RU2096827C1 - Автоматизированная система и способ классификации цитологических образцов, основанный на нейронных сетях - Google Patents
Автоматизированная система и способ классификации цитологических образцов, основанный на нейронных сетях Download PDFInfo
- Publication number
- RU2096827C1 RU2096827C1 SU894831388A SU4831388A RU2096827C1 RU 2096827 C1 RU2096827 C1 RU 2096827C1 SU 894831388 A SU894831388 A SU 894831388A SU 4831388 A SU4831388 A SU 4831388A RU 2096827 C1 RU2096827 C1 RU 2096827C1
- Authority
- RU
- Russia
- Prior art keywords
- classifier
- classification
- cells
- output
- input
- Prior art date
Links
- 230000002380 cytological effect Effects 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims description 51
- 238000000034 method Methods 0.000 title claims description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 40
- 230000003211 malignant effect Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 33
- 239000010410 layer Substances 0.000 description 27
- 238000009595 pap smear Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 239000011521 glass Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000012925 reference material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 210000003855 cell nucleus Anatomy 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 210000003097 mucus Anatomy 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 239000012237 artificial material Substances 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005168 endometrial cell Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- Combined Means For Separation Of Solids (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Изобретение относится к области классификации клеток, в частности, к использованию нейронных сетей и/или нейрокомпьютеров для повышения скорости и точности классификации клеток. В способе классификации цитологических образцов и в реализующей данный способ системе нейронная сеть используется для выполнения функций классификации. В систему входят автоматический микроскоп, устройство вывода информации, видеокамера, цифровой преобразователь изображения, первичный статистический классификатор, выполненный в виде аморитмического обрабатывающего устройства для детектирования объектов, вероятно являющихся предзлокачественными или злокачественными клетками, вторичный классификатор, выполненный в виде нейронного компьютера. 2 с. и. 8 з.п. ф-лы, 7 ил.
Description
Данное изобретение, в общем случае, относится, как указано, к области классификации клеток и, в частности, оно относится к использованию нейронных сетей и/или нейрокомпьютеров для повышения скорости и точности классификации клеток.
Цитологической мазок ("Рар" испытание) представляет собой фактически массовое цитологическое обследование, которое требует зрительного освидетельствования на предметном стекле фактически каждой клетки. Такой анализ характеризуется высокой степенью недостатков, связанных с монотонностью и утомительностью ручного метода его исполнения. Как правило, на практике классификация клеток производится поштучно "цитотехниками", занятыми в лабораториях патологии, а при некоторых обстоятельствах и штатными техниками. Принимая во внимание очевидную опасность для жизни в результатах возможного недиагностирования цервикального рака, Американское общество изучения рака обсуждает возможность удвоения частоты взятия цервикальных мазков. Однако это приведет к тому, что, несомненно, перегрузит уже и так чрезмерно отягощенную область цервикальных обследований, основанных на визуальных исследованиях мазков, учитывая то обстоятельство, что все меньше становится людей, желающих иметь дело с утомительной и напряженной ручной классификацией цервикальных мазков. Рекомендация Американского общества по изучению раковых заболеваний об увеличении частоты взятия цервикальных мазков очевидно может привести только к увеличению частоты просчетов, как результат сокращения количества времени, затрачиваемого на исследование вручную каждого предметного стекла с цервикальным мазком. Тщательное ручное исследование предметного стекла с цервикальным мазком должно занимать не менее пятнадцати минут, хотя цитотехник, особенно тот, который завален работой, посвятит этому, наверняка, не более половины указанного требуемого времени. Колледж Американской патологии хорошо знаком с этой проблемой и не преминул бы быстро решить проблему по автоматизации отображения цервикальных мазков.
В известных до сих пор технических решениях было предпринято несколько попыток по автоматизации процесса анализа цервикальных мазков, исходя из очевидных коммерческих достоинств таких способов. Однако все эти попытки показали свою несостоятельность, так как основывались исключительно на классических методах теории распознавания образцов (геометрического, синтаксического, шаблонного, статистического) или же на методах распознавания образцов, основанных на искусственном интеллекте (А1), то есть на экспертных системах, действующих по определенным правилам. Однако не существуют четких алгоритмов или полного и ясного набора правил, с помощью которых цитотехник или патолог смог бы применить свой опыт для объединения множества различных особенностей цервикальных мазков для того, чтобы создать на этой основе какую-либо зримую классификацию. Исходя из этого классификация цервикальных мазков является именно той областью, где возможно применение методов распознавания образцов, основанных на нейронных сетях.
Примеры ограничений известных технических решений можно найти в ссылочном материале 1987 г. под названием "Автоматизированная рованная классификация отображений на экране цервикальных проб", подготовленном Тьеном и др. более подробно который рассматривается ниже.
Ссылочными материалами, представляющими интерес как первоисточники, являются следующие издания:
Ремельхарт, Давид Е. и Макклелланд, Джеймс Л. "Параллельно распределенная обработка", М1Т Press, 1986, т.1;
Тьен Д. и др. "Автоматизированная классификация цервикальных мазков", труды 1ЕЕЕ /Девятой ежегодной конференции общества техники в медицине и биологии, 1987, с. 1457-1458;
Хект-Нильсен, Р. "Нейрокомпьютеризация: проникновение в человеческий мозг", труды 1EEE Spectrum, март 1988 г. с. 36-41; и
Липманн, Ричард П, "Введение в обработку данных с применением нейронных сетей", труды 1ЕЕЕ ASSP, апрель 1987, с. 4-22.
Ремельхарт, Давид Е. и Макклелланд, Джеймс Л. "Параллельно распределенная обработка", М1Т Press, 1986, т.1;
Тьен Д. и др. "Автоматизированная классификация цервикальных мазков", труды 1ЕЕЕ /Девятой ежегодной конференции общества техники в медицине и биологии, 1987, с. 1457-1458;
Хект-Нильсен, Р. "Нейрокомпьютеризация: проникновение в человеческий мозг", труды 1EEE Spectrum, март 1988 г. с. 36-41; и
Липманн, Ричард П, "Введение в обработку данных с применением нейронных сетей", труды 1ЕЕЕ ASSP, апрель 1987, с. 4-22.
Таким образом, основной целью данного изобретения является разработка способа автоматизированной классификации цитологических образцов по их категориям, например, по категориям, имеющим диагностическое значение, и реализующая данный способ система.
Более конкретно, данное изобретение включает первоначальный классификатор (иногда называемый как первичный классификатор), для предварительной классификации цитологических образцов, и последующий классификатор (иногда называемый как вторичный классификатор), предназначенный для классификации той части цитологических образцов, которые были отобраны первичным классификатором для последующей классификации, причем последующий классификатор содержит нейронный компьютер или нейронную сеть.
В одном из возможных вариантов реализации первичного классификатора в его состав может входить выпускаемый промышленностью автоматизированный микроскоп в виде стандартного цитологического микроскопа, снабженного видеокамерой или матрицей прибора с зарядовой связью (ПСЗ). В этом случае каскад, содержащий микроскоп, управляется таким образом, что обеспечивает автоматическое сканирование изображения предметного стекла. С камеры изображение преобразуется в цифровую форму и передается во вторичный классификатор, который имеет форму компьютерной системы. Компьютерная система включает в себя нейронную систему (описание которой приводится ниже и которая также рассматривается в нескольких ссылочных материалах, относящихся к данному изобретению), которая используется для осуществления идентификации изображения клеток, а также для классификации этих изображений по соответствующим группам, задаваемым целями диагностики. В еще одном из возможных вариантов данного изобретения в состав первичного классификатора может входить нейронная сеть. Ниже приводится рассмотрение также и других возможных вариантов реализации данного изобретения.
Еще одной из целей данного изобретения является то, что соответствующее данному изобретению устройство производит классификацию группы образцов в пределах периода времени, расходуемого обычно на эту задачу человеком при внимательном изучении изображения на экране (то есть приблизительно 15 минут на один образец).
Следующей целью настоящего изобретения является то, чтобы соответствующее ему устройство выполняло классификацию на цитологических образцах, которые содержат отличные от представляющуго интерес для целей диагностики одиночного слоя клеток количества и типы объектов, находящиеся обычно в цервикальных мазках (например, объединенные группы клеток, перекрывающиеся клетки, различные остатки, лейкоциты, бактерии, слизь).
Еще одной целью данного изобретения является то, чтобы оно обеспечивало рассмотренную выше классификацию на цервикальных мазках для обнаружения предзлокачественных и злокачественных клеток.
Следующей целью настоящего изобретения является то, чтобы оно обеспечивало классификацию на цитологических образцах с меньшей степенью погрешности, обусловленной недостатками по сравнению с обычным способом просмотра человеком изображения цервикальных мазков на экране.
Преимущество системы цитологической классификации, соответствующей настоящему изобретению, состоит в том, что такая система обеспечивает более достоверную классификацию цитологических образцов по диагностическим категориям, значимым с точки зрения медицины, то есть с меньшей степенью погрешности, вызванной недочетами.
Следующее преимущество системы цитологической классификации, соответствующей настоящему изобретению, заключается в том, что такая система не требует изменения процедуры получения у пациента клеточных образцов.
Дальнейшим преимуществом системы цитологической классификации, соответствующей настоящему изобретению, является то, что такая система обеспечивает достоверную классификацию в пределах узких временных рамок, что гарантирует экономическую жизнеспособность предлагаемой системы.
Эти и другие цели, преимущества и особенности настоящего изобретения станут более понятными всем, кто обладает обычной квалификацией в данной области, после рассмотрения приводимого ниже детального описания наиболее предпочтительного варианта его реализации.
Необходимо отметить, что опубликованные материалы, на которые делаются ссылки, определенным образом включены в описание изобретения путем ссылок в нем на соответствующие источники.
Кроме того, стоит обратить внимание на то, что данное изобретение рассматривается в основном применительно к классификации цитологических образцов, представленных в форме цервикального мазка, например, как обычно поступали по отношению к Рар-испытаниям. Тем не менее, необходимо принимать во внимание тот факт, что это только один из возможных примеров реализации основных принципов настоящего изобретения, которое предназначено для применения к классификации многих других цитологических образцов.
Фиг. 1 блок-схема устройства автоматической сортировки цитологических образцов, основанного на нейронных сетях, которое соответствует настоящему изобретению;
фиг.2 изображение трехслойной нейронной сети такого типа, который используется в наиболее предпочтительном варианте настоящего изобретения;
фиг. З блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует данному изобретению;
фиг. 4 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению;
фиг. 5 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который соответствует настоящему изобретению;
фиг. 6 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению, и
фиг. 7 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению.
фиг.2 изображение трехслойной нейронной сети такого типа, который используется в наиболее предпочтительном варианте настоящего изобретения;
фиг. З блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует данному изобретению;
фиг. 4 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению;
фиг. 5 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который соответствует настоящему изобретению;
фиг. 6 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению, и
фиг. 7 блок-схема еще одного возможного варианта устройства автоматической сортировки цитологических образцов, который также соответствует настоящему изобретению.
Фиг. 1 иллюстрирует устройство автоматической сортировки цитологических образцов, основанное на нейронных сетях, которое соответствует настоящему изобретению и которое на прилагаемых рисунках обозначено цифрой 10. В состав классификационного устройства 10 входят автоматический микроскоп II, видеокамера или прибор с зарядовой связью (ПЗС) 12, цифровой преобразователь изображения 13 и классификационные каскады 14, 15 и 16.
Автоматический микроскоп II обеспечивает перемещение объектива микроскопа относительно цитологического образца, при этом видеокамера или прибор с зарядовой связью (ПЗС) 12 получает изображение или рисунок определенного участка цитологического образца. Полученное изображение передается на классификационный каскад, однако, предварительно оно преобразуется в цифровой вид с помощью цифрового преобразователя 13. В наиболее предпочтительном варианте настоящего изобретения в качестве классификационного каскада 14 используется выпускаемый промышленностью статистический классификатор, который опознает представляющие интерес клеточные ядра по оценке их интегральной оптической плотности (плотности ядерного пятна). Указанная величина представляет собой сумму оценок для элементов изображения объекта, скорректированную с учетом оптических погрешностей. По сравнению с нормальными клетками злокачественные клетки склонны иметь ядра крупнее и с более темной окраской.
Объекты, которые минуют классификатор 14, состоят из предзлокачественных и злокачественных клеток, но в их состав также входят и иные объекты, имеющие высокую интегральную оптическую плотность, такие, как объединенные группы клеток, какие-либо остатки, лейкоциты и слизь. Задачей вторичного классификатора 15 является обеспечение отличия предзлокачественных и злокачественных клеток от указанных выше посторонних объектов.
Для обеспечения работы вторичного классификатора в его состав вводится нейронная сеть. Детальное описание конструкции и принципа действия нейронных сетей, подходящих для оснащения вторичного классификатора 15, находится в указанном выше ссылочном материале. Краткое описание этой информации приводится ниже.
Основываясь на информации о цитологическом образце, полученной первичным классификатором, вторичный классификатор используется для проверки определенных участков цитологического образца, для которых, к примеру, требуется установить, нуждаются ли они в дальнейшем сортировке или классификации. Такое дальнейшее исследование посредством вторичного классификатора может быть осуществлено на основе уже полученных в цифровом виде данных относительно изображения выбранных участков цитологического образца или же путем сбора дополнительной информации при помощи компонентов системы 11-13 или какого-либо другого выпускаемого промышленностью оптического или иного рода оборудования. Такое оборудование будет выдавать необходимые данные для использования и анализа вторичным классификатором 15.
Нейронная сеть представляет собой систему с высокой степенью параллельного распределения, обладающей топологией ориентированного графа. Узлы нейронной сети обычно рассматриваются как "обрабатывающие элементы" или "нейроны", тогда как связи нейронной сети, как правило, именуются "взаимными соединениями". На каждый обрабатывающий элемент поступают несколько входных сигналов, а на выходе обрабатывающего элемента формируется выходной сигнал, который является единственным и который разветвляется на несколько копий, распределяемых, в свою очередь, по другим обрабатывающим элементам в качестве входных сигналов. Информация запоминается в виде силы соединения, известной как "вес" данного соединения. В случае асинхронной формы работы каждый обрабатывающий элемент вычисляет сумму результатов веса для каждого входного канала, умноженных на сигнальный уровень (обычно 0 или 1) для этого входного канала. В этом случае, если сумма результатов превышает установленный предел активации, выход обрабатывающего элемента устанавливается на 1, если же нет, то он устанавливается на 0. Обучение обеспечивается за счет корректировки значений весов.
Что касается настоящего изобретения, то наиболее предпочтительный вариант его реализации обеспечивается путем использования трехслойной нейронной сети такого типа, который был описан в материалах Липпмана, на который делается ссылка, как "многослойный перцептрон" и который детально обсуждался в главе 8 ссылочного материала Румельхарта. Также могут быть использованы и другие типы систем нейронных сетей.
Трехслойная нейронная сеть состоит из входного слоя, выходного слоя и промежуточного скрытого слоя. Промежуточный слой требуется для обеспечения внутреннего представления конфигурации связей в пределах сети. Как показано Мински и Папертом в их книге 1969 года, озаглавленной "Перцептроны" (издательство MIT Press), простые двухслойные ассоциативные сети ограничены в типах проблем, которые с их помощью могут решаться. Двухслойная сеть) обладающая только "входными" и "выходными> обрабатывающими элементами, может только представлять схемы, в которых входные конфигурации приводят к аналогичным выходным конфигурациям. Когда же практическая проблема не соответствует этому типу, требуется трехслойная сеть. Было показано, что трехслойная нейронная сеть с достаточно большим скрытым промежуточным слоем может всегда найти способ представления, который позволит установить необходимое соответствие между любой входной конфигурацией и любой требуемой выходной конфигурацией. На фиг.2 в общем виде показана трехслойная нейронная сеть, которая используется в наиболее предпочтительном варианте реализации данного изобретения.
Существуют несколько важных особенностей, присущих нейронным сетям, используемым для реализации классификатора 15, которые отличают их от существующих технических решений. К их числу относятся следующие особенности.
1. Наличие слабой управляющей функции или ее полное отсутствие. Имеются только очень простые устройства, каждое из которых выполняет свой объем вычислений результатов. Задача каждого обрабатывающего элемента, таким образом, ограничена получением от соседних элементов входных данных и на основе этих входных данных вычисление значений выходных данных, которые он посылает на входы соседних элементов. Каждый обрабатывающий элемент периодически производит вычисления параллельно, но не синхронно с действиями любого из соседних элементов.
2. Вся информация заключена во взаимных соединениях. Только очень небольшое запоминание термов может происходить в виде состояний обрабатывающих элементов, причем кратковременное. Вся информация, подлежащая длительному хранению, представляется в виде значений силы взаимных соединений или "весов" между обрабатывающими элементами. Именно принципы, которые устанавливают эти веса и производят их модификацию в процессе обучения, служат отличительными особенностями одной модели нейронной сети от другой. Таким образом, вся информация, без сомнения, представлена в значении соединительных весов, а не в состояниях обрабатывающих элементов.
3. В отличие от вычислительных устройств, действующих по определенным алгоритмам, и экспертных систем цель обучения нейронных сетей состоит не в формулировании алгоритма или наборе определенных принципов. Во время обучения нейронная сеть самоорганизуется, то есть происходит установка всей системы весов таким образом, что реакция на выходе для данного входа будет наилучшим образом соответствовать тому, что называется подходящим выходом для этого входа. Адаптирующийся выбор силы взаимных соединений именно то, что позволяет нейронной сети поступить так, как будто она знает правила. Обычные компьютеры хороши в тех случаях, когда процесс получения информации можно представить в виде определенного алгоритма или охарактеризовать четкой и полной группой правил обработки информации. В иной ситуации при использовании обычных компьютеров приходится сталкиваться с большими трудностями. В то время, как обычные компьютеры могут выполнять вычислительные алгоритмы намного быстрее любого человека, они уступают человеку при решении неалгоритмических задач такого, к примеру, характера, как распознавание образов, классификация по слабо различимым признакам, достижение оптимального решения в том случае, когда сталкиваешься с множественными одновременными затруднениями. В том случае, когда необходимо провести исследование "n" экземпляров различных конфигураций с целью классификации неизвестной входной конфигурации, алгоритмическая система может выполнить эту задачу, решая ее приблизительно "n" раз. В нейронных сетях вое возможные конфигурации одновременно представляются общим набором значений весов взаимных соединений для всей системы. Нейронная сеть, таким образом, автоматически останавливается на ближайшем сочетании к вызывающему сомнения входу за один этап, в отличие от указанных выше "n" этапов.
Что касается настоящего изобретения, то наиболее предпочтительный его вариант достигается использованием трехслойной сети с обратными связями, как это рассмотрено в ссылочном материале Румельхарта в связи с описанием нейронной сети для классификационного каскада 10. Обратные связи детально рассмотрены в ссылочном материале Румельхарта. Вкратце, они действуют следующим образом.
Во время обучения нейронной сети погрешности (то есть разница между необходимым выходным значением при соответствующем входе и текущим значением выхода для данного входа) поступают назад с выходного слоя по направлению к среднему слою, а затем ко входному слою. Эти погрешности используются на каждом слое алгоритмом обучения для настройки значений весов взаимных соединений с тем, чтобы последующее представление используемой в качестве образца конфигурации привело бы к соответствующим выходным значениям. После обучения сети в предварительном режиме, когда отсутствуют обратные связи, неизвестные входные конфигурации классифицируются нейронной сетью по категориям, к которым они подходят наилучшим образом.
Выход нейронной сети классификатора 15 показывает наличие или отсутствие предзлокачественных или злокачественных клеток. Расположение клеток на введенном предметном стекле определяется путем постоянной выдачи автоматическим микроскопом позиционных координат этих клеток в плоскости X-Y. Указанная позиционная информация передается на принтер или видеодисплей 17 вместе с диагностической информацией и данными о пациенте с тем, чтобы патологист мог проверить результаты классификации.
В наиболее предпочтительном варианте данного изобретения параллельная структура нейронной сети эмулируется путем конвейерного исполнения последовательных операций, что осуществляется одной из выпускаемых промышленностью акселераторных плат к нейрокомпьютеру. Действие этих нейрокомпьютеров обсуждается в указанном сеточном материале Spectrum. В качестве устройства нейронной сети наиболее предпочтителен процессор "Дельта", который представляет собой коммерчески доступный нейрокомпьютер производства международной корпорации Саинс эппликейшн (SAIC) (см. приведенный выше ссылочный материал Хекта-Нильсена), который продемонстрировал непрерывную операционную скорость 107 взаимных соединений в секунду в режиме без обратной связи (то есть не в режиме обучения). При типовом цервикальном мазке, содержащем 100000 клеток, 1-2% клеток или приблизительно 1500 изображений будут нуждаться в обработке классификатором 15. В качестве примера порядка величин конечно данных рассмотрим обработку классификатором 15 данных, соответствующих сжатому изображению размером 50х50 элементов изображения. В данном случае входной слой нейронной сети отстоит из 2500 обрабатывающих элементов или "нейронов". Средний слой составляет приблизительно 25% от количества нейронов входного слоя или 625 штук. (Количество нейронов выходного слоя равняется количеству представляющих интерес диагностических категорий. Это небольшое число, которое не оказывает заметного влияния на приводимые оценки). Количество межкомпонентных соединений составляет таким образом (2500) (625) или приблизительно 1,5 • 106. При скорости обработки, равной 107 соединений в секунду, обработка классификатором 15, попадающих на него из классификатора 14, 1500 изображений займет менее четырех минут. Имеющиеся в настоящее время классификаторы 14 действуют ее скоростью 50000 клеток в минуту (ссылка на материал Тьена и др. ). С учетом скорости действия классификатора 14, равной 50000 клеток в минуту, четыре минуты, необходимые классификатору 15, добавляются к двум минутам, которые требуются классификатору 14, что в итоге дает шесть минут на анализ изображения на предметном стекле, включающего в свой состав 100000 клеток. Как отмечалось ранее, точный ручной анализ цервикального мазка занимает приблизительно 15 минут на обработку предметного стекла. В существовавших до сих пор попытках производить автоматическую обработку цервикальных мазков на основе вариантов классификатора 15, в которых, однако, не использовались нейронные сети, потребное время на обработку составляло более одного часа на одно предметное стекло. Данный пример ни в коей мере не имел своей целью ограничить фактическую конфигурацию настоящего изобретения, а скорее, ставил целью продемонстрировать способность достижения на основе настоящего изобретения приемлемых результатов обработки цервикальных мазков и других цитологических образцов в пределах того промежутка времени, который делает такую обработку коммерчески выгодной операцией.
В предпочтительном варианте настоящего изобретения функции первичного классификатора 14 ограничены оценкой клеточного ядра в то время, как вторичный классификатор 15 оценивает и ядро и окружающую его цитоплазму. Соотношение между ядром и цитоплазмой является важным показателем для классификации предзлокачественных и злокачественных клеток. В дополнительном примере осуществления изобретения и классификатор 14, и классификатор 15 ограничены оценкой только клеточных ядер.
Выходная информация от вторичного классификатора 18 направляется к выходным монитору и принтеру 17, которые могут выдавать различную информацию, содержащую, что особенно важно, такие данные, как: являются ли какие-нибудь клетки злокачественными или предзлокачественными, требуют ли они дальнейшего исследования и т.д.
Фиг. 3 иллюстрирует еще один возможный вариант реализации настоящего изобретения, в котором вводится дополнительный классификационный каскад 16 на нейронной сети. Этот каскад вводится с целью предварительной обработки предметного стекла и выявления на нем больших участков искусственного материала, то есть материала иного характера, нежели представляющий интерес одиночный слой клеток. В состав такого материала входят объединенные группы клеток, различного рода остатки, слизь, лейкоциты и т.д. Координатная информация, полученная в результате этой предварительной сортировки, запоминается для использования оставшейся частью классификационной системы. Информация, полученная классификационным каскадом 16, используется для ограничения объема обрабатываемой информации классификатором 15. Классификационный каскад 14 может игнорировать весь материал в пределах участков, координаты которых определены классификатором 16. Результатом этого будет то, что классификатор 15 будет передавать меньший объем информации на обработку. Таким образом, диагностика основывается на результатах классификации только тех клеток, которые располагаются вне указанных выше участков. В том случае, если вне этих участков находится недостаточный для обоснованной диагностики образец клеток, то информация об этом будет выдана на отображающее устройство 17, сообщая "недостаточный клеточный образец".
Фиг.4 иллюстрирует еще один возможный вариант реализации настоящего изобретения, в соответствии с которым изображение в пределах участков, выявленных классификатором 16, не игнорируется, а вместе этого обрабатывается отдельным классификатором 18, который действует параллельно классификатору 15. Обучение нейронной сети, которая входит в состав классификатора 18, направлено на то, чтобы иметь возможность отличать предзлокачественнне и злокачественные клетки от указанного выше искусственного материала.
Фиг. 5 иллюстрирует еще один возможный вариант реализации настоящего изобретения, в соответствии с которым между классификатором 14 и классификатором 15 осуществляется дополнительная классификация ядерных морфологических компонентов, за исключением интегральной оптической плотности, которая основана на использовании других, отличных от нейронных сетей, устройств. Указанная классификация осуществляется с помощью классификатора 19.
Фиг. 6 иллюстрирует еще один возможный вариант реализации настоящего изобретения, в соответствии с которым выпускаемый промышленностью нейрокомпьютер SAIC оптимизирован для процесса обработки без обратной связи 20. За счет ликвидации режима обучения все функции нейрокомпьютера сводятся исключительно к процессу обработки в прямом направлении, то есть без обратной связи. Обучение осуществляется отдельным немодифицированным нейрокомпьютером, который обладает и функцией обучения и функцией непосредственной обработки в прямом направлении.
После завершения процесса обучения окончательные значения весов взаимных соединений передаются на нейрокомпьютер 20, который оптимизирован на процесс непосредственной обработки в прямом направлении без обратной связи. Специализация нейрокомпьютера 20 на работу в режиме непосредственной обработки в прямом направлении без обратной связи приводит к возможности достижения операционной скорости работы в таком прямом режиме равной 108 взаимных соединений в секунду, против 107 взаимных соединений в секунду у неоптимизированной платы, выпускаемой промышленностью. Такая оптимизированная на непосредственную обработку в прямом направлении без обратной связи нейронная сеть 20 используется для выполнения функций классификаторов 14 и 16, представленных на фиг. 1, 3, 4, 5. При использовании классификатора с нейронной сетью 20 для выполнения функции статистического классификатора 14 представляющие интерес клетки, которые не обязательно являются злокачественными цервикальными клетками и которые поэтому не превышают предела чувствительности классификатора 14 по интегральной оптической плотности, тем не менее могут быть обнаружены. Примером могло бы послужить обнаружение эндометриальных клеток, которые хоть и не обязательно показательны в отношении цервикальной злокачественности, зато показательны в отношении маточной злокачественности; будучи найденными в Рар-мазке пациентки в послеклимакстерический период.
В качестве примера операционных скоростей обработки данных для варианта изобретения, соответствующего фиг.6, предположим, что внешне габариты предметного стекла составляют 15•45 мм или общая поверхность предметного стекла имеет площадь, равную 675 • 106 квадратных микрометром. Нейронная сеть 20 производит обработку этой поверхности с целью анализа при помощи скользящего над указанной поверхностью окошка. Данное окошко имеет размеры 20 микрометров • 20 микрометров или 400 квадратных микрометров составляют его площадь. Таким образом, на предметное стекло величиной 15 мм • 45 мм приходится 1,5 • 106 этих окошек. Для решения задач по первичной классификации используется нейронная сеть 20, для которой разрешение в 1 микрометр на элемент изображения оказывается достаточным для того, чтобы обеспечить обнаружение тех объектов, которые подлежат пересылке во вторичный классификатор 15, снабженный нейронный сетью, для их дальнейшего исследования. При этом анализируемая классификатором 20 входная конфигурация, поступающая с воспринимающего изображение окошка, представляет собой 20•20 элементов изображения или 400 нейронов входного слоя нейронной сети 20. Средний слой составляет приблизительно 23% к количеству нейронов во входном слое или 100 штук. (Как отмечалось ранее в расчетах операционной скорости для классификатора 15, количество нейронов в выходцем слое невелико и не влияет сколько-нибудь значительно на результаты расчетов). Количество взаимных соединений в классификаторе 20, таким образом, составляет приблизительно (400)•(100) или 40•103. При скорости обработки, составляющей 108 взаимных соединений в секунду, классификация нейронной сетью 20 каждого изображения, получаемого со скользящего окошка, займет 400 микросекунд. На предметное стекло размером 15 мм • 45 мм приходится 1,5 • 106 окошек площадью 400 микрометров квадратных, изображения с которых подлежат классификации нейронной сетью 20. Следовательно, для нейронной сети 20 общее время, необходимое для осуществления классификации, составляет (1,5 • 106) (400 • 10- 6)= 600 секунд или десять минут. Если эти десять, минут прибавить к приблизительно четырем минутам, которые требуются вторичному классификатору 15, снабженному нейронной сетью, то получится общее время, необходимое для обработки одного предметного стекла, равное 14 минутам. Этот пример ни в коей мере не имеет своей целью ограничить фактическую конфигурацию настоящего изобретения, а скорее, он имеет целью продемонстрировать способность данного изобретения обеспечить такие результаты обработки цервикальных мазков и других цитологических образцов, которые бы укладывались в период времени, потребный для коммерчески выгодной работы.
Скоростные показатели обработки данных также могут совершенствоваться путем использования процесса параллельный обработки. Например, несколько выпускаемых промышленностью нейрокомпьютеров производства SAIC могут быть запараллелены для осуществления параллельной обработки данных, повышая, таким образом, общую операционную скорость при использовании того же самого классификатора.
фиг. 7 иллюстрирует еще один возможный вариант реализации настоящего изобретения, в соответствии с которым первичный классификатору в состав которого входит нейронная сеть, 20 используется для выполнения функций как морфологического классификатора, так и классификатора просматриваемых площадей одновременно. Приспособление данного классификатора 20 для обнаружения тех нескольких типов клеток, которые представляют интерес, но которые не могут быть обнаружены другими средствами, сводит разрешающую способность классификатора 20 к минимуму.
Хотя данное изобретение рассматривалось применительно к одному из наиболее предпочтительных его вариантов, необходимо иметь в виду, что такое раскрытие сущности изобретения не стоит истолковывать как ограничительное. Различные изменения и модификации, без сомнения, будут очевидными для специалистов в данной области после прочтения вышеизложенного описания настоящего изобретения. Приводимые ниже пункты формулы изобретения необходимо рассматривать, как охватывающие все изменения и модификации и раскрывающие сущность и объем изобретения.
Claims (10)
1. Автоматизированная система классификации цитологических образцов, содержащая автоматический микроскоп, устройство вывода информации, видеокамеру, цифровой преобразователь изображения, первичный статистический классификатор, предназначенный для обнаружения в цитологическом образце клеток, интегральная оптическая плотность которых превышает пороговую интегральную оптическую плотность, вторичный классификатор, предназначенный для обнаружения предзлокачественных и злокачественных клеток среди объектов, которые идентифицированы первичным статистическим классификатором, причем выход автоматического микроскопа соединен с входом видеокамеры, выход которой соединен с видеовходом цифрового преобразователя изображения, выход которого соединен с входом первичного статистического классификатора, информационный выход первичного статистического классификатора соединен с информационным входом вторичного классификатора, выход которого соединен с входом устройства вывода информации, отличающаяся тем, что первичный статистический классификатор выполнен в виде алгоритмического обрабатывающего устройства для детектирования объектов, вероятно являющихся предзлокачественными или злокачественными клетками, а вторичный классификатор выполнен в виде нейронного компьютера.
2. Система по п.1, отличающаяся тем, что содержит классификатор предварительной проверки нейронной сети, предназначенный для распознавания и классификации общих зон в цифровом представлении изображения, причем дополнительный выход цифрового преобразователя изображения соединен с входом классификатора предварительной проверки нейронной сети, выход которого соединен с дополнительным входом первичного статистического классификатора.
3. Система по п. 1, отличающаяся тем, что вторичный классификатор выполнен с возможностью исключения распознанных объектов.
4. Система по п. 1, отличающаяся тем, что вторичный классификатор выполнен с возможностью модификации анализа.
5. Система по п. 1, отличающаяся тем, что вторичный классификатор выполнен с возможностью морфологической классификации.
6. Система по п. 1, отличающаяся тем, что вторичный классификатор выполнен с возможностью ограничения классификации.
7. Способ классификации клеток цитологического образца, основанный на получении оптического изображения по крайней мере части цитологического образца, преобразовании оптического изображения в электронное изображение, формировании электронного изображения и выделении предзлокачественных и злокачественных клеток, отличающийся тем, что выделение предзлокачественных и злокачественных клеток осуществляют с использованием нейронной сети путем детектирования цифрового электронного изображения клеток, имеющих ядра, превышающие заданную интегральную оптическую плотность.
8. Способ по п.7, отличающийся тем, что детектирование включает в себя функцию обучения нейронной сети.
9. Способ по п.7, отличающийся тем, что детектирование включает в себя проведение статистической обработки.
10. Способ по п.7, отличающийся тем, что детектирование включает в себя проведение морфологического анализа.
Applications Claiming Priority (3)
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 |
US179060 | 1988-04-08 | ||
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 |
---|---|
RU2096827C1 true RU2096827C1 (ru) | 1997-11-20 |
Family
ID=22655067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SU894831388A RU2096827C1 (ru) | 1988-04-08 | 1989-03-24 | Автоматизированная система и способ классификации цитологических образцов, основанный на нейронных сетях |
Country Status (23)
Country | Link |
---|---|
US (2) | US4965725B1 (ru) |
EP (1) | EP0336608B1 (ru) |
JP (1) | JPH04501325A (ru) |
CN (1) | CN1031811C (ru) |
AT (1) | ATE140327T1 (ru) |
AU (1) | AU628342B2 (ru) |
BG (1) | BG51463A3 (ru) |
BR (1) | BR8907355A (ru) |
CA (1) | CA1323700C (ru) |
DE (1) | DE68926796T2 (ru) |
DK (1) | DK262490A (ru) |
ES (1) | ES2090033T3 (ru) |
FI (1) | FI101653B1 (ru) |
GR (1) | GR3021252T3 (ru) |
HK (1) | HK1003583A1 (ru) |
HU (1) | HU208186B (ru) |
IL (1) | IL89859A0 (ru) |
MC (1) | MC2101A1 (ru) |
RO (1) | RO106931B1 (ru) |
RU (1) | RU2096827C1 (ru) |
SG (1) | SG46454A1 (ru) |
WO (1) | WO1989009969A1 (ru) |
ZA (1) | ZA892558B (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2449365C2 (ru) * | 2006-08-11 | 2012-04-27 | Конинклейке Филипс Электроникс, Н.В. | Способы и устройство для интегрирования систематического прореживания данных в основанный на генетическом алгоритме выбор подмножества признаков |
Families Citing this family (309)
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 |
DE68928484T2 (de) * | 1988-03-25 | 1998-07-23 | Hitachi Ltd | Verfahren zum erkennen von bildstrukturen |
US4965725B1 (en) * | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
US5740270A (en) * | 1988-04-08 | 1998-04-14 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
US5544650A (en) * | 1988-04-08 | 1996-08-13 | Neuromedical Systems, Inc. | Automated specimen classification system and method |
EP0363828B1 (en) * | 1988-10-11 | 1999-01-07 | Kabushiki Kaisha Ouyo Keisoku Kenkyusho | Method and apparatus for adaptive learning type general purpose image measurement and recognition |
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 |
ATE155592T1 (de) * | 1990-03-30 | 1997-08-15 | Neuromedical Systems Inc | Automatisches zellenklassifikationssystem und verfahren |
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 |
JPH06503415A (ja) * | 1990-11-07 | 1994-04-14 | ニューロメディカル システムズ インコーポレイテッド | ディスプレイに表示された像に対し検査の監査を行いながら検査する装置及び方法 |
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 |
US5627040A (en) * | 1991-08-28 | 1997-05-06 | Becton Dickinson And Company | Flow cytometric method for autoclustering cells |
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 |
US6850252B1 (en) | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
US8352400B2 (en) | 1991-12-23 | 2013-01-08 | Hoffberg Steven M | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
US5903454A (en) | 1991-12-23 | 1999-05-11 | Hoffberg; Linda Irene | Human-factored interface corporating adaptive pattern recognition based controller apparatus |
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 |
US6418424B1 (en) | 1991-12-23 | 2002-07-09 | Steven M. Hoffberg | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
EP0628186B1 (en) * | 1992-02-18 | 1998-12-09 | Neopath, Inc. | Method for identifying normal biomedical specimens |
AU671984B2 (en) * | 1992-02-18 | 1996-09-19 | Neopath, Inc. | Method for identifying objects using data processing techniques |
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 |
DE69429145T2 (de) * | 1993-08-19 | 2002-07-18 | Hitachi Ltd | Klassifikation und Prüfvorrichtung für Teilchen in einer Flüssigkeit |
US6136540A (en) * | 1994-10-03 | 2000-10-24 | Ikonisys Inc. | Automated fluorescence in situ hybridization detection of genetic abnormalities |
US5352613A (en) * | 1993-10-07 | 1994-10-04 | Tafas Triantafillos P | Cytological screening method |
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 |
CN1140498A (zh) * | 1994-02-14 | 1997-01-15 | 神经医药体系股份有限公司 | 自动化细胞样品分类系统和方法 |
US5493539A (en) * | 1994-03-11 | 1996-02-20 | Westinghouse Electric Corporation | Two-stage detection and discrimination system for side scan sonar equipment |
US5493619A (en) * | 1994-03-11 | 1996-02-20 | Haley; Paul H. | Normalization method for eliminating false detections in side scan sonar images |
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 |
DE69527585T2 (de) * | 1994-06-08 | 2003-04-03 | Affymetrix Inc | Verfahren und Vorrichtung zum Verpacken von Chips |
US6287850B1 (en) * | 1995-06-07 | 2001-09-11 | Affymetrix, Inc. | Bioarray chip reaction apparatus and its manufacture |
CA2195565A1 (en) * | 1994-07-26 | 1996-02-08 | Robert Tjon-Fo-Sang | Inspection device and method |
US5647025A (en) * | 1994-09-20 | 1997-07-08 | Neopath, Inc. | Automatic focusing of biomedical specimens apparatus |
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 |
CA2200457C (en) * | 1994-09-20 | 2001-08-14 | Shih-Jong J. Lee | Biological analysis system self-calibration apparatus |
US5757954A (en) * | 1994-09-20 | 1998-05-26 | Neopath, Inc. | Field prioritization apparatus and method |
US5978497A (en) * | 1994-09-20 | 1999-11-02 | Neopath, Inc. | Apparatus for the identification of free-lying cells |
US5627908A (en) * | 1994-09-20 | 1997-05-06 | Neopath, Inc. | Method for cytological system dynamic normalization |
WO1996009598A1 (en) * | 1994-09-20 | 1996-03-28 | Neopath, Inc. | Cytological slide scoring apparatus |
WO1996009594A1 (en) * | 1994-09-20 | 1996-03-28 | Neopath, Inc. | Apparatus for automated identification of thick cell groupings on a biological specimen |
WO1996010237A1 (en) * | 1994-09-20 | 1996-04-04 | Neopath, Inc. | Biological specimen analysis system processing integrity checking apparatus |
US5692066A (en) * | 1994-09-20 | 1997-11-25 | Neopath, Inc. | Method and apparatus for image plane modulation pattern recognition |
AU3544995A (en) * | 1994-09-20 | 1996-04-09 | Neopath, Inc. | Apparatus for identification and integration of multiple cell patterns |
ES2121708T1 (es) * | 1994-09-20 | 1998-12-16 | Neopath Inc | Aparato para iluminacion, estabilizacion y homogeneizacion. |
US5740269A (en) * | 1994-09-20 | 1998-04-14 | Neopath, Inc. | Method and apparatus for robust biological specimen classification |
US5638459A (en) * | 1994-09-20 | 1997-06-10 | Neopath, Inc. | Method and apparatus for detecting a microscope slide coverslip |
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 |
WO1996010801A1 (en) * | 1994-09-30 | 1996-04-11 | Neopath, Inc. | Method and apparatus for highly efficient computer aided screening |
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 |
WO1996012187A1 (en) | 1994-10-13 | 1996-04-25 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
JP3537194B2 (ja) * | 1994-10-17 | 2004-06-14 | オリンパス株式会社 | 光学顕微鏡 |
US6600996B2 (en) | 1994-10-21 | 2003-07-29 | Affymetrix, Inc. | Computer-aided techniques for analyzing biological sequences |
US5795716A (en) | 1994-10-21 | 1998-08-18 | Chee; Mark S. | Computer-aided visualization and analysis system for sequence evaluation |
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 |
US5787208A (en) * | 1995-06-07 | 1998-07-28 | Neopath, Inc. | Image enhancement method and apparatus |
US6252979B1 (en) | 1995-06-07 | 2001-06-26 | Tripath Imaging, Inc. | Interactive method and apparatus for sorting biological specimens |
US6429017B1 (en) | 1999-02-04 | 2002-08-06 | Biomerieux | Method for predicting the presence of haemostatic dysfunction in a patient sample |
US6898532B1 (en) | 1995-06-07 | 2005-05-24 | Biomerieux, Inc. | Method and apparatus for predicting the presence of haemostatic dysfunction in a patient sample |
US6242876B1 (en) | 1995-06-07 | 2001-06-05 | Valeo Electrical Systems, Inc. | Intermittent windshield wiper controller |
US5889880A (en) * | 1995-06-07 | 1999-03-30 | Autocyte, Inc. | Interactive automated cytology method incorporating both manual and automatic determinations |
US6720149B1 (en) * | 1995-06-07 | 2004-04-13 | Affymetrix, Inc. | Methods for concurrently processing multiple biological chip assays |
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 |
US5621519A (en) * | 1995-07-31 | 1997-04-15 | Neopath, Inc. | Imaging system transfer function control method and apparatus |
US5642433A (en) * | 1995-07-31 | 1997-06-24 | Neopath, Inc. | Method and apparatus for image contrast quality evaluation |
US5745601A (en) * | 1995-07-31 | 1998-04-28 | Neopath, Inc. | Robustness of classification measurement apparatus and method |
US6091842A (en) * | 1996-10-25 | 2000-07-18 | Accumed International, Inc. | Cytological specimen analysis system with slide mapping and generation of viewing path information |
US6430309B1 (en) | 1995-09-15 | 2002-08-06 | Monogen, Inc. | Specimen preview and inspection system |
US5963368A (en) * | 1995-09-15 | 1999-10-05 | Accumed International, Inc. | Specimen management system |
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 |
US6148096A (en) * | 1995-09-15 | 2000-11-14 | Accumed International, Inc. | Specimen preview and inspection system |
US5690892A (en) * | 1995-09-15 | 1997-11-25 | Accumed, Inc. | Cassette for use with automated specimen handling system |
US5930732A (en) * | 1995-09-15 | 1999-07-27 | Accumed International, Inc. | System for simplifying the implementation of specified functions |
AU726049B2 (en) * | 1995-09-19 | 2000-10-26 | Veracel 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 |
US6151405A (en) * | 1996-11-27 | 2000-11-21 | Chromavision Medical Systems, Inc. | System and method for cellular specimen grading |
US6718053B1 (en) * | 1996-11-27 | 2004-04-06 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
US5835620A (en) * | 1995-12-19 | 1998-11-10 | Neuromedical Systems, Inc. | Boundary mapping system and method |
US5699794A (en) * | 1995-12-19 | 1997-12-23 | Neopath, Inc. | Apparatus for automated urine sediment sample handling |
AU1294797A (en) * | 1995-12-21 | 1997-07-17 | 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 |
AU3723697A (en) * | 1996-07-12 | 1998-02-09 | Erim 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 |
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 |
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 |
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 |
US6122396A (en) * | 1996-12-16 | 2000-09-19 | Bio-Tech Imaging, Inc. | Method of and apparatus for automating detection of microorganisms |
WO1998029833A1 (fr) * | 1996-12-25 | 1998-07-09 | Hitachi, Ltd. | Appareil et procede de reconnaissance de formes |
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 |
US20090111101A1 (en) * | 1998-05-09 | 2009-04-30 | Ikonisys, Inc. | Automated Cancer Diagnostic Methods Using FISH |
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 |
JP2002514762A (ja) * | 1998-05-09 | 2002-05-21 | アイコニシス,インコーポレーテッド | コンピュータによって制御された、胎児細胞を含む希少細胞に基づく診断のための方法および装置 |
CA2342798A1 (en) * | 1998-09-02 | 2000-03-16 | Langerhans Aps | 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 |
US7904187B2 (en) | 1999-02-01 | 2011-03-08 | Hoffberg Steven M | Internet appliance system and method |
ES2231167T3 (es) * | 1999-02-04 | 2005-05-16 | Biomerieux, Inc. | Procedimiento y aparato para predecir la disfuncion hemostatica en una muestra de un paciente. |
US6297044B1 (en) * | 1999-02-23 | 2001-10-02 | Oralscan Laboratories, Inc. | Minimally invasive apparatus for testing lesions of the oral cavity and similar epithelium |
JP2002541494A (ja) | 1999-04-13 | 2002-12-03 | 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 | 組織学的再構成と自動画像分析 |
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 |
US6876760B1 (en) | 2000-12-04 | 2005-04-05 | Cytokinetics, Inc. | Classifying cells based on information contained in cell images |
DE19937778B4 (de) * | 1999-08-10 | 2011-11-24 | Cellasys Gmbh | Verfahren und Vorrichtung zur Charakterisierung des funktionalen Zustandes von Zellen und Alterationen von Zellen |
US6348325B1 (en) | 1999-10-29 | 2002-02-19 | Cytyc Corporation | Cytological stain composition |
US7369304B2 (en) * | 1999-10-29 | 2008-05-06 | Cytyc Corporation | Cytological autofocusing imaging systems and methods |
US6661501B1 (en) | 1999-10-29 | 2003-12-09 | Cytyc Corporation | Cytological stain composition including verification characteristic |
US6593102B2 (en) | 1999-10-29 | 2003-07-15 | Cytyc Corporation | Cytological stain composition |
US6665060B1 (en) * | 1999-10-29 | 2003-12-16 | Cytyc Corporation | Cytological imaging system and method |
JP2003524775A (ja) * | 1999-11-04 | 2003-08-19 | メルテック・マルチ−エピトープ−リガンド−テクノロジーズ・ゲーエムベーハー | 顕微鏡画像の自動解析法 |
AU785290B2 (en) | 1999-11-30 | 2006-12-21 | Intrexon Corporation | 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 |
CN1214340C (zh) * | 2000-04-24 | 2005-08-10 | 国际遥距成象系统公司 | 多个神经网络的成像设备和方法 |
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
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 |
EP1322788A2 (en) * | 2000-06-23 | 2003-07-02 | 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 |
AU2002232892B2 (en) * | 2000-10-24 | 2008-06-26 | Intrexon Corporation | 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 |
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 |
US7155049B2 (en) * | 2001-01-11 | 2006-12-26 | Trestle Acquisition Corp. | System for creating microscopic digital montage images |
US6816606B2 (en) * | 2001-02-21 | 2004-11-09 | Interscope Technologies, Inc. | Method for maintaining high-quality focus during high-throughput, microscopic digital montage imaging |
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 |
EP1405058A4 (en) * | 2001-03-19 | 2007-07-04 | Ikonisys Inc | SYSTEM AND METHOD FOR INCREASING THE CONTRAST OF AN IMAGE PRODUCED BY AN EPIFLUORESCENT MICROSCOPE |
US20020186875A1 (en) * | 2001-04-09 | 2002-12-12 | Burmer Glenna C. | Computer methods for image pattern recognition in organic material |
WO2002097714A1 (en) * | 2001-04-09 | 2002-12-05 | Lifespan Biosciences, Inc. | Computer method for image pattern recognition in organic material |
WO2003021222A2 (en) * | 2001-08-31 | 2003-03-13 | Burstein Technologies, Inc. | Capture layer assemblies for cellular assays including related optical analysis discs and methods |
US20040071328A1 (en) * | 2001-09-07 | 2004-04-15 | Vaisberg Eugeni A. | Classifying cells based on information contained in cell images |
EP1423699A4 (en) * | 2001-09-07 | 2006-01-18 | Burstein Technologies Inc | CELLULAR MORPHOLOGY BASED IDENTIFICATION AND QUANTIFICATION OF WHITE BLOOD CELL TYPES USING OPTICAL BIO-DISC SYSTEMS |
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 |
WO2003042788A2 (en) | 2001-11-13 | 2003-05-22 | Chromavision Medical Systems, Inc. | A system for tracking biological samples |
EP1448992A4 (en) * | 2001-11-20 | 2005-11-02 | Burstein Technologies Inc | OPTICAL BIODISTICS AND FLUIDIC CIRCUITS FOR CELL ANALYSIS AND CORRESPONDING METHODS |
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 |
US7764821B2 (en) * | 2002-02-14 | 2010-07-27 | Veridex, Llc | Methods and algorithms for cell enumeration in a low-cost cytometer |
EP1474772A4 (en) * | 2002-02-14 | 2005-11-09 | Immunivest Corp | METHOD AND ALGORITHMS FOR CELL DETERMINATION IN A COST-EFFECTIVE CYTOMETER |
US7596249B2 (en) * | 2002-02-22 | 2009-09-29 | Olympus America 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 |
CA2485602C (en) * | 2002-05-14 | 2013-10-01 | Amersham Biosciences Niagara, Inc. | System and methods for rapid and automated screening of cells |
AU2003231827A1 (en) * | 2002-05-23 | 2003-12-12 | Invitrogen Corporation | Pseudo-tissues and uses thereof |
US7272252B2 (en) * | 2002-06-12 | 2007-09-18 | Clarient, Inc. | Automated system for combining bright field and fluorescent microscopy |
US20050037406A1 (en) * | 2002-06-12 | 2005-02-17 | De La Torre-Bueno Jose | Methods and apparatus for analysis of a biological specimen |
AU2003270687B2 (en) * | 2002-09-13 | 2008-05-08 | Life Technologies Corporation | Interactive and automated tissue image analysis with global training database and variable-abstraction processing in cytological specimen classification and laser capture microdissection applications |
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 |
US20050014217A1 (en) * | 2003-07-18 | 2005-01-20 | Cytokinetics, Inc. | Predicting hepatotoxicity using cell based assays |
US7235353B2 (en) * | 2003-07-18 | 2007-06-26 | Cytokinetics, Inc. | Predicting hepatotoxicity using cell based assays |
WO2005010677A2 (en) * | 2003-07-18 | 2005-02-03 | Cytokinetics, Inc. | Characterizing biological stimuli by response curves |
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 |
US7316904B1 (en) | 2004-06-30 | 2008-01-08 | Chromodynamics, Inc. | Automated pap screening using optical detection of HPV with or without multispectral imaging |
US8582924B2 (en) | 2004-06-30 | 2013-11-12 | Carl Zeiss Microimaging Gmbh | Data structure of an image storage and retrieval system |
US20070031818A1 (en) * | 2004-07-15 | 2007-02-08 | Cytokinetics, Inc., A Delaware Corporation | Assay for distinguishing live and dead cells |
US7323318B2 (en) * | 2004-07-15 | 2008-01-29 | Cytokinetics, Inc. | 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 |
WO2006031574A2 (en) | 2004-09-09 | 2006-03-23 | Arcturus Bioscience, Inc. | Laser microdissection apparatus and method |
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 |
EP2166965B1 (en) * | 2007-07-17 | 2017-05-17 | Neal Marc Lonky | Frictional trans-epithelial tissue disruption and collection apparatus |
US8795197B2 (en) * | 2007-07-17 | 2014-08-05 | Histologics, LLC | Frictional trans-epithelial tissue disruption collection apparatus and method of inducing an immune response |
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 |
WO2010081052A1 (en) * | 2009-01-09 | 2010-07-15 | Cyntellect, Inc. | Genetic analysis of cells |
JP2012514981A (ja) | 2009-01-12 | 2012-07-05 | イントレクソン コーポレイション | 細胞コロニーのレーザーを介在したセクション化及び移行 |
AU2010222633B2 (en) | 2009-03-11 | 2015-05-14 | Sakura Finetek Usa, Inc. | Autofocus method and autofocus device |
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 |
WO2011143075A2 (en) | 2010-05-08 | 2011-11-17 | Veridex, Llc | A simple and affordable method for immuophenotyping using a microfluidic chip sample preparation 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 |
EP2721392B1 (en) | 2011-06-17 | 2021-05-19 | Roche Diagnostics Hematology, Inc. | System and method for sample display and review |
US9459196B2 (en) | 2011-07-22 | 2016-10-04 | Roche Diagnostics Hematology, Inc. | Blood analyzer calibration and assessment |
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 |
EP2757372B1 (en) * | 2011-09-16 | 2023-08-23 | AVE Science & Technology Co., Ltd. | Device and method for erythrocyte morphology analysis |
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 |
WO2014094790A1 (en) * | 2012-12-19 | 2014-06-26 | Unisensor A/S | System and method for classification of particles in a fluid sample |
WO2014141034A2 (en) * | 2013-03-15 | 2014-09-18 | 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 |
WO2016115537A2 (en) * | 2015-01-15 | 2016-07-21 | 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 |
WO2018005413A1 (en) | 2016-06-30 | 2018-01-04 | 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 |
US10345218B2 (en) | 2016-12-06 | 2019-07-09 | Abbott Laboratories | Automated slide assessments and tracking in digital microscopy |
WO2018161052A1 (en) * | 2017-03-03 | 2018-09-07 | 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 |
KR102041402B1 (ko) * | 2018-08-09 | 2019-11-07 | 주식회사 버즈폴 | 자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법 |
WO2020047468A1 (en) * | 2018-08-30 | 2020-03-05 | Becton, Dickinson And Company | Characterization and sorting for particle analyzers |
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 |
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)
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 |
-
1988
- 1988-04-08 US US07179060 patent/US4965725B1/en not_active Expired - Lifetime
-
1989
- 1989-03-22 ES ES89302889T patent/ES2090033T3/es not_active Expired - Lifetime
- 1989-03-22 EP EP89302889A patent/EP0336608B1/en not_active Expired - Lifetime
- 1989-03-22 SG SG1996004815A patent/SG46454A1/en unknown
- 1989-03-22 DE DE68926796T patent/DE68926796T2/de not_active Expired - Fee Related
- 1989-03-22 AT AT89302889T patent/ATE140327T1/de not_active IP Right Cessation
- 1989-03-24 RO RO146063A patent/RO106931B1/ro unknown
- 1989-03-24 MC MC892101D patent/MC2101A1/xx unknown
- 1989-03-24 BR BR898907355A patent/BR8907355A/pt not_active IP Right Cessation
- 1989-03-24 HU HU892848A patent/HU208186B/hu not_active IP Right Cessation
- 1989-03-24 WO PCT/US1989/001221 patent/WO1989009969A1/en active IP Right Grant
- 1989-03-24 RU SU894831388A patent/RU2096827C1/ru not_active IP Right Cessation
- 1989-03-24 AU AU35415/89A patent/AU628342B2/en not_active Ceased
- 1989-03-24 JP JP1504988A patent/JPH04501325A/ja active Pending
- 1989-04-04 CA CA000595659A patent/CA1323700C/en not_active Expired - Fee Related
- 1989-04-05 IL IL89859A patent/IL89859A0/xx unknown
- 1989-04-07 CN CN89102194A patent/CN1031811C/zh not_active Expired - Fee Related
- 1989-04-07 ZA ZA892558A patent/ZA892558B/xx unknown
- 1989-10-11 US US07420105 patent/US5287272B1/en not_active Expired - Lifetime
-
1990
- 1990-10-05 BG BG92969A patent/BG51463A3/xx unknown
- 1990-10-05 FI FI904922A patent/FI101653B1/fi not_active IP Right Cessation
- 1990-11-01 DK DK262490A patent/DK262490A/da not_active Application Discontinuation
-
1996
- 1996-10-03 GR GR960402602T patent/GR3021252T3/el unknown
-
1998
- 1998-03-27 HK HK98102660A patent/HK1003583A1/xx not_active IP Right Cessation
Non-Patent Citations (1)
Title |
---|
US, патент, 4700298, кл.G 06F 15/42, 1987. Тьен Д. и др. Автоматизированная классификация цервикальных мазков. Труды I EEE/Девятой ежегодной конференции общества техники в медицине и биологии. - 1987, с.1457 и 1458. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2449365C2 (ru) * | 2006-08-11 | 2012-04-27 | Конинклейке Филипс Электроникс, Н.В. | Способы и устройство для интегрирования систематического прореживания данных в основанный на генетическом алгоритме выбор подмножества признаков |
Also Published As
Publication number | Publication date |
---|---|
BR8907355A (pt) | 1991-03-19 |
CN1037035A (zh) | 1989-11-08 |
AU628342B2 (en) | 1992-09-17 |
RO106931B1 (ro) | 1993-07-30 |
EP0336608A2 (en) | 1989-10-11 |
JPH04501325A (ja) | 1992-03-05 |
HUT59239A (en) | 1992-04-28 |
US4965725A (en) | 1990-10-23 |
FI101653B (fi) | 1998-07-31 |
BG51463A3 (en) | 1993-05-14 |
US4965725B1 (en) | 1996-05-07 |
FI101653B1 (fi) | 1998-07-31 |
AU3541589A (en) | 1989-11-03 |
DE68926796D1 (de) | 1996-08-14 |
SG46454A1 (en) | 1998-02-20 |
US5287272B1 (en) | 1996-08-27 |
ES2090033T3 (es) | 1996-10-16 |
CA1323700C (en) | 1993-10-26 |
HK1003583A1 (en) | 1998-10-30 |
FI904922A0 (fi) | 1990-10-05 |
CN1031811C (zh) | 1996-05-15 |
ATE140327T1 (de) | 1996-07-15 |
DK262490D0 (da) | 1990-11-01 |
GR3021252T3 (en) | 1997-01-31 |
EP0336608B1 (en) | 1996-07-10 |
HU208186B (en) | 1993-08-30 |
IL89859A0 (en) | 1989-12-15 |
DK262490A (da) | 1990-11-01 |
EP0336608A3 (en) | 1990-08-29 |
WO1989009969A1 (en) | 1989-10-19 |
HU892848D0 (en) | 1990-12-28 |
DE68926796T2 (de) | 1996-11-07 |
MC2101A1 (fr) | 1991-02-15 |
US5287272A (en) | 1994-02-15 |
ZA892558B (en) | 1989-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2096827C1 (ru) | Автоматизированная система и способ классификации цитологических образцов, основанный на нейронных сетях | |
US5123055A (en) | Method and an apparatus for differentiating a sample of biological cells | |
US6463438B1 (en) | Neural network for cell image analysis for identification of abnormal cells | |
Young | The classification of white blood cells | |
EP0745243B1 (en) | Automated cytological specimen classification methods | |
JPH0991430A (ja) | パターン認識装置 | |
US20230309919A1 (en) | Automated screening for diabetic retinopathy severity using color fundus image data | |
Rani et al. | Automatic Evaluations of Human Blood Using Deep Learning Concepts | |
Evangeline et al. | Computer aided system for human blood cell identification, classification and counting | |
KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
Çelebi et al. | Red and white blood cell classification using Artificial Neural Networks | |
EP1012777B1 (en) | Methods for objectification of subjective classifications | |
JP3654835B2 (ja) | 検体の下調べ機能を備えた検査体系 | |
Boldeanu et al. | Automatic pollen classification using convolutional neural networks | |
Mustafa et al. | Capability of new features of cervical cells for cervical cancer diagnostic system using hierarchical neural network | |
Bhavana et al. | Identification of Blood group and Blood cells through Image Processing | |
Sree et al. | Diabetic retinopathy detection using deep learning | |
Gurav et al. | Automatic blood group classification based on SVM | |
JPH10104229A (ja) | 有形成分分析装置 | |
Uchqun o‘g‘li et al. | Contrasting as a Method of Processing Medical Images in the Study of Fatty Liver Disease | |
Mitsuyama et al. | Automatic classification of urinary sediment images by using a hierarchical modular neural network | |
Hirimutugoda et al. | Artificial intelligence-based approach for determination of haematologic diseases | |
Muhammad et al. | Classification of Red Blood Cell Abnormality in Thin Blood Smear Images using Convolutional Neural Networks | |
NO904341L (no) | System og fremgangsmaate for automatisert, nervenett verkbasert klassifisering av cytologiske proever. | |
Dhame et al. | Review on disease detection using microscopic images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20050325 |