TWI490723B - 自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法 - Google Patents

自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法 Download PDF

Info

Publication number
TWI490723B
TWI490723B TW101109959A TW101109959A TWI490723B TW I490723 B TWI490723 B TW I490723B TW 101109959 A TW101109959 A TW 101109959A TW 101109959 A TW101109959 A TW 101109959A TW I490723 B TWI490723 B TW I490723B
Authority
TW
Taiwan
Prior art keywords
reviewer
image
images
classification
sample
Prior art date
Application number
TW101109959A
Other languages
English (en)
Other versions
TW201243638A (en
Inventor
Howard B Kaufman
Original Assignee
Hologic Inc
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 Hologic Inc filed Critical Hologic Inc
Publication of TW201243638A publication Critical patent/TW201243638A/zh
Application granted granted Critical
Publication of TWI490723B publication Critical patent/TWI490723B/zh

Links

Classifications

    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/987—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns with the intervention of an operator
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法
本發明係關於特徵化或分類生物樣本之系統及方法。
於醫學領域中，常需實驗技術師(例如，細胞技術師)來檢查細胞學樣本以確定具體細胞類型的存在。例如，目前需檢查子宮頸-陰道抹片(Pap)。Pap抹片已成為偵測癌性及癌前子宮頸病變之有力工具。
Pap抹片因使子宮頸癌之死亡率降低多達70%而受到讚譽。然而，此前急劇下降的死亡率已變得緩慢，且在美國此可預防疾病之死亡率仍維持基本不變，自80年代中期起每年約5000例。因此，每年診斷罹患子宮頸癌之15,000名女性中約三分之一仍會因癌症偵測過晚而死亡。
在實施有效篩選程式的地方，高等級子宮頸疾病之盛行率已不斷下降。預期藉由採取新穎HPV疫苗，該盛行率將甚至進一步下降。隨著盛行率之下降，細胞技術師在細胞學載玻片檢查期間保存、監控及測量正變得越來越困難。例如，當異常案例之數量極低時，難以準確測量單個篩選器之敏感性。且，視覺搜尋任務研究已顯示，審閱員之驚醒性及機敏性會因低標的盛行率(例如，低異常案例數量)而下降。
已用於計數由低異常案例盛行率所導致之品質控制困難之一技術係將已知異常載玻片編排至Pap抹片載玻片審閱員之快速篩選工作流程中。雖然此技術已在高容量臨床實 驗室實施過長時間，但該技術需冗繁過程來選擇異常載玻片、區分編排之載玻片以避免將異常載玻片識別為已編排之載玻片、及大量的載玻片處理。需一種更實用且更簡單的方法來將異常案例編排至細胞檢查工作流程中。
一實施例係關於一種電腦輔助分類細胞樣本之方法。該方法包含將一或多個處理器用於分析細胞樣本影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將該等樣本影像之感興趣的已識別細胞物體之影像展示給審閱員。將該等樣本影像之感興趣的已識別物體之影像展示給審閱員可包括展示各細胞樣本之視野影像，各視野影像中具有感興趣的一或多個已識別物體。
於此實施例中，該一或多個處理器亦存取先前已分類過之細胞物體之影像資料庫，及藉由穿插樣本影像之感興趣的已識別物體之展示影像之方式，將獲自先前已分類過的物體之影像資料庫之一或多個影像展示給審閱員。獲自資料庫且展示給審閱員之先前已分類過的物體影像之數量可基於將指定分類之細胞物體(例如，異常細胞物體)展示給審閱員之臨限速率。該臨限速率可係在指定時間內或在指定之細胞樣本影像數量內，將指定分類的細胞物體影像展示給審閱員或審閱員組之最小數量。
該一或多個處理器可進一步接收來自審閱員之表示在所展示之先前已分類過的物體影像中所顯示之各物體之審閱員分類之輸入，及確定與先前已分類過的物體之各先前已 確定之分類匹配之該審閱員分類的百分比。
另一實施例係關於一種電腦輔助分類細胞樣本之方法，其包含將一或多個處理器用於分析細胞樣本影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將樣本影像之感興趣之已識別細胞物體之影像展示給審閱員。將樣本影像之感興趣之已識別細胞物體之影像展示給審閱員可包括展示各細胞樣本之視野影像，各視野影像中具有一或多個感興趣之已識別物體。
於此實施例中，該一或多個處理器亦確定特定分類的細胞物體影像(例如，異常細胞物體影像)展示給審閱員的臨限速率。該臨限速率可係在指定時間內或在指定之細胞樣本影像數量內，將指定分類的細胞物體影像展示給審閱員或審閱員組之最小數量。
於此實施例中，該一或多個處理器亦存取先前已分類過的細胞物體之影像資料庫，及藉由穿插樣本影像之感興趣的已識別物體之所展示影像之方式，將獲自先前已分類過的物體的影像資料庫之一或多個影像展示給審閱員，其中選自該資料庫並展示給審閱員之先前已分類過的物體影像之數量係基於臨限速率。該一或多個處理器可進一步接收來自審閱員之表示在所展示之先前已分類過的物體影像中顯示的各物體之審閱員分類之輸入，及確定與該等先前已分類過的物體之各先前確定之分類匹配之該審閱員分類之百分比。
另一實施例係關於一種電腦輔助分類細胞樣本之方法， 其包含將一或多個處理器用於分析細胞樣本之影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將樣本影像之感興趣之已識別細胞物體影像展示與審閱員，存取先前已分類過的細胞物體之影像資料庫及藉由穿插所展示之樣本影像之感興趣的已識別物體影像之方式，將獲自先前已分類過的物體影像之資料庫之一或多個影像展示給審閱員，其中選自該資料庫及展示給審閱員之先前已分類過的物體影像之數量係基於所展示之經審閱員適當分類之先前已分類過的物體影像之百分比。該一或多個處理器可藉由接收來自審閱員之表示在所展示之先前已分類過的物體影像中顯示的各物體之審閱員分類之輸入，並將該等審閱員分類與該等先前已分類過的物體之各先前確定之分類比較來確定該百分比。
又一實施例係關於一種電腦輔助分類細胞樣本之方法，其包含將一或多個處理器用於分析細胞樣本之影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將該等樣本影像之感興趣的已識別細胞物體之影像展示給審閱員，存取先前已分類過的細胞物體影像之資料庫，於該資料庫影像中之各物體具有先前確定之分類，其中該一或多個處理無需審閱員提示而自資料庫自動選擇一或多個影像並藉由穿插樣本之感興趣的已識別物體所展示之影像之方式，將該一或多個影像展示給審閱員。獲自該資料庫及展示給審閱員之先前已分類過的物體影像之數量可基於將指定分類之細胞物體(例如，異常細胞物體)展示 給審閱員之臨限速率。例如，該臨限速率可係在指定時間內，或在指定之細胞樣本影像數量內，將指定分類的細胞物體影像展示給審閱員或審閱員組之最小數量。
該一或多個處理器亦可接收來自審閱員之表示在該等先前已分類的物體所展示之影像中顯示的各物體之審閱員分類之輸入，及確定與該等先前已分類的物體之各先前確定分類匹配之該等審閱員分類之百分比。
另一實施例係關於一種電腦輔助分類細胞樣本之方法，其包含將一或多個處理器用於分析細胞樣本之影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將感興趣的已識別物體之影像展示給審閱員，接收來自審閱員之表示在所展示影像中顯示之感興趣的已識別物體之審閱員分類之輸入，確定將指定分類之細胞物體(例如，異常、癌前或癌變細胞)展示給審閱員之速率低於臨限速率，及藉由以下步驟增大展示指定分類之細胞物體之速率：存取先前已分類過的細胞物體影像之資料庫，於該等資料庫影像中之各物體具有先前確定之分類；及藉由穿插樣本之感興趣的已識別物體所展示之影像之方式將獲自該資料庫之一或多個影像展示給審閱員。
該一或多個處理器亦可接收來自審閱員之表示在獲自該資料庫之所展示影像中所顯示之先前已分類過的細胞物體之審閱員分類之輸入，及確定與所展示之先前已分類過的物體之先前確定分類匹配之所顯現之先前已分類過的物體之審閱員分類之百分比。該一或多個處理器可基於與所展 示之先前已分類過的物體之先前確定分類匹配之所展示之先前已分類過的物體之審閱員分類之百分比調節臨限速率。
另一實施例係關於電腦輔助分類細胞樣本之方法，其包含將一或多個處理器用於分析細胞樣本之影像及識別在該等樣本影像中感興趣的細胞物體，其中該一或多個處理器將感興趣的已識別物體之影像展示給審閱員。將感興趣的已識別物體之影像展示給審閱員可包括展示各細胞樣本之視野影像，各影像視野中具有感興趣的一或多個已識別物體。
於此實施例中，該一或多個處理器亦存取先前已分類過的細胞物體影像之資料庫，於該等資料庫影像中之各物體具有先前確定之分類，及藉由穿插樣本之感興趣的已識別物體所展示之影像之方式，將獲自資料庫之一或多個影像展示給審閱員。所展示之一或多個資料庫影像可基於在該等資料庫影像中具有與樣本感興趣的已識別物體之特性類似之一或多個特性的物體，或基於具有與樣本感興趣的物體之審閱員分類類似之先前確定分類之先前已分類過的物體選擇展示。
在此實施例中，該一或多個處理器亦接收來自審閱員之表示在所展示影像中所顯示之各物體之審閱員分類之輸入，確定與所展示之先前已分類過的物體之先前確定分類匹配之所展示之先前已分類過的物體之審閱員分類之百分比，及基於該百分比，增大或減小獲自資料庫之影像相對 該等樣本之感興趣的已識別物體之影像展示之頻率。例如，若與所展示之先前已分類過的物體之先前確定分類匹配之所展示之先前已分類過的物體之審閱者分類之百分比低於一預定百分比，則該一或多個處理器可增大獲自資料庫之影像相對於樣本感興趣的已識別物體之影像展現之頻率。基於該百分比，該一或多個處理器亦可確定審閱者之相對準確度，或確定樣本感興趣的已識別物體之審閱者分類之置信得分。若該一或多個處理器確定與所展示之先前已分類過的物體之先前確定分類匹配之所展示之先前已分類過的物體之審閱員分類之百分比低於一預定百分比，則該一或多個處理器亦可忽視樣本感興趣的已識別物體之審閱員分類。
另一實施例係關於一種電腦輔助分類生物樣本之方法，其包含將一或多個處理器用於分析生物樣本之影像，其中該一或多個處理器將經分析之生物樣本影像展示給審閱員，存取先前已分類過的生物樣本影像之資料庫，及藉由穿插所展示之經分析之生物樣本影像之方式將獲自該資料庫之先前已分類過的生物樣本影像中之一或多者展示給審閱員。獲自資料庫及展示給審閱員之先前已分類過的生物樣本影像之數量可係基於將指定分類之生物樣本影像展示給審閱員之臨限速率。該臨限速率可係在指定時間內，或在指定之生物樣本影像數量內，將指定分類之生物樣本影像展示給審閱員或審閱員組之最小數量。該指定分類可係一或多種前癌變或癌變細胞物體存在於生物樣本影像中。
現參照附圖，其中相同參考數字表示全文中之對應零件。
參照圖1，其描述根據本發明建構之一生物篩選系統110。該系統110係經配置以處理一系列載玻片112以輔助審閱員或細胞技術師分類載玻片112上佈置之生物樣本114(顯示於圖2中)。該系統110係經進一步配置以將先前已分類過的物體影像自動編排至審閱員工作流程中以使經編排之影像與樣本影像不可區分。
藉由習知分類系統及方法，因異常細胞盛行率低而難以測量作為細胞技術師之函數之載玻片分類的準確度。根據本發明將先前已分類過的物體之數位影像編排至細胞技術師之工作流程中相對習知分類方法具有優勢，係因此編排促進針對品質控制目的之準確度量化，容許使用可行性準確度測量方法，及促進品質控制監控。測量作為細胞技術師之函數之載玻片分類之準確度容許對完整實驗室之經時性能進行連續品質控制監控。編排先前已分類過的物體之影像亦具有性能增強作用。提高標的物之盛行率(例如，增大異常細胞影像出現在工作流程中之頻率)會增強關注，藉此增大細胞技術師之經時整體有效準確度。
根據本發明用於將先前已分類過的物體影像編排至生物檢查工作流程中之系統及方法避免與將預分類玻璃載片編排至工作流程之習知系統及方法相關的各種不同困難。此等困難包括玻璃載片上的菌株降解、不便於在實驗室之間 運送預分類之玻璃載片、與實驗室間共用玻璃載片相關之問題及區分工作流程中之玻璃載片以防止細胞技術師將其等識別為經編排之載玻片。此等困難將藉由根據本發明之數位影像加以克服。
雖然該系統110可用於輔助分類任何生物樣本，然而該系統110自身尤其適宜呈現子宮頸或陰道細胞材料，如，一般在Pap抹片載玻片上發現之彼等材料。於此情況中，樣本114中之細胞可反映異常情況(例如，溶胞、萎縮、感染、受損)、癌變或前癌變，如低級別鱗狀上皮內病變(LSIL)或高級別鱗狀上皮內病變(HSIL)，及藉由Bethesda System for Reporting Cervical/Vaginal Cytologic Diagnosis定義之其他細胞學類型。一般將生物樣本114置於載玻片112上作為一薄細胞層。較佳，將一蓋片(未顯示)黏著至該生物樣本114，藉此將該樣本114固定於載玻片112之合適位置上。可藉由任何適宜染料(如柏氏(Papanicolaou)染料或ThinPrep® Nuclear染料)對樣本114染色。
實施例亦可用於特徵化或分類其他類型生物樣本，包括血液、尿液、精液、乳液、痰、黏液、胸腔積液、骨盆液、滑液、腹水、體腔沖洗液、洗眼液、皮膚刮片、口腔拭子、陰道拭子、抹片、腸道拭子、抽吸液、針活組織、藉由(例如)手術或解剖獲得之組織片段、血漿、血清、脊髓液、淋巴液、皮膚、呼吸、腸及泌尿生殖道外分泌物、淚液、唾液、腫瘤、器官、微生物培養物、病毒、體外細胞培養成分樣本及其他細胞及組織樣本。本說明書以子宮 頸或陰道細胞樣本114(於抹片載玻片上)說明可實施實施例之方式，及應理解，該等實施例可應用於各類型之組織及細胞。
該系統110一般包含(1)用於獲得載玻片112上之生物材料114之掃描影像及自該等影像產生電子影像資料之一成像台118；(2)用於過濾該等影像資料以識別在該樣本114中最可疑(例如，異常、癌變、前癌變等)的物體(亦稱為感興趣的物體(OOI))之一伺服器120；及(3)複數個審閱台122(顯示3個)，該等審閱台中之各者將物體之影像展現給細胞技術師。
雖然將該系統110描述為用於輔助分類個別物體及將個別物體之影像編排至審閱員之工作流程中，然而應理解，該系統110亦可附加地或替代地用於輔助分類及編排除該等個別物體以外之視野(FOV)之影像。因此，該伺服器120可經配置以識別在該樣本114中最可能含有OOI或OOI團之FOV(亦稱為感興趣的視野(FOI))。
成像台118包含一照相機124、一顯微鏡126及支撐載玻片112之一機動台128。將該載玻片112安裝於該機動台128上，該機動台128使載玻片112相對顯微鏡126之檢視區域移動，同時該照相機124經該顯微鏡126攝取載玻片112之放大影像。該照相機124可係各種不同習知照相機中之任一者，如電荷耦合裝置(CCD)照相機，其等可單獨存在或與其他組件(如類比-數位(A/D)轉換器)連接以產生具足夠解析度之數位輸出以允許處理所攝取影像。照相機124之 快門速度較佳相對高，以使掃描速度及/或所攝取之影像數量最大化。
該伺服器120包含(1)經配置以自照相機124獲得之影像資料識別OOI(或FOI)之一影像處理器130；(2)先前已分類過的細胞物體(或先前已分類過的FOV)之影像之資料庫132；及(3)經配置用於儲存已識別之OOI(或FOI)之影像之一記憶或儲存裝置136。應理解，伺服器120之組件可以不同方式佈置。例如，藉由處理器130實施之功能可藉由單個處理器實施，或藉由多於一個處理器實施。此外，可將記憶體136分割成數個記憶體。於另一實例中，該記憶體136可係影像處理器130之一部分或一單獨組件。
先前已分類過的物體之個別影響係藉由細胞技術師人工選擇並儲存於預定義資料庫132中。預選擇及分類物體之影像之此資料庫132係用於將預分類之物體數位影像編排至細胞技術師載玻片分類之工作流程中。於資料庫132之影像中之各物體具有與此相關之一先前確定分類。例如，在資料庫132之影像中之物體可在先前已分類為「異常」、「癌變」、「前癌變」、「HSIL」、「LSIL」、「原位癌」或類似者。如下文所更詳細論述，審閱員未覺察該等先前已分類過的物體出現在工作流程中。因此，審閱員可將經審閱員確定之分類與具有一先前確定分類之物體關聯。針對品質控制目的，將此經審閱員確定之分類與彼物體之先前確定分類比較，其實例將更詳細描述於下文中。
雖然將資料庫132描述為含有細胞物體之影像，然而應 充分理解，該資料庫132亦可包含先前已分類過的生物樣本影像。如上所述，本發明不限制於細胞樣本。實施例亦可用於特徵化或分類其他類型的生物樣本，及因此，於此等實施例中，該資料庫132可含有其他類型生物樣本的先前已分類過之影像。
亦應充分理解，該資料庫132可含有視野影像而不含個別物體之影像。於該資料庫132中，該等視野影像可各含有至少一先前已分類過的物體。換言之，於該資料庫132中之影像可係先前已分類過的視野影像。
仍參照圖1，其顯示共有三個審閱台122耦合至該伺服器120，如此一來，最多容許三名細胞技術師同時存取伺服器120中儲存之相關資訊。各審閱台122包含(1)用於展示給細胞技術師審閱用之物體影像(或FOV)之一監控器140；(2)耦合至該監控器140之一輸入處理器142；及(3)耦合至該輸入處理器142之一使用者輸入裝置144。該監控器140係經配置用於展示樣本114之識別之OOI(或識別之FOI)之影像，及獲自資料庫132之影像。該等影像可每次展示一個或可以陣列形式同時展示數張影像。為了容許審閱員逐一或逐個陣列地審閱影像，該輸入裝置144可包含一致動開關(未顯示)。就此而言，該審閱台122係半自動。或者，個別影像或陣列可自動逐一展示。就此而言，該處理器142可視需要在各影像或各陣列處暫停一段預定時間。就此而言，該審閱台122係全自動。
當已識別OOI之影像及來自資料庫132之影像呈現在該 監控器140上時，細胞技術師審閱所展示之影像及決定物體在所展現影像中的異常程度。藉由該使用者輸入裝置144，細胞技術師可輸入關於在所展現影像中之物體的分類之資訊，包括分類決定及/或發育不良或癌症之感知程度。例如，該輸入裝置144可經配置以接收諸如「異常」、「癌變」、「前癌變」、「HSIL」、「LSIL」、「原位癌」或類似者之輸入。該使用者輸入裝置144可包含一鍵盤、一滑鼠、一搖桿、一觸摸屏或類似者。
該系統110之適宜組件之其他態樣描述於美國專利申請公開案2004/0253616 A1中。
參照圖3，其描述利用圖1中所顯示之系統110實施電腦輔助分類細胞樣本及將先前已分類過的物體之影像編排至分類工作流程中之方法300。該方法300描述審閱員或實驗室在預定時間內審閱最小數量之指定分類的物體之影像(或指定分類的生物樣本影像)之實施例。換言之，存在一「臨限速率」，指定分類的物體之影像在此臨限速率下展現給審閱員或實驗室。指定分類的物體之影像可係異常物體、癌變物體、前癌變物體及/或類似者之影像。
如下文中所更詳細論述，可將來自資料庫132之影像整個添加至個別審閱員，或實驗室之工作流程中，以實現該臨限速率。連續監控將指定分類的物體之影像展現給審閱員之實際速率及與臨限速率對比。若指定分類的物體之影像展現給審閱員之實際速率低於臨限速率，則將來自資料庫132之影像插入工作流程中以提高指定分類的物體之影 像之盛行率及實現臨限速率。審閱員之警覺性係藉由增大指定分類的物體之影像在審閱員工作流程中之盛行率來提高。此外，增大指定分類的物體之影像在審閱員工作流程中之盛行率會增大可用於品質控制評價中之資料量。
可將該臨限速率定義為在指定時間(如一小時、一天、一週、一個月等)內特定分類的物體之影像展示給審閱員之最小數量。例如，臨限速率可為在一周內展示給審閱員100個HSIL物體影像及100個LSIL物體影像。若審閱員正以每週65個HSIL物體及每週75個LSIL物體之速率分類樣本影像之已識別OOI，則該處理器142確定HSIL及LSIL物體影像出現在審閱員工作流程中之速率低於每週100個HSIL物體影像及100個LSIL物體影像之臨限速率。於此實例中，需將35個HSIL物體影像及25個LSIL物體影像添加至審閱員工作流程中以實現臨限速率。因此，該處理器142自資料庫132選擇與此相關具有「HSIL」分類之35個影像及自資料庫選擇與此相關具有「LSIL」分類之25個影像，及將彼等影像插入審閱員之工作流程中。因此，於該週內，展現給審閱員之影像包括樣本之65個HSIL物體影像及來自資料庫132之35個HSIL物體影像，以在該週內共審閱100個HSIL物體影像。展現給審閱員之影像亦包括樣本之75個LSIL物體影像及來自資料庫132之25個LSIL影像，以在該週內共審閱100個LSIL物體影像。「樣本之HSIL物體」係指審閱員分類為「HSIL」之樣本之已識別OOI。類似地，「樣本之LSIL物體」係指由審閱員識別為「LSIL」 之樣本之已識別OOI。
臨限速率可基於審閱員之準確度。即，具有高準確度之審閱員可具有較具有低準確率之審閱員小之臨限速率。就此方式而言，低準確度審閱員之準確度可因標的物盛行率增大而提高。此外，低準確度審閱員之準確度可藉由增大標的物之盛行率而得以更接近及高效地監控。如下文所更詳細論述，審閱員之準確度可基於該審閱員正確分類先前已分類過的物體之數量或百分比來評價。
該臨限速率可基於每載玻片、或每影像方式定義，而不是基於指定時間段。即，可將該臨限速率定義為在審閱指定數量之載玻片或指定數量之樣本影像期間，展現給審閱員之指定分類的物體之影像之最小數量。例如，該臨限速率可為每審閱20個載玻片，或每審閱400個樣本影像有100個異常物體影像展現給審閱員。
此外，可將該臨限速率應用於實驗室整體，而非應用於實驗室中之個別審閱員。即，指定分類的物體之影像展現給實驗室中之所有審閱員之綜合速率可為或高於該臨限速率。例如，用於實驗室整體中所有審閱員之臨限速率可為每週500個HSIL物體影像及500個LSIL物體影像、每天100個異常物體影像、每2000個樣本影像200個異常物體影像，或另一預定速率。
於方法300中之步驟將參照圖1至3描述。首先，照相機124在步驟305中獲得生物樣本114中之物體(或FOV)之數位影像。更特定言之，將負載細胞樣本114之載玻片112安裝 於機動台128上，該機動台使該載玻片112相對顯微鏡126之檢視區域移動或掃描，同時照相機124攝取整個生物樣本114或其部分上之影像。照相機124獲得之各影像之各像素可視其透光性轉化為八位元值(0至255)，其中「00000000」係通過像素之最小量光之分配值，及「11111111」係通過像素之最大量光之分配值。
在步驟310時，將照相機124所獲得之影像或影像資料提供至影像處理器130，該影像處理器分析該等影像或影像資料以識別樣本114中之OOI(或FOI)。例如，該影像處理器130可實施如美國專利申請公開案2004/0253616中所描述之一級及二級分段並測量、確定或提取樣本114中個別物體及聚群物體中各者之各特徵。該影像處理器130隨後可基於此等特徵之測量值計得各物體之物體得分。基於此得分，該影像處理器130可識別或選擇作為受關注OOI之物體及聚群物體。該等已識別OOI之影像可隨後儲存於記憶體136中用於後續參考。
在步驟315時，隨後將已識別OOI之影像提供至輸入處理器142及展示於審閱台122之監控器140上。如上所述，該等已識別OOI每次可展示一個，或可以陣列方式展示。替代地或額外地，將樣本114之視野影像展現給審閱員，及於各視野影像中具有一或多個已識別OOI。
於一實施例中，該等已識別OOI可依序展示。例如，首先展示經確定為最可疑之已識別OOI。於一實施例中，當影像處理器130計得各物體之得分時，該等OOI係視其等得 分依序展示。例如，首先展示具有最高得分之OOI及隨後依得分降序之順序展示餘下OOI。於另一實施例中，以陣列方式同時展示具有類似特性之OOI。於此實施例中，該處理器130可經配置以評價OOI之特定特性及隨後將具有類似特性之OOI以陣列方式歸為一組。例如，可將具有類似細胞尺寸、類似核-細胞質域比、類似核校正整合光密度或類似細胞質空泡形成之物體歸組在一起。
當展示OOI影像時，審閱員可輸入關於所展示影像之資訊，如，在所展示影像中顯示之物體(或FOV)之審閱員確定之分類。例如，若檢視監控器140上之影像之細胞技術師確定在所展示影像中之OOI(或FOI)中之一者可能異常，則該細胞技術師可利用輸入裝置144輸入審閱員確定分類「異常」。該輸入處理器142在步驟320時接收此審閱員確定之分類。
在步驟320接收該輸入之後，可如以下參照圖5至8更詳細論述般分析該輸入。此外，在步驟320接收該輸入之後，處理器142在步驟325時確定指定分類的物體之影像(或指定分類的生物樣本影像)出現在工作流程中之速率是否高於臨限速率。若該速率高於臨限速率，則無需將來自資料庫132之影像添加至該工作流程，及該方法繼續進行至輸入分析步驟，該步驟將參照圖5至8在下文中更詳細地論述。然而，若該速率低於臨限速率，則該處理器142確定需將來自資料庫132之影像添加至審閱員之工作流程以提高指定分類的物體之影像出現在工作流程中之速率，進 而實現該臨限速率。
因此，於步驟330中，該影像處理器130及/或輸入處理器142存取先前已分類過的物體之影像資料庫132及選擇展示來自該資料庫132之影像中之一或多者。該影像處理器130及/或該輸入處理器142自動實施步驟330而無需審閱員提示。因此，審閱員覺察不到資料庫132正被存取或正自該資料庫132選擇影像。
來自資料庫132之影像係基於需展現給審閱員之特定分類進行選擇以達成關於彼特定分類之臨限速率。例如，若該系統在步驟325時確定LSIL物體影像出現在工作流程中之速率低於「LSIL」分類之臨限速率，則在步驟330中會自資料庫132選擇具有先前已確定分類之「LSIL」之物體之影像。類似地，若該系統在步驟325時確定HSIL物體影像出現在工作流程中之速率低於「HSIL」分類之臨限速率，則在步驟330中會自資料庫132選擇具有先前已確定分類之「HSIL」之物體之影像。
於步驟335中，該一或多個資料庫選擇影像係以穿插來自樣本114之已識別OOI之展示影像之方式展示於監控器140上。例如，若已識別OOI之影像每次展示一個，則將資料庫選擇影像中之一者插入該工作流程中。若已識別OOI之影像係以陣列形式展示，則資料庫選擇影像中之一者可係該陣列中之影像中之一者。審閱員之警覺性係藉由將資料庫選擇影像穿插來自樣本114之已識別OOI之展示影像展示之方式提高。該影像處理器130及/或輸入處理器142自 動實施步驟335而無需審閱員提示。因此，審閱員覺察不到來自資料庫132之影像正展現於審閱員之工作流程中。
重複步驟320、325、330及335直至達成臨限速率。此外，步驟320、325、330及335可與以下參照圖5至8所描述之輸入分析步驟同時進行。即，可連續分析在步驟320中所接收之輸入，同時展示來自樣本114及資料庫132之影像。
應充分理解，圖3中所描述之步驟310、315、320、325、330及335中之各者可藉由影像處理器130及/或輸入處理器142實施。雖然將此等步驟中之一些描述為藉由影像處理器130或輸入處理器142實施，然而應充分理解，該等步驟僅針對示例性目的以此方式描述，及影像處理器130或輸入處理器142任一者可實施此等步驟中之各者。此外，該系統110可包含用於實施此等步驟之一或多個額外處理器。
於圖3所描述之方法中，用於自資料庫132選擇影像之準則係基於臨限速率。自資料庫132選擇具有特定分類的物體之影像及展現給審閱員，直至審閱員在指定時間內審閱完最小量之具有特定分類的物體之影像。替代地或額外地，來自資料庫132之影像可視關於樣本114之OOI之審閱員輸入，視樣本114之OOI之特性選擇展示，及/或可隨機選擇。此等選擇準則將參照圖4在下文中更詳細論述。
圖4描述一種利用圖1中所顯示之系統110實施電腦輔助之分類細胞樣本及將先前已分類過的物體之影像編排至分 類工作流程中之方法400。該方法400類似於上述方法300，不同的是在方法400中刪減確定是否已達成臨限速率之步驟。然而，應充分理解，該方法400可包含確定是否已達成臨限速率之步驟。即，方法400不排除確定是否已達成臨限速率之步驟。或者，該方法400可連續或間歇地將來自資料庫132之影像編排至工作流程中而不理會展現指定分類的物體之影像之臨限速率。
參照圖4，現將描述方法400。首先，在步驟405中獲得在生物樣本114中之物體的數位影像。然後，在步驟410中分析該等物體的影像以識別在樣本114中之OOI。在步驟415中，於監控器140上展示已識別OOI之影像以由細胞技術師審閱。步驟405、410及415基本上分別類似於在上文中參照圖3較詳細論述之步驟305、310及315。
在步驟415中展示已識別OOI之影像之後，審閱員可輸入關於所展示OOI之資料，如所展示OOI之審閱員確定之分類。在步驟430中接收此輸入。當處理器142接收輸入時，處理器142藉由實施步驟420及425同時將來自資料庫132之影像編排至工作流程中。
在步驟420中，影像處理器130及/或輸入處理器142存取先前已分類過的細胞物體之影像資料庫132及選擇展示來自該資料庫132之影像中之一或多者。該影像處理器130及/或輸入處理器142自動實施步驟420而無需審閱員提示。因此，審閱員覺察不到資料庫132正被存取或正自該資料庫132選擇影像。
於一實施例中，用於自資料庫132選擇影像之準則係基於在步驟430中自審閱員接收之輸入。基於此輸入，該輸入處理器142係經程式化以自資料庫132選擇影像，其中在所選擇的資料庫影像中之物體具有與在步驟430中所接收之已識別OOI之審閱員確定之分類相同或至少類似之先前已確定之分類。例如，若關於對應一特定載玻片之影像之審閱員輸入包含數個「LSIL」分類，則該處理器103及/或142可自資料庫132選擇先前已分類為「LSIL」之物體的影像。可將此等所選擇之影像編排至審閱員之工作流程中。如此一來，資料庫影像將無縫插入工作流程中，係因審閱樣本已確定包含LSIL物體，及因此，審閱員可預期將觀察到LISI物體出現於工作流程中。
此外，或替代地，用於自資料庫132選擇影像之準則可基於對樣本114中之OOI之分析。此分析係於步驟410中實施及參照圖3之步驟310在上文中更詳細描述。基於此分析，該影像處理器130自資料庫132選擇具有與樣本114之已識別OOI之特性類似之特性之物體的影像。例如，於步驟410中，該影像處理器130可分析樣本114中OOI之細胞尺寸，及隨後在步驟420中，可自資料庫132選擇具有與樣本114中已識別OOI之細胞尺寸類似之細胞尺寸之物體的影像。
然後在步驟425中，將該一或多個所選擇之資料庫影像以穿插樣本114之已識別OOI之展現影像的方式展現於監控器140上，藉此提高審閱員之警覺性。若已識別OOI之影像 每次展現一個，則將所選擇之資料庫影像中之一者插入該工作流程中。若已識別OOI之影像係以陣列方式展現，則所選擇之資料庫影像中之一者可係該陣列之影像中之一者。該影像處理器130及/或輸入處理器142自動實施步驟425，而不需審閱員提示。因此，審閱員覺察不到來自資料庫132之影像正展示於審閱員工作流程中。
由於對該等資料庫影像進行仔細選擇以與OOI之影像類似，故該等資料庫影像應與樣本114之OOI影像不可區分。因此，先前已分類過的物體之所選擇之資料庫影像良好地偽裝在OOI影像中，及審閱員覺察不到正在存取或監控。應瞭解，步驟415、420、425及430可以任何順序實施，或可同時實施。步驟420及425可於審閱樣本期間連續重複、間歇地重複，直至將所需數量之來自資料庫之影像編排至工作流程中，或直至達成指定分類的物體之影像出現在工作流程中之臨限速率。
於步驟430中，審閱員輸入關於所展示影像之資料。例如，輸入處理器142可接收來自審閱員之表示在所展現影像中之物體的審閱員分類之輸入。由於審閱員覺察不到所展示影像中之何者已被先前分類過(例如，所展示影像中之何者獲自資料庫132)，故可將審閱員分類與樣本114之已識別OOI或與先前已分類過的物體關聯。在步驟320及/或430中自審閱員接收輸入之後，可如參照圖5至8在下文中更詳細論述般分析該輸入。
應充分理解，在圖4中所描述之步驟410、415、420、 425及430中之各者可藉由影像處理器130及/或輸入處理器142實施。雖然將此等步驟中之一些描述為藉由影像處理器130或輸入處理器142實施，然而應充分理解，該等步驟僅針對示例性目的以此方式描述，及影像處理器130或輸入處理器142均可實施此等步驟中之各者。此外，該系統110可包含用於實施此等步驟之一或多個額外處理器。
當審閱員確定所展現物體異常時，審閱員在步驟320或430中輸入彼物體之「異常」分類。此輸入係指“審閱員確定之分類”。若彼展示物體係獲自資料庫132，則該所展示物體具有與其相關之一先前確定分類，但審閱員並不知曉。於此情況中，可將審閱員確定之分類與彼物體之先前確定分類比較以確定審閱員確定之分類是否與該先前確定分類匹配。若彼所展現物體係樣本114中OOI之一者，則審閱員確定之分類係與彼物體相關之唯一分類且不進行比較。若審閱員確定所展示物體正常，則審閱員可不提供該輸入處理器142任何輸入。然而，若審閱員確定為正常之彼物體實際上係資料庫132之先前已分類過的物體，則該輸入處理器142確定該審閱員確定之分類與針對彼物體之先前確定之分類不匹配。
現參照圖5，輸入分析方法500自步驟505開始，確定與審閱員確定之分類匹配之先前確定分類之百分比。此百分比係藉由首先將先前已分類過的物體之審閱員確定之分類與彼物體之先前確定分類比較確定。基於此比較，該輸入處理器142確定審閱員確定之分類與彼特定物體之先前確 定分類是否匹配。該輸入處理器142可隨後確定與所展示之先前已分類過的物體之先前確定分類匹配之審閱員確定之分類之百分比。若不存在與先前已分類過的物體相關之審閱員輸入，則該輸入處理器142確定彼物體之各分類不匹配。
然後，在步驟510中，該處理器142確定在步驟505中所計得之百分比是否低於臨限百分比。若與先前確定分類匹配之審閱員分類之百分比高(即，高於預定臨限值)，則可在步驟520中降低將獲自資料庫132之影像展現給審閱員之頻率。可降低該頻率，係因高百分比說明審閱員評價準確及審閱員細心且無需高標的物盛行率。相反，若與先前確定分類匹配之審閱員分類之百分比低(即，低於預定臨限值)，則可在步驟515中增大將獲自資料庫132之影像展現給審閱員之頻率。頻率增大可提高審閱員注意力且可提供更多用於評價審閱員準確度之資料。類似地，指定分類的物體之影像展現給審閱員之臨限速率可基於步驟505中所計得之百分比調整。若在步驟505中所計得之百分比高，則可降低該臨限速率。相反，若在步驟505中所計得之百分比低，則可提高該臨限速率。
分析審閱員輸入之另一方法600描述於圖6中。於此方法600中，在步驟605中確定與審閱員確定之分類匹配之先前確定分類之百分比。此步驟與參照圖5更詳細描述於上文中之步驟505實質相同。然後，在步驟610中，處理器142確定在步驟605中所計得之百分比是否低於臨限百分比。 若在步驟605中所確定之百分比低於該臨限百分比，則假定審閱員分類樣本114之OOI之準確度低。因此，在步驟615中，若該百分比低於臨限百分比，則可忽略樣本114之已識別OOI之審閱員分類。若在步驟605中所確定之百分比不低於臨限值，則可假定審閱員分類樣本114之OOI之準確度高。因此，在步驟620中，若該百分比高於臨限百分比，則可接受樣本114之已識別OOI之審閱員分離。
分析審閱員輸入之另一方法700描述於圖7中。於此方法700中，在步驟705中確定與審閱員確定之分類匹配之先前確定分類之百分比。此步驟與參照圖5更詳細描述於上文中之步驟505實質相同。然後在步驟710中，可基於步驟705中所確定之百分比確定審閱員之相對準確度。若該百分比高，則審閱員之準確度高。若該百分比低，則審閱員之準確度低。若該審閱員之準確度低，則該審閱員需更多練習或更多培訓。例如，若審閱員之準確度低，則可增大將指定分類的物體之影像展現給審閱員之臨限速率。
分析審閱員輸入之另一方法800描述於圖8中。於此方法800中，在步驟805中確定與審閱員確定之分類匹配之先前確定分類之百分比。此步驟與參照圖5更詳細描述於上文中之步驟505實質相同。然後在步驟810中，可基於在步驟805中計得之百分比確定樣本114之已識別OOI之審閱員分類的置信得分。例如，若在步驟805中所計得之百分比高，則可假定審閱員分類OOI之準確度亦高。因此，在步驟810中所確定之置信得分高。若該百分比低，則可假定 審閱員分類OOI之準確度亦低。因此，在步驟810中所確定之置信得分低。
應充分理解，於圖5至8中所描述之步驟中之各者可藉由影像處理器130及/或輸入處理器142實施。雖然將此等步驟中之一些描述為藉由影像處理器130或輸入處理器142實施，然而應充分理解，該等步驟係僅針對示例性目的以此方式描述，且影像處理器130或輸入處理器142可實施此等步驟中之各者。此外，該系統110可包含用於實施此等步驟之一或多個額外處理器。
應瞭解，雖然以上實施例係針對分析子宮頸或陰道細胞樣本進行描述，但本發明之其他實施例可用於處理及分析各種其他類型的樣本。此外，實施例可涉及藉由各種樣本載具(包括載玻片及小玻璃瓶)承載或運載之樣本。且，應理解，實施例可應用於分類不同類型之樣本及可用於其他目的。且，實施例可以電腦程式產品之方式實施用於生物樣本分類系統及實施上文中所描述功能中之全部或部分。此實施方案可包含固定在一有形媒體(如電腦可讀媒體，例如，磁碟、CD-ROM、ROM或硬碟)上或可經由一解調器或其他介面裝置傳導至電腦系統之一系列電腦可讀儀器。
110‧‧‧生物篩選系統
112‧‧‧載玻片
114‧‧‧生物樣本
118‧‧‧成像台
120‧‧‧伺服器
122‧‧‧審閱台
124‧‧‧照相機
126‧‧‧顯微鏡
128‧‧‧機動台
130‧‧‧影像處理器
132‧‧‧資料庫
136‧‧‧記憶體
140‧‧‧監控器
142‧‧‧輸入處理器
144‧‧‧輸入裝置
圖1係輔助審閱員分類生物樣本載玻片及將先前已分類過的物體之影像編排至審閱者之工作流程中之一方塊圖；圖2係生物樣本載玻片之平面視圖； 圖3係電腦輔助分類生物樣本及將先前已分類過的物體之影像自動編排至審閱員之工作流程中之方法之流程圖；圖4係電腦輔助分類生物樣本及將先前已分類過的物體之影像自動編排至審閱員之工作流程中之方法之另一實施例之流程圖；圖5係分析審閱員輸入之方法之流程圖；圖6係分析審閱員輸入之方法之另一實施例之流程圖；圖7係分析審閱員輸入之方法之又一實施例之流程圖；及圖8係分析審閱員輸入之方法之又另一實施例之流程圖。
110‧‧‧生物篩選系統
112‧‧‧載玻片
118‧‧‧成像台
120‧‧‧伺服器
122‧‧‧審閱台
124‧‧‧照相機
126‧‧‧顯微鏡
128‧‧‧機動台
130‧‧‧影像處理器
132‧‧‧資料庫
136‧‧‧記憶體
140‧‧‧監控器
142‧‧‧輸入處理器
144‧‧‧輸入裝置

Claims (4)

  1. 一種電腦輔助分類細胞(cytological)樣本之方法，其包含：將一或多個處理器用於：將先前未分類細胞樣本影像展現給一審閱員(reviewer)，自該審閱員接收該等經展現細胞樣本影像之分類，監控一審閱員分類速率，其等於接收由該審閱員指定之一經指定分類之經展現先前未分類細胞樣本影像之一數量除以展現給該審閱員之先前未分類細胞樣本影像之一總數量，及若該經監控審閱員分類速率係低於一臨限速率，則藉由穿插該等經展現先前未分類細胞樣本影像之方式將獲自一先前已分類細胞樣本影像資料庫之一或多個該經指定分類之影像展現給該審閱員。
  2. 如請求項1之方法，其中該經指定分類係指示該影像包括異常細胞物體。
  3. 如請求項1之方法，其中該一或多個處理器接收獲自該先前已分類細胞樣本影像資料庫之該等經展現影像之審閱員確定分類；及確定指示該等經展現影像係屬該經指定分類之該等審閱員確定分類之一百分比。
  4. 如請求項1之方法，其中將該等先前未分類細胞樣本影像展現給一審閱員包含展現各細胞樣本之視野影像，於各視野影像中具有一或多個感興趣的先前已識別物體。
TW101109959A 2011-03-23 2012-03-22 自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法 TWI490723B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US201161466856P 2011-03-23 2011-03-23

Publications (2)

Publication Number Publication Date
TW201243638A TW201243638A (en) 2012-11-01
TWI490723B true TWI490723B (zh) 2015-07-01

Family

ID=45937622

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101109959A TWI490723B (zh) 2011-03-23 2012-03-22 自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法

Country Status (5)

Country Link
US (1) US8983166B2 (zh)
EP (1) EP2689362A1 (zh)
AU (1) AU2012230858A1 (zh)
TW (1) TWI490723B (zh)
WO (1) WO2012129401A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104094099B (zh) * 2011-04-15 2017-05-03 罗氏血液诊断股份有限公司 测量细胞体积和成份
JP5945803B2 (ja) * 2012-03-07 2016-07-05 東芝メディカルシステムズ株式会社 医用画像読影システム
US9412006B1 (en) * 2013-02-25 2016-08-09 Flagship Biosciences, Inc. Continuous tissue analysis scoring scheme based on cell classifications
US9488639B2 (en) * 2013-02-25 2016-11-08 Flagship Biosciences, Inc. Cell-based tissue analysis
JP6453298B2 (ja) * 2013-03-15 2019-01-16 ホロジック, インコーポレイテッドHologic, Inc. 細胞診標本を観察および解析するためのシステムおよび方法
AU2016211981A1 (en) 2015-01-31 2017-07-27 F. Hoffmann-La Roche Ag Quality control of automated whole-slide analysis

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040253616A1 (en) * 2003-06-12 2004-12-16 Cytyc Corporation Method and system of determining the stain quality of slides using a scatter plot distributions
TW200945218A (en) * 2008-03-03 2009-11-01 Videoiq Inc Dynamic object classification
US20100174994A1 (en) * 2007-12-27 2010-07-08 Marx James G Systems and methods for workflow processing

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6125194A (en) * 1996-02-06 2000-09-26 Caelum Research Corporation Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing
US7505614B1 (en) * 2000-04-03 2009-03-17 Carl Zeiss Microimaging Ais, Inc. Remote interpretation of medical images
ATE336746T1 (de) * 2001-05-29 2006-09-15 Mevis Breastcare Gmbh & Co Kg Verfahren und vorrichtung zum screening von medizinischen fällen
WO2007111755A2 (en) * 2005-12-29 2007-10-04 Cytyc Corporation Scalable architecture for maximizing slide throughput
US8326014B2 (en) * 2007-09-28 2012-12-04 Cytyc Corporation Methods and systems for processing biological specimens utilizing multiple wavelengths

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040253616A1 (en) * 2003-06-12 2004-12-16 Cytyc Corporation Method and system of determining the stain quality of slides using a scatter plot distributions
US20100174994A1 (en) * 2007-12-27 2010-07-08 Marx James G Systems and methods for workflow processing
TW200945218A (en) * 2008-03-03 2009-11-01 Videoiq Inc Dynamic object classification
TW201005656A (en) * 2008-03-03 2010-02-01 Videoiq Inc Object matching for tracking, indexing, and search

Also Published As

Publication number Publication date
AU2012230858A1 (en) 2013-10-17
TW201243638A (en) 2012-11-01
WO2012129401A1 (en) 2012-09-27
US8983166B2 (en) 2015-03-17
US20120243755A1 (en) 2012-09-27
EP2689362A1 (en) 2014-01-29

Similar Documents

Publication Publication Date Title
JP5469070B2 (ja) 生物検体を処理するための複数の波長を用いる方法およびシステム
EP2745111B1 (en) System and method for the detection of precancer or cancer cells in a biological sample
TWI490723B (zh) 自樣本感興趣的物體影像中自動編排先前已分類過之影像的方法
US10083340B2 (en) Automated cell segmentation quality control
US8891850B2 (en) System and methods for digital evaluation of cellblock preparations
US20100279341A1 (en) Methods and system for analyzing cells
JP2018512072A (ja) 自動化スライド全域解析の品質管理
JPH09509487A (ja) 細胞試料自動分類装置及び方法
WO2012041333A1 (en) Automated imaging, detection and grading of objects in cytological samples
JP3916395B2 (ja) 検体の予備処理機能を備えた検査体系
JP4864709B2 (ja) 分散プロット分布を用いてスライドの染色品質を決定するシステム
JP4897488B2 (ja) 分散プロット分布を用いてスライドを分類するシステム
US20110262907A1 (en) Procecure for preparing a processed virtual analysis image
Laosai et al. Deep-Learning-based Acute Leukemia classification using imaging flow cytometry and morphology
TW201025032A (en) Cervix cell analysis system and method
Srinivasan Rajsri et al. A brief review of cytology in dentistry
Marcuzzo et al. Her2 immunohistochemical evaluation by traditional microscopy and by digital analysis, and the consequences for FISH testing
CN113178228A (zh) 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质
JP2001510894A (ja) 検体の下調べ機能を備えた検査体系
Sergeev et al. Development of automated computer vision methods for cell counting and endometrial gland detection for medical images processing
Edwards et al. Segmentation of biological cell images for sonification
Böcking et al. Diagnostic cytometry
Grzeszczyk et al. Segmentation of the veterinary cytological images for fast neoplastic tumors diagnosis
US20210209756A1 (en) Apparatuses and methods for digital pathology
Rios et al. Caio LB Andrade, Marcos V. Ferreira 2, Brenno M. Alencar 2, Ariel MA Junior 2, Tiago JS Lopes 3, Allan S. dos Santos, Mariane M. dos Santos, Maria ICS Silva, Izabela MDRP Rosa, Jorge LSB Filho 2, Matheus A. Guimaraes 2, Gilson C. de Carvalho, Herbert HM Santos, Márcia ML Santos 4, Roberto Meyer