RU2353295C2 - Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma - Google Patents
Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma Download PDFInfo
- Publication number
- RU2353295C2 RU2353295C2 RU2007117265/14A RU2007117265A RU2353295C2 RU 2353295 C2 RU2353295 C2 RU 2353295C2 RU 2007117265/14 A RU2007117265/14 A RU 2007117265/14A RU 2007117265 A RU2007117265 A RU 2007117265A RU 2353295 C2 RU2353295 C2 RU 2353295C2
- Authority
- RU
- Russia
- Prior art keywords
- follicular
- image
- smears
- images
- tumor
- Prior art date
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
Изобретение относится к медицине, в частности к онкологии, и может быть использовано для дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы.The invention relates to medicine, in particular to oncology, and can be used for the differential diagnosis of follicular adenoma and follicular thyroid cancer.
Известен способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы, включающий забор материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции; приготовление мазков опухоли, их окраска для цитологического анализа; исследование клеток с помощью системы анализа изображения, состоящей из микроскопа проходящего света, цветной видеокамеры, компьютера и программы компьютерной кариоцитометрии, проводят оценку значений 13 групп качественных цитологических признаков, включающих 32 признака: наличие нормального или плотного фолликулярного коллоида или его отсутствие, преобладающие структуры (фолликулы, пласты, разрозненные клетки), виды фолликулов (однотипные, выраженный размерный полиморфизм, шаровидные, атипичные), граница цитоплазмы (четкая, нечеткая), локализация вакуолей в клетках (по периферии, около ядра), форма ядра (округлая, овальная), контур ядра (ровный, неровный), полиморфизм ядер (выражен слабо, значительный), наслоение ядер, наличие «голых» ядер (ядра клеток, полностью утративших цитоплазму), структура хроматина (равномерная, неравномерная, мелкозернистая, крупнозернистая), наличие внутриядерных включений, вакуолей в ядре (да, нет), количество ядрышек (одиночные, множественные), их положение (центральное, эксцентрическое); определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок, присвоение ему финального значения 1, в остальных случаях - 0; анализ значений признаков пациента с помощью компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы на выборке качественных цитологических признаков мазков пациентов с гистологически установленным диагнозом, заключение о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы (1). Недостатком известного способа является его трудоемкость и субъективность при оценке качественных цитологических признаков.A known method for the differential diagnosis of follicular adenoma and follicular thyroid cancer, comprising collecting material from a patient’s thyroid tumor by aspirating fine-needle puncture and / or scraping from a section of tumor tissue removed during surgery; preparation of smears of the tumor, their color for cytological analysis; cell research using an image analysis system consisting of a transmitted light microscope, a color video camera, a computer and computer karyocytometry software, assesses the values of 13 groups of qualitative cytological signs, including 32 signs: the presence of a normal or dense follicular colloid or its absence, prevailing structures (follicles , strata, scattered cells), types of follicles (of the same type, pronounced dimensional polymorphism, spherical, atypical), the border of the cytoplasm (clear, fuzzy), localization of vacuoles in the cells (along the periphery, near the nucleus), the shape of the nucleus (round, oval), the contour of the nucleus (even, uneven), the polymorphism of the nuclei (weak, significant), the layering of nuclei, the presence of “bare” nuclei (nuclei of cells, completely having lost the cytoplasm), chromatin structure (uniform, uneven, fine-grained, coarse-grained), the presence of intranuclear inclusions, vacuoles in the nucleus (yes, no), the number of nucleoli (single, multiple), their position (central, eccentric); determination for each qualitative cytological characteristic of the total frequency of its occurrence in smears and when the threshold value established for each symptom by expert assessments is exceeded, assigning it a final value of 1, in other cases - 0; analysis of the values of the patient’s signs using a computer program such as “neural networks”, previously trained to distinguish between follicular cancer and follicular adenoma of the thyroid gland on a sample of qualitative cytological signs of smears of patients with a histologically established diagnosis, the conclusion that the patient has follicular adenoma or follicular thyroid cancer (1 ) The disadvantage of this method is its complexity and subjectivity in assessing quality cytological signs.
Известен способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы, включающий забор материала путем аспирационной тонкоигольной пункции щитовидной железы пациента и/или соскоба с разреза ткани опухоли щитовидной железы, удаленной во время операции; приготовление мазков опухоли, их стандартная окраска (например, по Романовскому-Гимза) для цитологического анализа; исследование 100-150 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей из микроскопа проходящего света (например, «AxioStar+» фирмы Carl Zeiss), цветной видеокамеры (например, «JVC»), компьютера (например, Pentium IV IBM) и программы компьютерной кариоцитометрии (например, Axio-Vision 3.1); оценка трех качественных цитологических признаков: наличие атипичных фолликулов, наслоение ядер клеток, наличие неравномерной структуры хроматина; определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок (как правило, в пределах 50-70%), присвоение ему финального значения 1, в остальных случаях - 0; дополнительная оценка четырех количественных цитологических признаков: площадь ядра клетки, оптическая плотность ядра клетки по шкале градаций серого; оценка доли величин площади ядра клетки, находящихся в интервале между средней величиной плюс два средних квадратичных отклонения и максимальной величиной [MS+2CKO, МахS]; оценка доли величин оптической плотности ядра клетки по серой шкале, находящихся в интервале между средней величиной плюс два средних квадратичных отклонения и максимальной величиной [МОП+2CKO, MaxОП]; анализ значений качественных и количественных признаков пациента с помощью двухслойной сигмоидальной компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по заданной совокупности качественных и количественных признаков мазков пациентов с гистологически установленным диагнозом; заключение о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы (2).A known method for the differential diagnosis of follicular adenoma and follicular thyroid cancer, comprising collecting material by aspirating fine-needle puncture of the thyroid gland of a patient and / or scraping from an incision of a tissue of a thyroid tumor removed during surgery; preparation of smears of the tumor, their standard color (for example, according to Romanovsky-Giemsa) for cytological analysis; examination of 100-150 cells in three or more smears of a patient using an image analysis system consisting of a transmitted light microscope (for example, AxioStar + by Carl Zeiss), a color video camera (for example, JVC), a computer (for example, Pentium IV IBM ) and computer karyocytometry programs (for example, Axio-Vision 3.1); assessment of three qualitative cytological signs: the presence of atypical follicles, stratification of the nuclei of cells, the presence of an uneven chromatin structure; determination for each qualitative cytological characteristic of the total frequency of its occurrence in smears and when the threshold value established for each symptom is exceeded by expert estimates (usually within 50-70%), assigning it a final value of 1, in other cases - 0; an additional assessment of four quantitative cytological features: the area of the cell nucleus, the optical density of the cell nucleus on a gray scale; estimation of the fraction of cell nucleus area values that are in the interval between the average value plus two standard deviations and the maximum value [M S + 2CKO, Max S ]; assessment of the fraction of the optical density of the cell nucleus on a gray scale, which is in the interval between the average value plus two standard deviations and the maximum value [M OD + 2CKO, Max OD ]; analysis of the qualitative and quantitative characteristics of a patient using a two-layer sigmoidal computer program such as “neural networks”, previously trained to distinguish between follicular cancer and follicular thyroid adenoma by a given set of qualitative and quantitative signs of smears of patients with a histologically established diagnosis; the conclusion that the patient has follicular adenoma or follicular thyroid cancer (2).
Недостатком известного способа является субъективность диагностики, обусловленная зависимостью качества анализа от квалификации специалиста, непригодность используемой двухслойной сигмоидальной компьютерной программы типа «нейронные сети» для автоматизированного (без участия специалиста) анализа изображений после обучения программы на эталонных образцах с гистологически установленным диагнозом.The disadvantage of this method is the subjectivity of the diagnosis, due to the dependence of the quality of the analysis on the qualifications of a specialist, the unsuitability of the used two-layer sigmoidal computer program such as "neural networks" for automated (without the participation of a specialist) image analysis after training the program on standard samples with a histologically established diagnosis.
Задачей, на решение которой направлено изобретение, является повышение объективности диагностики, устранение зависимости ее качества от недостаточной квалификации специалиста, обеспечение автоматического режима диагностики без участия специалиста после предварительного обучения компьютерной программы по эталонным образцам с предварительно установленным высококвалифицированными специалистами гистологическим диагнозом.The task to which the invention is directed is to increase the objectivity of diagnostics, eliminate the dependence of its quality on insufficient qualifications of a specialist, ensure an automatic diagnostic mode without the participation of a specialist after preliminary training of a computer program on standard samples with a histological diagnosis pre-established by highly qualified specialists.
Решение поставленной задачи достигается тем, что исходные цифровые изображения мазков опухолей получают при увеличении под микроскопом в 400 раз с разрешением 1388×1040 пикселей, соответствующих диапазону пространственных частот 1-128 в относительных единицах, уменьшают исходные изображения до размера 256×256 пикселей; проводят автоматическую диагностику опухолей по исходным изображениям окрашенных мазков с помощью компьютерной программы, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходных изображений наиболее существенные их признаки в диапазоне пространственных частот 96-128 условных единиц, позволяющие разделить эти изображения на два класса, соответствующие фолликулярной аденоме или фолликулярному раку; с помощью компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон первого слоя; в пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (типа опухоли), к которому отнесено эталонное изображение; среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью единственного нейрона второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы.The solution of this problem is achieved by the fact that the original digital images of smears of tumors are obtained by magnification under a microscope 400 times with a resolution of 1388 × 1040 pixels, corresponding to the range of spatial frequencies 1-128 in relative units, reduce the original image to a size of 256 × 256 pixels; they automatically diagnose tumors from the initial images of stained smears using a computer program that includes a pre-processor that automatically selects, based on the analysis of the Fourier spectrum of the original images, their most significant features in the spatial frequency range of 96-128 conventional units, allowing these images to be divided into two classes corresponding to follicular adenoma or follicular cancer; using a computer program, each reference image of the training sample is associated with a neuron of the first layer; in the space of the converted images, the neurons of the first layer evaluate the Euclidean distance from each reference image of the training sample to the test image, while the obtained ratings are assigned a positive or negative sign depending on the class (type of tumor) to which the reference image belongs; among the neurons of the first layer in each of the two classes, several winners are identified for the minimum Euclidean distance from the reference image to the test one; using a single neuron of the second layer, the reciprocal values of the Euclidean distances taken with the corresponding sign are summed up in the “winners” groups and based on the comparison of the sum with the zero threshold value, the class of the test image corresponding to follicular adenoma or follicular thyroid cancer is determined.
Диагноз устанавливается с точностью 95%.The diagnosis is established with an accuracy of 95%.
Описание изобретенияDescription of the invention
Способ дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы согласно заявленному изобретению включает следующие этапы.The method for differential diagnosis of follicular cancer and follicular adenoma of the thyroid gland according to the claimed invention includes the following steps.
1. Забор материала путем аспирационной тонкоигольной пункции щитовидной железы пациента и/или соскоба с разреза ткани опухоли щитовидной железы, удаленной во время операции.1. The collection of material by aspiration of fine-needle puncture of the thyroid gland of the patient and / or scraping from an incision of the tissue of the thyroid tumor removed during the operation.
2. Приготовление мазков опухоли, их стандартная окраска (например, по Романовскому-Гимза) для цитологического анализа.2. Preparation of tumor smears, their standard color (for example, according to Romanovsky-Giemsa) for cytological analysis.
3. Получение цифровых изображений мазков опухоли при суммарном увеличении изображения под микроскопом в 400 раз (произведение увеличения объектива на увеличение окуляра) с разрешением 1388×1040 пикселей с помощью системы анализа изображения, состоящей из микроскопа проходящего света (например, «AxioStar+» фирмы Carl Zeiss), цифровой видеокамеры (например, «Zeiss Axiocam HR», Germany), компьютера (например, Pentium IV IBM) и программы компьютерной кариоцитометрии (например, AxioVision 3.1 Carl Zeiss, Germany).3. Obtaining digital images of tumor smears when the total magnification of the image under the microscope is 400 times (the product of the magnification of the lens and the magnification of the eyepiece) with a resolution of 1388 × 1040 pixels using an image analysis system consisting of a transmitted light microscope (for example, “AxioStar +” by Carl Zeiss ), a digital video camera (for example, Zeiss Axiocam HR, Germany), a computer (for example, Pentium IV IBM), and computer karyocytometry programs (for example, AxioVision 3.1 Carl Zeiss, Germany).
4. Уменьшение исходных цифровых изображений мазков опухоли до размера 256×256 пикселей (диапазон пространственных частот 1-128 в относительных единицах).4. Reduction of the initial digital images of smears of the tumor to a size of 256 × 256 pixels (spatial frequency range 1-128 in relative units).
5. Для реализации способа используют двухслойную компьютерную программу, включающую предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходных изображений мазков опухоли их наиболее существенные признаки в диапазоне пространственных частот 96-128 условных единиц, позволяющие разделить исходные изображения на два класса, соответствующие фолликулярной аденоме или фолликулярному раку. На основе выделенных существенных признаков исходных изображений компьютерная программа формирует преобразованные изображения мазков опухоли. Каждому эталонному изображению обучающей выборки ставится в соответствие нейрон первого слоя, т.е. число нейронов первого слоя равно числу эталонных изображений. В пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (два класса, соответствующие двум типам опухоли), к которому отнесено эталонное изображение. Например, эвклидовым расстояниям от эталонного изображения класса, соответствующего фолликулярной аденоме, до тестируемого изображения присваивается знак плюс, а от эталонного изображения класса, соответствующего фолликулярну раку до тестируемого изображения - знак минус. Среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого. С помощью единственного нейрона второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей», и на основе сравнения суммы с пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы. Все указанные действия осуществляются с помощью компьютерной программы автоматически, без участия специалиста.5. To implement the method, a two-layer computer program is used, which includes a pre-processor that automatically selects the most significant signs of the tumor smears based on the Fourier spectrum of the original images of the tumor smears in the spatial frequency range of 96-128 conventional units, allowing you to divide the original image into two classes corresponding to follicular adenoma or follicular cancer. Based on the selected essential features of the original images, the computer program generates converted images of the smears of the tumor. Each reference image of the training sample is associated with a neuron of the first layer, i.e. the number of neurons in the first layer is equal to the number of reference images. In the space of the converted images, the neurons of the first layer estimate the Euclidean distance from each reference image of the training sample to the test image, while the obtained ratings are assigned a positive or negative sign depending on the class (two classes corresponding to two types of tumor), to which the reference image is assigned. For example, the Euclidean distances from the reference image of the class corresponding to the follicular adenoma to the test image are given the plus sign, and from the reference image of the class corresponding to the follicular adenoma to the test image, the minus sign. Among the first layer neurons in each of the two classes, several winners are identified for the minimum Euclidean distance from the reference image to the test one. Using a single neuron of the second layer, the reciprocal values of the Euclidean distances taken with the corresponding sign are summed up in the “winner” groups, and based on the comparison of the sum with the threshold value, the class of the test image corresponding to follicular adenoma or follicular thyroid cancer is determined. All these actions are carried out using a computer program automatically, without the participation of a specialist.
6. Предварительное обучение двухслойной компьютерной программы типа «нейронные сети» проводят в режимах, указанных в п.5, по не менее 30 эталонным изображениям мазков опухоли с гистологически установленным диагнозом (по 3 изображения на каждого из 10 пациентов с установленным гистологическим диагнозом). При этом в качестве тестируемых изображений мазков опухоли щитовидной железы используют эталонные образцы с заранее установленным диагнозом, но не вошедшие в обучающую выборку.6. Preliminary training of a two-layer computer program of the “neural network” type is carried out in the modes specified in clause 5 using at least 30 reference images of tumor smears with a histologically established diagnosis (3 images for each of 10 patients with an established histological diagnosis). At the same time, reference samples with a pre-established diagnosis, but not included in the training set, are used as test images of smears of the thyroid gland tumor.
7. После обучения компьютерной программы диагностика тестируемых мазков опухоли пациентов проводится автоматически (см. пункт 5), что позволяет исключить субъективность в оценке и снизить трудоемкость способа. При необходимости объем обучающей выборки эталонных образцов может быть увеличен, что требует повторения процесса обучения компьютерной программы.7. After training the computer program, the diagnosis of the test smears of the patient’s tumor is carried out automatically (see paragraph 5), which eliminates the subjectivity in the assessment and reduces the complexity of the method. If necessary, the volume of the training sample of reference samples can be increased, which requires a repetition of the learning process of a computer program.
8. В качестве двухслойной компьютерной программы типа «нейронной сети», способной осуществить автоматическую диагностику тестируемых мазков опухоли пациентов согласно пункту 5, может быть применена программа «Нейрокласс» (3).8. As a two-layer computer program of the “neural network” type, capable of automatically diagnosing the test smears of patient tumors according to paragraph 5, the “Neuroclass” program can be used (3).
Примеры конкретного выполненияCase Studies
Получено 115 интраоперационных соскоба с образцов новообразований у больных с фолликулярными опухолями (аденома и рак) щитовидной железы. Приготовлены мазки и окрашены по стандартной методике по Романовскому-Гимза для последующего цитологического анализа (окраска срезов гематоксилин-эозином).Received 115 intraoperative scrapings from samples of neoplasms in patients with follicular tumors (adenoma and cancer) of the thyroid gland. Smears were prepared and stained according to the standard Romanovsky-Giemsa technique for subsequent cytological analysis (staining of sections with hematoxylin-eosin).
С помощью системы анализа изображения, состоящей из светового микроскопа (AxioStar+, Carl Zeiss, Germany), цифровой видеокамеры (Zeiss Axiocam HR, Germany), совмещенных с компьютером (Pentium IV/2400 MHz computer, 512 Mb RAM, 160 Gb HDD), и программы анализа изображений (AxioVision 3.1, Carl Zeiss, Germany), получали изображения трех полей зрения мазков опухоли каждого пациента при увеличении изображения под микроскопом в 400 раз с разрешением 1388×1040 пикселей согласно заявленному изобретению.Using an image analysis system consisting of a light microscope (AxioStar +, Carl Zeiss, Germany), a digital video camera (Zeiss Axiocam HR, Germany) combined with a computer (Pentium IV / 2400 MHz computer, 512 Mb RAM, 160 Gb HDD), and image analysis programs (AxioVision 3.1, Carl Zeiss, Germany), obtained images of three fields of view of smears of the tumor of each patient by magnifying the image under a microscope 400 times with a resolution of 1388 × 1040 pixels according to the claimed invention.
Исходные изображения уменьшали до размера 256×256 пикселей (диапазон пространственных частот 1-128 в относительных единицах).The original images were reduced to a size of 256 × 256 pixels (spatial frequency range 1-128 in relative units).
В качестве диагностирующей системы, разделяющей множество изображений на два класса («аденома» или «фолликулярный рак»), использовали компьютерную программу «Нейрокласс» (3), представляющую собой двухслойную нейронную сеть.As a diagnostic system, dividing many images into two classes ("adenoma" or "follicular cancer"), the computer program "Neuroclass" (3), which is a two-layer neural network, was used.
Для предварительного обучения компьютерной программы на распознавание фолликулярного рака и фолликулярной аденомы щитовидной железы ретроспективно были изучены стандартно окрашенные по Романовскому-Гимза цитологические мазки опухолей щитовидной железы 30 больных, полученные при интраоперационном соскобе во время хирургического вмешательства. Всем пациентам при гистологическом исследовании удаленной опухолевой ткани независимыми высококвалифицированными экспертами установлены диагнозы фолликулярной аденомы или фолликулярного рака, не вызывающие сомнения. Для обучения компьютерной программы использовали по три эталонных изображения 15 пациентов с фолликулярной аденомой и 15 пациентов с фолликулярным раком щитовидной железы согласно заявленному изобретению в диапазоне пространственных частот 96-128 условных единиц, дающем наилучшие для данного типа опухолей (с точки зрения правильного распознавания) результаты. Результаты классификации приведены в таблице 1.For preliminary training of a computer program for recognition of follicular cancer and follicular adenoma of the thyroid gland, the standard Romanovsky-Giemsa stained cytological smears of thyroid tumors of 30 patients obtained by intraoperative scraping during surgical intervention were retrospectively studied. All patients with histological examination of the removed tumor tissue by independent highly qualified experts were diagnosed with follicular adenoma or follicular cancer without doubt. For the training of the computer program, three reference images of 15 patients with follicular adenoma and 15 patients with follicular thyroid cancer according to the claimed invention in the spatial frequency range of 96-128 conventional units, giving the best results for this type of tumor (from the point of view of correct recognition), were used. The classification results are shown in table 1.
С помощью обученной компьютерной программы «Нейрокласс» (3) провели анализ согласно заявленному способу изображений мазков опухоли 45 больных фолликулярной аденомой и 39 больных фолликулярным раком с установленным гистологическим диагнозом, не включенных в обучающую выборку. Программа «Нейрокласс» на основе сравнения с эталонными изображениями мазков опухоли контрольной группы пациентов, использованных для обучения, в 95% случаев выставила на выходе правильное заключение о диагнозе «фолликулярный рак» или «фолликулярная аденома» у пациентов опытной группы.Using the trained computer program "Neuroclass" (3), an analysis was carried out according to the claimed method for the image of tumor smears of 45 patients with follicular adenoma and 39 patients with follicular cancer with an established histological diagnosis, not included in the training sample. The Neuroclass program, based on a comparison with reference images of tumor smears from the control group of patients used for training, in 95% of cases issued the correct conclusion on the diagnosis of follicular cancer or follicular adenoma in the experimental group.
Использование эталонных изображений мазков опухоли с установленным гистологическим диагнозом позволяет объективизировать процесс цитологической диагностики в сложных диагностических случаях благодаря автоматической классификации изображений опухолей.The use of reference images of tumor smears with an established histological diagnosis makes it possible to objectify the process of cytological diagnosis in complex diagnostic cases due to the automatic classification of tumor images.
Нейрон второго слоя компьютерной программы определяет сумму S в группах «победителей» обратных величин эвклидовых расстояний от изображения эталонного образца каждого класса изображений (соответствующего виду опухоли) до тестируемого изображения, взятых с соответствующим знаком и сравнивает эту сумму с пороговым значением Т=0. При S>0 система диагностирует аденому, при S<0 система диагностирует фолликулярный рак.The neuron of the second layer of the computer program determines the sum S in the groups of “winners” of the reciprocal values of the Euclidean distances from the image of the reference sample of each class of images (corresponding to the type of tumor) to the test image taken with the corresponding sign and compares this amount with the threshold value T = 0. At S> 0, the system diagnoses an adenoma; at S <0, the system diagnoses follicular cancer.
Список литературыBibliography
1. Пупышева Т.Л., Демин А.В. Применение искусственных нейронных сетей в цитологической диагностике фолликулярных пролифератов щитовидной железы // Системный анализ и управление в биомедицинских системах. - 2003. - Т.2. - №1. - С.38-42.1. Pupysheva T.L., Demin A.V. The use of artificial neural networks in the cytological diagnosis of follicular thyroid proliferates // System analysis and control in biomedical systems. - 2003. - T.2. - No. 1. - S. 38-42.
2. Полоз Т.Л., Шкурупий В.А., Полоз В.В., Демин А.В. Результаты количественного цитологического анализа строения фолликулярных опухолей щитовидной железы с помощью компьютерных и нейросетевых технологий // Вестник РАМН - 2006. - №8. - С.7-10.2. Poloz T.L., Skurupy V.A., Poloz V.V., Demin A.V. The results of a quantitative cytological analysis of the structure of follicular thyroid tumors using computer and neural network technologies // Vestnik RAMS - 2006. - No. 8. - S.7-10.
3. Программа для ЭВМ «Нейросетевой анализатор изображений» (Нейрокласс). Свидетельство об официальной регистрации программы для ЭВМ №2006612844, дата регистрации 10.08.2006, авторы Полоз Т.Л., Тарков М.С.3. Computer program "Neural network image analyzer" (Neuroclass). Certificate of official registration of the computer program No. 20066612844, registration date 08/10/2006, authors Poloz T.L., Tarkov M.S.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007117265/14A RU2353295C2 (en) | 2007-05-08 | 2007-05-08 | Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007117265/14A RU2353295C2 (en) | 2007-05-08 | 2007-05-08 | Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2007117265A RU2007117265A (en) | 2008-11-20 |
| RU2353295C2 true RU2353295C2 (en) | 2009-04-27 |
Family
ID=40240875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2007117265/14A RU2353295C2 (en) | 2007-05-08 | 2007-05-08 | Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2353295C2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2548399C2 (en) * | 2008-10-31 | 2015-04-20 | Новаси | Method for producing processed virtual analysis image |
| RU2685469C1 (en) * | 2018-02-26 | 2019-04-18 | Частное учреждение образовательная организация высшего образования "Медицинский университет "Реавиз" | Method of early automated remote diagnostics of skin melanoma |
| US10671832B2 (en) | 2015-09-23 | 2020-06-02 | Koninklijke Philips N.V. | Method and apparatus for tissue recognition |
| RU2777611C1 (en) * | 2021-08-31 | 2022-08-08 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Министерства здравоохранения Российской Федерации (ФГБОУ ВО «СЗГМУ им. И.И. Мечникова» Минздрава России) | Method for differential diagnosis of crohn's disease or ulcerative colitis |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109637633B (en) * | 2018-11-17 | 2023-02-07 | 广州航海学院 | Method for diagnosing breast cancer state based on big data and machine learning |
-
2007
- 2007-05-08 RU RU2007117265/14A patent/RU2353295C2/en not_active IP Right Cessation
Non-Patent Citations (2)
| Title |
|---|
| БРОНШТЕЙН М.И. Критерии цитологической диагностики различных заболеваний щитовидной железы. Новости клинической цитологии России. - М.: т.3-4, 1998, с.112-116. DAYHOFF J.E. et al. Artificial neural networks: opening the black box., Cancer., 2001, V 91, P.331-336. TOURASSI G.D. et al. A neural network approach to breast cancer diagnosis as a constraint satisfaction problem., Med. Phys., 2001, V.28, P.1615-1635. * |
| ПОЛОЗ Т.Л. и др. Результаты количественного цитологического анализа строения фолликулярных опухолей щитовидной железы с помощью компьютерных и нейросетевых технологий, Вестник РАМН, 2006, №8, с.7-10. * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2548399C2 (en) * | 2008-10-31 | 2015-04-20 | Новаси | Method for producing processed virtual analysis image |
| US10671832B2 (en) | 2015-09-23 | 2020-06-02 | Koninklijke Philips N.V. | Method and apparatus for tissue recognition |
| RU2685469C1 (en) * | 2018-02-26 | 2019-04-18 | Частное учреждение образовательная организация высшего образования "Медицинский университет "Реавиз" | Method of early automated remote diagnostics of skin melanoma |
| RU2777611C1 (en) * | 2021-08-31 | 2022-08-08 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Министерства здравоохранения Российской Федерации (ФГБОУ ВО «СЗГМУ им. И.И. Мечникова» Минздрава России) | Method for differential diagnosis of crohn's disease or ulcerative colitis |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2007117265A (en) | 2008-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Detecting cancer metastases on gigapixel pathology images | |
| EP2237189B1 (en) | Classifying image features | |
| Samah et al. | Classification of benign and malignant tumors in histopathology images | |
| JP7422235B2 (en) | Non-tumor segmentation to aid tumor detection and analysis | |
| WO2018157381A1 (en) | Method and apparatus for intelligently classifying pathological slice image | |
| JP2023512560A (en) | A federated learning system to train machine learning algorithms and maintain patient privacy | |
| US20240079116A1 (en) | Automated segmentation of artifacts in histopathology images | |
| RU2353295C2 (en) | Differential diagnostic technique for follicular adenoma and follicular thyroid carcinoma | |
| Sonia | Melanoma image classification system by NSCT features and Bayes classification | |
| CN116188423A (en) | Super-pixel sparse and unmixed detection method based on pathological section hyperspectral image | |
| US11922623B2 (en) | Cellular diagnostic and analysis methods | |
| Heckenauer et al. | Real-time detection of glomeruli in renal pathology | |
| Waheed et al. | Computer aided histopathological classification of cancer subtypes | |
| Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery | |
| Rege et al. | Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database | |
| RU2293524C2 (en) | Method for differential diagnostics of follicular adenoma and follicular thyroid cancer | |
| Benny et al. | Semantic segmentation in immunohistochemistry breast cancer image using deep learning | |
| Bapure | Automated image analysis for nuclear morphometry using h&e and feulgen stains in prostate biopsies | |
| Harun et al. | Automated blasts segmentation techniques based on clustering algorithm for acute leukaemia blood samples | |
| Samah et al. | Mitotic cells detection in H&E-stained breast carcinoma images | |
| RU2785853C1 (en) | Method for differential diagnostics of a malignant tumour and a benign process of bone tissue based on scanned images of a histological glass | |
| Roszkowiak et al. | Short survey: Adaptive threshold methods used to segment immunonegative cells from simulated images of follicular lymphoma stained with 3, 3′-Diaminobenzidine&Haematoxylin | |
| Jitaree et al. | Classifying breast cancer regions in microscopic image using texture analysis and neural network | |
| Cardillo | Fractal Compression: An Old Technique for the New Challenge of Whole-Slide Imaging Storage | |
| CN117995384A (en) | Artificial intelligence auxiliary diagnosis and treatment system based on subtype of bladder non-urothelial cancer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20150509 |