RO106931B1 - SISTEM ©I METODã AUTOMATE, PE BAZã DE RE¦EA NEURONICã, PENTRU CLASIFICAREA SPECIMENELOR CITOLOGICE - Google Patents

SISTEM ©I METODã AUTOMATE, PE BAZã DE RE¦EA NEURONICã, PENTRU CLASIFICAREA SPECIMENELOR CITOLOGICE Download PDF

Info

Publication number
RO106931B1
RO106931B1 RO146063A RO14606389A RO106931B1 RO 106931 B1 RO106931 B1 RO 106931B1 RO 146063 A RO146063 A RO 146063A RO 14606389 A RO14606389 A RO 14606389A RO 106931 B1 RO106931 B1 RO 106931B1
Authority
RO
Romania
Prior art keywords
classification
cells
classifier
neural network
automatic
Prior art date
Application number
RO146063A
Other languages
English (en)
Inventor
Mark R Rutenberg
Original Assignee
Neuromedical Systems Inc Monse
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 Neuromedical Systems Inc Monse filed Critical Neuromedical Systems Inc Monse
Publication of RO106931B1 publication Critical patent/RO106931B1/ro

Links

Classifications

    • 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—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • 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
    • 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—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • 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—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1488—Methods for deciding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/925—Neural network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/924—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Combined Means For Separation Of Solids (AREA)
  • Prostheses (AREA)

Description

Invenția se referă, în general, la clasificarea celulelor și, în special, Ia un sistem și o metodă automate, pe bază de rețea neuronică și/sau a computerelor pentru creșterea vitezei și acurateței clasificării specimenelor citologice.
Se știe că analizele cervicale (testul Pap) reprezintă actualmente singura modalitate de examinare citologică prin cercetare materială care necesită o inspecție, în mod teoretic, a fiecărei celule de pe diapozitiv.
Testul respectiv are dezavantajul unui procentaj relativ ridicat al unor rezultate negative false, ca urmare a plictiselii și oboselii inerente modalităților curente de practicare manuală a metodelor de cercetare.
Clasificarea celulelor se face, de obicei, pe bază de lucru la bucată de către citotehnicieni folosiți de laboratoarele patologice și în anumite situații de tehnicieni salarizați.
Ca urmare a naturii clar nocive asupra vieții pacientului generate de problema unor rezultate incorecte, având ca urmare posibilitatea de a nu depista un cancer cervical, American Cancer Society studiază posibilitatea dublării frecvenței testelor Pap recomandate.
Aceasta totuși va supraîncărca o industrie de analize cervicale suprasaturate deja, pe măsură ce un număr crescând de persoane doresc să intre în domeniul obositor și stresant al practicării clasificării cervicale manuale. O recomandare a lui American Cancer Society de a se create frecvența testelor Pap poate servi numai la majoritatea rezultatelor negative false prin reducerea timpului aferent examinării manuale a fiecărui diapozitiv.
O analiză aprofundată manuală nu poate dura mai mult de 15 min pentru fiecare diapozitiv, deși un citotehnician și, în special, unul care este foarte ocupat, poate să folosească jumătate din această durată. Instituția College af American Pathology este conștientă de această problemă și ar îmbrățișa rapid o soluție automată de analiză cervicală de tipul testului Pap.
în acest domeniu, ca urmare a potențialului comercial cert pentru analizele automate de tipul testului Pap, s-au făcut mai multe încercări în direcția automatizării. Aceste încercări s-au dovedit totuși fără succes, deoarece metodele implicate s-au bazat exclusiv pe tehnologii clasice de recunoaștere pe modele (geometrice, sintactice, contemplative, statistice) sau de recunoaștere pe modele pe bază de inteligență artificială, mai precis pe sisteme expert bazate pe reguli. Nu există totuși un algoritm clar sau un set complet și explicit de reguli prin care citotehnicianul sau patologul - ca om, folosind experiența sa, să combine o multitudine de trăsături pentru a face o clasificare într-o manieră adecvată. Clasificarea prin testul Pap este de aceea o aplicație excelentă pentru recunoașterea modelară pe bază de rețea de tip neuronic.
Un exemplu al limitărilor stadiului tehnicii poate fi găsit în referința - Tien D. și colectiv - Automated Cervical Smear Classification - Dezbaterile IEEEI Cea de-a noua Conferință Anuală a societății de Engineering în Medicină și Biologie, 1987.
Alte referințe de interes sunt următoarele:
- Rumelhart, David E. și McClelland, James L. - Parallel Distributed Processing - MIT Press, 1986, Volumul I;
- Hecht -.Nielsen, Robert: Neurocomputing Picking the Human Brain - IEEE Spectrum, 1988 și
- Lippman,- Richard P., An Introduction to Computing with Neural Nete, IEEE ASSP Magazine, Aprilie 1987.
Sistemul automat pe bază de rețea neuronică pentru clasificarea specimenelor citologice, conform invenției, înlătură de zavantajele de mai sus, prin aceea că, pentru a nu necesita o modificare în procedura de obținere a specimenelor celulare de la pacient și a prezenta rate ale rezultatelor negative false relativ mici, este constituit dintr-un element cu rol de microscop pentru a obține o imagine a cel puțin unei părți a unui specimen citologic, incluzând celule și alte materiale amplasate, în general, dezordonat într-un aranjament care poate include mai mult decât un singur strat de celule, un element cu rol de cameră pentru crearea unei imagini a unei astfel de vederi, un element cu rol de digitizor de imagine pentru a produce o reprezentare digitală a unei astfel de imagini, un element cu rol de clasificator primar pentru detectarea obiectelor într-o reprezentare digitală a unui specimen citologic, bazată pe o trăsătură ce se poate detecta, respectivul element de clasificare primară cuprinzând un clasificator pentru detectarea celulelor care par să fie celule de tip predeterminat, ca și alte celule și materiale care inițial par a avea caracteristicile unui astfel de tip predeterminat de celule, și un element de clasificare secundar pentru distingerea celulelor de tip predeterminat de alte celule și materiale printre obiectele detectate de către respectivul element primar de clasificare, clasificatorul secundar cuprinzând un aparat cu compurer neuronic pentru efectuarea unui astfel de distincții ca o funcție a încărcării acestuia.
Metoda automată pe bază de rețea neuronică pentru clasificarea specimenelor citologice, conform invenției, prevede obținerea unei vederi a cel puțin unei părți a undi specimen citologic incluzând celule și alte materiale amplasate, în. general, dezordonat într-un aranjament care poate include mai mult decât un singur strat de celule, crearea unei imagini a unei astfel de vederi, producerea unei reprezen tari digitale a unei astfel de imagini, detectarea obiectelor, într-o reprezentare digitală a unui specimen citologic, care par a fi maligne sau pre-maligne, ca și alte celule și materiale care inițial apar ca având caracteristicile optice ale unei celule maligne sau ale unei celule pre-maligne și distingerea celulelor pre-maligne și maligne de alte celule și materiale printre obiectele detectate ce par a fi celule pre-maligne sau maligne, ca o funcție de încărcare a unei rețele neuronice.
Se dă, în continuare un exemplu de realizare a invenției, în legătură cu fig.l ... ... 7, care reprezintă:
- fig.l, o diagramă bloc a sistemului automat de analiză a specimenului citologic pe bază de rețea neuronică;
- fig.2, reprezentare a unei rețele neuronice de tipul utilizat în varianta preferată;
- fig.3, diagrama bloc a unei variante alternative a sistemului automat de analiză, conform prezentei invenții;
- fig.4, diagrama bloc a unei variante alternative a sistemului automat, confonn prezentei invenții;
- fig.5, diagrama bloc a unei variante alternative a sistemului automat de analiză, conform prezentei invenții;
- fig.6, diagrama bloc a unei variante alternative a sistemului automat de analiză, conform prezentei invenții;
- fig.7, diagrama bloc a unei variante alternative a sistemului automat de analiză conforma prezentei invenții.
Sistemul automat de analiză a specimenelor citologice pe bază de rețea neuronică, potrivit prezentei invenții, desemnat cu reperul general 10 în fig.l include un microscop automat 11, o cameră video sau dispozitiv CCD 12x un procesor de imagine 13 și etajele clasificatoare 14, 15 și 16.
Microscopul automat 11 efectuează mișcarea relativă a obiectivului microscopului și specimenului, iar camera video sau CCD 12 obține o imagine sau desen al por țiunii specifice a specimenului citologic. Imaginea este procesata de procesorul 13, iar informația acesteia este cuplată la clasificatorul 14.
în varianta preferată, clasificatorul 14 este un clasificator static disponibil comercial, care identifică nucleele de celulă de interes prin măsurarea densității lor optice integrate (densitatea de pată nucleară). Aceasta este suma valorilor de nuanță gri pentru obiectul respectiv, corectată pentru erorile optice. Comparate cu celulele normale, celulele maligne tind să aibă un nucleu pătat mai mare și mai dens.
Obiectele ce trec prin clasificatorul 14 constau din celule pre-maligne și maligne, dar includ, de asemenea, alte elemente cu densitate optică înaltă, cum ar fi, aglomerări de celule, resturi, leucocite și mucus. Sarcina clasificatorului secundar 15 este de a distinge celulele pre-maligne de aceste alte elemente.
Pentru a realiza clasificatorul secundar 15, se folosește rețea neuronică. Descrierea detaliată a formei și funcționării rețelelor neuronice adecvată localizării clasificatorului secundar 15 poate fi găsită în referințele citate. O descriere sumară a informațiilor respective se găsește în cele ce urmează.
Bazat pe inforrilațiiie obținute de clasificatorul primar privind specimenul citologic, clasificatorul secundar se utilizează pentru a verifica zone specifice ale specimenului, care sunt, de exemplu, posibile să necesite o analiză mai aprofundată sau clasificare. O astfel de examinare făcută -de către clasificatorul secundar poate fi efectuată bazat pe datele de imagine digitizate deja, obținute pentru zonele alese ale specimenului sau prin preluarea unor date suplimentare de către componentele 11 - 13 sau cu alte echipamente disponibile comercial sau alte echipamente care asigură date acceptabile pentru utilizarea și analiza de către clasificatorul secundar 15.
O rețea neuronică este un sistem cu o înaltă distribuție paralelă cu topologia unui grafic direcționat. Nodurile din rețeaua neuronică sunt, de obicei, denumite drept elemente de prelucrare (procesoare) sau neuroni, în timp ce legăturile sunt, în general, cunoscute ca interconexiuni. Fiecare element de procesare acceptă intrări multiple și generează un singur semnal de ieșire care se ramifică în copii multiple, care sunt, la rândul lor, distribuite spre celelalte elemente de procesare drept semnale de intrare. Informațiile se stochează în întăriturile conexiunilor cunoscute ca greutăți. într-o manieră asincronă, fiecare element de procesare calculează suma produselor greutății fiecărei linii de intrare multiplicată cu nivelul de semnal (de obicei 0 sau 1) pe acea linie de intrare. Dacă suma produselor depășește un prag de activare prestabilit, ieșirea elementului de procesare este stabilită la 1, dacă este mai mică este stabilită la 0. învățarea este realizată prin ajustarea valorii greutăților.
Pentru prezenta invenție, varianta preferată este realizată prin utilizarea unei rețele neuronice din trei straturi de tipul descris în referința Lippman ca un perceptor multistrat și dezbătut în detaliu în Capitolul 8 în referința Rumelhart, de la începutul descrierii. Se pot, de asemenea, utiliza alte tipuri de sisteme de rețele neuronice.
O rețea neuronică din trei· straturi, conform fig.2, constă dintr-un strat de intrare A, un strat de ieșire B și un strat intermediar ascuns C. Stratul intermediar este necesar pentru a permite reprezentarea intensă a modelelor în rețea. Așa cum se arată de către Minsky și Papert în Perceptronii (MIT Press, 1969) rețelele din două straturi asociative sunt limitate la tipurile de probleme pe care le pot rezolva. O rețea din două straturi numai cu elemente de procesare intrări și ieșiri poate reprezenta numai configurația în care modele similare de intrare conduc la modele similare de ieșire. Ori de câte ori problema cuvântului real nu este de acest tip, este necesară o rețea cu trei straturi. S-a arătat că având un strat ascuns destul de larg, o rețea neuronică din trei straturi va găsi întotdeauna o reprezentare care va configura orice model de intrare spre orice model de ieșire.
O serie de caracteristici importante ale arhitecturilor rețelelor neuronice le disting pe acestea de tentativele întreprinse în stadiul tehnicii pentru implementarea clasificatorului 15 și anume:
, 1. Există o funcție executivă mică sau chiar nu există o astfel de funcție. Există numai unități foarte simple, fiecare realizându-și suma rezultatelor calculelor. Sarcina fiecărui element de procesare este astfel limitată la primirea de intrări de la vecini și, funcție de aceste intrări, calcularea unei valori de ieșire pe care o trimite la vecini. Fiecare element de procesare efectuează această calculație periodic în paralel cu, dar nu sincronizat, cu activitățile nici unuia din vecinii săi.
2. Toate cunoștințele se află în conexiA uni. In stările elementelor de procesare se pot produce depozite de termene foarte scurte. Tot depozitul de termen lung este reprezentat de valorile întăriturilor de conexiuni-sau greutăților dintre elementele de procesare. Regulile dq stabilire a acestor greutăți și de modificare a acestora pentru a fi învățate sunt primele care disting un model. de rețea neuronică de alt «model. Toată cunoștința este astfel reprezentată : implicit în întăriturile greutăților de conexiune mai degrabă decât explicit în. .stările elementelor de procesare. ... . ;
3. în contrast cu calculatoarele algoritmice și sistemele expert, scopul învățăturii rețelei neuronice nu este formularea unui algoritm sau a unui set de reguli explicite. în timpul învățăturii, o rețea neuronică se auto-organizează pentru stabilirea setului global de greutăți care va produce la ieșirea sa pentru o anumită intrare un semnal ce corespunde cel mai bine la ceea ce se spune a fi ieșirea corectă pentru acea intrare. Această achiziție adaptivă a întăriturilor de conexiune este aceea care permite unei rețele neuronice să se comporte ca și când ea ar cunoaște regulile.
Calculatoarele convenționale excelează în aplicații în care cunoștințele pot fi bine reprezentate într-un algoritm explicit sau un set de reguli explicit și complet. Atunci când nu se întâmplă așa, calculatorul convențional întâmpină mari dificultăți. în timp ce calculatoarele convenționale pot executa un algoritm mult mai rapid decât orice om, ele sunt provocate să intre în competiție cu performanțele umane în sarcini nealgoritmice, cum ar fi, recunoașterea unui model, clasificarea celui mai apropiat vecin, ajungerea la soluția optimă atunci când există confruntări cu constrângeri simultane multiple. Dacă pentru a clasifica un model necunoscut de intrare este necesară cercetarea a N modele reprezentative, unui sistem algoritmic îi trebuie un timp de ordinul aproximativ N. într-o rețea neuronică, toate însemnările sunt reprezentate simultan de setul global de greutăți de conexiune ale întregului sistem, în acest fel, o rețea neuronică ajunge în cazul celui mai apropiat vecin la intrarea ambiguă în ordinul de timp 1, comparativ cu ordinul de timp N.
Pentru prezenta invenție, varianta preferată este asigurată prin utilizarea unei rețele cu propagare inversă cu trei straturi, așa cum este descrisă în referința Rumelhart, rețeaua neuronică a treptei de clasificator 15. Propagarea inversa' este descrisă în detaliu în referința Rumelhart. Pe scurt, ea funcționează după cum urmează. In timpul operării propriu-zise, erorile, adică diferența dintre ieșirea corespunzătoare unei anumite intrări și ieșirea curentă efectivă pentru acea ieșire sunt propagate invers de la stratul de ieșire spre stratul de mijloc și apoi spre stratul de intrare. Aceste erori sunt utilizate la fiecare strat de către algoritmul de probă pentru a reajusta greutățile de interconectare, astfel încât reprezentarea ulterioră a modelului reprezentativ va avea ca rezultat categoria adecvată de ieșire. Ca urmare a probării, în timpul operării cu feed-forward, modelele de intrare necunoscute sunt clasificate de către rețeaua neuronică în categoria reprezentativă care este cea mai asemănătoare.
Ieșirea clasificatorului neuronic 15 indică prezența sau absența celulelor pre-maligne sau maligne. Amplasarea celulelor pe imaginea de intrare se obține din coordonatele de poziție a planului X-Y furnizate continuu de microscopul automat. Această informație de poziție este semnalată la printer sau pe ecranul video 17 (fig.3), împreună cu diagnoza și informația de identificare a pacientului, așa că rezultatul clasificării poate fi revăzut de către un specialist.
In varianta preferată, structura paralelă a rețelei neuronice este creată prin efectuarea procesării în serie dirijată, în modul realizat de unul din neurocomputerele accelerator disponibil comercial. Funcționarea acestor neurocomputere este descrisă în referința Spectrum, menționată ia începutul descrierii prezente. Rețeaua neuronică este, de' preferință, un procesor Delta, reprezentat de un neurocomputer disponibil comercial aparținând lui Science Application Internațional Corp (SAIC) - a se vedea referința Hecht-Nicolsen de mai sus - care a relevat un ritm de prelucrare de IO7 interconexiuni/secundă în procedeul feed-forward. Pentru un eșantion cervical tipic conținând 100000 celule, 1+2% din celule sau aproximativ 1500 imagini vor necesita prelu crarea de către clasificatorul 15. Ca exemplu de ritmul de date care rezultă, să presupunem, ca urmare a compresiei de date, că o imagine de 50 x 50 pixeli este prelucrată de clasificatorul 15. Stratul de intrare pentru rețeaua neuronică constă de aceea din 2500 elemente prelucrătoare sau neuroni. Stratul de mijloc constă din aproximativ 25% din stratul de intrare sau 625 neuroni. (Numărul de neuroni de ieșire este egal cu numărul de categorii de diagnostic care interesează. Acest număr mic nu afectează în mod semnificativ calculul). Numărul de interconexiuni este astfel (2500) (625) sau aproximativ 1,5 x IO6. La un ritm de prelucrare de IO7 interconexiuni pe secundă, prelucrarea de către clasificatorul 15 a 1500 imagini trimise de clasificatorul 14 va lua mai puțin de 4 min. Variantele disponibile curent ale clasificatorului 14 operează la un ritm de 50000 celule/min (vezi referința Tien și colectiv). La o rată de funcționare de 50000 celule/min a clasificatorului 14, cele 4 min consumate de clasificatorul 15 se adaugă la cele două minute folosite de clasificatorul 14, rezultând un total de 6 min, pentru a analiza cele 100000 imagini de celulă de pe diapozitiv. Așa cum s-a menționat mai sus, o analiză de eșantion cervical de acuratețe, manuală, necesită aproximativ 15 min/ diapozitiv. încercările anterioare de metode automate folosind variante fără rețea neuronică pentru clasificatorul 15 necesită peste o oră/diapozitiv. Acest exemplu nu este dat în nici un caz în intenția de a limita configurația reală a prezentei invenții, ci pentru a demonstra că ea este capabilă să realizeze obiectul prelucrării eșantioanelor cervicale și a altor probe citologice, în cadrul perioadei de timp necesare pentru o operație fezabilă comercial.
în varianta preferată, clasificatorul primar 14 se restrânge la evaluarea nucleului celular, în timp ce clasificatorul secundar 15 evaluează atât nucleul, cât și citoplasmă π
sa înconjurătoare. Raportul nucleu și citoplasmă este un indicator important pentru clasificarea celulelor pre-maligne. într-o variantă alternativă, atât clasificatorul 14 cât și clasificatorul 15 sunt limitate la evaluarea nucleelor celulare.
Informația de ieșire din clasificatorul secundar 15 este dirijată spre un monitor de ieșire și printer 17, care poate indica o variație de informații incluzând, în mod important, indicii dacă orice celule par a fi maligne sau pre-maligne sau necesită o examinare mai profundă etc.
Fig.3 ilustrează o variantă în care un etaj clasificator neuronic adițional 16 este introdus pentru o procesare preliminară a dispozitivului pentru zone de material artifactual adică alt material decât celulele pe un singur strat de interes. Aceasta include aglomerări de celule, fragmente, mucus, leucocite etc.
Informațiile de poziție obținute în această procesare preliminară sunt depozitate pentru utilizarea în restul sistemului de clasificare. Informația din etajul clasificator 16 se utilizează pentru a limita procesarea necesitată de clasificatorul 15. Etajul clasificator 14 poate ignora tot materialul din zonele definite de coordonatele de poziție furnizate de clasificatorul 16. Acesta va avea ca rezultat trimiterea unei cantități de informație mai mică pentru procesare de către clasificatorul 15. O diagnoză este, de aceea, făcută pe baza clasificării numai a celulelor care se află în afara acestor zone. Dacă în afara acestor zone se găsește o probă insuficientă de celule, pentru o diagnoză corectă această informație va fi reflectată pe ecranul 17 ca probă de celule insuficientă.
Fig.4 ilustrează o variantă alternativă, în care imaginile din zonele identificate de clasificatorul 16 nu sunt ignorate, dar sunt procesate de un clasificator separat 18, care operează în paralel cu clasifica12 torul 15. Operația rețelei neuronice care compune clasificatorul 18 este destinată pentru distincția celulelor pre-maligne de celulele maligne din materialul artifactual menționat mai sus.
Fig.5 ilustrează o variantă alternativă, în care între clasificatorul 14 și clasificatorul 15 se plasează o rețea neuronicâ suplimentară de clasificarea componentelor morfologice nucleare, exclusiv densitatea integrată. Această clasificare este făcută de clasificatorul 19.
Fig.6 ilustrează o variantă alternativă, în care un neurocomputer tip SAIC disponibil comercial este optimizat pentru procesarea feed-forward 20. Prin ștergerea capacității de tip perceptiv, toate funcțiile neurocomputerului sunt destinate funcționării în feed-forward. Percepția (învățarea) este completată pe un neurocomputer nemodificat, care conține atât funcțiile de învățare cât și de feed-forward.
Ca urmare a completării funcției de învățare, greutățile de interconexiune final sunt transferate la neurocomputerul optimizat tip feed-forward 20. Destinația neurocomputerului 20 spre modul de lucru feed-forward are ca rezultat o rată de operare feed-forward de 10® interconexiuni/secundă față de 107 interconexiuni/secundă pentru neurocomputerul neoptimizat, disponibil comercial. Rețeaua neuronică feed- forward optimizată 20 se utilizează pentru a realiza funcțiile clasificatorului 14 și 16 din fig. 1, 3, 4 și 5. Prin utilizarea clasificatorului cu rețea neuronică 20 pentru realizarea funcției clasificatorului 14, celulelele de interes, care nu sunt în mod necesar celulele cervicale maligne și care de aceea nu depășesc pragul densității optice integrate a clasificatorului 14, vor fi fără îndoială detectate. Un exemplu ar fi detectarea celulelor endometrice, care, deși nu sunt în mod necesar indicatoare ale malignității cervicale, ele sunt indicatoare ale malignității uterine atunci când s-au găsit în testul Pap al unui pacient la menopauză.
Ca exemplu privind procentajul de date care rezultă din aplicarea variantei fig.6, să presupunem dimensiunile exterioare ale dispozitivului de 15 mm x 45 mm sau o suprafață totală a ariei dispozitivului de 6,75 x 106 micrometri2. Rețeaua neuronică 20 pare o fereastră de diapozitiv de prelucrare a suprafeței respective pentru analiză. Această fereastră are dimensiunile de 20 x 20 micrometri sau o suprafață de 400 micrometri2. Există deci 1,5 x IO6 astfel de ferestre de 15 mm x 45 mm de diapozitiv. Pentru prima funcție de clasificare realizată de rețeaua neuronică 20, o rezoluție de 1 micrometru/pixel este suficientă pentru a detecta acele obiecte care trebuie să fie trimise spre clasificatorul secundar cu rețeaua neuronică 15 pentru continuarea analizei. Modelul de intrare pentru fereastra de imagine analizată de clasificatorul 20 este de aceea de 20 x 20 pixeli sau 400 neuroni spre stratul de intrare al rețelei neuronice 20. Stratul mijlociu constă din aproximativ 25% din stratul de intrare sau 100 neuroni. (Așa cum s-a specificat mai sus în calculația de ritm de date pentru clasificatorul 15, numărul de neuroni din stratul de ieșire este mic și nu afectează rezultatele). Numărul de interconexiuni în clasificatorul 20 este astfel de aproximativ (400) x (100) sau 40 x 103. La un ritm de prelucrare de IO8 interconectări/secundă, fiecare imagine de pe fereastra analizată va lua 400 microsecunde pentru clasificare de către rețeaua 20. într-un cadru de 15 x 45 mm există 1,5 x IO6 ferestre de 400 micrometri pătrați care necesită clasificarea de către rețeaua 20.
Timpul de clasificare pentru rețeaua neuronică 20 este deci (1,5 x IO6) (400 x IO6) = 600 s sau 10 min. Dacă aceste 10 min se adaugă la cele aproximativ 4 min. necesare clasificatorului secundar cu rețeaua neuronică 15, rezultă un timp total de 14 min/diapozitiv. Acest exemplu nu s-a dat cu intenția de a limita configurația prezentei invenții, dar pentru a demonstra că este capabilă să atingă obiectivul procesării eșantioanelor cervicale și altor probe citologice în perioada de timp necesară unei operații fezabile comercial. Viteza de prelucrare a datelor poate fi sporită, de asemenea, prin folosirea prelucrării paralele. De exemplu, neurocomputerele multiple disponibile comercial de la SAIC pot fi cuplate pentru a efectua prelucrarea paralelă a datelor, crescând astfel viteza operațională totală a clasificatorului.
Fig.7 ilustrează o variantă alternativă în care clasificatorul 20 cu rețea neuronică primar se utilizează în legătură cu și nu ca un substituent pentru clasificarea morfologică și de zonă. Prin destinarea clasificatorului 20 detectării acelor puține tipuri de celule care sunt de interes, dar care nu pot fi detectate prin alte mijloace, rezoluția necesară pentru clasificatorul 20 este minimalizată.
Deși prezenta invenție a fost descrisă în termenii variantei preferate, este de înțeles că o astfel de descriere nu trebuie interpretată ca limitativă. După studierea descrierii, specialiștilor în domeniu le este clar că se pot face alternative și modificări variate ale acestor exemple reprezentative. Ca urmare, revendicările care urmează sunt interpretate ca acoperind toate alternativele și modificările din moment ce ele intră în cadrul spiritului și scopului invenției.
Revendicări

Claims (21)

1. Sistem automat pe bază de rețea neuronică pentru clasificarea specimenelor citologice, caracterizat prin aceea că include, un element cu rol de microscop (11) pentru a obține o imagine a cel puțin unei părți a unui specimen citologic, incluzând celule și alte materiale amplasate, în general, dezordonat într-un aranjament care poate include mai mult decât un singur strat de celule, un element cu rol de cameră (12) pentru crearea unei imagini a unei astfel de vederi, un element cu rol de digitizor de imagine (13) , pentru a pro- 5 duce o reprezentare digitală a unei astfel de imagini, un element cu rol de clasificator primar (20) pentru detectarea obiectelor într-o reprezentare digitală a unui specimen citologic, bazată pe o trăsătură 10 ce se poate detecta, respectivul element de clasificare primară (20) cuprinzând un clasificator pentru detectarea celulelor care par să fie celule de tip predeterminat, ca și alte celule și materiale care 15 inițial par a avea caracteristicile unui astfel de tip predeterminat de celule, și un element de clasificare secundar (15) pentru distingerea celulelor de tip predeterminat de alte celule și materiale printre 20 obiectele detectate de către respectivul element primar de clasificare (20), clasificatorul secundar cuprinzând un aparat cu computer neuronic pentru efectuarea unei astfel de distincții ca o funcție a încărca- 25 rii acestuia.
2. Sistem automat, conform revendicării 1, caracterizat prin aceea că mai include un element pentru clasificarea de preanaliză cu rețea neuronică (16) pentru 30 recunoașterea și clasificarea unor zone generale în reprezentarea digitală a unui specimen care conține alt material decât un strat monocelular, înainte de clasificarea primară de către respectivul element 35 de clasificare primar (20).
3. Sistem de clasificare automat, conform revendicării 2, caracterizat prin aceea că mai include și un element (14) pentru excluderea ariilor recunoscute de 40 elementul respectiv de clasificare de preanaliză (16) cu rețea neuronică, de la analiza suplimentară.
4. Sistem automat de clasificare, conform revendicării 2, caracterizat prin 45 aceea că include elemente (18) pentru modificarea suplimentară a analizei imaginilor găsite în interiorul unor astfel de zone recunoscute de către respectivul element de analiză cu rețea neuronică (16).
5. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că include elemente (14, 15) pentru limitarea clasificării efectuate de respectivul element clasificator la evaluarea nucleului celular.
6. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că include elemente pentru restrângerea clasificării, atât de către respectivul element primar clasificator (20), cât și de către respectivul element secundar (15) clasificator la evaluarea nucleului celular.
7. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că cuprinde în plus elemente (19) pentru efectuarea unei clasificări suplimentare cu rețea non-neuronică a componentelor morfologice nucleare, respectivele elemente fiind cuplate între elementul primar (20) de clasificare și elementul secundar de clasificare (15).
8. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element cu rol de microscop (11) cuprinde un microscop automat.
9. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element cu rol de cameră (12) este o cameră video.
10. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element cu rol de cameră (12) conține cuplat un dispozitiv de încărcare.
11. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element primar de clasificare (20) conține elemente pentru detecția obiectelor din reprezentarea digitală a unui specimen citologic, care are un nucleu care depășește un prag de densitate optică integrată.
12. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element de clasificare primar (20) cuprinde elemente pentru detecția obiectelor în astfel de reprezentări digitale a unui specimen citologic bazat pe criterii morfologice.
13. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element cu computer neuronic (20) cuprinde un computer neuronic electronic.
14. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că respectivul element de clasificare primară (20) cuprinde un clasificator static.
15. Sistem automat de clasificare, conform revendicării 1, caracterizat prin aceea că specimenul citologic include celule suprapuse.
16. Metodă automată, pe bază de rețea neuronică, de clasificare a celulelor conținute într-un specimen citologic pe o lamelă, pentru identificarea celulelor care este probabil să fie maligne sau pre-maligne, caracterizată prin aceea că constă în obținerea unei vederi a cel puțin unei părți a unui specimen citologic incluzând celule și alte materiale amplasate, în general, dezordonat într-un aranjament care poate include mai mult decât un singur strat de celule, crearea unei imagini a unei astfel de vederi, producerea unei reprezen țări digitale a unei astfel de imagini, detectarea obiectelor, într-o reprezentare digitală a unui specimen citologic, care par a fi maligne sau pre-maligne, ca și alte celule și materiale care inițial apar ca având caracteristicile optice ale unei celule maligne sau ale unei celule pre-maligne, și distingerea celulelor pre-maligne și maligne de alte celule și materiale printre obiectele detectate ce par a fi celule pre-maligne sau maligne, ca o funcție de încărcare a unei rețele neuronice.
17. Metodă, conform revendicării 16, caracterizată prin aceea că etapa de detectare include detectarea ca o funcție a încărcării unei rețele neuronice.
18. Metodă, conform revendicării 16, caracterizată prin aceea că etapa de detectare cuprinde executarea unei prelucrări statistice.
19. Metodă, conform revendicării 16, caracterizată prin aceea că etapa de detectare cuprinde efectuarea unei clasificări bazate pe morfologie.
20. Metodă, conform revendicării 16, caracterizată prin aceea că etapa de detectare cuprinde efectuarea unei clasificări bazate pe densitate optică integrată.
21. Metodă, conform revendicării 16, caracterizată prin aceea că, în plus, cuprinde etapa de încărcare a unei astfel de rețele neuronice pentru identificarea specimenelor citologice de intrare.
RO146063A 1988-04-08 1989-03-24 SISTEM ©I METODã AUTOMATE, PE BAZã DE RE¦EA NEURONICã, PENTRU CLASIFICAREA SPECIMENELOR CITOLOGICE RO106931B1 (ro)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US07179060 US4965725B1 (en) 1988-04-08 1988-04-08 Neural network based automated cytological specimen classification system and method
PCT/US1989/001221 WO1989009969A1 (en) 1988-04-08 1989-03-24 Neural network based automated cytological specimen classification system and method

Publications (1)

Publication Number Publication Date
RO106931B1 true RO106931B1 (ro) 1993-07-30

Family

ID=22655067

Family Applications (1)

Application Number Title Priority Date Filing Date
RO146063A RO106931B1 (ro) 1988-04-08 1989-03-24 SISTEM ©I METODã AUTOMATE, PE BAZã DE RE¦EA NEURONICã, PENTRU CLASIFICAREA SPECIMENELOR CITOLOGICE

Country Status (22)

Country Link
US (2) US4965725B1 (ro)
EP (1) EP0336608B1 (ro)
JP (1) JPH04501325A (ro)
CN (1) CN1031811C (ro)
AT (1) ATE140327T1 (ro)
AU (1) AU628342B2 (ro)
BG (1) BG51463A3 (ro)
BR (1) BR8907355A (ro)
CA (1) CA1323700C (ro)
DE (1) DE68926796T2 (ro)
DK (1) DK262490A (ro)
ES (1) ES2090033T3 (ro)
FI (1) FI101653B (ro)
GR (1) GR3021252T3 (ro)
HU (1) HU208186B (ro)
IL (1) IL89859A0 (ro)
MC (1) MC2101A1 (ro)
RO (1) RO106931B1 (ro)
RU (1) RU2096827C1 (ro)
SG (1) SG46454A1 (ro)
WO (1) WO1989009969A1 (ro)
ZA (1) ZA892558B (ro)

Families Citing this family (315)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5525464A (en) 1987-04-01 1996-06-11 Hyseq, Inc. Method of sequencing by hybridization of oligonucleotide probes
US5202231A (en) 1987-04-01 1993-04-13 Drmanac Radoje T Method of sequencing of genomes by hybridization of oligonucleotide probes
US5224175A (en) * 1987-12-07 1993-06-29 Gdp Technologies, Inc. Method for analyzing a body tissue ultrasound image
US5092343A (en) * 1988-02-17 1992-03-03 Wayne State University Waveform analysis apparatus and method using neural network techniques
US5153923A (en) * 1988-03-25 1992-10-06 Hitachi, Ltd. High order information processing method by means of a neural network and minimum and maximum searching method therefor
US4965725B1 (en) * 1988-04-08 1996-05-07 Neuromedical Systems Inc Neural network based automated cytological specimen classification system and method
US5544650A (en) * 1988-04-08 1996-08-13 Neuromedical Systems, Inc. Automated specimen classification system and method
US5740270A (en) * 1988-04-08 1998-04-14 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
DE68928895T2 (de) * 1988-10-11 1999-05-27 Agency Of Industrial Science And Technology, Tokio/Tokyo Verfahren und Gerät für universelle adaptiv lernende Bildmessung und -erkennung
US5041916A (en) * 1989-02-07 1991-08-20 Matsushita Electric Industrial Co., Ltd. Color image data compression and recovery apparatus based on neural networks
JPH0821065B2 (ja) * 1989-03-13 1996-03-04 シャープ株式会社 文字認識装置
JP2885823B2 (ja) * 1989-04-11 1999-04-26 株式会社豊田中央研究所 視覚認識装置
JP2940933B2 (ja) * 1989-05-20 1999-08-25 株式会社リコー パターン認識方式
US5547839A (en) 1989-06-07 1996-08-20 Affymax Technologies N.V. Sequencing of surface immobilized polymers utilizing microflourescence detection
US5850465A (en) * 1989-06-26 1998-12-15 Fuji Photo Film Co., Ltd. Abnormnal pattern detecting or judging apparatus, circular pattern judging apparatus, and image finding apparatus
US5086479A (en) * 1989-06-30 1992-02-04 Hitachi, Ltd. Information processing system using neural network learning function
US5140523A (en) * 1989-09-05 1992-08-18 Ktaadn, Inc. Neural network for predicting lightning
WO1991006911A1 (en) * 1989-10-23 1991-05-16 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
JPH03196277A (ja) * 1989-12-25 1991-08-27 Takayama:Kk データ処理装置のための特徴データ選択方法
WO1991011783A1 (en) * 1990-01-23 1991-08-08 Massachusetts Institute Of Technology Recognition of patterns in images
US5313532A (en) * 1990-01-23 1994-05-17 Massachusetts Institute Of Technology Recognition of patterns in images
JPH03223976A (ja) * 1990-01-29 1991-10-02 Ezel Inc 画像照合装置
WO1991014235A1 (en) * 1990-03-06 1991-09-19 Massachusetts Institute Of Technology Recognition of patterns in images
DK0479977T3 (da) * 1990-03-30 1998-02-09 Neuromedical Systems Inc Fremgangsmåde og apparat til cytologisk prøveklassifikation
JP2896799B2 (ja) * 1990-04-18 1999-05-31 富士写真フイルム株式会社 放射線画像読取条件及び／又は画像処理条件決定装置
US5862304A (en) * 1990-05-21 1999-01-19 Board Of Regents, The University Of Texas System Method for predicting the future occurrence of clinically occult or non-existent medical conditions
AU8229591A (en) * 1990-06-21 1992-01-07 Applied Electronic Vision, Inc. Cellular analysis utilizing video processing and neural network
US5365460A (en) * 1990-08-27 1994-11-15 Rockwell International Corp. Neural network signal processor
US5655029A (en) * 1990-11-07 1997-08-05 Neuromedical Systems, Inc. Device and method for facilitating inspection of a specimen
WO1992009047A1 (en) * 1990-11-07 1992-05-29 Rutenberg Mark R Inspection apparatus and method with inspection auditing for images presented on a display
US5214744A (en) * 1990-12-14 1993-05-25 Westinghouse Electric Corp. Method and apparatus for automatically identifying targets in sonar images
US5257182B1 (en) * 1991-01-29 1996-05-07 Neuromedical Systems Inc Morphological classification system and method
US6018587A (en) * 1991-02-21 2000-01-25 Applied Spectral Imaging Ltd. Method for remote sensing analysis be decorrelation statistical analysis and hardware therefor
US5331550A (en) * 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US5105468A (en) * 1991-04-03 1992-04-14 At&T Bell Laboratories Time delay neural network for printed and cursive handwritten character recognition
US5260871A (en) * 1991-07-31 1993-11-09 Mayo Foundation For Medical Education And Research Method and apparatus for diagnosis of breast tumors
GB9116562D0 (en) * 1991-08-01 1991-09-18 British Textile Tech Sample evaluation
EP0554447B1 (en) * 1991-08-28 1997-04-09 Becton, Dickinson and Company Gravitational attractor engine for adaptively autoclustering n-dimensional data streams
US5776709A (en) * 1991-08-28 1998-07-07 Becton Dickinson And Company Method for preparation and analysis of leukocytes in whole blood
US5941832A (en) * 1991-09-27 1999-08-24 Tumey; David M. Method and apparatus for detection of cancerous and precancerous conditions in a breast
US7242988B1 (en) 1991-12-23 2007-07-10 Linda Irene Hoffberg Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
US6418424B1 (en) 1991-12-23 2002-07-09 Steven M. Hoffberg Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US10361802B1 (en) 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control system and method
US6400996B1 (en) 1999-02-01 2002-06-04 Steven M. Hoffberg Adaptive pattern recognition based control system and method
US6850252B1 (en) 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
US5903454A (en) 1991-12-23 1999-05-11 Hoffberg; Linda Irene Human-factored interface corporating adaptive pattern recognition based controller apparatus
US8352400B2 (en) 1991-12-23 2013-01-08 Hoffberg Steven M Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
WO1993016442A1 (en) * 1992-02-18 1993-08-19 Neopath, Inc. Method for identifying objects using data processing techniques
EP0628186B1 (en) * 1992-02-18 1998-12-09 Neopath, Inc. Method for identifying normal biomedical specimens
US5283418A (en) * 1992-02-27 1994-02-01 Westinghouse Electric Corp. Automated rotor welding processes using neural networks
JP3165247B2 (ja) * 1992-06-19 2001-05-14 シスメックス株式会社 粒子分析方法及び装置
DE4224621C2 (de) * 1992-07-25 1994-05-05 Boehringer Mannheim Gmbh Verfahren zur Analyse eines Bestandteils einer medizinischen Probe mittels eines automatischen Analysegerätes
US5388164A (en) * 1992-08-19 1995-02-07 Olympus Optical Co., Ltd. Method for judging particle agglutination patterns using neural networks
US5742702A (en) * 1992-10-01 1998-04-21 Sony Corporation Neural network for character recognition and verification
US5319722A (en) * 1992-10-01 1994-06-07 Sony Electronics, Inc. Neural network for character recognition of rotated characters
US6026174A (en) * 1992-10-14 2000-02-15 Accumed International, Inc. System and method for automatically detecting malignant cells and cells having malignancy-associated changes
US5733721A (en) * 1992-11-20 1998-03-31 The Board Of Regents Of The University Of Oklahoma Cell analysis method using quantitative fluorescence image analysis
WO1994014063A1 (en) * 1992-12-14 1994-06-23 University Of Washington Order-based analyses of cell and tissue structure
CN1036118C (zh) * 1992-12-29 1997-10-15 陈立奇 肿瘤图像诊断方法及系统
EP0610916A3 (en) * 1993-02-09 1994-10-12 Cedars Sinai Medical Center Method and device for generating preferred segmented numerical images.
US5426010A (en) * 1993-02-26 1995-06-20 Oxford Computer, Inc. Ultra high resolution printing method
US5619619A (en) * 1993-03-11 1997-04-08 Kabushiki Kaisha Toshiba Information recognition system and control system using same
US5479526A (en) * 1993-03-23 1995-12-26 Martin Marietta Pixel designator for small objects
JP3265044B2 (ja) * 1993-03-23 2002-03-11 株式会社コーナン・メディカル 角膜内皮細胞形態決定方法
EP0693200B1 (de) * 1993-04-10 1997-07-09 Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. Verfahren zur klassifizierung von objekten
US5475768A (en) * 1993-04-29 1995-12-12 Canon Inc. High accuracy optical character recognition using neural networks with centroid dithering
US5587833A (en) * 1993-07-09 1996-12-24 Compucyte Corporation Computerized microscope specimen encoder
EP0644414B1 (en) * 1993-08-19 2001-11-21 Hitachi, Ltd. Classification and examination device of particles in fluid
US5352613A (en) * 1993-10-07 1994-10-04 Tafas Triantafillos P Cytological screening method
US6136540A (en) 1994-10-03 2000-10-24 Ikonisys Inc. Automated fluorescence in situ hybridization detection of genetic abnormalities
CA2132269C (en) * 1993-10-12 2000-02-01 Rainer Hermann Doerrer Interactive automated cytology method and system
US5797130A (en) * 1993-11-16 1998-08-18 Neopath, Inc. Method for testing proficiency in screening images of biological slides
JP3165309B2 (ja) * 1993-12-22 2001-05-14 株式会社日立製作所 粒子画像解析装置
KR970006423B1 (ko) * 1993-12-29 1997-04-28 한국전기통신공사 신경망을 이용한 영상 패턴 분류 인식 장치 및 방법
JPH09509487A (ja) * 1994-02-14 1997-09-22 ニューロメディカル システムズ インコーポレイテッド 細胞試料自動分類装置及び方法
US5493619A (en) * 1994-03-11 1996-02-20 Haley; Paul H. Normalization method for eliminating false detections in side scan sonar images
US5493539A (en) * 1994-03-11 1996-02-20 Westinghouse Electric Corporation Two-stage detection and discrimination system for side scan sonar equipment
US5486999A (en) * 1994-04-20 1996-01-23 Mebane; Andrew H. Apparatus and method for categorizing health care utilization
US5625705A (en) * 1994-06-03 1997-04-29 Neuromedical Systems, Inc. Intensity texture based classification system and method
US6463438B1 (en) * 1994-06-03 2002-10-08 Urocor, Inc. Neural network for cell image analysis for identification of abnormal cells
EP0695941B1 (en) * 1994-06-08 2002-07-31 Affymetrix, Inc. Method and apparatus for packaging a chip
US6287850B1 (en) * 1995-06-07 2001-09-11 Affymetrix, Inc. Bioarray chip reaction apparatus and its manufacture
AU700213B2 (en) * 1994-07-26 1998-12-24 Autocyte North Carolina, L.L.C. Inspection device and method
US5757954A (en) * 1994-09-20 1998-05-26 Neopath, Inc. Field prioritization apparatus and method
US5740269A (en) * 1994-09-20 1998-04-14 Neopath, Inc. Method and apparatus for robust biological specimen classification
WO1996009602A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Biological analysis system self-calibration apparatus
US5627908A (en) * 1994-09-20 1997-05-06 Neopath, Inc. Method for cytological system dynamic normalization
US5692066A (en) * 1994-09-20 1997-11-25 Neopath, Inc. Method and apparatus for image plane modulation pattern recognition
US5715327A (en) * 1994-09-20 1998-02-03 Neopath, Inc. Method and apparatus for detection of unsuitable conditions for automated cytology scoring
US5566249A (en) * 1994-09-20 1996-10-15 Neopath, Inc. Apparatus for detecting bubbles in coverslip adhesive
ES2121708T1 (es) * 1994-09-20 1998-12-16 Neopath Inc Aparato para iluminacion, estabilizacion y homogeneizacion.
US5978497A (en) * 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
WO1996009598A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Cytological slide scoring apparatus
US5638459A (en) * 1994-09-20 1997-06-10 Neopath, Inc. Method and apparatus for detecting a microscope slide coverslip
WO1996009600A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Apparatus for identification and integration of multiple cell patterns
US5647025A (en) * 1994-09-20 1997-07-08 Neopath, Inc. Automatic focusing of biomedical specimens apparatus
AU3371395A (en) * 1994-09-20 1996-04-19 Neopath, Inc. Biological specimen analysis system processing integrity checking apparatus
AU3629295A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for automated identification of thick cell groupings on a biological specimen
AU3586195A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for automated identification of cell groupings on a biological specimen
US5453676A (en) * 1994-09-30 1995-09-26 Itt Automotive Electrical Systems, Inc. Trainable drive system for a windshield wiper
AU3675495A (en) * 1994-09-30 1996-04-26 Neopath, Inc. Method and apparatus for highly efficient computer aided screening
WO1996012187A1 (en) 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5524631A (en) * 1994-10-13 1996-06-11 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Passive fetal heart rate monitoring apparatus and method with enhanced fetal heart beat discrimination
JP3537194B2 (ja) * 1994-10-17 2004-06-14 オリンパス株式会社 光学顕微鏡
US5795716A (en) * 1994-10-21 1998-08-18 Chee; Mark S. Computer-aided visualization and analysis system for sequence evaluation
US6600996B2 (en) 1994-10-21 2003-07-29 Affymetrix, Inc. Computer-aided techniques for analyzing biological sequences
JP3189608B2 (ja) * 1995-02-01 2001-07-16 株式会社日立製作所 フロー式粒子画像解析方法
US5708591A (en) * 1995-02-14 1998-01-13 Akzo Nobel N.V. Method and apparatus for predicting the presence of congenital and acquired imbalances and therapeutic conditions
US5884296A (en) * 1995-03-13 1999-03-16 Minolta Co., Ltd. Network and image area attribute discriminating device and method for use with said neural network
FR2733596B1 (fr) * 1995-04-28 1997-07-18 Hycel Groupe Lisabio Procede et dispositif d'identification de particules
US5619428A (en) * 1995-05-31 1997-04-08 Neopath, Inc. Method and apparatus for integrating an automated system to a laboratory
US5671288A (en) * 1995-05-31 1997-09-23 Neopath, Inc. Method and apparatus for assessing slide and specimen preparation quality
US5625706A (en) * 1995-05-31 1997-04-29 Neopath, Inc. Method and apparatus for continously monitoring and forecasting slide and specimen preparation for a biological specimen population
US6898532B1 (en) 1995-06-07 2005-05-24 Biomerieux, Inc. Method and apparatus for predicting the presence of haemostatic dysfunction in a patient sample
US6720149B1 (en) * 1995-06-07 2004-04-13 Affymetrix, Inc. Methods for concurrently processing multiple biological chip assays
US6242876B1 (en) 1995-06-07 2001-06-05 Valeo Electrical Systems, Inc. Intermittent windshield wiper controller
US5787208A (en) * 1995-06-07 1998-07-28 Neopath, Inc. Image enhancement method and apparatus
US6429017B1 (en) 1999-02-04 2002-08-06 Biomerieux Method for predicting the presence of haemostatic dysfunction in a patient sample
US6321164B1 (en) 1995-06-07 2001-11-20 Akzo Nobel N.V. Method and apparatus for predicting the presence of an abnormal level of one or more proteins in the clotting cascade
US6252979B1 (en) * 1995-06-07 2001-06-26 Tripath Imaging, Inc. Interactive method and apparatus for sorting biological specimens
US5889880A (en) * 1995-06-07 1999-03-30 Autocyte, Inc. Interactive automated cytology method incorporating both manual and automatic determinations
US5621519A (en) * 1995-07-31 1997-04-15 Neopath, Inc. Imaging system transfer function control method and apparatus
US5745601A (en) * 1995-07-31 1998-04-28 Neopath, Inc. Robustness of classification measurement apparatus and method
US5642433A (en) * 1995-07-31 1997-06-24 Neopath, Inc. Method and apparatus for image contrast quality evaluation
US6091842A (en) * 1996-10-25 2000-07-18 Accumed International, Inc. Cytological specimen analysis system with slide mapping and generation of viewing path information
CA2185511C (en) * 1995-09-15 2008-08-05 Vladimir Dadeshidze Cytological specimen analysis system with individualized patient data
US6118581A (en) * 1995-09-15 2000-09-12 Accumed International, Inc. Multifunctional control unit for a microscope
US5930732A (en) * 1995-09-15 1999-07-27 Accumed International, Inc. System for simplifying the implementation of specified functions
US6430309B1 (en) 1995-09-15 2002-08-06 Monogen, Inc. Specimen preview and inspection system
US5690892A (en) * 1995-09-15 1997-11-25 Accumed, Inc. Cassette for use with automated specimen handling system
US6148096A (en) * 1995-09-15 2000-11-14 Accumed International, Inc. Specimen preview and inspection system
US5963368A (en) * 1995-09-15 1999-10-05 Accumed International, Inc. Specimen management system
WO1997011350A2 (en) * 1995-09-19 1997-03-27 Morphometrix Technologies Inc. A neural network assisted multi-spectral segmentation system
US5732150A (en) * 1995-09-19 1998-03-24 Ihc Health Services, Inc. Method and system for multiple wavelength microscopy image analysis
JPH0991430A (ja) * 1995-09-27 1997-04-04 Hitachi Ltd パターン認識装置
US20040175718A1 (en) * 1995-10-16 2004-09-09 Affymetrix, Inc. Computer-aided visualization and analysis system for sequence evaluation
IL115985A0 (en) 1995-11-14 1996-01-31 Elop Electrooptics Ind Ltd System and method for computerized archiving
JP2000501184A (ja) * 1995-11-30 2000-02-02 クロマビジョン メディカル システムズ，インコーポレイテッド 生体標本の自動画像分析の方法および装置
US6718053B1 (en) * 1996-11-27 2004-04-06 Chromavision Medical Systems, Inc. Method and apparatus for automated image analysis of biological specimens
US6151405A (en) * 1996-11-27 2000-11-21 Chromavision Medical Systems, Inc. System and method for cellular specimen grading
US5699794A (en) * 1995-12-19 1997-12-23 Neopath, Inc. Apparatus for automated urine sediment sample handling
US5835620A (en) * 1995-12-19 1998-11-10 Neuromedical Systems, Inc. Boundary mapping system and method
WO1997023835A1 (en) * 1995-12-21 1997-07-03 Erudite Technology Iii, Inc. A method for the detection, identification and alteration of molecular structure in various media
US5850464A (en) * 1996-01-16 1998-12-15 Erim International, Inc. Method of extracting axon fibers and clusters
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US6361937B1 (en) * 1996-03-19 2002-03-26 Affymetrix, Incorporated Computer-aided nucleic acid sequencing
US5724253A (en) * 1996-03-26 1998-03-03 International Business Machines Corporation System and method for searching data vectors such as genomes for specified template vector
DE19616997A1 (de) * 1996-04-27 1997-10-30 Boehringer Mannheim Gmbh Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben
US5796861A (en) * 1996-07-12 1998-08-18 Frim International, Inc. Mosaic construction, processing, and review of very large electronic micrograph composites
US5810747A (en) * 1996-08-21 1998-09-22 Interactive Remote Site Technology, Inc. Remote site medical intervention system
US6272235B1 (en) * 1997-03-03 2001-08-07 Bacus Research Laboratories, Inc. Method and apparatus for creating a virtual microscope slide
US6396941B1 (en) * 1996-08-23 2002-05-28 Bacus Research Laboratories, Inc. Method and apparatus for internet, intranet, and local viewing of virtual microscope slides
US6404906B2 (en) * 1997-03-03 2002-06-11 Bacus Research Laboratories,Inc. Method and apparatus for acquiring and reconstructing magnified specimen images from a computer-controlled microscope
US6031930A (en) * 1996-08-23 2000-02-29 Bacus Research Laboratories, Inc. Method and apparatus for testing a progression of neoplasia including cancer chemoprevention testing
US6122396A (en) * 1996-12-16 2000-09-19 Bio-Tech Imaging, Inc. Method of and apparatus for automating detection of microorganisms
WO1998029833A1 (en) * 1996-12-25 1998-07-09 Hitachi, Ltd. Pattern recognition apparatus and pattern recognition method
JP3702978B2 (ja) * 1996-12-26 2005-10-05 ソニー株式会社 認識装置および認識方法、並びに学習装置および学習方法
US5937103A (en) * 1997-01-25 1999-08-10 Neopath, Inc. Method and apparatus for alias free measurement of optical transfer function
US6753161B2 (en) * 1997-03-27 2004-06-22 Oncosis Llc Optoinjection methods
GB9714347D0 (en) * 1997-07-09 1997-09-10 Oxoid Ltd Image analysis systems and devices for use therewith
US5959726A (en) * 1997-07-25 1999-09-28 Neopath, Inc. Modulation transfer function test compensation for test pattern duty cycle
AU9027398A (en) * 1997-08-22 1999-03-16 Lxr Biotechnology Inc. Focusing and autofocusing in scanning laser imaging
US6198839B1 (en) * 1997-09-05 2001-03-06 Tripath Imaging, Inc. Dynamic control and decision making method and apparatus
US6502040B2 (en) 1997-12-31 2002-12-31 Biomerieux, Inc. Method for presenting thrombosis and hemostasis assay data
US6181811B1 (en) 1998-01-13 2001-01-30 Neopath, Inc. Method and apparatus for optimizing biological and cytological specimen screening and diagnosis
US6166142A (en) * 1998-01-27 2000-12-26 E. I. Du Pont De Nemours And Company Adhesive compositions based on blends of grafted metallocene catalyzed and polar ethylene copolymers
EP1078257A4 (en) * 1998-05-09 2007-07-18 Iconisys Inc METHOD AND APPARATUS FOR COMPUTER-ASSISTED DIAGNOSIS OF RARE CELLS, INCLUDING FETAL CELLS
US7901887B2 (en) * 1998-05-09 2011-03-08 Ikonisys, Inc. Automated cancer diagnostic methods using fish
US20080241848A1 (en) * 1998-05-09 2008-10-02 Ikonisys, Inc. Methods for prenatal diagnosis of aneuploidy
US20090111101A1 (en) * 1998-05-09 2009-04-30 Ikonisys, Inc. Automated Cancer Diagnostic Methods Using FISH
EP1157091B1 (en) * 1998-09-02 2004-03-03 Accip Biothech A/S Apparatus for isolation of particles, preferably cell clusters
US6091843A (en) * 1998-09-03 2000-07-18 Greenvision Systems Ltd. Method of calibration and real-time analysis of particulates
US6572824B1 (en) * 1998-09-18 2003-06-03 Cytyc Corporation Method and apparatus for preparing cytological specimens
US6357285B1 (en) 1998-11-09 2002-03-19 Veeco Instruments Inc. Method and apparatus for the quantitative and objective correlation of data from a local sensitive force detector
FR2785713B1 (fr) * 1998-11-10 2000-12-08 Commissariat Energie Atomique Systeme de commande d'unites de levage et de telemanipulation placees en enceinte confinee
US7612020B2 (en) 1998-12-28 2009-11-03 Illumina, Inc. Composite arrays utilizing microspheres with a hybridization chamber
US7966078B2 (en) 1999-02-01 2011-06-21 Steven Hoffberg Network media appliance system and method
DE60015726T2 (de) * 1999-02-04 2005-12-22 Biomerieux, Inc. Verfahren und vorrichtung zum vorhersagen von haemostatischer funktionsstörung in patientenproben
US6297044B1 (en) * 1999-02-23 2001-10-02 Oralscan Laboratories, Inc. Minimally invasive apparatus for testing lesions of the oral cavity and similar epithelium
CA2366524A1 (en) * 1999-04-13 2000-10-19 Chromavision Medical Systems, Inc. Histological reconstruction and automated image analysis
US6876760B1 (en) 2000-12-04 2005-04-05 Cytokinetics, Inc. Classifying cells based on information contained in cell images
US7151847B2 (en) * 2001-02-20 2006-12-19 Cytokinetics, Inc. Image analysis of the golgi complex
US6743576B1 (en) 1999-05-14 2004-06-01 Cytokinetics, Inc. Database system for predictive cellular bioinformatics
US6651008B1 (en) 1999-05-14 2003-11-18 Cytokinetics, Inc. Database system including computer code for predictive cellular bioinformatics
DE19937778B4 (de) * 1999-08-10 2011-11-24 Cellasys Gmbh Verfahren und Vorrichtung zur Charakterisierung des funktionalen Zustandes von Zellen und Alterationen von Zellen
US6661501B1 (en) 1999-10-29 2003-12-09 Cytyc Corporation Cytological stain composition including verification characteristic
US6348325B1 (en) 1999-10-29 2002-02-19 Cytyc Corporation Cytological stain composition
US6665060B1 (en) 1999-10-29 2003-12-16 Cytyc Corporation Cytological imaging system and method
US6593102B2 (en) 1999-10-29 2003-07-15 Cytyc Corporation Cytological stain composition
US7369304B2 (en) * 1999-10-29 2008-05-06 Cytyc Corporation Cytological autofocusing imaging systems and methods
US7382909B1 (en) 1999-11-04 2008-06-03 Mpb Meltec Patent-Und Beteiligungsgesellschaft Mbh Method for the automatic analysis of microscope images
EP1234026B1 (en) 1999-11-30 2011-08-17 Cyntellect, Inc. Method and apparatus for selectively targeting specific cells within a cell population
US6535626B1 (en) 2000-01-14 2003-03-18 Accumed International, Inc. Inspection system with specimen preview
US7016551B1 (en) * 2000-04-10 2006-03-21 Fuji Xerox Co., Ltd. Image reader
US7236623B2 (en) * 2000-04-24 2007-06-26 International Remote Imaging Systems, Inc. Analyte recognition for urinalysis diagnostic system
PT1301894E (pt) * 2000-04-24 2009-08-21 Iris Int Inc Aparelho e método de imagiologia por redes neuronais múltiplas
US7179612B2 (en) 2000-06-09 2007-02-20 Biomerieux, Inc. Method for detecting a lipoprotein-acute phase protein complex and predicting an increased risk of system failure or mortality
WO2002000940A2 (en) * 2000-06-23 2002-01-03 Cytokinetics, Inc Image analysis for phenotyping sets of mutant cells
IL138123A0 (en) * 2000-08-28 2001-10-31 Accuramed 1999 Ltd Medical decision support system and method
WO2002037938A2 (en) 2000-10-24 2002-05-16 Oncosis Llc Method and device for selectively targeting cells within a three -dimensional specimen
US7027628B1 (en) 2000-11-14 2006-04-11 The United States Of America As Represented By The Department Of Health And Human Services Automated microscopic image acquisition, compositing, and display
AU2002241602A1 (en) * 2000-11-16 2002-06-11 Burstein Technologies, Inc. Methods and apparatus for detecting and quantifying lymphocytes with optical biodiscs
US7099510B2 (en) * 2000-11-29 2006-08-29 Hewlett-Packard Development Company, L.P. Method and system for object detection in digital images
US7218764B2 (en) * 2000-12-04 2007-05-15 Cytokinetics, Inc. Ploidy classification method
US20040262318A1 (en) * 2000-12-08 2004-12-30 Ardais Corporation Container, method and system for cryptopreserved material
US6599694B2 (en) 2000-12-18 2003-07-29 Cytokinetics, Inc. Method of characterizing potential therapeutics by determining cell-cell interactions
US6466690C1 (en) * 2000-12-19 2008-11-18 Bacus Res Lab Inc Method and apparatus for processing an image of a tissue sample microarray
US7155049B2 (en) * 2001-01-11 2006-12-26 Trestle Acquisition Corp. System for creating microscopic digital montage images
US6993169B2 (en) * 2001-01-11 2006-01-31 Trestle Corporation System and method for finding regions of interest for microscopic digital montage imaging
US6798571B2 (en) 2001-01-11 2004-09-28 Interscope Technologies, Inc. System for microscopic digital montage imaging using a pulse light illumination system
US6816606B2 (en) 2001-02-21 2004-11-09 Interscope Technologies, Inc. Method for maintaining high-quality focus during high-throughput, microscopic digital montage imaging
RU2217792C2 (ru) * 2001-01-25 2003-11-27 Открытое акционерное общество "Московская телекоммуникационная корпорация" Способ идентификации динамических структур с изменяемыми параметрами
US6956961B2 (en) * 2001-02-20 2005-10-18 Cytokinetics, Inc. Extracting shape information contained in cell images
US7016787B2 (en) 2001-02-20 2006-03-21 Cytokinetics, Inc. Characterizing biological stimuli by response curves
US20020164070A1 (en) * 2001-03-14 2002-11-07 Kuhner Mark B. Automatic algorithm generation
AU2002306790B2 (en) * 2001-03-19 2007-05-24 Ikonisys, Inc. Epifluorescence microscope with improved image contrast
US20020186875A1 (en) * 2001-04-09 2002-12-12 Burmer Glenna C. Computer methods for image pattern recognition in organic material
JP2004535569A (ja) * 2001-04-09 2004-11-25 ライフスパン バイオサイエンシズ インコーポレイテッド 有機体物質の画像パターン認識のためのコンピュータ手法
WO2003021222A2 (en) * 2001-08-31 2003-03-13 Burstein Technologies, Inc. Capture layer assemblies for cellular assays including related optical analysis discs and methods
CN1659439A (zh) * 2001-09-07 2005-08-24 伯斯坦技术公司 利用光学生物盘系统基于细胞核形态学的白血细胞类型的识别和定量
US20040071328A1 (en) * 2001-09-07 2004-04-15 Vaisberg Eugeni A. Classifying cells based on information contained in cell images
US6767733B1 (en) 2001-10-10 2004-07-27 Pritest, Inc. Portable biosensor apparatus with controlled flow
US8722357B2 (en) * 2001-11-05 2014-05-13 Life Technologies Corporation Automated microdissection instrument
US10156501B2 (en) 2001-11-05 2018-12-18 Life Technologies Corporation Automated microdissection instrument for determining a location of a laser beam projection on a worksurface area
US8715955B2 (en) 2004-09-09 2014-05-06 Life Technologies Corporation Laser microdissection apparatus and method
US8676509B2 (en) 2001-11-13 2014-03-18 Dako Denmark A/S System for tracking biological samples
WO2003044481A2 (en) * 2001-11-20 2003-05-30 Burstein Technologies, Inc. Optical bio-discs and microfluidic devices for analysis of cells
US20040010481A1 (en) * 2001-12-07 2004-01-15 Whitehead Institute For Biomedical Research Time-dependent outcome prediction using neural networks
US20040020993A1 (en) * 2001-12-28 2004-02-05 Green Larry R. Method for luminescent identification and calibration
KR20040105717A (ko) * 2002-02-14 2004-12-16 이뮤니베스트 코포레이션 저비용 세포 분석기에서의 세포 계산 방법 및 알고리즘
US7764821B2 (en) * 2002-02-14 2010-07-27 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
AU2003217694A1 (en) * 2002-02-22 2003-09-09 Bacus Research Laboratories, Inc. Focusable virtual microscopy apparatus and method
US20040060987A1 (en) * 2002-05-07 2004-04-01 Green Larry R. Digital image analysis method for enhanced and optimized signals in fluorophore detection
EP1504247A1 (en) * 2002-05-14 2005-02-09 Amersham Biosciences Niagara Inc. System and methods for rapid and automated screening of cells
US20040126837A1 (en) * 2002-05-23 2004-07-01 Matthew Baker Pseudo-tissues and uses thereof
US20050037406A1 (en) * 2002-06-12 2005-02-17 De La Torre-Bueno Jose Methods and apparatus for analysis of a biological specimen
US7272252B2 (en) * 2002-06-12 2007-09-18 Clarient, Inc. Automated system for combining bright field and fluorescent microscopy
WO2004025569A2 (en) * 2002-09-13 2004-03-25 Arcturus Bioscience, Inc. Tissue image analysis for cell classification and laser capture microdissection
US7200252B2 (en) * 2002-10-28 2007-04-03 Ventana Medical Systems, Inc. Color space transformations for use in identifying objects of interest in biological specimens
US8712118B2 (en) * 2003-04-10 2014-04-29 Carl Zeiss Microimaging Gmbh Automated measurement of concentration and/or amount in a biological sample
US20040202357A1 (en) * 2003-04-11 2004-10-14 Perz Cynthia B. Silhouette image acquisition
US7324694B2 (en) * 2003-05-23 2008-01-29 International Remote Imaging Systems, Inc. Fluid sample analysis using class weights
US20040241659A1 (en) * 2003-05-30 2004-12-02 Applera Corporation Apparatus and method for hybridization and SPR detection
CN100588941C (zh) * 2003-06-12 2010-02-10 西泰克公司 使用散点图分布对载玻片进行分类的系统
US20050014217A1 (en) * 2003-07-18 2005-01-20 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
WO2005010677A2 (en) * 2003-07-18 2005-02-03 Cytokinetics, Inc. Characterizing biological stimuli by response curves
US7235353B2 (en) * 2003-07-18 2007-06-26 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
CN1296699C (zh) * 2003-12-19 2007-01-24 武汉大学 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法
US7425426B2 (en) * 2004-03-15 2008-09-16 Cyntellect, Inc. Methods for purification of cells based on product secretion
US20050273271A1 (en) * 2004-04-05 2005-12-08 Aibing Rao Method of characterizing cell shape
US7653260B2 (en) 2004-06-17 2010-01-26 Carl Zeis MicroImaging GmbH System and method of registering field of view
US8582924B2 (en) 2004-06-30 2013-11-12 Carl Zeiss Microimaging Gmbh Data structure of an image storage and retrieval system
US7316904B1 (en) 2004-06-30 2008-01-08 Chromodynamics, Inc. Automated pap screening using optical detection of HPV with or without multispectral imaging
US7323318B2 (en) * 2004-07-15 2008-01-29 Cytokinetics, Inc. Assay for distinguishing live and dead cells
US20070031818A1 (en) * 2004-07-15 2007-02-08 Cytokinetics, Inc., A Delaware Corporation Assay for distinguishing live and dead cells
US8189899B2 (en) * 2004-07-30 2012-05-29 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
US7792338B2 (en) * 2004-08-16 2010-09-07 Olympus America Inc. Method and apparatus of mechanical stage positioning in virtual microscopy image capture
US7328198B1 (en) * 2004-12-31 2008-02-05 Cognitech, Inc. Video demultiplexing based on meaningful modes extraction
GB0503629D0 (en) * 2005-02-22 2005-03-30 Durand Technology Ltd Method and apparatus for automated analysis of biological specimen
CN100351057C (zh) * 2005-03-14 2007-11-28 南开大学 基于显微图像处理的微操作工具深度信息提取方法及装置
JP4214124B2 (ja) * 2005-03-14 2009-01-28 株式会社バイオエコーネット 耳式体温計
US20060246576A1 (en) * 2005-04-06 2006-11-02 Affymetrix, Inc. Fluidic system and method for processing biological microarrays in personal instrumentation
US20070031043A1 (en) * 2005-08-02 2007-02-08 Perz Cynthia B System for and method of intelligently directed segmentation analysis for automated microscope systems
US20070091109A1 (en) * 2005-09-13 2007-04-26 Roscoe Atkinson Image quality
JP4915071B2 (ja) * 2005-09-22 2012-04-11 株式会社ニコン 顕微鏡、およびバーチャルスライド作成システム
US7783092B2 (en) * 2006-01-17 2010-08-24 Illinois Institute Of Technology Method for enhancing diagnostic images using vessel reconstruction
US20080003667A1 (en) * 2006-05-19 2008-01-03 Affymetrix, Inc. Consumable elements for use with fluid processing and detection systems
EP2052355A2 (en) * 2006-08-11 2009-04-29 Koninklijke Philips Electronics N.V. Methods and apparatus to integrate systematic data scaling into genetic algorithm-based feature subset selection
US8795197B2 (en) 2007-07-17 2014-08-05 Histologics, LLC Frictional trans-epithelial tissue disruption collection apparatus and method of inducing an immune response
KR20100105829A (ko) 2007-07-17 2010-09-30 히스톨로직스 엘엘씨 마찰성 경-상피 조직의 분리 및 수집 장치 및 면역 반응을 유도 및/또는 증강시키는 방법
WO2009106081A1 (en) 2008-02-29 2009-09-03 Dako Denmark A/S Systems and methods for tracking and providing workflow information
US8135202B2 (en) * 2008-06-02 2012-03-13 Nec Laboratories America, Inc. Automated method and system for nuclear analysis of biopsy images
CN102341505A (zh) * 2009-01-09 2012-02-01 英特拉克森公司 细胞的遗传学分析
US8788213B2 (en) 2009-01-12 2014-07-22 Intrexon Corporation Laser mediated sectioning and transfer of cell colonies
JP5739351B2 (ja) 2009-03-11 2015-06-24 サクラ ファインテック ユー．エス．エー．， インコーポレイテッド 自動合焦方法および自動合焦装置
US9607202B2 (en) 2009-12-17 2017-03-28 University of Pittsburgh—of the Commonwealth System of Higher Education Methods of generating trophectoderm and neurectoderm from human embryonic stem cells
US9044213B1 (en) 2010-03-26 2015-06-02 Histologics, LLC Frictional tissue sampling and collection method and device
EP2585578A4 (en) 2010-05-08 2014-01-08 Univ Twente EASY AND AFFORDABLE METHOD FOR IMMUNOPHENOTYPIZING ON SAMPLE PREPARATION WITH A MICROFLUIDIC CHIP WITH IMAGE CYTOMETRY
US10139613B2 (en) 2010-08-20 2018-11-27 Sakura Finetek U.S.A., Inc. Digital microscope and method of sensing an image of a tissue sample
US8388891B2 (en) * 2010-12-28 2013-03-05 Sakura Finetek U.S.A., Inc. Automated system and method of processing biological specimens
CN103930762B (zh) 2011-06-17 2018-03-20 罗氏血液诊断股份有限公司 用于样本显示与查看的系统和方法
US9459196B2 (en) 2011-07-22 2016-10-04 Roche Diagnostics Hematology, Inc. Blood analyzer calibration and assessment
WO2013037119A1 (zh) * 2011-09-16 2013-03-21 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
CN102359938B (zh) * 2011-09-16 2012-09-05 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
WO2013104937A2 (en) * 2012-01-11 2013-07-18 77 Elektronika Mũszeripari Kft. Image processing method and apparatus
WO2013106842A2 (en) * 2012-01-13 2013-07-18 The Charles Stark Draper Laboratory, Inc. Stem cell bioinformatics
US10201332B1 (en) 2012-12-03 2019-02-12 Healoe Llc Device and method of orienting a biopsy device on epithelial tissue
EP2936116B8 (en) 2012-12-19 2020-04-01 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
SG10201707599WA (en) * 2013-03-15 2017-10-30 Richard Harry Turner A System And Methods For The In Vitro Detection Of Particles And Soluble Chemical Entities In Body Fluids
DE102013103971A1 (de) 2013-04-19 2014-11-06 Sensovation Ag Verfahren zum Erzeugen eines aus mehreren Teilbildern zusammengesetzten Gesamtbilds eines Objekts
US10007102B2 (en) 2013-12-23 2018-06-26 Sakura Finetek U.S.A., Inc. Microscope with slide clamping assembly
DE102014202860B4 (de) * 2014-02-17 2016-12-29 Leica Microsystems Cms Gmbh Bereitstellen von Probeninformationen mit einem Lasermikrodissektionssystem
US10078778B2 (en) 2015-01-15 2018-09-18 Massachusetts Institute Of Technology Systems, methods, and apparatus for in vitro single-cell identification and recovery
US10304188B1 (en) 2015-03-27 2019-05-28 Caleb J. Kumar Apparatus and method for automated cell analysis
US10007863B1 (en) 2015-06-05 2018-06-26 Gracenote, Inc. Logo recognition in images and videos
CN105259095A (zh) * 2015-10-14 2016-01-20 南昌西尔戴尔医疗科技有限公司 宫颈癌细胞病理学排阴法智能筛查系统
US11013466B2 (en) 2016-01-28 2021-05-25 Healoe, Llc Device and method to control and manipulate a catheter
CN105717116A (zh) * 2016-02-23 2016-06-29 中国农业大学 动物源性肉骨粉的种属鉴别方法和系统
US10853695B2 (en) 2016-06-30 2020-12-01 Konica Minolta Laboratory U.S.A., Inc. Method and system for cell annotation with adaptive incremental learning
US11280803B2 (en) 2016-11-22 2022-03-22 Sakura Finetek U.S.A., Inc. Slide management system
EP3552148A4 (en) 2016-12-06 2020-07-08 Abbott Laboratories AUTOMATED SLIDE ASSESSMENT AND TRACKING IN DIGITAL MICROSCOPY
US20190385707A1 (en) * 2017-03-03 2019-12-19 Fenologica Biosciences, Inc. Phenotype measurement systems and methods
CN107909017A (zh) * 2017-11-06 2018-04-13 余帝乾 一种复杂背景下车牌识别的方法、装置以及系统
US10402623B2 (en) 2017-11-30 2019-09-03 Metal Industries Research & Development Centre Large scale cell image analysis method and system
TWI699816B (zh) * 2017-12-26 2020-07-21 雲象科技股份有限公司 自動化顯微鏡系統之控制方法、顯微鏡系統及電腦可讀取記錄媒體
US20210241068A1 (en) * 2018-04-30 2021-08-05 Hewlett Packard Enterprise Development Lp Convolutional neural network
KR102041402B1 (ko) * 2018-08-09 2019-11-07 주식회사 버즈폴 자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법
CN119334855A (zh) * 2018-08-30 2025-01-21 贝克顿·迪金森公司 颗粒分析仪的表征和分选
SE544735C2 (en) * 2018-11-09 2022-11-01 Mm18 Medical Ab Method for identification of different categories of biopsy sample images
CN111767929A (zh) * 2019-03-14 2020-10-13 上海市第一人民医院 黄斑下新生血管模型的构建方法及系统
DE102019109962A1 (de) * 2019-04-15 2020-10-15 Thomas Deuster Verfahren und Vorrichtung zum Scannen von Objektträgern
KR102132375B1 (ko) 2019-07-05 2020-07-09 한국과학기술원 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
CN110633651B (zh) * 2019-08-26 2022-05-13 武汉大学 一种基于图像拼接的异常细胞自动识别方法
CN111209879B (zh) * 2020-01-12 2023-09-19 杭州电子科技大学 基于深度圈视图的无监督3d物体识别与检索方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB203586A (en) * 1922-11-20 1923-09-13 Gerhard Kerff Improvements in and relating to the manufacture of corrugated headers for water tube boilers
US3333248A (en) * 1963-12-20 1967-07-25 Ibm Self-adaptive systems
US4000417A (en) * 1975-08-25 1976-12-28 Honeywell Inc. Scanning microscope system with automatic cell find and autofocus
US4048616A (en) * 1975-12-03 1977-09-13 Geometric Data Corporation Pattern recognition system with keyboard entry for adaptive sensitivity
DE2903625A1 (de) * 1978-02-03 1979-08-09 Rush Presbyterian St Luke Vorrichtung zur automatischen blutanalyse
JPS5661650A (en) * 1979-10-24 1981-05-27 Omron Tateisi Electronics Co Analyzing device of cell
US4612614A (en) * 1980-09-12 1986-09-16 International Remote Imaging Systems, Inc. Method of analyzing particles in a fluid sample
US4501495A (en) * 1981-06-17 1985-02-26 Smithkline Beckman Corporation Slide carrier
US4513438A (en) * 1982-04-15 1985-04-23 Coulter Electronics, Inc. Automated microscopy system and method for locating and re-locating objects in an image
US4591980A (en) * 1984-02-16 1986-05-27 Xerox Corporation Adaptive self-repairing processor array
US4700298A (en) * 1984-09-14 1987-10-13 Branko Palcic Dynamic microscope image processing scanner
GB8514591D0 (en) * 1985-06-10 1985-07-10 Shandon Southern Prod Centrifugation
US4807979A (en) * 1986-01-24 1989-02-28 Geno Saccomanno Microscope slide marking device
US4833625A (en) * 1986-07-09 1989-05-23 University Of Arizona Image viewing station for picture archiving and communications systems (PACS)
US4821118A (en) * 1986-10-09 1989-04-11 Advanced Identification Systems, Inc. Video image system for personal identification
US4805225A (en) * 1986-11-06 1989-02-14 The Research Foundation Of The State University Of New York Pattern recognition method and apparatus
US4965725B1 (en) * 1988-04-08 1996-05-07 Neuromedical Systems Inc Neural network based automated cytological specimen classification system and method

Also Published As

Publication number Publication date
HU892848D0 (en) 1990-12-28
MC2101A1 (fr) 1991-02-15
FI904922A0 (fi) 1990-10-05
EP0336608A2 (en) 1989-10-11
RU2096827C1 (ru) 1997-11-20
GR3021252T3 (en) 1997-01-31
FI101653B1 (fi) 1998-07-31
AU628342B2 (en) 1992-09-17
EP0336608B1 (en) 1996-07-10
HUT59239A (en) 1992-04-28
US4965725A (en) 1990-10-23
HU208186B (en) 1993-08-30
AU3541589A (en) 1989-11-03
DK262490D0 (da) 1990-11-01
CA1323700C (en) 1993-10-26
CN1031811C (zh) 1996-05-15
EP0336608A3 (en) 1990-08-29
WO1989009969A1 (en) 1989-10-19
US5287272B1 (en) 1996-08-27
ES2090033T3 (es) 1996-10-16
FI101653B (fi) 1998-07-31
CN1037035A (zh) 1989-11-08
BG51463A3 (en) 1993-05-14
DE68926796D1 (de) 1996-08-14
DK262490A (da) 1990-11-01
ZA892558B (en) 1989-12-27
JPH04501325A (ja) 1992-03-05
IL89859A0 (en) 1989-12-15
US4965725B1 (en) 1996-05-07
HK1003583A1 (en) 1998-10-30
SG46454A1 (en) 1998-02-20
DE68926796T2 (de) 1996-11-07
ATE140327T1 (de) 1996-07-15
US5287272A (en) 1994-02-15
BR8907355A (pt) 1991-03-19

Similar Documents

Publication Publication Date Title
RO106931B1 (ro) SISTEM ©I METODã AUTOMATE, PE BAZã DE RE¦EA NEURONICã, PENTRU CLASIFICAREA SPECIMENELOR CITOLOGICE
US6947586B2 (en) Multi-neural net imaging apparatus and method
US7236623B2 (en) Analyte recognition for urinalysis diagnostic system
CN108764072B (zh) 一种基于多尺度融合的血细胞亚型图像分类方法
Manik et al. Counting and classification of white blood cell using artificial neural network (ANN)
Shirazi et al. Efficient leukocyte segmentation and recognition in peripheral blood image
WO1995034050A1 (en) Neural network for cell image analysis for identification of abnormal cells
Rawat et al. Review of leukocyte classification techniques for microscopic blood images
Beksaç et al. An artificial intelligent diagnostic system on differential recognition of hematopoietic cells from microscopic images
US6549661B1 (en) Pattern recognition apparatus and pattern recognition method
Jambhekar Red blood cells classification using image processing
Ridoy et al. An automated approach to white blood cell classification using a lightweight convolutional neural network
Nanda Imron et al. A classification of platelets in peripheral blood smear image as an early detection of myeloproliferative syndrome using gray level co-occurence matrix
Khosrosereshki et al. A fuzzy based classifier for diagnosis of acute lymphoblastic leukemia using blood smear image processing
Rajeswari et al. Detection and classification of various types of leukemia using image processing, transfer learning and ensemble averaging techniques
Diouf et al. Convolutional neural network and decision support in medical imaging: case study of the recognition of blood cell subtypes
Gumble et al. Analysis & classification of acute lymphoblastic leukemia using KNN algorithm
Muhammad et al. Classification of Red Blood Cell Abnormality in Thin Blood Smear Images using Convolutional Neural Networks
EP1301894B1 (en) Multi-neural net imaging apparatus and method
CA2377602C (en) Multi-neural net imaging apparatus and method
Iqbal et al. Towards efficient segmentation and classification of white blood cell cancer using deep learning
Semerjian et al. White blood cells classification using built-in customizable trained convolutional neural network
Anilkumar et al. Efficacy of cielab and cmyk color spaces in leukemia image analysis: a comparison by statistical techniques
Mircic et al. Application of neural network for automatic classification of leukocytes
HK1003583B (en) Neural network based automated cytological specimen classification system and method