RU2303812C2 - Method for identifying and calculating cells in human and animal biological media and device for its implementation - Google Patents
Method for identifying and calculating cells in human and animal biological media and device for its implementation Download PDFInfo
- Publication number
- RU2303812C2 RU2303812C2 RU2004138605/09A RU2004138605A RU2303812C2 RU 2303812 C2 RU2303812 C2 RU 2303812C2 RU 2004138605/09 A RU2004138605/09 A RU 2004138605/09A RU 2004138605 A RU2004138605 A RU 2004138605A RU 2303812 C2 RU2303812 C2 RU 2303812C2
- Authority
- RU
- Russia
- Prior art keywords
- cells
- microscope
- series
- neural network
- biological
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
Изобретение относится к медицине и ветеринарии, а именно к применению нейросетевых технологий для повышения скорости и точности распознавания и подсчета клеток в биологических средах человека и животных.The invention relates to medicine and veterinary medicine, in particular to the use of neural network technologies to increase the speed and accuracy of recognition and cell counting in biological environments of humans and animals.
В настоящее время в данной области существует ряд разработок программно-аппаратных комплексов, в том или ином объеме реализующих задачу распознавания и подсчета клеток в биологических средах.Currently, in this area there are a number of developments in hardware and software systems that, to one extent or another, implement the task of recognizing and counting cells in biological media.
Известен способ анализа клеточного состава крови человека по мазку, описанный в патенте РФ №2147123, состоящий в последовательном выполнении следующих операций:A known method of analyzing the cellular composition of human blood by smear, described in the patent of the Russian Federation No. 2147123, consisting in sequentially performing the following operations:
- поля зрения мазка под микроскопом посредством оптико-цифровой системы вводят в память компьютера в виде серии цифровых кадров;- the field of view of the smear under the microscope through the optical-digital system is entered into the computer memory in the form of a series of digital frames;
- клетки всех типов и их внутриклеточные структуры выделяют (сегментируют) в каждом сохраненном кадре;- cells of all types and their intracellular structures secrete (segment) in each saved frame;
- подсчитывают число выделенных клеток каждого типа: эритроцитов, лейкоцитов, тромбоцитов;- count the number of selected cells of each type: red blood cells, white blood cells, platelets;
- определяют соотношения количества эритроцитов, лейкоцитов и тромбоцитов;- determine the ratio of the number of red blood cells, white blood cells and platelets;
- измеряют выделенные объекты (получают их формальное описание), при этом описание объектов содержит характеристики формы, которые позволяют воспроизвести контур объекта с заданной точностью;- measure the selected objects (get their formal description), while the description of the objects contains the characteristics of the form, which allow you to reproduce the contour of the object with a given accuracy;
- определяют распределение тромбоцитов по размерам;- determine the distribution of platelets in size;
- проводят распознавание (классификацию) изображений клеток эритроцитов и лейкоцитов;- conduct recognition (classification) of images of red blood cell and white blood cell cells;
- выделяют нормальные и патологические формы эритроцитов и подсчитывают их соотношение;- isolate normal and pathological forms of red blood cells and calculate their ratio;
- определяют лейкоцитарную формулу.- determine the leukocyte formula.
К недостаткам данного способа можно отнести использование в модели количественных характеристик клетки, не позволяющих восстановить ее форму без погрешности, узкую специализацию модели, не позволяющую анализировать другие биологические среды (плазму, мочу, лимфу и т.д.), а также невозможность подсчета концентрации клеток из-за затруднений в определении истинного объема мазка.The disadvantages of this method include the use in the model of quantitative characteristics of the cell, which does not allow to restore its shape without error, the narrow specialization of the model, which does not allow the analysis of other biological media (plasma, urine, lymph, etc.), as well as the impossibility of calculating cell concentration due to difficulties in determining the true volume of the smear.
Также известен способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов (патент РФ №2132061), состоящий в определении функционалов энергии контуров клеточных компонентов (ядрышка, ядра и цитоплазмы), разбиении изображения на однородные по цветояркости фрагменты (фасеты) и формировании областей изображений клеточных компонент путем объединения фасетов с использованием критерия объединения, обеспечивающего минимизацию функционала энергии контура. Адаптация алгоритма распознавания под конкретный класс изображений цитологических препаратов производится определением параметров модели контуров цитологических объектов с использованием метода обучения с учителем на реальных изображениях. В качестве недостатка следует указать тот факт, что параметры разложения функционала полной энергии контура были определены опытным путем для частного случая (препаратов Ag-NOR реакции лимфоцитов) и затем была показана их применимость (но не оптимальность) в других случаях (неокрашенные эритроциты, моноциты и лимфоциты в мазке крови, окрашенные по Романовскому-Гимза клетки).Also known is a method of adaptive automatic segmentation and recognition of cells in images of cytological preparations (RF patent No. 2132061), which consists in determining the energy functionals of the contours of cellular components (nucleolus, nucleus and cytoplasm), dividing the image into fragments (facets) that are uniform in color brightness and forming image areas cell components by combining facets using a union criterion that minimizes the energy functional of the circuit. The recognition algorithm is adapted to a specific class of images of cytological preparations by determining the parameters of the model of the contours of cytological objects using the teaching method with a teacher on real images. As a disadvantage, it should be noted that the parameters of the decomposition of the functional of the total energy of the circuit were determined empirically for a particular case (preparations of the Ag-NOR reaction of lymphocytes) and then their applicability (but not optimality) was shown in other cases (unpainted red blood cells, monocytes and lymphocytes in a blood smear stained by Romanovsky-Giemsa cells).
Также недостатком является сложность обучения подобной системы, так как для построения обучающей выборки оператору-цитологу необходимо вручную построить все истинные границы клеток и внутриклеточных компонент и указать пороговые ограничения на значения оптической плотности в красном, зеленом, синем цвете, площади фасетов и параметры разложения, что существенно усложняет процесс обучения. К недостаткам следует также отнести узкую специализацию способа и невозможность подсчета концентрации клеток.Another drawback is the difficulty of training such a system, since in order to construct a training sample, the cytologist must manually construct all the true boundaries of the cells and intracellular components and indicate threshold restrictions on the optical density values in red, green, blue, facet area and decomposition parameters, which significantly complicates the learning process. The disadvantages should also include the narrow specialization of the method and the inability to calculate the concentration of cells.
Известен способ анализа изображения клеток крови, полученного с плоской прозрачной подложки, патент США №6330350 от 11.12 2001 года, который включает:A known method of analyzing images of blood cells obtained from a flat transparent substrate, US patent No. 6330350 from 12/12/2001, which includes:
- получение изображения клеток крови;- obtaining images of blood cells;
- сохранение изображения клеток крови в памяти;- preservation of the image of blood cells in memory;
- анализ изображения клеток крови;- analysis of the image of blood cells;
- вычисление множества значений параметров, характеризующих особенности каждой из указанных клеток крови в изображении;- calculation of the set of parameter values characterizing the characteristics of each of these blood cells in the image;
- распознавание клеток крови, базирующееся на указанном множестве значений параметров, характеризующих клетки:- recognition of blood cells, based on the specified set of values of the parameters characterizing the cells:
- извлечение группы пикселей ядра из сохраненных изображений;- extracting a group of core pixels from stored images;
- сохранение данной группы пикселей в памяти;- saving this group of pixels in memory;
- сегментация группы пикселей в индивидуальный кластер, представляющий клетку крови;- segmentation of a group of pixels into an individual cluster representing a blood cell;
- сохранение индивидуального кластера ядер и связанных с ним параметров цитоплазмы;- preservation of an individual cluster of nuclei and related cytoplasmic parameters;
- вычисление параметров каждой клетки, основанное на данных, хранящихся в индивидуальных кластерах, и соответствующих им цитоплазматических данных.- calculation of the parameters of each cell based on the data stored in individual clusters and their corresponding cytoplasmic data.
При этом типы множества параметров, характеризующих клетки, предопределены, и каждый параметр представляет форму и цвет клеток крови, а этап распознавания включает обнаружение клеток нормобласта согласно параметрам, характеризующим клетку, и анализ клеток, не распознанных как клетки нормобласта посредством как минимум двух нейронных сетей. Определение вида каждой клетки происходит, только если выходы указанных нейронных сетей равны между собой.In this case, the types of the set of parameters characterizing the cells are predetermined, and each parameter represents the shape and color of blood cells, and the recognition stage includes the detection of normoblast cells according to the parameters characterizing the cell, and the analysis of cells that are not recognized as normoblast cells through at least two neural networks. The determination of the type of each cell occurs only if the outputs of these neural networks are equal to each other.
Каждая нейронная сеть имеет входной слой, скрытый слой и слой выхода, вес и смещения в скрытом слое каждой нейронной сети определены реверсивным вычислением входных значений от выходов слоев выхода.Each neural network has an input layer, a hidden layer and an output layer, the weight and displacements in the hidden layer of each neural network are determined by reversing the calculation of the input values from the outputs of the output layers.
К недостаткам относятся невозможность обучения нейронных сетей конечным пользователем, узкая специализация, невозможность подсчета концентрации клеток.Disadvantages include the inability to train neural networks by the end user, narrow specialization, the inability to calculate cell concentration.
Данное изобретение является наиболее близким к настоящему способу, поэтому данный патент был принят за прототип.This invention is the closest to the present method, therefore, this patent was adopted as a prototype.
Сущностью изобретения является способ и автоматизированная система распознавания и подсчета клеток в биологических средах человека и животных (кровь, плазма, сперма, моча и другие биологические среды).The invention is a method and an automated system for recognizing and counting cells in biological environments of humans and animals (blood, plasma, semen, urine and other biological environments).
Способ включает:The method includes:
- получение изображения клеток;- image acquisition of cells;
- сохранение изображения клеток;- preservation of the image of cells;
- определение представителя некоторого вида клеток в сохраненных кадрах методом экспертной оценки оператора;- determination of the representative of a certain type of cells in stored frames by the method of expert evaluation of the operator;
- запоминание изображения представителя указанного вида клеток и фона в качестве обучающей выборки;- remembering the image of the representative of the specified type of cells and background as a training sample;
- обучение нейронной сети;- neural network training;
- осуществление контроля оператором с целью формирования уточненной обучающей выборки в случае необходимости и переобучение сети на основе уточненной выборки, либо повторного сканирования изображения при измененном масштабе той же нейронной сетью с целью различения близко расположенных клеток.- monitoring by the operator in order to generate an updated training sample, if necessary, and retraining the network based on the updated sample, or re-scanning the image at a scaled image by the same neural network in order to distinguish closely spaced cells.
Автоматизированная система включает:Automated system includes:
- образец - биологическая среда, помещенная в прозрачную камеру или на твердую подложку;- sample - a biological medium placed in a transparent chamber or on a solid substrate;
- модуль получения изображения биологической среды;- module for obtaining images of the biological environment;
- модуль хранения данных;- data storage module;
- модуль распознавания и подсчета клеток.- module recognition and cell counting.
Настоящим изобретением обеспечивается ряд технических результатов, таких как универсальность, возможность подсчета концентрации клеток, низкая стоимость эксплуатации, повышение быстродействия, повышение точности, простота использования.The present invention provides a number of technical results, such as versatility, the ability to calculate cell concentration, low cost of operation, increased speed, increased accuracy, ease of use.
Целью изобретения является создание универсального способа и автоматизированной системы распознавания и подсчета клеток, способной анализировать клеточный состав различных биологических сред человека и животных с высокой скоростью и точностью, в том числе и за счет способности разделять близко расположенные клетки как в прозрачной камере установленного объема, так и на твердой подложке, при низкой стоимости эксплуатации автоматизированной системы, не требующей наличия у персонала специальных знаний в области математики и программирования.The aim of the invention is the creation of a universal method and an automated system for recognizing and counting cells, capable of analyzing the cellular composition of various biological environments of humans and animals with high speed and accuracy, including due to the ability to separate closely spaced cells both in a transparent chamber of a specified volume and on a solid substrate, at a low cost of operating an automated system that does not require special knowledge in the field of mathematics and programming rations.
Краткое описание чертежейBrief Description of the Drawings
Фиг.1 - общая структурная схема нейронной сети в случае черно-белого изображения. Круг обозначает нейрон, стрелка - связь между нейронами, прямоугольник - значение цвета пикселя в оттенках серого, пунктирная стрелка - ответ нейрона.Figure 1 is a general structural diagram of a neural network in the case of a black and white image. A circle represents a neuron, an arrow represents the relationship between neurons, a rectangle represents the pixel color in grayscale, and a dashed arrow represents the response of a neuron.
Фиг.2 - схема нейрона, где i - номер нейрона предыдущего слоя, j - номер данного нейрона, xij - вход данного пришедшего по i-й связи, wij - вес связи, оj - взвешенная сумма входов, yi - выход нейрона, βj - смещение.Figure 2 - diagram of the neuron, where i is the number of the neuron of the previous layer, j is the number of this neuron, x ij is the input of this one coming through the i-th connection, w ij is the weight of the connection, о j is the weighted sum of the inputs, y i is the output neuron, β j is the displacement.
Фиг.3 - схема алгоритма обучения нейронной сети.Figure 3 - diagram of the learning algorithm of the neural network.
Фиг.4 - блок-схема алгоритма.4 is a block diagram of the algorithm.
фиг.5 - общая схема автоматизированной системы распознавания и подсчета клеток в биологических средах.5 is a general diagram of an automated system for recognizing and counting cells in biological media.
Фиг.6 - применение программы (авторское название NeuroBAS) для подсчета клеток в тромбоконцентрате. Красным подсвечены найденные нейронной сетью тромбоциты. При необходимости, ошибки удаляются оператором и сеть обучается вторично.6 - application of the program (the author’s name is NeuroBAS) for counting cells in a thrombocyte concentrate. Platelets found by the neural network are highlighted in red. If necessary, errors are deleted by the operator and the network is trained again.
Фиг.7 - применение программы NeuroBAS для подсчета клеток в мазке. Красным подсвечены найденные нейронной сетью лимфоциты. При необходимости, ошибки удаляются оператором и сеть обучается вторично.Fig.7 - the use of the NeuroBAS program for counting cells in a smear. The lymphocytes found by the neural network are highlighted in red. If necessary, errors are deleted by the operator and the network is trained again.
фиг.8 - применение программы NeuroBAS для подсчета эритроцитов цыпленка. Красным подсвечены найденные нейронной сетью эритроциты. При необходимости, ошибки удаляются оператором и сеть обучается вторично.Fig. 8 shows the use of the NeuroBAS program for counting chicken red blood cells. The red blood cells found by the neural network are highlighted in red. If necessary, errors are deleted by the operator and the network is trained again.
Модуль получения изображения образца биологической среды, помещенной в прозрачную камеру или на твердую подложку, состоит из бинокулярного микроскопа и электронной системы ввода изображений. Модуль хранения данных реализован на основе ПК с применением серверных технологий хранения данных. Модули создания цифрового образа и распознавания и подсчета клеток реализован на основе ПК и являются клиентскими приложениями относительно модуля хранения данных. Клиент-серверная архитектура системы имеет ряд преимуществ:The image acquisition module of a sample of a biological medium placed in a transparent chamber or on a solid substrate consists of a binocular microscope and an electronic image input system. The data storage module is implemented on the basis of a PC using server-based data storage technologies. Modules for creating a digital image and recognition and cell counting are implemented on a PC basis and are client applications for a data storage module. The client-server system architecture has several advantages:
- возможность параллельной обработки полученных данных несколькими компьютерами, что позволяет нескольким модулям подсчета одновременно производить обработку образцов;- the possibility of parallel processing of the received data by several computers, which allows several counting modules to simultaneously process the samples;
- большая защищенность от программных и аппаратных сбоев;- Greater security against software and hardware failures;
- независимость функционирования отдельных модулей.- independence of the functioning of individual modules.
Сочетание указанных преимуществ с возможностью проведения параллельных вычислений позволяет повысить производительность и надежность автоматизированной системы в целом.The combination of these advantages with the possibility of parallel computing can improve the performance and reliability of the automated system as a whole.
Возможная реализация автоматизированной системы: образец - биологическая среда, помещенная на твердую подложку или в прозрачную камеру; модуль получения изображения, состоящий из бинокулярного микроскопа Motic DMB3 и цифровой системы ввода изображений VS-CTT-252; модуль хранения данных - ПК под управлением СУБД Линтер в следующей комплектации - процессор Intel Pentium4 2.8 Ghz, ОЗУ 512 mb, жесткий диск 120 GB 7200 об/мин, видеокарта directх8-совместимая, сетевая карта 3com905В; модуль распознавания и подсчета - ПК с установленной программой, разработанной авторами настоящего изобретения (авторское название программы Neurobas) в следующей комплектации - Pentium4 2.0 Ghz, ОЗУ 512 mb, жесткий диск 60 GB 7200 об/мин, видеокарта directx8-совместимая, сетевая карта 3com905В.A possible implementation of an automated system: a sample is a biological medium placed on a solid substrate or in a transparent chamber; image acquisition module consisting of a Motic DMB3 binocular microscope and a digital image capture system VS-CTT-252; data storage module - a PC running DBMS Linter in the following configuration - Intel Pentium4 2.8 Ghz processor, 512 mb RAM, 120 GB 7200 rpm hard disk, directx8-compatible video card, 3com905V network card; recognition and counting module — a PC with the installed program developed by the authors of the present invention (the author’s name is Neurobas) in the following configuration - Pentium4 2.0 Ghz, 512 mb RAM, 60 GB 7200 rpm hard disk, directx8-compatible video card, 3com905V network card.
Прозрачная камера либо твердая подложка с анализируемой средой помещается на предметное стекло микроскопа. Оператор производит фокусировку, съемку образца, кадры в автоматическом режиме передаются в модуль хранения данных. Затем оператором активируется модуль распознавания и подсчета (фиг.5). Для этого необходимо запустить программу NeuroBAS, выбрать образец, существующую нейронную сеть либо топологию (количество элементов в каждом слое) и параметры обучения создаваемой нейронной сети, параметры распознавания (количество анализируемых кадров, разведение биологической среды и т.д.). В случае если выбрана существующая нейронная сеть и указаны все необходимые параметры, в автоматическом режиме производится распознавание и подсчет. Из изображения анализируемой среды выделяется фрагмент размера М×N пикселей, предположительно являющийся изображением целевой клетки, при этом учитываются размеры клеток, входящих в обучающую выборку нейронной сети (размер фрагмента не превышает максимальных размеров клетки из обучающей выборки). Затем формируется входной вектор нейронной сети, представляющий собой упорядоченный набор значений цветов пикселей, входящих во фрагмент (например, в оттенках серого цвета). На основании данного вектора нейронная сеть распознает клетку и в случае, если она принадлежит целевому множеству, включает центральную область данной клетки в маску, сохраняющую взаимное расположение целевых клеток в кадре. Данный процесс повторяется до тех пор, пока не будут проанализированы все изображения во всех кадрах. При этом производится подсчет целевых клеток. Затем результат (число целевых клеток и маска, показывающая расположение клеток в кадре) предъявляется оператору для визуального контроля. В случае ошибок распознавания из-за близости целевых клеток возможно повторное распознавание и подсчет при измененном масштабе изображения.A transparent chamber or a solid substrate with the analyzed medium is placed on a microscope slide. The operator focuses, takes a sample, the frames are automatically transferred to the data storage module. Then the operator activates the recognition and counting module (figure 5). To do this, you need to run the NeuroBAS program, select a sample, an existing neural network or topology (the number of elements in each layer) and the training parameters of the created neural network, recognition parameters (the number of frames analyzed, breeding of the biological environment, etc.). If an existing neural network is selected and all the necessary parameters are indicated, recognition and counting are performed automatically. A fragment of size M × N pixels, presumably being an image of the target cell, is extracted from the image of the analyzed medium, while the sizes of the cells included in the training set of the neural network are taken into account (the fragment size does not exceed the maximum sizes of the cells from the training set). Then the input vector of the neural network is formed, which is an ordered set of color values of the pixels included in the fragment (for example, in shades of gray). Based on this vector, the neural network recognizes the cell and, if it belongs to the target set, includes the central region of this cell in the mask, which preserves the relative position of the target cells in the frame. This process is repeated until all images in all frames are analyzed. In this case, the target cells are counted. Then the result (the number of target cells and a mask showing the location of cells in the frame) is presented to the operator for visual inspection. In the case of recognition errors due to the proximity of the target cells, it is possible to re-recognize and count with a changed image scale.
В случае создания новой нейронной сети, оператор указывает набор клеток, типичных для данного вида, и фон (помечая мышью), формируя обучающую выборку. На основе данной выборки в автоматическом режиме производится обучение сети. После успешного завершения обучения оператор указывает параметры распознавания и производится автоматическое распознавание и подсчет целевых клеток.In the case of creating a new neural network, the operator indicates the set of cells typical for this species, and the background (marking with the mouse), forming a training sample. Based on this sample, the network is automatically trained. After successful completion of training, the operator indicates the recognition parameters and the target cells are automatically recognized and counted.
Примеры примененияApplication examples
1. Тромбоконцентрат после тщательного перемешивания разводится в 36 раз (1:35) цитратдекстрозным буфером, полученной суспензией заполняется прозрачная камера глубиной 100 мкм. После оседания клеток на дно камеры осуществляется съемка, изображения запоминаются в памяти компьютера. После этого запускается программа NeuroBAS для автоматического подсчета тромбоцитов. Результат подсчета 1.118,5·109 клеток/л. Количество кадров 16.1. The thromboconcentrate after thorough mixing is diluted 36 times (1:35) with citrate dextrose buffer, the suspension obtained is filled in a transparent chamber with a depth of 100 μm. After the cells settle to the bottom of the camera, shooting is carried out, the images are stored in the computer's memory. After that, the NeuroBAS program for automatic platelet counting starts. The counting result is 1.118.5 · 10 9 cells / L. The number of frames is 16.
2. Стандартно изготовленный мазок помещается в микроскоп. Производится съемка, изображения сохраняются в памяти компьютера, после чего запускается программа NeuroBAS и производится автоматический подсчет содержания лейкоцитов. Количество лейкоцитов в кадре 37.2. A standardly made smear is placed in a microscope. Shooting is performed, images are saved in the computer's memory, after which the NeuroBAS program is launched and the white blood cell count is automatically calculated. The number of leukocytes in the frame is 37.
3. Кровь цыпленка разводится в 201 раз (1:200) 0.9% раствором хлорида натрия. Полученной суспензией заполняется прозрачная камера глубиной 100 мкм. После оседания клеток на дно камеры осуществляется съемка, изображения запоминаются в памяти компьютера. После этого запускается программа NeuroBAS для автоматического подсчета эритроцитов. Количество клеток в кадре 22.3. Chicken blood is diluted 201 times (1: 200) with 0.9% sodium chloride solution. The resulting suspension is filled in a transparent chamber with a depth of 100 μm. After the cells settle to the bottom of the camera, shooting is performed, the images are stored in the computer's memory. After that, the NeuroBAS program is launched to automatically count red blood cells. The number of cells in the frame 22.
Таким образом, настоящее изобретение обеспечивает все заявленные технические результаты, а именно:Thus, the present invention provides all the claimed technical results, namely:
- универсальность - достигается за счет возможности обучения и использования в качестве входного вектора нейронной сети цифрового образа целевой клетки, а не набора характеристик, специфичных для определенных типов клеток (например, клеток крови);- universality - is achieved due to the possibility of training and using as an input vector of the neural network a digital image of the target cell, and not a set of characteristics specific to certain types of cells (for example, blood cells);
- подсчет концентрации - достигается за счет возможности анализа не только сухого мазка, но и жидкости в прозрачной камере установленного объема;- concentration calculation - is achieved due to the possibility of analyzing not only a dry smear, but also liquid in a transparent chamber of a specified volume;
- низкая стоимость эксплуатации - достигается за счет отсутствия необходимости в дополнительных расходных материалах и реагентах, использовании стандартных, широко распространенных комплектующих;- low cost of operation - achieved due to the lack of need for additional consumables and reagents, the use of standard, widespread components;
- повышение быстродействия - достигается за счет применения нейросетевых технологий, в основе которых лежит эмуляция параллельного функционирования определенного числа простейших процессоров, требующих малого количества ресурсов современных ПК и многопроцессорных технологий, позволяющих производить распознавание и подсчет одновременно на нескольких ПК;- increased performance - achieved through the use of neural network technologies, which are based on the emulation of the parallel operation of a certain number of simple processors that require a small amount of modern PC resources and multiprocessor technologies that allow recognition and counting on multiple PCs at the same time;
- повышение точности - достигается за счет повторного сканирования в другом масштабе для распознавания близко расположенных клеток и возможности повторного обучения нейронной сети после уточнения оператором обучающей выборки;- improved accuracy - achieved by re-scanning at a different scale to recognize closely spaced cells and the possibility of re-training the neural network after the operator has specified the training sample;
- простота использования - для формирования обучающей выборки оператор помечает несколько целевых клеток, для уточнения результата оператор удаляет элементы маски, все операции производятся мышью.- ease of use - to form a training sample, the operator marks several target cells, to clarify the result, the operator deletes the mask elements, all operations are performed with the mouse.
Claims (2)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2004138605/09A RU2303812C2 (en) | 2004-12-29 | 2004-12-29 | Method for identifying and calculating cells in human and animal biological media and device for its implementation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2004138605/09A RU2303812C2 (en) | 2004-12-29 | 2004-12-29 | Method for identifying and calculating cells in human and animal biological media and device for its implementation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2004138605A RU2004138605A (en) | 2006-06-10 |
| RU2303812C2 true RU2303812C2 (en) | 2007-07-27 |
Family
ID=36712502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2004138605/09A RU2303812C2 (en) | 2004-12-29 | 2004-12-29 | Method for identifying and calculating cells in human and animal biological media and device for its implementation |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2303812C2 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2488821C1 (en) * | 2011-12-21 | 2013-07-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" | Method for erythrocyte count on blood smear photos (versions) |
| RU2575417C2 (en) * | 2011-08-18 | 2016-02-20 | Сименс Акциенгезелльшафт | Method for computer modelling of engineering system |
| US10133981B2 (en) | 2011-08-18 | 2018-11-20 | Siemens Aktiengesellschaft | Method for the computer-assisted modeling of a wind power installation or a photovoltaic installation with a feed forward neural network |
| RU2698909C1 (en) * | 2018-12-12 | 2019-09-02 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский государственный медицинский университет имени академика Е.А. Вагнера" Министерства здравоохранения Российской Федерации | Diagnostic technique for malignant pleural effusion |
| RU2755553C1 (en) * | 2018-05-22 | 2021-09-17 | Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. | Method for locating bone marrow leukocytes based on saturation aggregation |
-
2004
- 2004-12-29 RU RU2004138605/09A patent/RU2303812C2/en not_active IP Right Cessation
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2575417C2 (en) * | 2011-08-18 | 2016-02-20 | Сименс Акциенгезелльшафт | Method for computer modelling of engineering system |
| US10133981B2 (en) | 2011-08-18 | 2018-11-20 | Siemens Aktiengesellschaft | Method for the computer-assisted modeling of a wind power installation or a photovoltaic installation with a feed forward neural network |
| RU2488821C1 (en) * | 2011-12-21 | 2013-07-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" | Method for erythrocyte count on blood smear photos (versions) |
| RU2755553C1 (en) * | 2018-05-22 | 2021-09-17 | Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. | Method for locating bone marrow leukocytes based on saturation aggregation |
| RU2698909C1 (en) * | 2018-12-12 | 2019-09-02 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский государственный медицинский университет имени академика Е.А. Вагнера" Министерства здравоохранения Российской Федерации | Diagnostic technique for malignant pleural effusion |
| RU2820983C2 (en) * | 2019-03-22 | 2024-06-14 | Сисмекс Корпорейшн | Cellular analysis method, training method for deep learning algorithm, cellular analysis device, training device for deep learning algorithm, cellular analysis program and training program for deep learning algorithm |
| RU2814958C2 (en) * | 2019-03-28 | 2024-03-07 | Био-Рад Юроп Гмбх | Device and method for classification of images of reactions in gel cards |
| RU2814825C1 (en) * | 2023-04-03 | 2024-03-05 | Мария Вячеславовна Кузнецова | Method of determining adhesive activity of lactobacilli and/or bifidobacteria of probiotic or autoprobiotic preparation and method of individual selection of these preparations |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2004138605A (en) | 2006-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113454733B (en) | Multi-instance learner for prognostic tissue pattern recognition | |
| US20220237788A1 (en) | Multiple instance learner for tissue image classification | |
| Onoro-Rubio et al. | Towards perspective-free object counting with deep learning | |
| Saraswat et al. | Automated microscopic image analysis for leukocytes identification: A survey | |
| Mathur et al. | Crosspooled FishNet: transfer learning based fish species classification model | |
| Nattkemper et al. | A neural classifier enabling high-throughput topological analysis of lymphocytes in tissue sections | |
| Marzahl et al. | Deep learning-based quantification of pulmonary hemosiderophages in cytology slides | |
| Raudonis et al. | Towards the automation of early-stage human embryo development detection | |
| Barreiros et al. | Zebrafish tracking using YOLOv2 and Kalman filter | |
| CN108596046A (en) | A kind of cell detection method of counting and system based on deep learning | |
| CN113574534A (en) | Machine learning using distance-based similarity labels | |
| KR102122068B1 (en) | Image analyzing system and method thereof | |
| JPH0352573B2 (en) | ||
| US11804029B2 (en) | Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images | |
| Le et al. | Benchmarking and automating the image recognition capability of an In situ plankton imaging system | |
| Saifullah et al. | Nondestructive chicken egg fertility detection using CNN-transfer learning algorithms | |
| RU2303812C2 (en) | Method for identifying and calculating cells in human and animal biological media and device for its implementation | |
| Sosa-Trejo et al. | Vision-based techniques for automatic marine plankton classification | |
| Shishkin et al. | Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment | |
| Yildirim et al. | Classification of flower species using CNN models, Subspace Discriminant, and NCA | |
| Tan et al. | Automated human sperm tracking using mean shift-collision detection and modified covariance matrix method | |
| Verdier et al. | A maximum mean discrepancy approach reveals subtle changes in α-synuclein dynamics | |
| Sbalzarini | Analysis, modeling, and simulation of diffusion processes in cell biology | |
| Häder | Image analysis for bioassays–the basics | |
| Diyasa et al. | Abnormality Determination of Spermatozoa Motility Using Gaussian Mixture Model and Matching-based Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20071230 |