图像中多通道荧光杂质的滤除方法和装置 |
CN115201092B (zh) * | 2022-09-08 | 2022-11-29 | 珠海圣美生物诊断技术有限公司 | 细胞扫描图像的获取方法和装置 |
CN116188463A (zh) * | 2023-04-24 | 2023-05-30 | 中国科学院长春光学精密机械与物理研究所 | Fish图像信号自动检测分析方法、装置、设备以及介质 |
CN116309543B (zh) * | 2023-05-10 | 2023-08-11 | 北京航空航天大学杭州创新研究院 | 基于图像的循环肿瘤细胞检测设备 |
CN117496512B (zh) * | 2024-01-02 | 2024-03-22 | 广州锟元方青医疗科技有限公司 | 宫颈tct切片的多类型细胞核标注及多任务处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019513228A (ja) | 2016-03-07 | 2019-05-23 | エックス−ゼル インコーポレイテッド | 希少細胞を同定する組成物及び方法 |
CN111175267A (zh) | 2020-01-18 | 2020-05-19 | 珠海圣美生物诊断技术有限公司 | 基于fish技术的细胞判读方法和系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100317002A1 (en) * | 2007-10-11 | 2010-12-16 | Bioview Ltd. | Methods and kits for diagnosing lung cancer |
CN102270307B (zh) * | 2011-06-24 | 2013-06-05 | 福州大学 | 肿瘤癌变细胞fish基因状态自动检测方法 |
CN102682305B (zh) * | 2012-04-25 | 2014-07-02 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
CN106296635B (zh) * | 2015-05-29 | 2019-11-22 | 厦门鹭佳生物科技有限公司 | 一种荧光原位杂交(fish)图像并行处理与分析方法 |
JP7198577B2 (ja) * | 2017-11-17 | 2023-01-04 | シスメックス株式会社 | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 |
CN109523520B (zh) * | 2018-10-25 | 2020-12-18 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109991205A (zh) * | 2019-05-05 | 2019-07-09 | 中国科学院重庆绿色智能技术研究院 | 一种循环肿瘤细胞的计数算法及应用 |
CN110501278B (zh) | 2019-07-10 | 2021-04-30 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
CN111126162A (zh) * | 2019-11-28 | 2020-05-08 | 东软集团股份有限公司 | 一种识别图像中炎症细胞的方法、装置及存储介质 |
EP4081979A1 (en) * | 2019-12-23 | 2022-11-02 | Lunglife Ai, Inc. | Systems and methods for designing accurate fluorescence in-situ hybridization probe detection on microscopic blood cell images using machine learning |
CN111739010B (zh) | 2020-06-23 | 2022-06-24 | 珠海圣美生物诊断技术有限公司 | 一种检测循环异常细胞的方法及装置 |
-
2020
- 2020-06-23 CN CN202010585145.8A patent/CN111739010B/zh active Active
- 2020-12-04 WO PCT/CN2020/133954 patent/WO2021258651A1/zh unknown
- 2020-12-04 EP EP20941819.3A patent/EP4170583A4/en active Pending
- 2020-12-04 US US18/012,585 patent/US11880974B2/en active Active
- 2020-12-04 JP JP2022580447A patent/JP7449420B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019513228A (ja) | 2016-03-07 | 2019-05-23 | エックス−ゼル インコーポレイテッド | 希少細胞を同定する組成物及び方法 |
CN111175267A (zh) | 2020-01-18 | 2020-05-19 | 珠海圣美生物诊断技术有限公司 | 基于fish技术的细胞判读方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
EP4170583A1 (en) | 2023-04-26 |
CN111739010A (zh) | 2020-10-02 |
EP4170583A4 (en) | 2023-12-27 |
CN111739010B (zh) | 2022-06-24 |
US20230306588A1 (en) | 2023-09-28 |
WO2021258651A1 (zh) | 2021-12-30 |
JP2023532483A (ja) | 2023-07-28 |
US11880974B2 (en) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7449420B2 (ja) | 循環異常細胞を検出する方法及び装置 | |
Moshavash et al. | An automatic and robust decision support system for accurate acute leukemia diagnosis from blood microscopic images | |
Kumar et al. | Automated detection of acute leukemia using k-mean clustering algorithm | |
JP6503382B2 (ja) | 血液学用デジタルホログラフィ顕微鏡検査データ分析 | |
JP5315411B2 (ja) | 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法 | |
Roy et al. | Segmentation of leukocyte by semantic segmentation model: A deep learning approach | |
Ahirwar et al. | Advanced image analysis based system for automatic detection and classification of malarial parasite in blood images | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Ganapathy et al. | CometQ: An automated tool for the detection and quantification of DNA damage using comet assay image analysis | |
US20230041229A1 (en) | Systems and methods for designing accurate fluorescence in-situ hybridization probe detection on microscopic blood cell images using machine learning | |
EP3895122A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
Sulaiman et al. | Improvement of features extraction process and classification of cervical cancer for the neuralpap system | |
Safca et al. | Image processing techniques to identify red blood cells | |
Depto et al. | Automatic segmentation of blood cells from microscopic slides: a comparative analysis | |
Mayrose et al. | Intelligent algorithm for detection of dengue using mobilenetv2‐based deep features with lymphocyte nucleus | |
Tsaku et al. | Texture-based deep learning for effective histopathological cancer image classification | |
Sunny et al. | Oral epithelial cell segmentation from fluorescent multichannel cytology images using deep learning | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
Hortinela IV et al. | Development of abnormal red blood cells classifier using image processing techniques with support vector machine | |
US10902256B2 (en) | Predicting response to immunotherapy using computer extracted features relating to spatial arrangement of tumor infiltrating lymphocytes in non-small cell lung cancer | |
US11461891B2 (en) | Phenotyping tumor infiltrating lymphocytes on hematoxylin and eosin (HandE) stained tissue images to predict recurrence in lung cancer | |
Fakhouri et al. | A hybrid methodology for automation the diagnosis of leukemia based on quantitative and morphological feature analysis | |
Guo et al. | A novel 2D ground-glass opacity detection method through local-to-global multilevel thresholding for segmentation and minimum bayes risk learning for classification | |
Nugroho et al. | A combination of optimized threshold and deep learning-based approach to improve malaria detection and segmentation on PlasmoID dataset | |
Abinaya et al. | A systematic review: Intellectual detection and prediction of cancer using dl techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221223 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231129 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240301 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7449420 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |