RU2739974C1 - Способ маркировки клеток костного мозга и система для его осуществления - Google Patents

Способ маркировки клеток костного мозга и система для его осуществления Download PDF

Info

Publication number
RU2739974C1
RU2739974C1 RU2020112849A RU2020112849A RU2739974C1 RU 2739974 C1 RU2739974 C1 RU 2739974C1 RU 2020112849 A RU2020112849 A RU 2020112849A RU 2020112849 A RU2020112849 A RU 2020112849A RU 2739974 C1 RU2739974 C1 RU 2739974C1
Authority
RU
Russia
Prior art keywords
image
cell
information
marking
classified
Prior art date
Application number
RU2020112849A
Other languages
English (en)
Inventor
Цян Ли
Цзюй ЛУ
Шунь Ли
Original Assignee
Ханчжоу Чживэй Информейшн Текнолоджи Ко., Лтд.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ханчжоу Чживэй Информейшн Текнолоджи Ко., Лтд. filed Critical Ханчжоу Чживэй Информейшн Текнолоджи Ко., Лтд.
Application granted granted Critical
Publication of RU2739974C1 publication Critical patent/RU2739974C1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/0013—Methods or arrangements for sensing record carriers, e.g. for reading patterns by galvanic contacts, e.g. card connectors for ISO-7816 compliant smart cards or memory cards, e.g. SD card readers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Изобретение относится к области информационных технологий, а именно к биомедицинским инженерным технологиям, в частности к способу и системе для маркировки клеток костного мозга. Технический результат заключается в повышении точности классификации и маркировки клеток костного мозга. Способ маркировки клеток костного мозга, включающий этапы: получения изображения образца, выделение контура клетки из изображения образца с использованием алгоритма обработки изображения и маркировка выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки, введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке, получение информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирование определенной информации о цвете, извлечение информации по наименованию и информации по классифицированному цвету в соответствии с изображением классифицируемой клетки и осуществление одновременной маркировки изображения классифицируемой клетки. 2 н. и 8 з.п. ф-лы, 7 ил.

Description

Перекрестная ссылка на родственные заявки
[0001] Настоящая заявка основана на приоритетной заявки на изобретение КНР №201710935207.01 с приоритетом от 10 октября 2017, которая содержит сведения о технических решениях, раскрытых в настоящей заявке.
Область техники
[0002] Изобретение относится к области биомедицинских инженерных технологий, в частности к способу и системе для маркировки клеток костного мозга. Уровень техники
[0003] Мечение клеток относится к маркировке клеток как объекту в многоклеточной системе для отслеживания перемещения и поведения конкретной клетки. Клетки костного мозга человека являются источником всех эритроцитов и иммунноцитов. Различные заболевания могут быть причиной морфологических изменений в клетках костного мозга. Обычно медицинским экспертам приходится подсчитывать число клеток костного мозга и классифицировать их с помощью микроскопа. Такие методы требуют много времени и профессиональных медицинских знаний. Поскольку изображения клеток получают непосредственно 2D или 3D микроскопом, отдельные изображения отделяются от фенотипа, а затем анализируются.
[0004] В настоящее время контуры клеток обычно используются для маркировки клеток, и каждая отдельная клетка отображается в соответствии с типом клеток, а каждый тип клеток отображается только с помощью наименования клетки. Основным недостатком является то, что обычные клетки костного мозга трансформируются в атипичные клетки костного мозга. Они имеют специальные наименования с медицинской и клинической точки зрения, а наименования клеток в одной значительной категории могут частично дублироваться. Маркировка клеток с использованием только наименований клеток не является простой при изучении. Кроме того, разные эксперты, больницы, регионы и страны определяют разные наименования для отдельных клеток одних и тех же категорий. Использование только наименования для обозначения маркированных клеток легко приводит к путанице.
Раскрытие изобретения
[0005] Задачей настоящего изобретения является создание способа и системы маркировки клеток костного мозга. Классифицированные изображения клеток, полученные способом, в совокупности маркируются согласно с соответствующей информацией о названии и информацией о классификации по цвету. При этом клетки маркируют с информацией о их соответствующем наименовании и классифицированной информации по цвету. Таким образом, каждый тип клеток имеет специфическую и неповторяющуюся цветовую маркировку, которая не только проста для чтения, но также не допускает путаницы в наименованиях и удобна для осуществления контроля.
[0006] Изобретение обеспечивает способ маркировки клеток костного мозга, включающий стадии:
получение изображения образца, выделение контура клетки из изображения образца с использованием алгоритма обработки изображения и маркировка выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки;
введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
получение информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирование определенной информации о цвете в соответствии с заранее заданными категориями клеток для получения классификационной информации по цвету;
извлечение информации по наименованию и информации по классифицированному цвету в соответствии с изображением классифицируемой клетки согласно информации по классифицируемой клетке и классификационной информации по цвету, осуществление одновременной маркировки изображения классифицируемой клетки согласно полученной информации по наименованию и информации по классифицированному цвету, а также отображение изображения одновременно маркированной классифицированной клетки.
[0007] В соответствии с частными случаями осуществления способ маркировки клеток костного мозга, являющийся настоящим изобретением, дополнительно содержит этапы: создание модели классификации посредством процесса классификации или классификатору перед вводом изображения контура клетки в предварительно созданную модель классификации.
[0008] Способ, в котором дополнительно изображение контура клетки вводят в предварительно созданную модель классификации для получения изображения классифицированной клетки и соответствующей информации о классифицированной клетке, он включает следующие этапы:
введение изображения контура клетки в предварительно созданную модель классификации, установление принадлежности изображения контура клетки к предварительно заданной категории клетки;
классифицирование изображения контура клетки на основе соответствующей принадлежности и предварительно установленного порогового значения для получения изображения классифицированной клетки; и
анализ изображения классифицированной клетки для получения соответствующей информации о классифицированной клетке.
[0009] Извлечение контура клеток из изображения образца с использованием алгоритма обработки изображения включает в себя следующие этапы:
выполнение обработки оттенков серого и удаление шумов с изображения образца для получения изображения в серых тонах и с удаленными шумами; и
расчет оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получение отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
[0010] После получения информации о классификации по цвету осуществляют сохранение заданной информации о наименовании и информации о классификации по цвету для формирования базы данных маркировки.
[0011] Настоящее изобретение также включает систему маркировки клеток костного мозга, содержащую модуль извлечения контура, модуль обработки классификации, модуль предварительной обработки цвета и модуль обработки маркировки;
модуль извлечения контура для получения изображения образца для извлечения контура клетки с использованием алгоритма обработки изображения и маркировка выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки;
модуль обработки классификации выполнен с возможностью введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
модуль предварительной обработки цвета выполнен с возможностью получения информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирования определенной информации о цвете в соответствии с заранее заданными категориями клеток для получения классификационной информации по цвету;
модуль обработки маркировки выполнен с возможностью объединять изображения классифицированных клеток на основе информации о наименованиях и информации о классификации по цвету для извлечения соответствующей информации о наименованиях и информации о классификации по цвету и отображения изображения после комбинированной маркировки.
[0012] В соответствии с частным случаем выполнения система маркировки клеток костного мозга, предоставленная настоящим изобретением, дополнительно содержит модуль создания модели классификации; модуль создания модели выполнен с возможностью установки модели классификации с помощью процесса классификации или классификатора до ввода изображения контура клетки в предварительно установленную модель классификации.
[0013] Модуль обработки классификации включает в себя блок выделения, блок определения места маркировки и блок определения идентификации; блок выделения обеспечивает возможность ввода изображения контура клетки в предварительно установленную модель классификации и определения принадлежности изображения контура клетки к предварительно заданной категории; блок определения места маркировки выполнен с возможностью классификации изображения контура клетки на основе соответствующей принадлежности изображения контура клетки и предварительно определенного порогового значения для получения изображения классифицируемой клетки; блок определения идентификации выполнен с возможностью определения распознавания изображения классифицируемой клетки для получения соответствующей информации о классифицируемой клетке.
[0014] Модуль извлечения контура включает в себя блок обработки и блок вычисления и преобразования; блок обработки выполнен с возможностью обработки оттенков серого и удаления с образца изображения шумов; блок вычисления и преобразования обеспечивает возможность расчета оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получение отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
[0015] В качестве альтернативного варианта осуществления система маркировки клеток костного мозга, предусмотренная настоящим изобретением, дополнительно содержит модуль хранения; модуль хранения выполнен с возможностью хранения информации о наименовании и информации классификации по цвету после получения информации о классификации по цвету и формирования базы данных маркировки. Сущность настоящей группы изобретений поясняется следующими иллюстрациями:
[0016] Фиг. 1 представляет собой блок - схему, характеризующую способ маркировки клеток костного мозга в соответствии с вариантом осуществления настоящего изобретения;
Фиг. 2 представляет собой схематический структурный вид системы маркировки клеток костного мозга, предоставленной в соответствии с изобретением;
Фиг. 3 - схематический вид, отображающий структуру модуля обработки классификации по фиг. 2;
Фиг. 4 - структурная блок - схема для маркировки клеток 600 костного мозга в варианте осуществления;
Фиг. 5 - извлеченное из изображение образца, полученного вариантом осуществления способа;
Фиг. 6 - изображение, показывающее изображение классифицируемой маркированной клеток клетки костного мозга, полученных в примерах;
Фиг. 7 - схематическая иллюстрация изображения маркированного образца, полученного при осуществлении способа.
[0017] Вышеуказанные и другие технические признаки и преимущества настоящего изобретения будут очевидны из описания прилагаемой формулы изобретения.
[0018] На фиг. 1 обозначены следующие этапы:
S100: Получение изображения образца; выделение контура клетки из изображения образца с использованием алгоритма обработки изображения; получения контура и маркировка посредством маркирующей рамки; получение изображения;
S200: Введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
S300: Получение информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток; классифицирование определенной информации о цвете для получения классификационной информации по цвету;
S400: Извлечение соответствующей информации о наименовании и цвете на основе информации о классифицируемой клетке; изображения классифицируемых клеток для одновременной маркировки и отображение изображения одновременно маркированной классифицированной клетки.
[0019] Следует отметить, что форма маркирующей рамки может соответствовать форме извлеченного контура клетки или может быть другой формы, такой как прямоугольник, круг, треугольник и др., а также неправильной формы. В настоящем варианте осуществления предпочтительна маркирующая рамка прямоугольной формы. Прямоугольная форма наиболее близка к общему контуру клетки и снижает нагрузку при обработке.
[0020] Модель классификации создается заранее перед вводом изображения контура клетки в предварительно созданную модель классификации. Модель классификации можно создать посредством процесса классификации или классификатора. При этом модель классификации, созданная с помощью классификатора, может быть установлена посредством одного или нескольких из следующих: нейронной сетью, базой опорных векторов, сетью Байеса и разрешающего дерева. Перечень не является ограниченным по типу сети.
[0021] Заранее заданная категория - это категория клеток костного мозга, включающая главные категории, подкатегории в главных категориях, другие категории в подкатегориях и т.п. Предварительно заданная информация о классификации по цвету соответствует заданному цвету, используемому для идентификации существующей категории клеток. Информация о классификации по цвету включает соответствующую взаимосвязь между заданной категорией и заданным цветом. Главная категория, подкатегории и другие категории в подкатегориях все отличаются друг от друга различными цветами. При различных осуществлениях изобретения могут использоваться различные системы цвета для обозначения различных категорий, к которым относятся клетки. В качестве примера система красного цвета используется для обозначения главной категории, голубая система цвета - подкатегории главной категории. Это облегчает распознавание между категориями. В других вариантах осуществления изобретения используемые системы цветов не ограничиваются. Например, гранулоцитарная система, которая является главной категорией, может иметь соответствующую информацию по цвету, определяемую с помощью КЗС (аддитивной цветомодели) с номером 159845. Эритроцитарная система, которая также является главной категорией, также может иметь соответствующую информацию по цвету, определяемому посредством КЗС с номером e30b20. Агранулоцит, который относится к подкатегории главной категории гранулоцитарной системы, может иметь соответствующую информацию по цвету, определяемому посредством КЗС с номерами 159845 и 07f363. Эритроциты являются, которые находятся в подкатегории эритроцитарной системы, могут иметь соответствующую информацию по цвету, определяемому посредством КЗС с номерами e30b20 и 159848.
Изображения классифицируемой клетки может быть маркировано цветными блоками, представляющими информацию о их классифицируемом цвете. В качестве примера изображение классифицируемой клетки в главной категории может быть маркировано одним цветовым блоком, а изображение классифицируемой клетки в подкатегории, входящей в главную категорию, может маркировано двумя цветовыми блоками.
Изображение классифицируемой клетки в категории подкатегории главной категории может маркироваться тремя цветными блоками. Маркировка цветными блоками может быть отображена в порядке слева направо, начиная от цветного блока главной категории и заканчивая цветным блоком категории подкатегории.
[0022] Заданная информация о наименовании - это соответствующая информация о наименовании для каждой категории. Каждая категория клеток костного мозга имеет свою уникальную информацию по наименованию.
Информация о классифицируемой клетке отображает классификационную принадлежность клетки, в частности информацию о принадлежности клетки к категории.
Категория, к которой принадлежит клетка, может быть определена путем оценки клетки, начиная от главной категории к категории подкатегории. Например, для клетки сначала определяется главная категория, затем - подкатегория, а затем - подкатегория категории. По итогам классифицирования клетка может относится к подкатегории главной категории или может относится к категории подкатегории главной категории. В итоге информация о наименовании, соответствующая клетке, может быть определена согласно информации о классифицируемой клетки, а информация о классифицируемом цвете клетки может быть определена согласно информации о классифицируемой клетки и информации о классификации по цвету для осуществления маркировки.
[0023] Способ маркировки клеток костного мозга, предусмотренный настоящим изобретением, обрабатывает изображение образца алгоритмом обработки изображений для получения изображения контура клетки. Затем осуществляют ввод изображения контура клетки в предварительно установленную модель классификации для получения изображения классифицируемой клетки и соответствующей информации о клетке. Информация о классификации по цвету получается путем классификации полученной информации о цвете в соответствии с предварительно установленной категорией. Изображения классифицированных клеток объединяются и отображаются на основе информации о наименованиях и информации о классификации по цвету, выделенной на основе информации о классифицируемых клетках. Настоящее изобретение объединяет полученные изображения классифицируемых клеток с соответствующей информацией о наименовании и информацией о классификации по цвету. Обеспечивается то, что каждый тип клеток имеет специфическую и неповторяющуюся цветовую маркировку, которая не только проста для чтения, но также избегает путаницы и удобна для исследований.
[0024] Кроме того, выполнение извлечения изображения контура клетки образца с использованием алгоритма обработки изображения включает в себя следующие этапы:
S110: выполнение обработки оттенков серого и удаление шумов с изображения образца;
S120: расчет оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получение отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
[0025] Сначала преобразуется полученное изображение образца в изображение в серых тонах, а затем выполняется удаление шума с изображения посредством медианной фильтрации 3*3. После чего вычисляется оптимальное пороговое значение с использованием метода максимальной дисперсии внутри классов (Оцу). Изображение в серых тонах разделяют и преобразуют в бинаризованное изображение. Результат преобразования также может быть оценен по полноте. Если извлечение контура клетки не завершено, вышеупомянутые шаги повторяются до тех пор, пока все выделения контура клетки не будут завершены. Необходимо удостовериться, что точность извлечение контура клетки является высоким и обеспечивается точность конечной совместной маркировки.
[0026] Кроме того, этап S200 конкретно включает в себя следующие этапы:
S210 введение изображения контура клетки в предварительно созданную модель классификации, установление принадлежности изображения контура клетки к предварительно заданной категории клетки;
S220 классифицирование изображения контура клетки на основе соответствующей принадлежности и предварительно установленного порогового значения для получения изображения классифицированной клетки; и;
S230 анализ изображения классифицированной клетки для получения соответствующей информации о классифицированной клетке.
[0027] Предварительно заданная категория - это категория клеток костного мозга, включающая различные категории и подкатегории и т.п. Для изображения контура может быть определена принадлежность при его сравнении со стандартным контуром клетки каждого заданной категории, произведен расчет вероятности соответствия для каждой категории и присвоен рассчитанный максимум соответствия по изображению контура клетки.
Принадлежность контура может сравниваться с заданной пороговой величиной для обнаружения ближайшей категории с получением изображения классифицируемой клетки. В итоге изображение классифицируемой клетки может анализироваться для получения соответствующей информации по классифицируемой клетке. Анализ может осуществляется с помощью алгоритма компьютерного распознавания изображений.
При расчете принадлежности обеспечивается быстродействие и точность распознавания для каждого контура образца изображения.
[0028] Кроме того, способ маркировки клеток костного мозга, дополнительно включает следующие этапы: после получения информации о классификации по цвету и информации по наименованию информация по классификации по цвету сохраняют и формируют базу данных маркировки.
[0029] После того, как база данных маркировки сформирована, информация о наименованиях и информация о классификации по цвету может быть извлечена из базы данных маркировки для последующего использования, БД автоматически генерирует информацию об ее использовании. Информация об использовании включает в себя параметры времени, количество использований, информацию о местоположении и тому подобное. Например, информация о наименовании и информация по классифицируемому цвету, соответствующая изображению классифицируемой клетки, может быть извлечена из базы данных в соответствии с информацией о классифицируемой клетке, изображение классифицируемой клетки может совместно маркироваться с помощью информации о наименовании и информации о классифицированном цвете, а изображение одновременно маркированной классифицируемой клетки может отображаться. Когда совместная маркировка окончательно завершена, автоматически генерируется текстовый документ, соответствующий изображению образца. В документе сохраняется вышеуказанная информация об использовании. При анализе данных заданная информация, относящаяся к каждой категории с изображением образца, может быть получена. Данные отслеживания могут быть получены для обеспечения научных исследований.
[0030] Настоящее изобретение также обеспечивают систему маркировки клеток костного мозга, которая может быть реализована со ссылкой на способ.
[0031] Фиг. 2 представляет собой схематический структурный вид системы маркировки клеток костного мозга, которая содержит модуль 100 извлечения контура, модуль 200 обработки классификации, модуль 300 предварительной обработки цвета и модуль 400 обработки маркировки;
модуль 100 извлечения контура выполнен с возможностью получения изображения образца с извлечением контура клетки посредством использования алгоритма обработки изображения и с маркировкой выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки;
модуль 200 обработки классификации выполнен с возможностью введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
модуль 300 предварительной обработки цвета выполнен с возможностью получения информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирования определенной информации о цвете в соответствии с заранее заданными категориями клеток для получения классификационной информации по цвету;
модуль 400 обработки маркировки выполнен с возможностью объединять изображения классифицированных клеток на основе информации о наименованиях и информации о классификации по цвету для извлечения соответствующей информации о наименованиях и информации о классификации по цвету и отображения изображения после комбинированной маркировки.
[0032] Настоящее изобретение объединяет полученные изображения классифицированных клеток с соответствующей информацией о наименовании и информацией классификации по цвету. Группа изобретений обеспечивает то, что каждый тип клеток имеет специфическую и неповторяющуюся цветовую маркировку, которая не только проста для чтения, но также исключает путаницы и удобна для проведения исследований.
[0033] Кроме того, система маркировки клеток костного мозга дополнительно включает в себя модуль 500 создания модели классификации. Модуль 500 создания модели выполнен с возможностью установки модели классификации с помощью процесса классификации или классификатора до ввода изображения контура клетки в предварительно установленную модель классификации.
[0034] Кроме того, модуль 100 извлечения контура включает в себя блок 110 обработки и блок 120 вычисления и преобразования; блок обработки 110 выполнен с возможностью обработки оттенков серого и удаления с образца изображения шумов; блок 120 вычисления и преобразования обеспечивает возможность расчета оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получение отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
[0035] Кроме того, система маркировки клеток костного мозга дополнительно включает в себя модуль 600 хранения, который выполнен с возможностью хранения информации о наименовании и информации классификации по цвету после получения информации о классификации по цвету и формирования базы данных маркировки.
[0036] На фиг. 3 показана схема, представляющая структуру модуля 200 обработки классификации. Модуль 200 обработки классификации включает в себя блок 210 выделения, блок 220 определения места маркировки и блок 230 определения идентификации, при этом блок 210 выделения обеспечивает возможность ввода изображения контура клетки в предварительно установленную модель классификации и определения принадлежности изображения контура клетки к предварительно заданной категории; блок 220 определения места маркировки выполнен с возможностью классификации изображения контура клетки на основе соответствующей принадлежности изображения контура клетки и предварительно определенного порогового значения для получения изображения классифицируемой клетки; блок 230 определения идентификации выполнен с возможностью определения распознавания изображения классифицируемой клетки для получения соответствующей информации о классифицируемой клетке.
[0037] Как показано на фиг. 4, устройство 600 включает один или несколько компонентов из следующих: процессор 602, память 604, элемент питания 606, компонент аудиовизуального воспроизведения 608, интерфейс ввода и вывода 610. Процессор 602 обеспечивает контроль в целом операций устройства 600, в частности объединения с маркировкой клеток костного мозга и отображением этой маркировки. В настоящем варианте осуществления процессор 602 включает в себя мультимедийный модуль для осуществления взаимодействия между компонентом аудиовизуального воспроизведения 608 и процессором 602.
[0038] Память 604 хранит различные типы данных для поддержки операций устройства 600. В качестве примера в памяти имеется информация, включающая программы для осуществления заявок или инструкции по способам использования устройства 600, а также изображения клеток, база данных маркировок и т.д. Память 604 может быть реализована с использованием любого типа энергозависимого или энергонезависимого запоминающего устройства или их комбинации, такой как статическая оперативная память (SRAM), электрически стираемая программируемая постоянная память (EEPROM), стираемая программируемая постоянная память (EPROM), программируемая постоянная память (PROM), память только для чтения (ROM), магнитное запоминающее устройство, флэш-память или магнитный диск или оптический диск.
[0039] Элемент питания 606 подает питание на различные компоненты устройства 600. Элемент питания 606 питания включает в себя систему распределения нагрузки, один или несколько источников питания и любые другие компоненты, связанные с генерацией, управлением и распределением энергии в устройстве 600.
[0040] Компонент аудиовизуального воспроизведения 608 включает в себя экран, который обеспечивает выходной интерфейс между устройством 600 и пользователем устройства 600. Экран может включать жидкокристаллический дисплей и нажимную панель. Интерфейс 610 ввода/вывода (I/O) обеспечивает интерфейс для процессора 602 и модуля периферийного интерфейса, такого как клавиатура, кнопки мыши, кнопки и тому подобное.
[0041] В варианте осуществления устройство 600 может использовать одну или несколько специализированных интегральных схем (ASCs), процессоров цифровых сигналов (DSDSP), устройств цифровой обработки сигналов (DSDs), программируемых логических устройств (PLDs), программируемых пользователем матриц логических элементов (FPLGAs), контроллеры, микроконтроллеры или другие электронные компоненты для осуществления заявленного способа. Изобретение также обеспечивает постоянный машиночитаемый носитель данных, содержащий программы, такие как программы, записанные в памяти 604. Эти программы могут быть выполнены процессором 602 устройства 600 для осуществления способа маркировки клеток костного мозга. Например, постоянный машиночитаемый носитель данных может быть ПЗУ, ОЗУ, CD-ROM, магнитной лентой, дискета, оптический информационный носитель и т.п..
[0042] Как показано на фиг. 6, изображения классифицируемых клеток совместно маркируют соответствующей информацией о классификации по цвету и информацией о наименовании. Информация о классификации по цвету отображается в виде двух цветовых блоков, соответственно представляющих основные категории и подкатегории на изображении классифицируемой клетки.
[0043] Как показано на фиг. 7, контур клетки, извлеченный на изображении образца, совместно помечается маркирующей рамкой, информацией о классификации по цвету и информацией о ее наименовании.
[0044] В описании были раскрыты предпочтительные варианты осуществления изобретения, которые не предназначены для ограничения объема прав. Техническое решение может быть изменено и модифицировано таким образом, чтобы не отступать от сущности технического решения и объема испрашиваемой правовой охраны. Техническое решение допускает возможные изменения и модификации в соответствии с его технической сущностью. При этом любые простые модификации и эквивалентные изменения, произведенные в вышеупомянутых вариантах осуществления, возможны в соответствии с технической сущностью и объемом испрашиваемых прав.

Claims (23)

1. Способ маркировки клеток костного мозга, включающий стадии:
получение изображения образца, выделение контура клетки из изображения образца с использованием алгоритма обработки изображения и маркировка выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки;
введение изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
получение информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирование определенной информации о цвете в соответствии с заранее заданными категориями клеток для получения классификационной информации по цвету;
извлечение информации по наименованию и информации по классифицированному цвету в соответствии с изображением классифицируемой клетки согласно информации по классифицируемой клетке и классификационной информации по цвету, осуществление одновременной маркировки изображения классифицируемой клетки согласно полученной информации по наименованию и информации по классифицированному цвету, а также отображение изображения одновременно маркированной классифицированной клетки.
2. Способ маркировки клеток костного мозга по п. 1, характеризующийся тем, что дополнительно включает стадии: создание модели классификации посредством процесса классификации или классификатора перед вводом изображения контура клетки в предварительно созданную модель классификации.
3. Способ маркировки клеток костного мозга по п. 1, характеризующийся тем, что дополнительно изображение контура клетки вводят в предварительно созданную модель классификации для получения изображения классифицированной клетки и соответствующей информации о классифицированной клетке, включает следующие этапы:
введение изображения контура клетки в предварительно созданную модель классификации, установление принадлежности изображения контура клетки к предварительно заданной категории клетки;
классифицирование изображения контура клетки на основе соответствующей принадлежности и предварительно установленного порогового значения для получения изображения классифицированной клетки; и
анализ изображения классифицированной клетки для получения соответствующей информации о классифицированной клетке.
4. Способ маркировки клеток костного мозга по п. 1, характеризующийся тем, что осуществляют извлечение контура клеток из изображения образца с использованием алгоритма обработки изображения, включает в себя следующие этапы:
выполнение обработки оттенков серого и удаление шумов с изображения образца для получения изображения в серых тонах и с удаленными шумами; и
расчет оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получения отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
5. Способ маркировки клеток костного мозга по п. 1, характеризующийся тем, что дополнительно включает следующие стадии: после получения информации о классификации по цвету осуществляют сохранение заданной информации о наименовании и информации о классификации по цвету для формирования базы данных маркировки.
6. Система для маркировки клеток костного мозга, содержащая модуль извлечения контура, модуль обработки классификации, модуль предварительной обработки цвета и модуль обработки маркировки;
модуль извлечения контура выполнен с возможностью получения изображения образца с извлечением контура клетки посредством использования алгоритма обработки изображения и с маркировкой выделенного контура клетки с помощью маркирующей рамки для получения изображения выделенного контура клетки;
модуль обработки классификации выполнен с возможностью введения изображения контура клетки в модель классификации для получения изображения классифицируемой клетки и соответствующей информации о классифицируемой клетке;
модуль предварительной обработки цвета выполнен с возможностью получения информации об определенном цвете и информации об определенном наименовании для заранее заданных категорий клеток и классифицирования определенной информации о цвете в соответствии с заранее заданными категориями клеток для получения классификационной информации по цвету;
модуль обработки маркировки выполнен с возможностью объединять изображения классифицированных клеток на основе информации о наименованиях и информации о классификации по цвету для извлечения соответствующей информации о наименованиях и информации о классификации по цвету и отображения изображения после комбинированной маркировки.
7. Система для маркировки клеток костного мозга по п. 6, характеризующаяся тем, что дополнительно содержит модуль создания модели классификации; модуль создания модели выполнен с возможностью установки модели классификации с помощью процесса классификации или классификатора до ввода изображения контура клетки в предварительно установленную модель классификации.
8. Система для маркировки клеток костного мозга по п. 6 или 7, характеризующаяся тем, что модуль обработки классификации включает в себя блок выделения, блок определения места маркировки и блок определения идентификации, при этом блок выделения обеспечивает возможность ввода изображения контура клетки в предварительно установленную модель классификации и определения принадлежности изображения контура клетки к предварительно заданной категории; блок определения места маркировки выполнен с возможностью классификации изображения контура клетки на основе соответствующей принадлежности изображения контура клетки и предварительно определенного порогового значения для получения изображения классифицируемой клетки; блок определения идентификации выполнен с возможностью определения распознавания изображения классифицируемой клетки для получения соответствующей информации о классифицируемой клетке.
9. Система для маркировки клеток костного мозга по п. 6, характеризующаяся тем, что модуль извлечения контура включает в себя блок обработки и блок вычисления и преобразования; блок обработки выполнен с возможностью обработки оттенков серого и удаления с образца изображения шумов; блок вычисления и преобразования обеспечивает возможность расчета оптимального порогового значения для изображения в серых тонах и с удаленными шумами с использованием метода максимальной дисперсии, разделение изображения в серых тонах и с удаленными шумами в соответствии с оптимальным пороговым значением для получения отделенного изображения, конвертирование отделенного изображения в бинаризованное изображение.
10. Система для маркировки клеток костного мозга по п. 6, характеризующаяся тем, что дополнительно содержит модуль хранения; модуль хранения выполнен с возможностью хранения информации о наименовании и информации классификации по цвету после получения информации о классификации по цвету и формирования базы данных маркировки.
RU2020112849A 2017-10-10 2018-10-10 Способ маркировки клеток костного мозга и система для его осуществления RU2739974C1 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710935207.1A CN107729932B (zh) 2017-10-10 2017-10-10 骨髓细胞标记方法和系统
CN201710935207.1 2017-10-10
PCT/CN2018/109544 WO2019072181A1 (zh) 2017-10-10 2018-10-10 骨髓细胞标记方法和系统

Publications (1)

Publication Number Publication Date
RU2739974C1 true RU2739974C1 (ru) 2020-12-30

Family

ID=61210034

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020112849A RU2739974C1 (ru) 2017-10-10 2018-10-10 Способ маркировки клеток костного мозга и система для его осуществления

Country Status (10)

Country Link
US (1) US20200242759A1 (ru)
EP (1) EP3696728A4 (ru)
JP (1) JP6777354B1 (ru)
KR (1) KR102380493B1 (ru)
CN (1) CN107729932B (ru)
AU (2) AU2018102232A4 (ru)
IL (1) IL273483A (ru)
RU (1) RU2739974C1 (ru)
TW (1) TWI715877B (ru)
WO (1) WO2019072181A1 (ru)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729932B (zh) * 2017-10-10 2019-07-26 杭州智微信息科技有限公司 骨髓细胞标记方法和系统
CN109360198A (zh) * 2018-10-08 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习的骨髓细胞分类方法及分类装置
CN117782948A (zh) * 2018-11-19 2024-03-29 深圳迈瑞生物医疗电子股份有限公司 分析细胞的方法、细胞分析设备与计算机可读存储介质
CN109545375A (zh) * 2018-12-13 2019-03-29 张民庆 一种用于临检细胞骨髓专业的多功能试验平台
CN109633143B (zh) * 2018-12-28 2022-05-17 广东省心血管病研究所 一种测定造血干细胞移植后患者骨髓微循环环境检测的系统和方法
CN109754398A (zh) * 2019-01-14 2019-05-14 武汉兰丁医学高科技有限公司 一种基于计算机的骨髓白细胞自动标记方法及系统
CN109893732B (zh) * 2019-02-28 2021-04-06 杭州智瑞思科技有限公司 一种基于循环神经网络的机械通气人机不同步检测方法
CN109977888A (zh) * 2019-03-29 2019-07-05 上海健康医学院 一种外周血中红细胞识别标记系统和方法
CN110135271A (zh) * 2019-04-19 2019-08-16 上海依智医疗技术有限公司 一种细胞分类方法及装置
CN110378920B (zh) * 2019-07-17 2022-10-14 福建师范大学 一种基于视觉模型的图像轮廓提取方法
CN116097391A (zh) * 2020-08-07 2023-05-09 纳米电子成像有限公司 用于在低信噪比成像条件下去噪的深度学习模型
CN113096096B (zh) * 2021-04-13 2023-04-18 中山市华南理工大学现代产业技术研究院 一种融合形态特征的显微图像骨髓细胞计数方法与系统
CN113409923B (zh) * 2021-05-25 2022-03-04 济南大学 骨髓图像个体细胞自动标记中的纠错方法及系统
CN114239678A (zh) * 2021-11-09 2022-03-25 杭州迪英加科技有限公司 一种病理切片图像标注方法、系统及可读存储介质
TWI793865B (zh) 2021-11-18 2023-02-21 倍利科技股份有限公司 Ai自動輔助標記之系統及方法
CN114187480A (zh) * 2022-01-05 2022-03-15 北京瀚远医药科技有限公司 一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统
CN114419041B (zh) * 2022-03-29 2022-06-21 武汉大学 病灶颜色的识别方法及装置
CN117173442A (zh) * 2022-05-24 2023-12-05 鸿海精密工业股份有限公司 图像识别方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100136549A1 (en) * 2008-09-16 2010-06-03 Historx, Inc. Reproducible quantification of biomarker expression
US20120045828A1 (en) * 2007-12-12 2012-02-23 The Board Of Trustees Of The Leland Stanford Junior University Apparatus for Magnetic Separation of Cells
RU2582391C2 (ru) * 2011-02-28 2016-04-27 Сименс Акциенгезелльшафт Миниатюрная магнитная проточная цитометрия
RU2014147093A (ru) * 2012-04-24 2016-06-10 Зэ Бригхэм Энд Вуменс Хоспитал, Инк. Получение плюрипотентных клеток de novo
US20160340644A9 (en) * 2001-07-17 2016-11-24 Angle North America, Inc. Microstructure for Particle and Cell SEparation, Identification, Sorting, and Manipulation

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406498B2 (en) * 1999-01-25 2013-03-26 Amnis Corporation Blood and cell analysis using an imaging flow cytometer
US7236623B2 (en) * 2000-04-24 2007-06-26 International Remote Imaging Systems, Inc. Analyte recognition for urinalysis diagnostic system
US7371736B2 (en) * 2001-11-07 2008-05-13 The Board Of Trustees Of The University Of Arkansas Gene expression profiling based identification of DKK1 as a potential therapeutic targets for controlling bone loss
US7298902B2 (en) * 2004-01-20 2007-11-20 Educational Testing Service Method and system for performing image mark recognition
US8077958B2 (en) * 2006-06-30 2011-12-13 University Of South Florida Computer-aided pathological diagnosis system
US8369585B2 (en) * 2008-10-17 2013-02-05 Siemens Aktiengesellschaft Automatic classification of information in images
EP2463653A1 (en) * 2009-08-07 2012-06-13 Nikon Corporation Technique for classifying cells, image processing program and image processing device using the technique, and method for producing cell mass
JP5490568B2 (ja) * 2010-02-26 2014-05-14 オリンパス株式会社 顕微鏡システム、標本観察方法およびプログラム
US20150293026A1 (en) * 2010-10-15 2015-10-15 Dong-Guk Shin Automated system for tissue histomorphometry
CN102298700A (zh) * 2011-06-09 2011-12-28 华东师范大学 一种骨髓病理图像中细胞识别与定位方法
US9311521B2 (en) * 2011-07-28 2016-04-12 Medetect Ab Method for providing images of a tissue section
US20130094750A1 (en) * 2011-10-12 2013-04-18 Tolga Tasdizen Methods and systems for segmentation of cells for an automated differential counting system
CN103473739B (zh) * 2013-08-15 2016-06-22 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
EP3063289B1 (en) * 2013-10-28 2020-01-08 Molecular Devices, LLC Method and system for classifying and identifying individual cells in a microscopy image
CN104331712B (zh) * 2014-11-24 2017-08-25 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
CN105205804B (zh) * 2015-08-18 2018-10-30 爱威科技股份有限公司 血细胞图像中白细胞的核浆分离方法、分类方法及装置
CN106022303B (zh) * 2016-06-06 2019-07-19 南昌航空大学 基于无透镜全息成像的淡水藻类粗分类与计数方法
CN106780522B (zh) * 2016-12-23 2019-08-30 杭州华卓信息科技有限公司 一种基于深度学习的骨髓液细胞分割方法
CN107729932B (zh) * 2017-10-10 2019-07-26 杭州智微信息科技有限公司 骨髓细胞标记方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160340644A9 (en) * 2001-07-17 2016-11-24 Angle North America, Inc. Microstructure for Particle and Cell SEparation, Identification, Sorting, and Manipulation
US20120045828A1 (en) * 2007-12-12 2012-02-23 The Board Of Trustees Of The Leland Stanford Junior University Apparatus for Magnetic Separation of Cells
US20100136549A1 (en) * 2008-09-16 2010-06-03 Historx, Inc. Reproducible quantification of biomarker expression
RU2582391C2 (ru) * 2011-02-28 2016-04-27 Сименс Акциенгезелльшафт Миниатюрная магнитная проточная цитометрия
RU2014147093A (ru) * 2012-04-24 2016-06-10 Зэ Бригхэм Энд Вуменс Хоспитал, Инк. Получение плюрипотентных клеток de novo

Also Published As

Publication number Publication date
WO2019072181A1 (zh) 2019-04-18
AU2018349026A2 (en) 2022-01-06
KR102380493B1 (ko) 2022-03-29
AU2018349026A1 (en) 2020-04-09
CN107729932A (zh) 2018-02-23
JP6777354B1 (ja) 2020-10-28
CN107729932B (zh) 2019-07-26
US20200242759A1 (en) 2020-07-30
JP2020537781A (ja) 2020-12-24
EP3696728A1 (en) 2020-08-19
AU2018102232A4 (en) 2022-02-10
TW201915832A (zh) 2019-04-16
TWI715877B (zh) 2021-01-11
IL273483A (en) 2020-05-31
EP3696728A4 (en) 2021-07-14
KR20200052932A (ko) 2020-05-15

Similar Documents

Publication Publication Date Title
RU2739974C1 (ru) Способ маркировки клеток костного мозга и система для его осуществления
CN109791693B (zh) 用于提供可视化全切片图像分析的数字病理学系统及相关工作流程
Nketia et al. Analysis of live cell images: Methods, tools and opportunities
Perner et al. Mining knowledge for HEp-2 cell image classification
CN105144239B (zh) 图像处理装置、图像处理方法
CN110335259B (zh) 一种医学影像识别方法、装置和存储介质
CN108846828A (zh) 一种基于深度学习的病理图像目标区域定位方法及系统
Perner Image mining: issues, framework, a generic tool and its application to medical-image diagnosis
JPWO2017221592A1 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
US10140713B1 (en) Morphology identification in tissue samples based on comparison to named feature vectors
Ganapathy et al. CometQ: An automated tool for the detection and quantification of DNA damage using comet assay image analysis
RU2755553C1 (ru) Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения
RU2732895C1 (ru) Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей
CN113237881A (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
Jahani et al. Automatic identification of overlapping/touching chromosomes in microscopic images using morphological operators
CN113033287A (zh) 病理图像的显示方法及装置
KR102339478B1 (ko) Dna 정보를 이용한 얼굴 추정 방법, 이를 수행하기 위한 기록 매체 및 장치
Jackson et al. Model building and intelligent acquisition with application to protein subcellular location classification
US10900950B2 (en) Apparatus and analytical evaluation methods using morphological feature parameters of a cell or cell population
Kromp et al. Machine learning framework incorporating expert knowledge in tissue image annotation
Dursun et al. Combined segmentation and classification-based approach to automated analysis of biomedical signals obtained from calcium imaging
Blevins et al. Quantification of follicles in human ovarian tissue using image processing software and trained artificial intelligence
Roeper et al. Semiautomatic high-content analysis of complex images from cocultures of vascular smooth muscle cells and macrophages: a CellProfiler showcase
Bermejo-Peláez et al. Digital Microscopy Augmented by Artificial Intelligence to Interpret Bone Marrow Samples for Hematological Diseases
CN115908312A (zh) 一种慢性肾病电镜图像的电子致密物识别方法及装置