KR19980084281A - 혈구 세포 자동 인식 방법 및 장치 - Google Patents

혈구 세포 자동 인식 방법 및 장치 Download PDF

Info

Publication number
KR19980084281A
KR19980084281A KR1019970020018A KR19970020018A KR19980084281A KR 19980084281 A KR19980084281 A KR 19980084281A KR 1019970020018 A KR1019970020018 A KR 1019970020018A KR 19970020018 A KR19970020018 A KR 19970020018A KR 19980084281 A KR19980084281 A KR 19980084281A
Authority
KR
South Korea
Prior art keywords
cell
cells
blood cells
blood
image
Prior art date
Application number
KR1019970020018A
Other languages
English (en)
Other versions
KR100303608B1 (ko
Inventor
안효석
에이.바실리 코발레브
와이. 안드레이 그리고리에브
케이. 니꼴라이 마이시킨
Original Assignee
박원훈
한국과학기술연구원
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 박원훈, 한국과학기술연구원 filed Critical 박원훈
Priority to KR1019970020018A priority Critical patent/KR100303608B1/ko
Priority to US09/083,040 priority patent/US6330350B1/en
Publication of KR19980084281A publication Critical patent/KR19980084281A/ko
Application granted granted Critical
Publication of KR100303608B1 publication Critical patent/KR100303608B1/ko

Links

Classifications

    • G01N15/1433—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • G01N2015/016—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Electro-optical investigation, e.g. flow cytometers
    • G01N2015/1477—Multiparameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명은 컴퓨터를 통한 영상 처리 및 신경 회로망 기법을 이용하여 정상 혈구 세포 및 미성숙 세포를 정확히 인식하는 방법 및 장치에 관한 것이다. 혈구 세포의 인식을 위해 영상 확대 및 획득 수단을 이용하여 혈구 세포의 영상 데이터를 획득하여 메모리에 저장한다. 그리고, 세포의 특성을 잘 나타내주는 선정된 수의 세포 특성 파라미터값에 따라 혈구 세포의 종류를 인식하는 것이다. 혈구 세포의 종류를 인식하는데에 있어서, 2개의 신경 회로망을 구현하여 동일한 인식 결과가 나오는 경우는 정상 혈구 세포 중의 하나로 인식하고, 그렇지 않은 경우는 미성숙 세포로 인식하여 통계적 인식 방법을 통한 별도의 추가적 인식 단계를 거치게 한다. 본 발명에 따르면, 혈구 세포를 감별하고 그 수를 측정하는 과정에 있어서 컴퓨터를 이용함으로써 종래의 수기법 보다 신속하고 객관적인 측정이 가능하며, 혈구 세포에 대한 영상 데이터 및 인식 결과는 컴퓨터의 메모리에 저장되어 있으므로 검사자는 필요한 경우 언제든지 다시 그 결과를 확인할 수 있다.

Description

혈구 세포 자동 인식 방법 및 장치
본 발명은 말초 혈액에 존재하는 혈구 세포의 인식에 관한 것으로서, 더욱 구체적으로는 컴퓨터를 통한 영상 처리 및 신경 회로망 기법을 이용하여 혈구 세포를 인식하는 방법 및 장치에 관한 것이다.
말초 혈액에서 관찰되는 정상 혈구 세포는 호중구(neutrophil), 림프구(lymphocyte), 단핵구(monodyte), 호염기구(basophil) 및 호산구(eosinophil)로 크게 분류된다. 미성숙 세포의 출현은 혈액학적 질환을 의미하는데, 미성숙 세포의 대표적인 예로는 아구, 적아구, 미성숙과립구 등이 있다. 따라서, 백혈병 등의 혈액 질환을 진단하기 위해서는 혈구 세포의 인식 방법이 필수적이라 할 수 있다. 이러한 혈구 세포를 인식하는 방법에는 수기법과 자동화 기법이 있다. 수기법은 검사자가 직접 현미경으로 세포를 관찰하는 방법으로 객관적이지 못하며, 시간과 노력이 많이 들어 대량의 검체를 처리해야 하는 병원 검사의 실정에 어려움이 있다. 이에 비해 자동화 기법은 전기 임피던스나 빛 산란 원리에 세포 화학적 착색(cytochemical staining) 등의 방법을 결합한 것으로, 현재까지 정상 혈구 세포는 5가지로 분류될 수 있지만, 이 분류에 속하지 않는 미성숙 세포는 감별하지 못하므로 다시 수기법을 통해 인식하고 계산을 시행해야 하는 문제점이 있다.
따라서, 본 발명의 주요한 목적은 신경 회로망 기법 및 통계적 인식 방법을 이용하여 정상 혈구 세포 및 미성숙 세포를 정확히 인식하는 방법 및 장치를 제공하고자 하는 것이다.
상기 목적을 달성하기 위한 본 발명의 한 특징에 따르면, 혈구 세포를 인식하는 방법에 있어서,
(ⅰ) 상기 혈구 세포들의 영상을 획득하는 단계,
(ⅱ) 상기 획득된 혈구 세포들의 영상 데이터를 메모리에 저장하는 단계,
(ⅲ) 상기 저장된 혈구 세포들의 영상 데이터를 분석하여 상기 혈구 세포들에 대한 선정된 수의 세포 특성 파라미터값을 계산하는 단계 및
(ⅳ) 상기 계산된 선정된 세포 특성 파라미터값을 이용하여 상기 혈구 세포의 종류를 인식하는 단계를 포함한다.
상기 목적을 달성하기 위한 본 발명의 또다른 특징에 따르면, 저장된 혈구 세포들의 영상 데이터를 분석하여 상기 혈구 세포들에 대한 선정된 수의 세포 특성 파라미터값을 계산하는 단계는 상기 혈구 세포들의 영상 데이터로부터 세포핵 화소 집단을 추출하여 메모리에 저장하는 단계, 상기 저장된 세포핵 화소 집단을 분할하여 세포핵 요소 데이터를 구하는 단계, 상기 세포핵 요소들의 데이터를 메모리에 저장하는 단계, 상기 저장된 세포핵 요소 데이터를 이용하여 상기 세포핵 요소들의 특징을 추출하는 단계, 상기 추출된 세포핵 요소들의 특징을 이용하여 상기 세포핵 요소들 중 동일 세포의 핵에 해당되는 요소들을 모아 집단화하는 단계, 상기 집단화된 세포핵 요소 데이터에 기초하여 상기 혈구 세포들의 영상 데이터로부터 세포질에 해당되는 요소들을 분리하여 세포질 요소 데이트를 구하는 단계, 상기 집단화된 세포핵 요소 데이터와 상기 세포질 요소 데이터를 이용하여 전체 혈구 세포에 관한 정보를 메모리에 저장하는 단계, 상기 저장된 전체 혈구 세포에 관한 정보를 이용하여 선정된 수의 세포 특성 파라미터값을 계산하는 단계를 포함한다.
도 1은 본 발명의 바람직한 실시예에 따른 혈구 세포 자동 인식 장치의 개략도를 도시한 도면.
도 2는 메모리에 저장되는 예시적인 초기 입력 영상의 관한 도면.
도 3은 영상 데이터로부터 혈구 세포를 추출하고 해당 세포의 세포 특성 파라미터값을 계산하는 과정을 설명한 흐름도.
도 4(가)는 뉴우런의 수학적 모델을 도시한 개략도.
도 4(나)는 본 발명에서 적용되는 3-계층 신경 회로망의 개략도.
도 5는 본 발명의 바람직한 실시예에 따른 2개의 신경 회로망과 통계적 인식 모듈을 이용한 혈구 세포의 인식 과정을 도시한 흐름도.
*도면의 주요부분에 대한 부호의 설명*
10:혈액도말 슬라이드20:현미경 스테이지
30:스테이지 좌우 이동용 미소 구동 수단
40:스테이지 상하 이동용 미소 구동 수단
50:스테이지 좌우 이동용 위치제어기
60:스테이지 상하 이동용 위치제어기
70:현미경80:칼라 CCD 카메라
90:영상 입력 보드100:메모리
110:제어 및 연산 수단120:제한 스위치(limit switch)
210:호중구220:미성숙 과립구
230:호산구pi:입력벡터(input vrctors)
wi:가중치(weights)B:바이어스(bias)
A:출력벡터(output vectors)F:전달 함수(transfer function)
본 발명의 상술한 특징과 그밖의 특징들은 이하의 상세한 설명에 의해 당업계의 통상의 지식을 가진 자에게 명백히 이해될 수 있을 것이다. 이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 바람직한 실시예에 따른 혈구 세포 자동 인식 장치의 개략도를 도시한 것이다. 도 1의 혈구 세포 자동 인식 장치(130)은 혈액 도말 슬라이드(10)를 올려 놓기 위한 현미경 스테이지(20), 스테이지 좌우 이동용 미소 구동 수단(30), 스테이지 상하 이동용 미소 구동 수단(40), 스테이지 좌우 이동용 미소 구동 수단을 조절하기 위한 스테이지 좌우 이동용 위치 제어기(50), 스테이지 상하 이동용 미소 구동 수단을 조절하기 위한 스테이지 상하 이동용 위치 제어기(60), 혈구 세포의 영상을 확대하기 위한 현미경(70), 확대된 혈구 세포의 영상을 TV용 신호로 변환하기 위한 칼라 CCD 카메라(80), 아날로그 신호를 디지털 신호로 변환하기 위한 A/D 변환기를 포함하는 영상 입력 보드(90), 영상 데이터를 저장하기 위한 메모리(100), 영상 데이터의 분석을 통해 혈구 세포의 종류를 인식하기 위한 제어 및 연산 수단(110) 및 현미경 스테이지에 부착되어 스테이지(20)의 이동 범위를 제한하기 위한 제한 스위치(120)를 포함하여 구성된다.
혈구 세포 자동 인식 장치(1)의 동작은 이하에서 설명한다. 염색된 핵액도말 슬라이드(10)을 현미경 스테이지(20)에 올려 놓은 후 제어 및 연산 수단(110)으로 실행 명령을 보낸다. 제어 및 연산 수단(110)은 스테이지 좌우 이동용 위치 제어기(50)을 통해 2개의 스테이지 좌우 이동용 미소 구동 수단(30)을 조절함으로써 스테이지(20)를 좌우 방향으로 이동시킬 수 있다. 고배율의 현미경(70)이 이동중인 측정 부위의 상을 확대하며, 확대된 영상을 영상 획득 수단인 칼라 CCD 카메라(80)을 통해 실시간으로 포착하여 NTSC 방식의 일반 TV용 신호로 변환한다. 영상 입력 보드(90)을 이용하여 상기 신호를 디지털 영상 데이터로 변환하여 메모리(100)에 저장한다. 현미경(70)의 배율이 높기 때문에 영상을 획득하는 과정에서 스테이지(20)이 이동에 따라 현미경의 촛점이 어긋나는 경우가 있다. 이러한 경우, 제어 및 연산수단(110)에서 스테이지 상하 이동용 위치 제어기(60)으로 명령을 보내 스테이지 상하 이동용 미소 구동 수단(40)을 이용하여 스테이지의 높낮이를 조절함으로써 촛점을 맞추게 된다. 제어 및 연산 수단(110)은 메모리(100)에 저장된 영상 데이터를 영상 처리(image processing)하고 최종적으로 감별 및 인식하는 지능 처리 계산 과정을 수행함과 동시에, 스테이지 좌우 이동용 위치 제어기(50) 및 스테이지 상하 이동용 위치 제어기(60)을 통해 스테이지(20)을 세 방향으로 이동시키는 제어 기능도 병행한다. 스테이지 밑면에 제한 스위치(limit switch, 120)를 설치할 수 있는데, 이는 스테이지의 이동이 일정한 범위를 벗어나는 것을 감지하여 스테이지 좌우 이용용 위치 제어기(50)로 신호를 보내 알려 주기 위해서이다. 스테이지 좌우 이동용 위치 제어기(50)은 이 신호를 감지할 경우 스테이지의 이동을 정지시키거나 이 운동에 반대되는 방향의 동작을 수행하도록 지시함으로써 스테이지가 제한된 운동 범위를 넘어 가는 것을 방지한다.
도 2는 본 발명에서 영상 획득 수단 및 영상 입력 보드를 거쳐서 메모리(100)에 저장된 초기 입력 영상의 예를 보이고, 있다. 도 2에 예시된 영상은 가로 640 및 세로 480에 해당하는 화소(pixel)의 크기로 되어 있다. 이 입력 영상에는 정상 혈구 중 호중구(210)과 호산구(230)의 두가지 세포가 존재하며 미성숙 세포인 미성숙 과립구(220)가 존재하고 있다.
본 발명의 중요한 특징은 혈구 세포들을 정확히 인식하고자 세포들의 특성을 잘 표현할 수 있는 세포 특성 파라미터들은 선정한 후 이에 대한 인식 대상의 혈구세포들의 측정치를 계산하여 세포를 인식하는데에 있다. 이하, 이러한 본 발명의 특징을 도 3을 참조하여 구체적으로 설명하기로 한다.
도 3은 입력된 영상 내에 있는 혈구 세포의 추출(extraction) 및 세포별 특성 파라미터값을 계산하는 과정을 도시한 흐름도이다. 가장 먼저 실행되는 단계는 입력된 영상이 불량 영상인지를 확인하고 제거하는 단계이다(310). 즉, 입력된 영상이 염색 혼입물 또는 스크래치 등으로 뒤덥혀 분석 가능한 범위를 벗어난 것인가를 판단한다. 조사 방법으로서 본 발명의 바람직한 실시예에 따르면, 우선 적색, 녹색, 청색 히스토그램의 합인 Hs의 최소값 Ir min및 최대값 Ir min을 다음의 수학식에 따라 계산한다.
Nx와 Ny는 영상의 해상도와 관련된 상수로서 바람직하게는 각각 640 및 480의 값을 가진다. 그런 후에 만일 Ir max-Ir min값이 선정된 임계치보다 작으면 그 영상은 제거되고 다음 영상에 대한 조사로 넘어 가는데, 640*480 해상도에 500배의 배율인 경우의 임계치는 32가 된다.
불량 영상 여부의 조사가 끝난 후에는 인식 대상이 되는 혈구 세포들을 추출하기 위해, 세포핵을 형성하는 화소 집단에 대한 추출 작업을 먼저 진행한다(320).
이는 대상이 된 화소의 녹색 강도(G intensity)와 녹색 및 청색의 강도(B intenstity) 관계를 조사해서 이루어지며 아래식으로 표현된다. 아래 수학식을 이용하여 화소 p(i)가 1인 경우 그 화소는 세포핵 화소로 분류되어 메모리(100)에 저장된다.
p(i)= 1, G(i)Gthand B(I)G(i)인 경우
0, G(i)≥Gthor B(I)≤G(i)인 경우
Gth는 녹색 강도의 임계치로서 다음 수학식으로 표현된다.
Gth=Gr min+△G*kG
여기서, △G=Gr max-Gr min이고 Gr max및 Gr min는 각각 녹색 히스토그램의 하한치와 상한치로서, 양쪽 끝단으로부터 각각 1%에 해당되는 위치의 녹색 강도 값이다.
또한, 계수 kG는 경험적으로 구하는 값으로서 본 발명의 실시예에서는 0.2에 해당된다. 따라서 Gr min및 Gr max는 다음식으로 표현될 수 있으며, 여기에서 HG는 녹색 강도의 히스토그램 분포 함수이다.
추출된 세포핵 화소들의 위치를 메모리 내의 세포핵 화소 템플레이트(NPT:Nucleus Pixel Templete)에 저장한다(320). NPT에 추출된 핵 화소들의 면적이 최소 면적의 기준치 이하일 경우 현재의 영상은 노이즈(noise)만이 존재하는 영상이므로, 다시 다음 영상에 대한 검사를 시작하게 된다(300). 추출된 화소들의 면적이 기준치 이상인 경우는 세포핵 화소의 분할(segmentation) 단계를 진행하여, 세포핵 화소들과 이들의 영상 좌표 값을 메모리 내의 핵 요소 리스트(nucleus blob list)에 저장한다(340). 분할된 핵 화소 수를 판단하여(350), 핵 화소 수가 0 이하인 경우는 다시 다음 영상에 대한 검사로 넘어가며(300), 그 수가 0 보다 큰 경우에만 전단계에서 구한 핵 요소 리스트를 이용하여 핵 요소의 중심 위치, 핵 요소의 반경, 핵 요소 사이의 거리 등을 계산함으로써 동일 세포핵에 해당하는 세포별 핵 요소 집단을 형성한다(360). 본 발명에 의한 집단화 방법은 계층적 클러스터링(hierarchical clustering) 알고리즘 및 작은 요소는 모으고 큰 요소들은 제한을 주는 새로운 알고리즘을 이용한다. 예를들어, 임의의 요소 Bi가 클러스터 C에 속하는 요소 Bj와 다음의 관계를 만족시킬 경우 클러스터 C에 합쳐진다.
Dij≤Ri+Rj
이 수학식에서 Dij는 두 요소 간의 유클리드 거리(Euclidean distance)이며 Ri 및 Rj는 요소의 실제 반경 ri, rj로부터 다음 수학식에 의해 구해지는 예상 반경이다.
Ri=ri+△ri, △ri=-ari+b
Rj=rj+△rj, △rj=-arj+b
a와 b는 현미경 배율과 영상의 해상도에 좌우되는 값으로서, 본 발명의 일실시예인 500배 현미경 배율에 640*480의 해상도인 경우 그 값은 각각 0.46과 9.22가 된다.
동일 세포별 핵 요소 집단 형성(360)에 이어서 핵을 둘러싸고 있는 세포질 크기를 결정하는 단계를 수행한다. 동일 세포 내의 모든 핵 요소들을 포함시키는 반경을 구하여 핵의 중심을 중심으로 하는 원을 그린다고 가정할때, 이 원 내에 포함되지 않는 원소들은 세포질로 정의한다. 그런데, 세포가 원형을 이루지 않고 변형되어 있거나 핵이 작은 경우 이러한 방식으로 구한 세포질의 크기는 정확하지 않으므로 이에 대한 수정 작업이 필요하다. 이는 적색, 녹색 및 파랑색의 색상 공간에서 배경색인 백색의 화소로부터의 거리를 계산하여 세포질에 해당되지 않는 요소들을 걸러내어 배경(background)라고 표시함으로써 이루어진다.
이제 혈구 세포에 대한 데이터를 핵과 세포질로 분류하여 각각을 핵(nucleus)과 세포질(cytoplasm)이라 라벨링(labelling)하고 그 결과를 메모리 내의 프레임 디스크립터(frame discriptor)의 저장하는 세포 템플레이트(template) 계산 단계를 수행한다(370).
마지막으로, 혈구 세포의 정확한 이식을 위해 세포 템플레이트 계산을 통해 얻어진 프레임 디스크립터의 정보를 이용하여 각 혈구 세포에 대한 세포 특성 파라미터값을 계산하여 메모리에 저장한다(380). 세포 특성 파라미터란 혈구 세포의 감별을 보다 정확히 하기 위해 혈구 세포 종류 각각에 대한 특성을 잘 나타낼 수 있는 파라미터를 의미한다. 혈구 세포에 대한 특성 파라미터는 이미 전문가에 의해 정확히 분류된 충분한 수의 세포들로 이루어진 학습 세트(training set)를 이용하여 통계적인 해석 방법에 의한 학습을 통해 선정된다. 본 발명에 따른 혈구 세포 감별 및 인식에 효과를 나타내는 혈구 세포의 특성 파라미터는 형상과 색상에 따라 크게 2가지 유형으로 분류되며, 바람직하게는 12가지로 정의된다. 적색, 청색 및 녹색 강도의 히스토그램 상의 임의의 값을 r(i), b(i) 및 g(i)라고 할때, 12가지의 특성 파라미터들은 Fi(i=1..12)로서 다음과 같은 수학식으로 표현될 수 있다.
1. 핵(nucl)과 세포질(cyt)의 적색/청색 비율의 차이:
2. 녹색에 제약된 세포질의 적색/청색 비율:
F2=Σr(j)/Σb(j); g(j)≤Σg(j)/Sc, j∈cyt (Sc는 세포질의 면적)
3. 세포질의 Cyan 계수:
4. 핵 요소의 면적:
F4=Sn
5. 핵 요소의 치밀성(compactness):
6. 핵의 녹색 강도 히스토그램(HGn)의 시작부의 경사도:
(Kn은 제어 계수로서, 640*480 영상 해상도에 500 배율인 실시예인 경우에 그 값은 0.06이다. 또한 Gmax와 Gmin은 각각 녹색 강도 히스토그램 X좌표의 최대값과 최소값에 해당된다.)
7. 세포질의 R/B 비율:
(Bmax와 Bmin는 각각 청색 강도 히스토그램 X 좌표의 최대값과 최소값에 해당된다.)
8. 핵의 R/B 비율:
9. 세포질의 적색-청색 색조(HUE):
10. 핵의 녹색 강도의 표준 편차:
11. 핵의 적색 강도의 표준 편차:
12. 핵의 완곡도(smoothness):
(xc와 yc는 각각 핵중심의 x, y 좌표값)
세포 특성 파라미터 각각에 대한 인식 대상 혈구 세포들의 측정치들은 각 특성 파라미터들을 축으로 하는 다차원 공간(multidimensional space)에서 특정 위치들로 표현될 수 있다. 본 발명에서는 다차원 공간에 표현된 세포 특성 파라미터 측정치들의 복잡한 분포 상태를 분석하기 위해 세포 종류별 분포군(clster)을 적절히 표현할 수 있는 최적의 특성 파라미터들을 구한다. 다차원 공간에서 동일 종류의 세포군들의 특성 파라미터 측정치들은 최소 평균 거리의 범위 내에 존재하게 되는데, 여기에 다차원 스케일링 기법(multidimensional scaling technique)을 적용하여 동질성을 가진 공간 내의 특정 값들을 단계적으로 저차원 공간으로 축소해 나가며 이를 형성하는 최적의 특성 파라미터들을 구할 수 있게 된다.
도 4(가)는 신경 회로망의 뉴우런을 수학적으로 도시한 것이며, 도 4(나)는 본 발명의 바람직한 실시예에 따른 3계층 신경 회로망을 도시한 것이다.
본 발명의 실시예에서는, 출력치의 오차를 최소화하기 위해 후방 확산(back propagation)방법을 이용함으로써 출력 계층(제3계층)으로부터 입력 계층(제1계층)으로의 역계산을 통해 가중치(weight)와 바이어스(bias)를 구하도록 되어 있다.
본 발명에서의 신경 회로망의 응답은 다음과 같이 전달 함수(transfer function)인 Fi로서 표현된다.
Ai=Fi[Σ(Wi·Pi), Bi]
여기서, 아래 첨자 i는 계층 번호, 메트릭스 Ai는 출력벡터, 그리고 Pi는 입력 벡터를 의미한다. 또한 Fi는 전달 함수, 메트릭스 Wi와 Bi는 각각 가중치와 바이어스에 해당하며, Wi·Pi는 두 메트릭스의 산술곱(dot product)를 의미한다. 제1계층의 입력 벡터능 인식 대상 혈구 세포들의 세포 특성 파라미터 측정치들이며, 제2 및 제3계층에는 그 이전 단계의 출력 벡터가 자동으로 입력된다. 따라서, 본 발명의 일실시예인 3계층 신경회로망의 경우 출력 계층에 도달하는 응답 A3은 아래 수학식에 의해 계산된다.
A1=F1(W1, P1, B1)
A2=F2(W2, P1, B2)
A3=F3(W3, P2, B3)
전달 함수 Fi는 W, P 및 B의 함수로 표현되는데, 본 발명에서는 시그모이덜 전달 함수(sigmoidal transfer function)을 사용하여 혈구 세포의 형태 및 색상 정보에 의한 다차원 공간상 데이터의 비선형성을 극복하였다. 시그모이덜 전달 함수 Fi는 다음과 같이 표현된다.
Fi=1/(1+e-(Σwi·Pi)+Bi))
본 발명에 의하면 가중치 매트릭스 W와 바이어스 매트릭스 B를 구하기 위해 적응 학습율 및 모멘텀(adaptive learning rate and momentum) 기법을 사용한다.
이 기법은 다차원 공간에서 신경회로망 출력치의 오차를 최소화하는 방향으로 가중치와 바이어스를 계속 변화시켜 궁극적으로 각 계층에 대한 최적의 가중치와 바이어스를 구하는 기법이다. 즉, 다차원 공간 내에서 데이터에 의해 형성된 복잡한 곡면을 분석하여 오차의 미분치를 이용해 오차를 최소화시키는 극소값을 구하는데 있어서, 곡면의 경사가 심한 곳을 선택하여 빠른 시간내에 계산해내는 것이다.
도 5는 인식 대상 세포들에 대하여 구하여진 세포 특성 파라미터 측정치들을 이용하여 세포의 종류를 감별하는 과정을 도시한 흐름도이다. 본 발명의 바람직한 실시예에서는, 정상 혈구 세포의 종류를 감별하는데에 있어서 2개의 신경 회로망(550,560)을 이용한다. 이러한 2개의 신경 회로망은, 다양한 갯수의 뉴우런 수를 가진 70여종의 이질적인 3계층 신경 회로망들 중에서 전술한 절차에 의해 구한 각각의 가중치와 바이어스를 이용하여 충분한 수의 세포들을 대상으로 인식 오차를 조사한 결과로써 선정된 최적의 신경 회로망들이다. 본 발명의 실시예에 따르면, 제1신경 회로망(550)은 인식 오차가 5.9%이고 제2신경 회로망(560)은 인식 오차가 6.5%가 해당한다. 또한, 세포의 인식시에는 이러한 2개의 신경 회로망을 동시에 사용하여 두 회로망의 결과를 종합하여 최종적으로 결정함으로써 인식 정확도를 향상시키는 투표 단계(voting procedure, 570)를 도입하였다.
한편, 미성숙 세포를 감별하는데에 있어서는 세포 특성 파라미터 F4)(핵요소 면적) 및 F5(핵요소의 치밀성)을 이용하여 적아구를 먼저 감별한 후, 미성숙 과립구 및 아구의 감별은 통계적 인식 모듈(600)을 통해 이루어진다.
구체적인 과정은 도 5를 참조하며 설명하겠다. 먼저, 인식 대상 세포의 특성 파라미터인 F5(치밀성) 값과 이미 메모리(100)에 저장되어 있는 적아구(NRBC)의 F5의 최소값(minT5(NRBC))을 비교한다(510). 인식 대상 세포의 F5 값이 적아구(NRBC)의 F5의 최소값보다 작은 경우는 다시 인식 대상 세포의 특성 파라미터 F4(핵 요소 면적) 값과 적아구 세포 면적의 최소값(minT4(NRBC))을 비교한다(520).
인식 대상 세포의 F4 값이 적아구의 세포 면적 최고값보다 작다면 이 세포는 적아구로 자동 인식되어 인식 단계가 종료된다. 반면, 인식 대상 세포의 F4 값이 적아구의 세포 면적 최소값보다 작지 않다면 인식 대상 세포의 F4 값은 적아구 면적의 최대값(maxT4(NRBC))와 비교된다(530). 인식 대상 세포의 F4 값이 작은 경우는 대상 세포가 적아구일 가능성이 크므로 P(NRBC)=1로 지정한 후(532), 신경 회로망(550,560)의 인식 단계로 들어간다.
한편, 인식 대상 세포의 F5 값이 적아구(NRBC)의 F5의 최소값보다 작지 않거나, 또는 F4 값이 적아구 면적의 최대값보다 작지 않은 경우는 단계(540)으로 넘어간다. 단계(540)에서는 인식 대상 세포의 F4 값을 미성숙세포(미성숙 과립구 및 아구, IMC)의 면적의 최대값(maxT4(IMC))와 비교한다. 인식 대상 세포의 F4 값이 미성숙세포의 면적의 최대값보다 크지 않은 경우는 다시 미성숙세포의 면적의 최소값(minT4(IMC))과 비교한다(542). 인식 대상 세포의 F4 값이 미성숙세포의 면적의 최소값보다 큰 경우는 이 세포가 미성숙 세포일 가능성이 있는 세포이므로 P(IMC)=1로 지정한 후(544), 마찬가지로 2개의 신경 회로망(550,560)의 인식 단계로 들어간다.
2개의 신경 회로망으로 입력된 후 그 결과를 비교하기 위해 투표 단계(570)을 거치게 되는데, 두 결과가 일치하는 경우는 그로써 인식 단계가 종료된다. 예를들어, 양쪽의 결과가 (10000)인 경우에 인식 대상 세포는 림프구(LY)로 결정되며, (00001)인 경우 호염기구(BA)로 인식되는 등, 정상 혈구 세포 중인 림프구, 단핵구(MO), 호중구(NE), 호산구(EO), 및 호염기구 중의 하나로 인식되는 것이다.
그러나, 2개 신경 회로망의 결과가 일치하지 않은 경우에는 인식 불가로 판단되어 2차적 인식 단계로 넘어 간다. 먼저, 인식 대상 세포가 미성숙 세포일 가능성이 있는지, 즉 P(IMC)=1로 되어 있는지를 판단하여(580), 이러한 경우에는 통계적 인식 모듈(600)으로 이어진다. 그러하지 않은 경우는 인식 대상 세포가 적아구일 가능성이 있는지, 즉 P(NRBC)=1로 되어 있는지를 다시 판단하여(590), P(NRBC)=1로 지정되어 잇으면 적아구로 인식한 후 인식 단계를 종료하며, 그렇지 않은 경우는 최종적으로 인식 불가(UNR:unrecognized)로 판단하여 통계적 인식 모듈(600)에서 인식 불가로 지정된 세포들과 함께 인식 불가 세포들의 영상 데이터를 저장하는 특정 메모리의 위치에 저장하며 인식 단계를 종료된다(600).
단계(540)에서 인식 대상 세포의 F4 값이 미성숙세포의 면적의 최대값보다 큰 경우는 통계적 인식 모듈로 연결되어, 통계적 인식 방법을 이용하여 미성숙 과립구(IMG)와 아구(BL)로 구분되며 인식 단계가 종료된다(600). 본 발명에서 통계적 인식 방법은, 전술한 바와 같이 미성숙 세포인 아구와 미성숙 과립구를 인식하는 경우에만 적용되는 것으로서, 다음과 같은 통계적 결정 규칙(decision rule)이 사용된다.
dk=ΣαiFi+β0, Σαi=1
여기에서 dk는 각 종류별 세포군(cluster)를 분리해주는 선형 분별자(linear discrimisent)를 의미한다. αi와 β0는 이미 전술한 바 있는 학습 세트(training set)를 이용하여 도 3에서 도시한 바와 같은 세포 특성 파라미터 측정치들의 계산을 통해 얻어진 각 세포별 특성 파라미터(Fi) 값들의 범위와 분포로부터 경험적으로 구해지는 변수들이다.
인식 대상이 된 모든 혈구 세포들의 영상 데이터 및 인식 결과는 메모리(100)에 저장되어 필요시마다 메모리로부터 불어내어 다시 확인할 수 있으며, 본 발명에서 쓰이는 신경회로망의 가중치 및 바이어스의 계산에도 활용될 수 있다.
본 발명에 따르면, 혈구 세포를 감별하고 그 수를 측정하는 과정에 있어서 컴퓨터를 이용함으로써 종래의 수기법보다 신속하고 객관적인 측정이 가능하며, 혈구 세포에 대한 영상 데이터 및 인식 결과는 컴퓨터의 메모리에 저장되어 있으므로 검사자는 필요한 경우 언제든지 다시 그 결과를 확인할 수 있다. 또한 종래의 자동화기법과 비교해 볼때, 2개의 신경 회로망을 이용하여 양쪽에서 구한 결과를 비교함으로써 혈구 세포의 인식 정확도를 높일 수 있고, 혈액 내에 소수 존재하는 미성숙 세포까지도 통계적 인식 방법을 이용해 감별이 가능하므로 백혈병을 비롯한 다양한 혈액학적 진단에 중요한 의미를 가진다.

Claims (8)

  1. 혈구 세포를 인식하는 방법에 있어서,
    (ⅰ) 상기 혈구 세포들의 영상을 획득하는 단계,
    (ⅱ) 상기 획득된 혈구 세포들의 영상 데이터를 메모리에 저장하는 단계,
    (ⅲ) 상기 저장된 혈구 세포들의 영상 데이터를 분석하여 상기 혈구 세포들에 대한 선정된 수의 세포 특성 파라미터값을 계산하는 단계 및
    (ⅳ) 상기 계산된 선정된 세포 특성 파라미터값을 이용하여 상기 혈구 세포의 종류를 인식하는 단계
    를 포함하는 혈구 세포의 인식 방법.
  2. 제1항에 있어서, 상기 단계(ⅲ)는
    상기 혈구 세포들의 영상 데이터로부터 세포핵 화소 집단을 추출하여 메모리에 저장하는 단계,
    상기 저장된 세포핵 화소 집단을 분할하여 세포핵 요소 데이터를 구하는 단계,
    상기 세포핵 요소 데이터를 메모리에 저장하는 단계,
    상기 저장된 세포핵 요소 데이트를 이용하여 상기 세포핵 요소들의 특징을 추출하는 단계,
    상기 추출된 세포핵 요소들의 특징을 이용하여 상기 세포핵 요소들 중 동일 세포의 핵에 해당되는 요소들을 모아 집단화하는 단계,
    상기 집단화된 세포핵 요소 데이터에 기초하여 상기 혈구 세포들의 영상 데이터로부터 세포질에 해당되는 요소들을 분리하여 세포질 요소 데이트를 구하는 단계,
    상기 집단화된 세포핵 요소 데이터와 상기 세포질 요소 데이터를 이용하여 전체 혈구 세포에 관한 정보를 메모리에 저장하는 단계, 및
    상기 저장된 전체 혈구 세포에 관한 정보를 이용하여 선정된 수의 세포 특성 파라미터값을 계산하는 단계
    를 포함하는 혈구 세포의 인식 방법.
  3. 제1항에 있어서, 상기 선정된 수의 세포 특성 파라미터는 그 형상과 색상에 따라 12가지로 정의되는 혈구 세포의 인식 방법.
  4. 제1항에 있어서, 상기 단계(ⅳ)는
    상기 선정된 수의 세포 특성 파라미터 중 혈수 세포의 면적을 나나태는 파라미터를 기준으로 하여 적아구를 분리해내는 단계를 포함하는 혈구 세포의 인식 방법.
  5. 제4항에 있어서, 상기 단계(ⅳ)는
    적아구로 분리되지 않은 세포의 세포 특성 파라미터값을 적어도 2개의 신경회로망에 입력하여 상기 신경 회로망으로부터의 출력에 따라 상기 적아구로 분리되지 않은 세포의 종류의 각각 인식하는 단계를 더 포함하고,
    상기 적아구로 분리되지 않은 세포의 종류를 인식하는 단계는, 상기 적어도 2개의 신경 회로망의 출력이 서로 동일한 경우 상기 적아구로 분리되지 않은 세포를 정상 혈구 중의 하나로 인식하고, 동일하지 않은 경우는 세포의 종류를 미성숙 세포로 인식하는 단계를 포함하는 혈구 세포의 인식 방법.
  6. 제5항에 있어서, 상기 적어도 2개의 신경 회로망은 입력 계층, 은닉 계층, 및 출력 계층의 3-계층으로 형성되며, 상기 출력 계층으로부터 상기 입력 계층으로의 역계산을 통해 상기 은닉 계층에서의 가중치(weight)와 바이어스(bias)가 결정되는 혈구 세포의 인식 방법.
  7. 혈구 세포 샘플 고정용 스테이지와 상기 스테이지의 좌우 및 상하 이동용 구동 수단을 포함하며, 혈구 영상을 확대하고 획득하기 영상 확대 및 획득 수단,
    상기 영상 확대 및 획득 수단에 의해 획득된 영상 데이터를 디지털 영상 데이터로 변환하기 위한 A/D 변환수단,
    상기 영상 확대 및 획득 수단의 구동 수단에 접속되어 위치 제어 명령에 따라 상기 스테이지의 좌우 이동을 제어하기 위한 좌우 위치 제어기,
    상기 영상 확대 및 획득 수단의 구동 수단에 접속되어 위치 제어 명령에 따라 상기 스테이지의 상하 이동을 제어하기 위한 상하 위치 제어기,
    상기 디지털 영상 데이터를 저장하기 위한 메모리, 및
    상기 디지털 영상 데이터의 분석 결과에 따라 상기 영상 확대 및 획득 수단의 확대율을 조절하는 위치 제어 명령을 발생시키고 상기 혈구 영상 내의 혈구 세포를 인식하기 위한 제어 및 연산 수단을 포함하며, 상기 발생된 위치 제어 명령은 상기 위치 제어기로 입력되는 혈구 세포 인식 장치.
  8. 제7항에 있어서, 상기 상하 이동용 위치 제어기에서의 상하 위치 제어는 상기 연산 및 제어 수단으로부터의 위치 제어 명령에 따라 상기 영상 확대 및 획득 수단의 스테이지 상하 이동용 구동 수단을 조절하여 수행되며, 상기 영상 확대 및 획득 수단은 스테이지의 최대 이동 범위를 제한하기 위한 스위치를 더 포함하는 혈구 세포의 인식 장치.
KR1019970020018A 1997-05-22 1997-05-22 혈구세포자동인식방법및장치 KR100303608B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1019970020018A KR100303608B1 (ko) 1997-05-22 1997-05-22 혈구세포자동인식방법및장치
US09/083,040 US6330350B1 (en) 1997-05-22 1998-05-22 Method and apparatus for automatically recognizing blood cells

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1019970020018A KR100303608B1 (ko) 1997-05-22 1997-05-22 혈구세포자동인식방법및장치

Publications (2)

Publication Number Publication Date
KR19980084281A true KR19980084281A (ko) 1998-12-05
KR100303608B1 KR100303608B1 (ko) 2001-11-22

Family

ID=19506707

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019970020018A KR100303608B1 (ko) 1997-05-22 1997-05-22 혈구세포자동인식방법및장치

Country Status (2)

Country Link
US (1) US6330350B1 (ko)
KR (1) KR100303608B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100479271B1 (ko) * 2001-09-13 2005-03-30 학교법인 한림대학교 자궁경부 세포진영상의 핵영역분할방법
KR101361072B1 (ko) * 2012-12-17 2014-02-10 이상현 접촉면 확산 계수 기반 액체 내 지방 침투도 측정 방법
WO2015119314A1 (ko) * 2014-02-07 2015-08-13 이상현 접촉면 확산계수를 이용한 액체 내 지방 함량 측정 방법
US11165993B2 (en) 2012-12-17 2021-11-02 Femtobiomed Inc. Contact area diffusion factor for quantifying fat contents of liquid

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7052483B2 (en) * 2000-12-19 2006-05-30 Animas Corporation Transcutaneous inserter for low-profile infusion sets
US6950547B2 (en) * 2001-02-12 2005-09-27 3M Innovative Properties Company Web inspection method and device
US7027934B2 (en) * 2003-09-24 2006-04-11 3M Innovative Properties Company Apparatus and method for automated web inspection
DE10353785B4 (de) * 2003-11-18 2006-05-18 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Vorrichtung zur Erfassung von verschiedenen Zelltypen von Zellen in einer biologischen Probe
JP2007517232A (ja) * 2003-12-31 2007-06-28 スリーエム イノベイティブ プロパティズ カンパニー ウェブに基づく物品の歩留まりの最大化
US7120515B2 (en) * 2003-12-31 2006-10-10 3M Innovative Properties Company Inventory control for web-based articles
US7623699B2 (en) 2004-04-19 2009-11-24 3M Innovative Properties Company Apparatus and method for the automated marking of defects on webs of material
WO2006085897A2 (en) 2004-05-13 2006-08-17 Advanced Animal Diagnostics Microfluidic device and leucocyte antigen mediated microfluidic assay
US20090233329A1 (en) 2006-03-24 2009-09-17 Rodriguez Rodolfo R Microfluidic chamber assembly for mastitis assay
US20090028417A1 (en) * 2007-07-26 2009-01-29 3M Innovative Properties Company Fiducial marking for multi-unit process spatial synchronization
US8175739B2 (en) 2007-07-26 2012-05-08 3M Innovative Properties Company Multi-unit process spatial synchronization
US7542821B2 (en) * 2007-07-26 2009-06-02 3M Innovative Properties Company Multi-unit process spatial synchronization of image inspection systems
US9047502B2 (en) * 2007-12-13 2015-06-02 Nikon Corporation Automatic system for judging quality of cell
US7797133B2 (en) * 2008-09-10 2010-09-14 3M Innovative Properties Company Multi-roller registered repeat defect detection of a web process line
US8379960B2 (en) * 2009-03-30 2013-02-19 Ge Healthcare Bio-Sciences Corp. System and method for distinguishing between biological materials
DE102009033927B4 (de) * 2009-07-20 2011-07-28 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 Vorrichtung und Verfahren zum Lokalisieren eines validen Bereiches eines Blutausstriches
EP2936116B8 (en) 2012-12-19 2020-04-01 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
JP6070420B2 (ja) * 2013-05-31 2017-02-01 富士ゼロックス株式会社 画像処理装置及びプログラム
WO2015195642A1 (en) * 2014-06-16 2015-12-23 Siemens Healthcare Diagnostics Inc. Analyzing digital holographic microscopy data for hematology applications
US10614287B2 (en) 2014-06-16 2020-04-07 Siemens Healthcare Diagnostics Inc. Virtual staining of cells in digital holographic microscopy images using general adversarial networks
FR3030749B1 (fr) * 2014-12-19 2020-01-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Methode d'identification de particules biologiques par piles d'images holographiques defocalisees
CN110335686B (zh) * 2019-06-06 2023-07-04 广州金域医学检验中心有限公司 细胞类型识别方法、装置、计算机设备及存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4097845A (en) * 1976-11-01 1978-06-27 Rush-Presbyterian-St. Luke's Medical Center Method of and an apparatus for automatic classification of red blood cells
US4175860A (en) 1977-05-31 1979-11-27 Rush-Presbyterian-St. Luke's Medical Center Dual resolution method and apparatus for use in automated classification of pap smear and other samples
US4581223A (en) 1980-03-12 1986-04-08 Lawrence Kass Individual leukocyte determination by means of differential metachromatic dye sorption
US4338024A (en) 1980-05-02 1982-07-06 International Remote Imaging Systems, Inc. Flow analyzer and system for analysis of fluids with particles
JPS58140870A (ja) * 1982-02-17 1983-08-20 Hitachi Ltd Ｖｔｒ装置付血液像自動分類装置
US4704364A (en) 1984-05-18 1987-11-03 Coulter Electronics, Inc. Hematology control compositions for three populations of leukocytes; and methods for their preparation and use in whole blood control systems
US5281517A (en) * 1985-11-04 1994-01-25 Cell Analysis Systems, Inc. Methods for immunoploidy analysis
CA1311404C (en) 1987-03-13 1992-12-15 Kenneth H. Kortright Automated analyzer and method for screening cells or formed bodies for enumeration of populations expressing selected characteristics
US5045474A (en) 1987-05-28 1991-09-03 Sequoia-Turner Corporation (Unipath) Semi-automatic process for white cell differential count
US5123055A (en) 1989-08-10 1992-06-16 International Remote Imaging Systems, Inc. Method and an apparatus for differentiating a sample of biological cells
JP2836865B2 (ja) 1989-10-23 1998-12-14 東亜医用電子株式会社 血液中の白血球およびヘモグロビンの測定用試薬
JPH0469776A (ja) * 1990-07-11 1992-03-04 Omron Corp 赤血球小核細胞の自動分類方法及び赤血球小核細胞の自動分類装置及び赤血球小核細胞標本作成方法
US5598842A (en) * 1993-09-03 1997-02-04 Toa Medical Electronics Co., Ltd. Non-invasive blood analyzer and method using the same
US5757954A (en) * 1994-09-20 1998-05-26 Neopath, Inc. Field prioritization apparatus and method
WO1996009600A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Apparatus for identification and integration of multiple cell patterns
US5741213A (en) * 1995-10-25 1998-04-21 Toa Medical Electronics Co., Ltd. Apparatus for analyzing blood
US6151405A (en) * 1996-11-27 2000-11-21 Chromavision Medical Systems, Inc. System and method for cellular specimen grading
US6169816B1 (en) * 1997-05-14 2001-01-02 Applied Imaging, Inc. Identification of objects of interest using multiple illumination schemes and finding overlap of features in corresponding multiple images
US5911000A (en) * 1997-08-01 1999-06-08 Ortho Diagnostic Systems, Inc. Detecting abnormal reactions in a red blood cell agglutination

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100479271B1 (ko) * 2001-09-13 2005-03-30 학교법인 한림대학교 자궁경부 세포진영상의 핵영역분할방법
KR101361072B1 (ko) * 2012-12-17 2014-02-10 이상현 접촉면 확산 계수 기반 액체 내 지방 침투도 측정 방법
US11165993B2 (en) 2012-12-17 2021-11-02 Femtobiomed Inc. Contact area diffusion factor for quantifying fat contents of liquid
WO2015119314A1 (ko) * 2014-02-07 2015-08-13 이상현 접촉면 확산계수를 이용한 액체 내 지방 함량 측정 방법
CN106030279A (zh) * 2014-02-07 2016-10-12 菲多发博有限公司 利用接触面扩散系数的液体内脂肪含量测量方法

Also Published As

Publication number Publication date
US6330350B1 (en) 2001-12-11
KR100303608B1 (ko) 2001-11-22

Similar Documents

Publication Publication Date Title
KR100303608B1 (ko) 혈구세포자동인식방법및장치
US11900598B2 (en) System and method of classification of biological particles
US5123055A (en) Method and an apparatus for differentiating a sample of biological cells
US9170256B2 (en) Device and method for erythrocyte morphology analysis
US5933519A (en) Cytological slide scoring apparatus
US4965725A (en) Neural network based automated cytological specimen classification system and method
US4097845A (en) Method of and an apparatus for automatic classification of red blood cells
CA2228062C (en) Robustness of classification measurement
CN111861975A (zh) 辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序
US7697764B2 (en) Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus
WO1981003080A1 (en) Method and apparatus for measuring mean cell volume of red blood cells
US8068132B2 (en) Method for identifying Guignardia citricarpa
CA1135979A (en) Automated method and apparatus for classification of cells with application to the diagnosis of anemia
WO1994008315A1 (en) Method and apparatus for identifying an object using an ordered sequence of boundary pixel parameters
CN112432902A (zh) 一种外周血细胞形态学判别细胞数目的自动检测系统及方法
Fitri et al. Classification of White Blood Cell Abnormalities for Early Detection of Myeloproliferative Neoplasms Syndrome Based on K-Nearest Neighborr
CN113408480B (zh) 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统
CN113129281B (zh) 一种基于深度学习的小麦茎秆截面参数检测方法
KR20010017092A (ko) 혈구세포의 형태 자동 분석 및 카운트 방법
CN111274949B (zh) 一种基于结构分析的血液病白细胞散点图相似度分析方法
CN112924452A (zh) 一种血液检查辅助系统
Bazoon et al. A hierarchical artificial neural network system for the classification of cervical cells
CA2185511C (en) Cytological specimen analysis system with individualized patient data
CN114187480A (zh) 一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统
CN117496258A (zh) 基于骨髓细胞形态特征的人工智能急性白血病分型装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
J201 Request for trial against refusal decision
E902 Notification of reason for refusal
B701 Decision to grant
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20070629

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee