KR101863227B1 - 디지털 병리 시스템의 환자 케이스 동일성 판단 방법 - Google Patents

디지털 병리 시스템의 환자 케이스 동일성 판단 방법 Download PDF

Info

Publication number
KR101863227B1
KR101863227B1 KR1020160087789A KR20160087789A KR101863227B1 KR 101863227 B1 KR101863227 B1 KR 101863227B1 KR 1020160087789 A KR1020160087789 A KR 1020160087789A KR 20160087789 A KR20160087789 A KR 20160087789A KR 101863227 B1 KR101863227 B1 KR 101863227B1
Authority
KR
South Korea
Prior art keywords
sample
digital slide
slide image
patient
digital
Prior art date
Application number
KR1020160087789A
Other languages
English (en)
Other versions
KR20180007071A (ko
Inventor
황만원
김성용
뒤 히엔 팜
김명진
Original Assignee
주식회사 인피니트헬스케어
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 인피니트헬스케어 filed Critical 주식회사 인피니트헬스케어
Priority to KR1020160087789A priority Critical patent/KR101863227B1/ko
Priority to US15/217,356 priority patent/US10289803B2/en
Publication of KR20180007071A publication Critical patent/KR20180007071A/ko
Application granted granted Critical
Publication of KR101863227B1 publication Critical patent/KR101863227B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G06F19/32—
    • G06F19/36—
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법은, 환자 케이스 동일성 판단부는 디지털 슬라이드 이미지를 스캐너로부터 획득하는 단계; 상기 환자 케이스 동일성 판단부는, LIS(Laboratory Information System)에 상기 디지털 슬라이드 이미지와 관련하여 디지털 슬라이드 전처리 단계에서 획득한 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 요청하는 단계; 상기 환자 케이스 동일성 판단부는, 상기 LIS로부터 상기 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 수신하는 단계; 상기 환자 케이스 동일성 판단부는, 상기 디지털 슬라이드 이미지 및 상기 전처리 단계 이미지의 패턴을 비교 분석하여 일치율을 계산하고 저장하는 단계; 및 상기 환자 케이스 동일성 판단부는, 클라이언트 애플리케이션에서 상기 디지털 슬라이드 이미지의 열람을 제공할 때, 상기 일치율에 근거하여, 상기 디지털 슬라이드 이미지 및 상기 환자 및 케이스 정보의 동일성 여부를 제공하는 단계;를 포함한다.

Description

디지털 병리 시스템의 환자 케이스 동일성 판단 방법{METHOD OF DETERMINING PATIENT CASE IDENTITY IN DIGITAL PATHOLOGY SYSTEM}
본 발명은 디지털 병리 시스템의 환자 케이스 동일성 판단 방법에 관한 것으로, 좀 더 구체적으로는, 디지털 슬라이드 이미지의 전처리 단계인 그로싱(Grossing), 왁싱, 파라핀 블락, 섹셔닝(Sectioning), 염색(Staining)의 과정을 거치면서, 각 단계에서 매뉴얼 바코드 부착 등의 작업이 이루어지지만, 이때 휴먼 에러(Human Error)가 발생할 여지가 많았던 문제점을 해결할 수 있는 디지털 병리 시스템의 환자 케이스 동일성 판단 방법에 관한 것이다.
병리학(pathology)이란, 병의 원리를 밝히기 위하여 병의 상태나 병체(病體)의 조직 구조, 기관의 형태 및 기능의 변화 등을 연구하는 기초 의학이다.
특히, 디지털 병리학(digital pathology)은 디지털 슬라이드로부터 생성되는 정보를 관리하는 컴퓨터기술로 구현된 영상 기반 정보 환경을 말하는 것으로, 부분적으로는 현미경으로 영상을 촬영하여 컴퓨터 네트워크로 전달하는 가상 현미경 관찰(virtual microscopy)에 의해서 구현된다.
디지털 병리학은 전 세계적으로 가장 유망한 진단 의학의 한 분야로 인식되고 있다. 이것은 일반적으로 현대인 건강의 가장 큰 적이라 할 수 있는 암이나 다른 중요한 질병을 진단 및 예측을 하는데 있어서, 기존에 알려진 진단 방식과 비교하여 훨씬 빠르고 저렴하고 그러면서도 월등하게 정확하게 진단하는 것이 가능하기 때문이다.
이와 같이 유망한 진단 의학의 한 분야로 각광받기 시작하였으나, 그 연구개발의 단계는 아직 초기에 불과한 상태이다. 국내에서는, 디지털 병리(학) 시스템(digital pathology system)에 대한 연구개발이 일천하고 관련 제품이 하나로 없는 상태이며, 외국에서조차 주요 진단(primary diagnosis)용으로는 미국 FDA에서 승인된 디지털 병리학 시스템이 아직 없는 상태라는 점만 보아도 현재의 연구개발 단계를 짐작할 수 있다.
이와 같은 디지털 병리학 시스템에서는 디지털 슬라이드 이미지의 전처리 단계인 그로싱(Grossing), 왁싱, 파라핀 블락, 섹셔닝(Sectioning), 염색(Staining) 의 과정을 거치면서, 각 단계에서 매뉴얼 바코드 부착 등의 작업이 이루어지며, 이때 휴먼 에러(Human Error)가 발생할 여지가 많았으며, 실제로 다수의 에러가 발생하고 있는 실정이다.
한편, 관련 특허문헌를 살펴 보면, 대한민국 특허 제1559798호(2015년 10월 6일 등록)를 들 수 있으며, 해당 특허문헌에서는 디지털 병리학의 이미지 표준화 방법에 대해서 개시하고 있다. 구체적으로는, "이미지 표준화를 위한 샘플을 선정하는 단계와, 선정된 샘플의 소정부분을 스펙트럼 분석하여, 샘플의 소정부분 내에 존재하는 물질의 정보를 수집하는 단계와, 수집된 정보를 통해, 상관식을 구하는 단계와, 상관식을 이용하여, 샘플 전체 이미지를 보정하는 단계와, 보정된 이미지를 통해, 샘플의 이미지를 표준화하는 단계"에 대해서 개시하고 있다.
하지만, 상기 선행 특허문헌에서는, 앞서 상술한 바와 같은 휴먼 에러에 대한 문제 의식 및 그 문제를 예방하기 위한 기술에 대해서는 전혀 언급되지 않았다.
대한민국 특허 제1559798호(2015년 10월 6일 등록, 발명의 명칭 : 디지털 병리학의 이미지 표준화 방법{method for normalizing image in digital pathology})
본 발명은 상술한 문제점을 해결하기 위하여 창출된 것으로, 본 발명은 디지털 슬라이드 이미지의 전처리 단계인 그로싱(Grossing), 왁싱, 파라핀 블락, 섹셔닝(Sectioning), 염색(Staining)의 과정을 거치면서, 각 단계에서 매뉴얼 바코드 부착 등의 작업이 이루어지며, 이때 휴먼 에러(Human Error)가 발생할 여지가 많았던 문제점을 해결할 수 있는 디지털 병리 시스템의 환자 케이스 동일성 판단 방법을 제공하는 것을 목적으로 한다.
상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법은, 환자 케이스 동일성 판단부는 디지털 슬라이드 이미지를 스캐너로부터 획득하는 단계; 상기 환자 케이스 동일성 판단부는, LIS(Laboratory Information System)에 상기 디지털 슬라이드 이미지와 관련하여 디지털 슬라이드 전처리 단계에서 획득한 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 요청하는 단계; 상기 환자 케이스 동일성 판단부는, 상기 LIS로부터 상기 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 수신하는 단계; 상기 환자 케이스 동일성 판단부는, 상기 디지털 슬라이드 이미지 및 상기 전처리 단계 이미지의 패턴을 비교 분석하여 일치율을 계산하고 저장하는 단계; 및 상기 환자 케이스 동일성 판단부는, 클라이언트 애플리케이션에서 상기 디지털 슬라이드 이미지의 열람을 제공할 때, 상기 일치율에 근거하여, 상기 디지털 슬라이드 이미지 및 상기 환자 및 케이스 정보의 동일성 여부를 제공하는 단계;를 포함한다.
또한, 상기 클라이언트 애플리케이션은, 상기 디지털 슬라이드 이미지를 조회하거나, 상기 디지털 슬라이드 이미지를 분석하거나, 상기 디지털 슬라이드 이미지에 전문가 의견을 기재하거나, 또는 상기 디지털 슬라이드 이미지를 다운로드하는 단말일 수 있다.
또한, 상기 환자 케이스 동일성 판단부가, 상기 일치율이 소정 기준을 만족하는 경우, 상기 환자 및 케이스 정보를 업데이트하는 단계를 더 포함할 수 있다.
또한, 상기 디지털 슬라이드 이미지를 제 1 디지털 슬라이드 이미지로 하고, 상기 전처리 단계 이미지를 제 2 디지털 슬라이드 이미지로 하면, 제 1 디지털 슬라이드 이미지 및 제 2 디지털 슬라이드 이미지의 패턴을 비교 분석하여 일치율을 계산하는 단계는, 제 1 디지털 슬라이드 이미지 및 제 2 디지털 슬라이드 이미지의 각각의 제 1 주요 영역 및 제 2 주요 영역을 추출하는 단계; 상기 제 1 주요 영역 및 상기 제 2 주요 영역을 정렬하는 단계; 및 상기 정렬이 성공한 경우에는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 샘플 타입을 분류하는 단계; 및 상기 샘플 타입 분류가 같으면, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 유사도를 측정하는 단계;를 포함할 수 있다.
또한, 상기 샘플 타입을 분류하는 단계는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 검출된 중점 개수를 통해서 상기 샘플이 단수인지, 복수인지 판단하는 단계; 및 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 각 샘플의 크기를 판단하는 단계; 상기 검출된 중점 간의 상하, 좌우의 위치를 통해서 각 샘플의 배열 형태를, 세로, 가로, 및 혼합 배열 중 하나로 판단하는 단계; 및 상기 샘플의 단수/복수 판단, 상기 샘플의 크기 및 상기 샘플의 배열 형태를 기초로 하여, 상기 샘플의 타입을 분류하는 단계;를 포함할 수 있다.
또한, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 상기 유사도를 측정하는 단계는, 단수 샘플인 경우, 상기 샘플의 형태 정보, 컬러 정보, 및 상기 샘플의 에지의 방향성 및 강도를 통해 유사도를 측정하며, 상기 샘플의 에지의 방향성 및 강도는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 대응하는 에지점을 중심으로, 3개의 동심원 및 45도 각도로 반지름으로 절단하여, 24개의 구역으로 분할하여 검색 구역을 설정하고, 각 구역은, 구역 내의 주변 에지 점의 수, 구역 내의 주변 에지 점의 평균 컬러 정보, 구역 내의 주변 에지 점의 평균 에지 강도, 및 구역 내의 주변 에지 점의 벡터 방향 정보를 포함하고, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 대응하는 에지점의 24개 구역의 정보를 비교함으로써 측정할 수 있다.
또한, 복수 샘플인 경우, 상기 샘플의 형태 정보, 컬러 정보, 상기 샘플의 에지의 방향성 및 강도, 상기 샘플 내의 물체 간격 정보, 상기 물체가 이루고 있는 클러스터 형태를 통해 유사도를 측정할 수 있다.
또한, 상기 정렬이 실패한 경우에는, 샘플 유사도 측정을 페일(fail)로 처리하는 단계를 더 포함할 수 있다.
또한, 상기 샘플 타입 분류가 다르면, 샘플이 서로 다른 것으로 판단하고 종료하는 단계를 더 포함할 수 있다.
본 발명에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법에 의하면,
디지털 슬라이드 이미지의 전처리 단계인 그로싱(Grossing), 왁싱, 파라핀 블락, 섹셔닝(Sectioning), 염색(Staining)의 과정을 거치면서, 각 단계에서 매뉴얼 바코드 부착 등의 작업이 이루어지는데, 이때 휴먼 에러(Human Error)가 발생할 여지가 많았던 문제점을 해결할 수 있다.
즉, 근본적인 휴먼 에러를 막을 수 있는 방법은 없으므로 디지털 병리 시스템의 전처리 단계의 캡쳐된 이미지와 최종 결과물인 디지털 슬라이드 이미지를 획득 시점에 이미지 패턴 분석을 통해 매치 여부를 판정하여, 사용자에게 알려줌으로써 휴먼 에러를 예방한다.
도 1은 본 발명에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법이 적용되는 시스템의 개략도이다.
도 2는 본 발명에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법의 플로우차트이다.
도 4는 주요 영역을 추출하기 위해서 디지털 슬라이드 이미지의 컬러 분포도를 활용한 1차 영역 분류를 나타낸 도면이다.
도 5는 1차 영역 분류 후 탈색화를 통해 주요 영역을 검출하는 단계를 도시한 도면이다.
도 6은 K-means 클러스터링을 통한 물체 중점을 검출하는 방법을 예시한 도면이다.
도 7은 샘플 타입을 분류하는 기준을 도시한 표이다.
도 8은 24개 구역을 분할하여 검색 구역을 설정하는 것, 그리고 각 구역 내에 정보를 에지 점의 비교 서술자(descriptor) 저장소에 저장하는 것을 도시한 도면이다.
도 9는 24개 구역의 정보를 이용하여 비교하는 예시도이다.
도 10은 복수 샘플인 경우 샘플의 중심간 거리 정보로 측정하는 것을 도시한 도면이다.
도 11은 본 발명에 따른 디지털 병리 시스템에서 주요 영역을 추출하는 것을 도시한 도면이다.
도 12는 본 발명에 따른 디지털 병리 시스템에서 추출된 제 1 주요 영역 및 제 2 주요 영역을 정렬한다.
도 13은 복수 샘플의 유사도 측정을 예시한 도면이다.
도 14는 단수 샘플의 에지 정보를 이용한 유사도 측정을 예시한 도면이다.
도 15는 본 발명에 따른 디지털 병리 시스템의 샘플 유사도 측정 방법의 플로우차트를 도시한 도면이다.
이하 첨부된 도면을 참조하면서 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법이 적용되는 시스템의 개략도이고, 도 2는 본 발명에 따른 디지털 병리 시스템의 환자 케이스 동일성 판단 방법의 플로우차트이다.
본 발명이 적용되는 디지털 병리 시스템은, 디지털화된 글래스 슬라이드(digitized glass slide)로부터 생성된 병리학 정보의 획득, 관리 및 해석을 가능하게 하는 영상 기반 환경에 적용된다.
먼저, 도 1 및 도 2에 도시된 바와 같이, 이와 같은 디지털 병리 시스템의 환자 케이스 동일성 판단 방법에 있어서, 환자 케이스 동일성 판단부는 디지털 슬라이드 이미지를 스캐너로부터 획득한다.
다음으로, 환자 케이스 동일성 판단부는, LIS(Laboratory Information System)에 디지털 슬라이드 이미지와 관련하여 디지털 슬라이드 전처리 단계에서 획득한 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 요청한다.
다음으로, 환자 케이스 동일성 판단부는, LIS로부터 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 수신한다.
다음으로, 환자 케이스 동일성 판단부는, 디지털 슬라이드 이미지 및 전처리 단계 이미지의 패턴을 비교 분석하여 일치율을 계산하고 저장한다.
다음으로, 환자 케이스 동일성 판단부는, 클라이언트 애플리케이션에서 상기 디지털 슬라이드 이미지의 열람을 제공할 때, 위에서 계산한 일치율에 근거하여, 디지털 슬라이드 이미지 및 환자 및 케이스 정보의 동일성 여부를 함께 제공한다. 이와 같이 함으로써, 사용자가 디지털 병리 시스템의 디지털 슬라이드 이미지를 열람할 때 현재 슬라이드와 환자/케이스 정보의 매칭 여부를 바로 확인할 수 있다. 사용자에게 그 매칭 여부를 직관적으로 전달하기 위하여, 특히 불일치시에는 시각적 및/또는 청각적 표시를 제공하는 것이 가능하다.
여기서의 클라이언트 애플리케이션은, 디지털 슬라이드 이미지를 조회하거나, 디지털 슬라이드 이미지를 분석하거나, 디지털 슬라이드 이미지에 전문가 의견을 기재하거나, 또는 디지털 슬라이드 이미지를 다운로드하는 단말일 수 있다.
또한, 환자 케이스 동일성 판단부가, 그 일치율이 소정 기준을 만족하는 경우, 환자 및 케이스 정보를 업데이트하는 단계를 더 포함할 수 있다.
한편, 이하에서는 일치율 계산을 위해 하나의 예를 들기로 한다.
도 3은 본 발명에 따른 시스템을 도시한 도면이고, 도 15는 본 발명에 따른 디지털 병리 시스템의 샘플 유사도 측정 방법의 플로우차트를 도시한 도면이다.
도 3 및 도 15에 도시된 바와 같이, 본 발명의 일 실시예에 따른 디지털 병리 시스템의 일치율 판단을 위한 샘플 유사도 측정 방법은, 디지털 병리 시스템의 프로세스 과정 중 샘플 유사도를 측정하는 방법으로서, 제 1 디지털 슬라이드 이미지 및 제 디지털 슬라이드 이미지의 각각의 제 1 주요 영역 및 제 2 주요 영역을 추출하는 단계, 제 1 주요 영역 및 제 2 주요 영역을 정렬하는 단계, 및 정렬이 성공한 경우에는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 샘플 타입을 분류하는 단계, 및 상기 샘플 타입 분류가 같으면, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 유사도를 측정하는 단계를 포함한다.
도 11은 본 발명에 따른 디지털 병리 시스템에서 주요 영역을 추출하는 것을 도시한 도면이며, 좀 더 구체적으로, 도 4는 주요 영역을 추출하기 위해서 디지털 슬라이드 이미지의 컬러 분포도를 활용한 1차 영역 분류를 나타낸 도면이고, 도 5는 1차 영역 분류 후 탈색화를 통해 주요 영역을 검출하는 단계를 도시한 도면이다. 도 4 및 도 5에 도시된 바와 같이, 디지털 병리 시스템의 프로세스 과정 중 샘플 유사도를 측정하는 방법으로서, 영상 내의 컬러 분포도를 통한 주요 영역을 검출하는 방식으로, 샘플의 색상과 배경과의 분리를 통해 자동 주요 영역을 검출하는 방법을 사용할 수 있다.
다음으로, 도 12에 도시된 바와 같이, 추출된 제 1 주요 영역 및 제 2 주요 영역을 정렬한다. 여기서, 정렬은 상하좌우 이동은 물론이고, 회전도 포함하는 개념이며, 상하좌우 이동 후보, 회전각 후보를 정하고, 이동시 양자 간의 특징점의 개수가 동일하거나 유사한지를 판단한 이후, 상하좌우 이동 최종값, 회전각 최종값을 결정할 수 있다. 이 때, 정렬이 실패한 경우에는, 샘플 유사도 측정을 페일(fail)로 처리하는 단계를 더 포함할 수 있다.
다음으로, 정렬이 성공한 경우에는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 샘플 타입을 분류한다. 여기서, 상기 샘플 타입을 분류하는 단계는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 검출된 중점 개수를 통해서 상기 샘플이 단수인지, 복수인지 판단하는 단계; 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 각 샘플의 크기를 판단하는 단계; 상기 검출된 중점 간의 상하, 좌우의 위치를 통해서 각 샘플의 배열 형태를, 세로, 가로, 및 혼합 배열 중 하나로 판단하는 단계; 및 상기 샘플의 단수/복수 판단, 상기 샘플의 크기 및 상기 샘플의 배열 형태를 기초로 하여, 상기 샘플의 타입을 분류하는 단계;를 포함한다.
구체적으로, 도 6에서 도시한 바와 같이, K-means 클러스터링(clustering)을 통한 물체 중점을 검출하여, 검출된 중점의 개수를 통해서, 디지털 슬라이드 이미지 내의 샘플이 단수인지, 복수인지를 판단한다.
K-means 클러스터링 알고리즘은 영상 픽셀의 데이터 셋(data se)으로 유사한 성질을 가지는 클러스터로 분할하게 된다.
도 6에서의 첫 번째 수식은 j번째 클러스터의 점(xj)과 i번째의 클러스터 중심(μi) 간을 전체 분산을 구한다. 수식 내의 Si는 클러스터의 속하는 점의 집합, k는 초기화한 클러스터의 수를 의미한다. 첫 번째 수식은 전체 분산의 합을 최소화하는 점들의 집합을 찾는 것이 K-means 알고리즘의 목표가 된다.
도 6에서의 두 번째 수식은 클러스터 내의 데이터를 재설정하는 것이다. 각 데이터로부터 현재 클러스터의 중심(μi)과 임의의 다른 클러스터의 중심(μj)과의 차이를 비교하여 데이터가 속해야 하는 클러스터를 재설정하는 것이다. 두 번째 수식에서 Si (t)는 i번째의 클러스터에 속하는 점의 집합, xp는 현재 비교 대상인 점을 의미하고, j는 1 이상 k 이하의 자연수이다.
도 6의 마지막 수식은 각 클러스터 중심(μi)를 데이터가 재설정된 클러스터의 중심로 업데이트 해준다. 이 수식의 변수
Figure 112016067087559-pat00001
는 Si (t)내의 점 개수, xj는 Si (t) 내의 점을 뜻한다. 즉, Si (t)의 모든 점의 값의 합을 개수로 나누어서 (t+1)번째 평균인 μi (t+1)로 재조정하는 것이다. K-means 알고리즘은 두 번째 수식과 마지막 수식을 클러스터가 변경하지 않을 때까지 반복하게 된다.
또한, 검출된 중점 간의 상하, 좌우의 위치를 통해서 샘플의 배열 형태를 세로, 가로, 및 혼합 배열 중 하나로 판단한다.
도 7은 샘플 타입을 분류하는 기준을 도시한 표이다. 예를 들어, 단수 샘플인 경우, 샘플의 사이즈 또는 주요 영역의 크기가 0.6보다 작은 경우에는 타입 1(type 1)로 분류하고, 복수 샘플인 경우, 샘플의 사이즈 또는 주요 영역의 크기가 0.6 이상이면서 배열이 row로 되어 있는 경우, 타입 6(type 6)로 분류한다.
다음으로, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 상기 유사도를 측정한다. 이 때, 단수 샘플인 경우, 샘플의 형태 정보, 컬러 정보, 및 샘플의 에지의 방향성 및 강도를 통해 유사도를 측정하며, 샘플의 에지의 방향성 및 강도는, 제 1 주요 영역 및 제 2 주요 영역의 대응하는 에지점을 중심으로, 3개의 동심원 및 45도 각도로 반지름으로 절단하여, 24개의 구역으로 분할하여 검색 구역을 설정하고, 각 구역은, 구역 내의 주변 에지 점의 수, 구역 내의 주변 에지 점의 평균 컬러 정보, 구역 내의 주변 에지 점의 평균 에지 강도, 및 구역 내의 주변 에지 점의 벡터 방향 정보를 포함하고, 제 1 주요 영역 및 상기 제 2 주요 영역의 대응하는 에지점의 24개 구역의 정보를 비교함으로써 측정한다. 이 때, 유사도는 24개 구역 중 일치하는 구역의 수 또는 비율을 채택할 수도 있으며, 좀 더 세분화하여, 구역 내의 주변 에지 점의 수, 구역 내의 주변 에지 점의 평균 컬러 정보, 구역 내의 주변 에지 점의 평균 에지 강도, 및 구역 내의 주변 에지 점의 벡터 방향 정보가 일치하는지 개수 또는 그 비율을 유사도로 채택할 수도 있다.
또한, 복수 샘플인 경우, 단수 샘플인 경우와 동일하게 할 수도 있지만, 단수 샘플의 판단 기준인 샘플의 형태 정보, 컬러 정보, 샘플의 에지의 방향성 및 강도 이외에, 샘플 내의 물체 간격 정보, 및 물체가 이루고 있는 클러스터 형태를 부가하여 유사도를 측정할 수 있다.
또한, 샘플 타입 분류가 다르면, 샘플이 서로 다른 것으로 판단하고 종료하는 단계를 더 포함할 수 있다.
도 8은 24개 구역을 분할하여 검색 구역을 설정하는 것, 그리고 각 구역 내에 정보를 에지 점의 비교 서술자(descriptor) 저장소에 저장하는 것을 도시한 도면이고, 도 9는 24개 구역의 정보를 이용하여 비교하는 예시도이며, 도 10은 복수 샘플인 경우 샘플의 중심간 거리 정보로 측정하는 것을 도시한 도면이다.
또한, 도 13은 복수 샘플의 유사도 측정을 예시한 도면이고, 도 14는 단수 샘플의 에지 정보를 이용한 유사도 측정을 예시한 도면이다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 이와 같은 실시예와 도면에 기재된 발명은 예시적인 것에 불과하며, 본 발명은 이것에 의해 한정 또는 한정되지 않으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술 사상과 아래에 기재될 청구범위의 균등 범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

Claims (10)

  1. 디지털화된 글래스 슬라이드(digitized glass slide)로부터 생성된 병리학 정보의 획득, 관리 및 해석을 가능하게 하는 영상 기반 환경에 적용되는 디지털 병리 시스템에 있어서,
    환자 케이스 동일성 판단부는 디지털 슬라이드 이미지를 스캐너로부터 획득하는 단계;
    상기 환자 케이스 동일성 판단부는, LIS(Laboratory Information System)에 상기 디지털 슬라이드 이미지와 관련하여 디지털 슬라이드 전처리 단계에서 획득한 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 요청하는 단계;
    상기 환자 케이스 동일성 판단부는, 상기 LIS로부터 상기 전처리 단계 이미지를 포함한 환자 및 케이스 정보를 수신하는 단계;
    상기 환자 케이스 동일성 판단부는, 상기 디지털 슬라이드 이미지 및 상기 전처리 단계 이미지의 패턴을 비교 분석하여 일치율을 계산하고 저장하는 단계; 및
    상기 환자 케이스 동일성 판단부는, 클라이언트 애플리케이션에서 상기 디지털 슬라이드 이미지의 열람을 제공할 때, 상기 일치율에 근거하여, 상기 디지털 슬라이드 이미지 및 상기 환자 및 케이스 정보의 동일성 여부를 함께 제공하는 단계;를 포함하고,
    상기 디지털 슬라이드 이미지를 제 1 디지털 슬라이드 이미지로 하고, 상기 전처리 단계 이미지를 제 2 디지털 슬라이드 이미지로 하면,
    제 1 디지털 슬라이드 이미지 및 제 2 디지털 슬라이드 이미지의 패턴을 비교 분석하여 일치율을 계산하는 단계는,
    제 1 디지털 슬라이드 이미지 및 제 2 디지털 슬라이드 이미지의 컬러 분포도를 활용하여 영역 분류를 한 다음 탈색화를 함으로써, 상기 제 1 디지털 슬라이드 이미지 및 상기 제 2 디지털 슬라이드 이미지의 각각의 제 1 주요 영역 및 제 2 주요 영역을 추출하는 단계;
    상기 제 1 주요 영역 및 상기 제 2 주요 영역을 정렬하는 단계; 및
    상기 정렬이 성공한 경우에는, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 샘플 타입을 분류하는 단계; 및
    상기 샘플 타입 분류가 같으면, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 유사도를 측정하는 단계;를 포함하고,
    상기 샘플 타입을 분류하는 단계는,
    K-means 클러스터링(clustering)을 통해서, 상기 제 1 주요 영역 및 상기 제 2 주요 영역의 검출된 중점 개수를 통해서 상기 샘플이 단수인지, 복수인지 판단하는 단계; 및
    상기 제 1 주요 영역 및 상기 제 2 주요 영역의 각 샘플의 크기를 판단하는 단계;
    상기 검출된 중점 간의 상하, 좌우의 위치를 통해서 각 샘플의 배열 형태를, 세로, 가로, 및 혼합 배열 중 하나로 판단하는 단계; 및
    상기 샘플의 단수/복수 판단, 상기 샘플의 크기 및 상기 샘플의 배열 형태를 기초로 하여, 상기 샘플의 타입을 분류하는 단계;를 포함하고,
    상기 제 1 주요 영역 및 상기 제 2 주요 영역의 상기 유사도를 측정하는 단계는,
    단수 샘플인 경우, 상기 샘플의 형태 정보, 컬러 정보, 및 상기 샘플의 에지의 방향성 및 강도를 통해 유사도를 측정하며,
    상기 샘플의 에지의 방향성 및 강도는,
    상기 제 1 주요 영역 및 상기 제 2 주요 영역의 대응하는 에지점을 중심으로, 3개의 동심원 및 45도 각도로 반지름으로 절단하여, 24개의 구역으로 분할하여 검색 구역을 설정하고,
    각 구역은, 구역 내의 주변 에지 점의 수, 구역 내의 주변 에지 점의 평균 컬러 정보, 구역 내의 주변 에지 점의 평균 에지 강도, 및 구역 내의 주변 에지 점의 벡터 방향 정보를 포함하고,
    상기 제 1 주요 영역 및 상기 제 2 주요 영역의 대응하는 에지점의 24개 구역의 정보를 비교함으로써 측정하고,
    복수 샘플인 경우, 상기 샘플의 형태 정보, 컬러 정보, 상기 샘플의 에지의 방향성 및 강도, 상기 샘플 내의 물체 간격 정보, 상기 물체가 이루고 있는 클러스터 형태를 통해 유사도를 측정하는,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
  2. 제 1 항에 있어서,
    상기 클라이언트 애플리케이션은, 상기 디지털 슬라이드 이미지를 조회하거나, 상기 디지털 슬라이드 이미지를 분석하거나, 상기 디지털 슬라이드 이미지에 전문가 의견을 기재하거나, 또는 상기 디지털 슬라이드 이미지를 다운로드하는 단말인,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
  3. 제 2 항에 있어서,
    상기 환자 케이스 동일성 판단부는, 상기 일치율이 소정 기준을 만족하는 경우, 상기 환자 및 케이스 정보를 업데이트하는 단계를 더 포함하는,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
  4. 제 3 항에 있어서,
    상기 환자 케이스 동일성 판단부는, 상기 디지털 슬라이드 이미지 및 상기 환자 및 케이스 정보의 동일성 여부를 함께 제공할 때, 상기 일치율에 근거하여 불일치하다고 판단될 경우, 상기 디지털 병리 시스템의 사용자에게 불일치를 직관적으로 전달하기 위하여 시각적 및/또는 청각적 표시를 함께 제공하는,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1 항에 있어서,
    상기 정렬이 실패한 경우에는, 샘플 유사도 측정을 페일(fail)로 처리하는 단계를 더 포함하는,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
  10. 제 1 항에 있어서,
    상기 샘플 타입 분류가 다르면, 샘플이 서로 다른 것으로 판단하고 종료하는 단계를 더 포함하는,
    디지털 병리 시스템의 환자 케이스 동일성 판단 방법.
KR1020160087789A 2016-07-12 2016-07-12 디지털 병리 시스템의 환자 케이스 동일성 판단 방법 KR101863227B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160087789A KR101863227B1 (ko) 2016-07-12 2016-07-12 디지털 병리 시스템의 환자 케이스 동일성 판단 방법
US15/217,356 US10289803B2 (en) 2016-07-12 2016-07-22 Method of determining patient case identity in digital pathology system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160087789A KR101863227B1 (ko) 2016-07-12 2016-07-12 디지털 병리 시스템의 환자 케이스 동일성 판단 방법

Publications (2)

Publication Number Publication Date
KR20180007071A KR20180007071A (ko) 2018-01-22
KR101863227B1 true KR101863227B1 (ko) 2018-05-31

Family

ID=60941695

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160087789A KR101863227B1 (ko) 2016-07-12 2016-07-12 디지털 병리 시스템의 환자 케이스 동일성 판단 방법

Country Status (2)

Country Link
US (1) US10289803B2 (ko)
KR (1) KR101863227B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109920557A (zh) * 2019-02-28 2019-06-21 广州达安临床检验中心有限公司 玻片文件处理方法、装置、服务器和可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112022014531A2 (pt) * 2020-01-28 2022-09-20 Paige Ai Inc Sistemas e métodos para entrega de biomarcadores digitais e painéis genômicos
KR102440827B1 (ko) * 2021-02-24 2022-09-06 주식회사 넘버제로 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100924690B1 (ko) * 2007-12-17 2009-11-03 한국전자통신연구원 디지털 영상 특징 관리 시스템 및 그 방법
JP2012141287A (ja) * 2010-12-28 2012-07-26 Sakura Finetex Usa Inc 生体試料の自動処理システムと自動処理方法
JP2013072693A (ja) * 2011-09-27 2013-04-22 Paparabo:Kk 検体の取り違え防止方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133543B2 (en) * 2001-06-12 2006-11-07 Applied Imaging Corporation Automated scanning method for pathology samples
US7257268B2 (en) * 2003-02-28 2007-08-14 Aperio Technologies, Inc. Systems and methods for image pattern recognition
WO2006119585A1 (en) * 2005-05-13 2006-11-16 Vision Biosystems Limited Tissue sample identification system and apparatus
US8244021B2 (en) * 2006-12-20 2012-08-14 Ventana Medical Systems, Inc. Quantitative, multispectral image analysis of tissue specimens stained with quantum dots
US8463741B2 (en) * 2009-09-04 2013-06-11 Omnyx, LLC Digital pathology system
KR101559798B1 (ko) 2009-12-22 2015-10-13 엘지전자 주식회사 디지털 병리학의 이미지 표준화 방법
US8565503B2 (en) * 2010-06-04 2013-10-22 Leica Biosystems Imaging, Inc. System and method to determine slide quality of a digitized microscope slide
EP2617026A4 (en) * 2010-09-16 2015-03-11 Omnyx LLC DIGITAL IMAGE PROCESSING OF PATHOLOGY
WO2012037416A1 (en) * 2010-09-16 2012-03-22 Omnyx, LLC Histology workflow management system
US8718350B2 (en) * 2011-04-08 2014-05-06 Regents Of The University Of Minnesota Computerized methods for tissue analysis
JP6035716B2 (ja) * 2011-08-26 2016-11-30 ソニー株式会社 情報処理システム及び情報処理方法
EP2912576A4 (en) * 2012-10-23 2016-07-20 Leica Biosystems Imaging Inc SYSTEMS AND METHODS FOR A LIBRARY OF IMAGES APPLIED TO PATHOLOGIES
JP5857990B2 (ja) * 2013-03-14 2016-02-10 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
JP6604960B2 (ja) * 2014-02-21 2019-11-13 ベンタナ メディカル システムズ， インコーポレイテッド バイオマーカー陽性の腫瘍細胞を識別するための医用画像解析
US9984457B2 (en) * 2014-03-26 2018-05-29 Sectra Ab Automated grossing image synchronization and related viewers and workstations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100924690B1 (ko) * 2007-12-17 2009-11-03 한국전자통신연구원 디지털 영상 특징 관리 시스템 및 그 방법
JP2012141287A (ja) * 2010-12-28 2012-07-26 Sakura Finetex Usa Inc 生体試料の自動処理システムと自動処理方法
JP2013072693A (ja) * 2011-09-27 2013-04-22 Paparabo:Kk 検体の取り違え防止方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109920557A (zh) * 2019-02-28 2019-06-21 广州达安临床检验中心有限公司 玻片文件处理方法、装置、服务器和可读存储介质

Also Published As

Publication number Publication date
US10289803B2 (en) 2019-05-14
KR20180007071A (ko) 2018-01-22
US20180018426A1 (en) 2018-01-18

Similar Documents

Publication Publication Date Title
Raimondo et al. Automated evaluation of Her-2/neu status in breast tissue from fluorescent in situ hybridization images
US11257213B2 (en) Tumor boundary reconstruction using hyperspectral imaging
US8600143B1 (en) Method and system for hierarchical tissue analysis and classification
EP3176563B1 (en) Identification device and identification method
US7274809B2 (en) Computerized methods and systems related to the detection of malignancy-associated changes (MAC) to detect cancer
KR101902621B1 (ko) 디지털 병리 시스템의 샘플 유사도 측정 방법
JP2019537180A (ja) 腫瘍および／または健常組織の非侵襲的検出方法およびハイパースペクトルイメージング装置
KR101863227B1 (ko) 디지털 병리 시스템의 환자 케이스 동일성 판단 방법
CN112862756B (zh) 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
Guan et al. Pathological leucocyte segmentation algorithm based on hyperspectral imaging technique
CN116188423B (zh) 基于病理切片高光谱图像的超像素稀疏解混检测方法
Koziarski et al. DiagSet: a dataset for prostate cancer histopathological image classification
EP4046061A1 (en) Weakly supervised multi-task learning for cell detection and segmentation
CN113261012B (zh) 处理图像的方法、装置及系统
Cao et al. Automatic segmentation of pathological glomerular basement membrane in transmission electron microscopy images with random forest stacks
TW200842762A (en) Systems and methods for processing an image of a biological specimen
EP3716136A1 (en) Tumor boundary reconstruction using hyperspectral imaging
Dooley et al. Prediction of heart transplant rejection using histopathological whole-slide imaging
CN113222928B (zh) 一种尿细胞学人工智能尿路上皮癌识别系统
Liu et al. A lung-parenchyma-contrast hybrid network for egfr gene mutation prediction in lung cancer
Lakshmanan et al. Nucleus segmentation in breast histopathology images
Lavanya et al. Detection of sickle cell anemia and thalassemia using image processing techniques
Garnier et al. Grading cancer from liver histology images using inter and intra region spatial relations
US10460439B1 (en) Methods and systems for identifying cellular subtypes in an image of a biological specimen

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant