TWI836781B - 病理影像標註及檢視系統 - Google Patents
病理影像標註及檢視系統 Download PDFInfo
- Publication number
- TWI836781B TWI836781B TW111147499A TW111147499A TWI836781B TW I836781 B TWI836781 B TW I836781B TW 111147499 A TW111147499 A TW 111147499A TW 111147499 A TW111147499 A TW 111147499A TW I836781 B TWI836781 B TW I836781B
- Authority
- TW
- Taiwan
- Prior art keywords
- annotation
- image
- pathological
- pathological image
- user
- Prior art date
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 126
- 238000007689 inspection Methods 0.000 title abstract 4
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000012552 review Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims 2
- 208000005623 Carcinogenesis Diseases 0.000 description 9
- 230000036952 cancer formation Effects 0.000 description 9
- 231100000504 carcinogenesis Toxicity 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009595 pap smear Methods 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
Images
Abstract
本發明主要揭露一種病理影像標註及檢視系統，包括一檢視介面、一標註工具及一標註產生模組，較佳還包括一AI運算介面。該標註工具用以讓一使用者在該檢視介面中的一病理影像上建立多個標註框及其分類名稱，並將每一標註框的位置、形狀及分類名稱儲存成一註解資訊。該標註產生模組用以根據該些註解資訊在該病理影像上產生該些標註框及其分類名稱。該AI運算介面的一訓練模式係利用被該使用者選擇的一深度學習演算法及一組目標影像截圖訓練產生一AI影像辨識模型。該AI運算介面的一預測模式係利用被該使用者選擇的一AI影像辨識模型對一待預測病理影像進行預測與標註，被選擇的AI影像辨識模型係由該訓練模式所訓練產生的。
Description
本發明與病理影像的AI辨識技術有關，尤指一種病理影像標註及檢視系統。
傳統的病理檢驗是由一病理醫師透過一顯微鏡去檢視一病理玻片上的生物組織切片或抹片，藉以找出異常的細胞及作成病理報告。近年來，已開始使用一病理影像掃描設備對該病理玻片進行全玻片掃描，並使用一AI影像辨識軟體從掃描得到的一全玻片病理影像中找出異常的細胞，達到輔助該病理醫師快速完成病理檢驗的目的。
問題在於，該AI影像辨識軟體需要使用經過病理醫師分類與標註的全玻片病理影像來進行一模型訓練作業與一模型驗證作業，而該病理影像的分類與標註作業相當不便，將耗費病理醫師許多的時間與體力。因此，如何提供一種可方便病理醫師對該病理影像進行標註作業的新系統，乃為當務之急。
本發明提供一種病理影像標註及檢視系統，其可方便病理醫師對病理影像進行分類與標註，藉以節省病理醫師的時間與體力。更詳而言之，
本發明之病理影像標註及檢視系統包括用以顯示一病理影像的一檢視介面、位於該檢視介面中的一標註工具及一標註產生模組。該標註工具用以在該病理影像上建立多個標註框及其分類名稱，並將每一標註框的位置、形狀及分類名稱儲存成一註解資訊，每一註解資訊係對應該病理影像。該標註產生模組用以根據該些註解資訊在該病理影像上產生該些標註框及其分類名稱。
在一較佳實施例中，本發明還包括一累計模組，該累計模組用以累計各分類名稱的標註框的總數量。
在一較佳實施例中，本發明還包括一截圖模組，該截圖模組用以從該些標註框中分別截取一目標影像截圖，並儲存該些目標影像截圖。更佳地，本發明上述累計模組還用以累計各分類名稱的標註框內的目標影像的總面積。
在一較佳實施例中，本發明還包括位於該檢視介面中的一註解標籤，該註解標籤顯示各分類名稱的標註框的總數量與總面積。
在一較佳實施例中，本發明上述標註工具所提供該些分類名稱各自對應一種顏色，該使用者所選擇的該標示框的顏色取決於該使用者所選擇的該分類名稱所對應的顏色。
在一較佳實施例中，本發明還包括位於該檢視介面中的一註解標籤，該註解標籤顯示各分類名稱的標註框的總數量與總面積及各分類名稱所對應的顏色。
在一較佳實施例中，本發明還包括一AI運算介面，其可方便該使用者去訓練獲得一或多個AI影像辨識模型及使用它們對待預測的病理影像進行預測與標註。更詳而言之，該AI運算介面具有一訓練模式及一預測模式，其中，該訓練模式係利用一深度學習演算法及一組目標影像截圖訓練產生一AI影像辨識模型，該組目標影像截圖截取自同一病理影像，該預測模式係利用該訓練模式所訓練產生的AI影像辨識模型對一待預測病理影像進行預測與標註。
本發明另提供一種病理影像分析管理平台，其包括儲存有多張病理影像的一儲存單元、鏈接該儲存單元的一伺服端電腦、，鏈接該伺服端電腦的一客戶端腦、以及鏈接該伺服端電腦的一AI伺服器。其中，該伺服端電腦能讓一使用者經由該客戶端電腦在選擇想要的病理影像，並在所選擇的病理
影像上框選出多個標註框及賦予每一標註框各一個分類名稱。該伺服端電腦還能從每一標註框內截取出一目標影像截圖儲存於該儲存單元，使得每一病理影像各自有一組截取於自己的一組目標影像截圖。該伺服端電腦更能讓該使用者經由該客戶端電腦選擇想要的一深度學習演算法及想要的一病理影像，並驅使該AI伺服器根據所選擇的深度學習演算法及根據截取自所選擇的病理影像的目標影像截圖訓練出一AI影像辨識模型，以使每一病理影像各自有一AI影像辨識模型。此外，該伺服端電腦又能讓該使用者經由該客戶端電腦選擇想要的一AI影像辨識模型及想要的一待預測病理影像，並驅使該AI伺服器根據所選擇的AI影像辨識模型對所選擇的待預測病理影像進行預測與標註。
在一較佳實施例中，本發明該病理影像分析管理平台還包括鏈接該伺服端電腦與該儲存單元的一病理影像掃描設備，該病理影像掃描設備用以對一或多個病理玻片進行掃描，並將所掃描產生的一或多張病理影像上傳到該儲存單元。
1:伺服端電腦
2:檔案伺服器
21:病理影像
21a:局部放大區域
210:細胞影像
3:資料庫伺服器
4:客戶端腦
5:AI伺服器
6:病理影像標註及檢視系統
61:檢視介面
611:檢視區
610:工具列
610a:按鈕
62:標註工具
62a:形狀選單
621:標註框
622:分類名稱
63:標註產生模組
64:截圖模組
65:計模組
66:註解標籤
67:AI運算介面
7:病理影像掃描設備
圖1顯示本發明之病理影像標註及檢視系統6所在的一硬體環境示意圖。
圖2顯示本發明之病理影像標註及檢視系統6的一個較佳施例的系統示意圖。
圖3顯示本發明該較佳實施例的一檢視介面61的示意圖。
圖1顯示本發明之病理影像標註及檢視系統6所在的一硬體環境示意圖，圖中顯示該硬體環境其實是一種病理影像分析管理平台，其包括一伺服端電腦1及分別鏈接到該伺服端電腦1的一或多台檔案伺服器2、一或多台資料庫伺服器3與一或多台客戶端腦4。另為方便說明，本文以下部分段落，將該檔案伺服器2與資料庫伺服器3統稱為儲存單元。
此外，該病理影像分析管理平台較佳還包括鏈接到該伺服端電腦1的一或多台AI伺服器5，更佳還包括一或多台病理影像掃描設備7。該病理影像掃描設備5用以對載有生物組織切片或抹片、或致病微生物的病理玻片(圖中未示)進行掃描(例如全玻片掃描)，並將掃描得到的病理影像21(例如全玻片病理影像)上傳到該檔案伺服器2，及經由該伺服端電腦1將所上傳的病理影像21的建立日期與時間、識別碼、名稱(例如Pap smear)、描述(例如子宮頸抺片)、放大倍率、及上傳日期與時間……等相關資訊建立於該資料庫伺服器3中。
在本發明中，載有致病微生物(例如革蘭氏染色細菌)的病理玻片也可稱為細菌玻片，或是說，載有細胞切片、抹片、或染色細菌的玻片均為本發明所稱的病理玻片。
本發明該病理影像標註及檢視系統6係被安裝於該伺服端電腦1，且如圖2所示，該病理影像標註及檢視系統6至少包括一檢視介面61、一標註工具62、及一標註產生模組63。該檢視介面61可被顯示於該客戶端電腦4，如圖3所示，該檢視介面61具有一檢視區611。該檢視區611用以顯示該客戶端電腦4的一使用者所開啟的一個病理影像21，該檢視區62具有一影像縮放功能及一影像移動功能，以方便該使用者檢視該病理影像21。圖3中的該檢視區611僅顯示該病理影像21的一個局部放大區域21a，且僅示意性地繪出該病理影像21的數個異常的細胞影像210，至於其它的正常細胞影像或多層細胞重疊影像則予以省略。
該標註工具62位於該檢視介面61，用以協助該使用者執行一標註作業。該標註工具62至少提供多個不同形狀的標註框621及多個分類名稱622供該使用者選擇。以圖3為例，該標註工具62的一形狀選單62a係位於該檢視介面61中的一工具列610中。該工具列610中具有多個功能不同的按鈕610a，按下其中一個按鈕610a就可展開該形狀選單62a的多個形狀選項，例如四邊形選項、多邊形選項或是線段選項，以供點選。該標註作業包括該使用者在該檢視區611中的該病理影像21上使用所點選的標註框621一次框選一個其所關注的目標影像(例如細胞影像210)，並為所框選的目標影像選擇一個分類名稱622。
需指出的是，圖3顯示的標註框621均為四方形，但標註框
621也可以是多邊形或是其它形狀。此外，該標註工具62的一下拉選單(圖中未示)中有多個分類名稱622可供選擇，雖然圖3顯示的分類名稱622只有「Suspected」(代表疑似癌細胞，它的輪廓通常是比較不規則的)及「Carcinogenesis」(代表癌變中的細胞，它通常是比較小顆的)兩種，但這是例舉，不以此為限。
該標註工具62在每次標註作業被完成之後，就將該次標註作業中的標註框621的位置、形狀及分類名稱622儲存成一註解資訊。歷次標註作業所得到每一註解資訊對應顯示在該檢視介面61中的病理影像21。
該標註產生模組63用以根據該些註解資訊產生圖3所示的標註框621及其分類名稱622。該些標註框621顯示於該檢視區611且分別包圍該使用者所框選的該些目標影像(例如該些細胞影像210)。該些註解資訊儲存於該儲存單元(例如上述的資料庫伺服器3)。其中，每一註解資訊包括顯示在每一標註框621旁邊的分類名稱622及每一標註框621的位置與形狀。在此較佳實施例中，以一個四方形的標註框621為例，它的位置是指它的左上角座標及右下角座標，它的形狀則是由兩該座標的水平延伸線及垂直延伸線所交叉形成的四方形。
經過上述標註的病理影像21，可於日後經由該檢視介面61去檢視它，只要該使用者啟動該檢視介面61所提供的一「顯示標註框」功能，該標註產生模組63就會根據該檢視區611中的該病理影像21所對應的註解資訊，將上述的標註框621及其分類名稱622顯示於該病理影像21上。
在此較佳實施例中，該使用者只需為想要標註的細胞影像210(通常是異常的細胞影像)選擇想要的標註框621的形狀及其分類名稱622，然後就可通過滑鼠拖曳動作產生一個形狀與前面選擇相符的標註框621去包圍住該細胞影像210，且該標柱框621的旁邊會自動顯示前面所選擇的分類名稱622。由於整個標註作業的過程相當簡單方便，故可大幅節省該使用者(例如一病理醫生)標註該病理影像21的時間與體力。
再如圖2所示，本發明該病理影像標註及檢視系統6較佳可再包括一累計模組65，該累計模組65用以累計各分類名稱622的標註框621的總數量。以圖3為例，分類名稱622為「Suspected」的標註框621共有3個，而分類名稱622為「Carcinogenesis」的標註框621共有4個，這表示該使用者
在該檢視區611所顯示該病理影像21上標示了3個分類名稱是Suspected的細胞影像210及4個分類名稱是Carcinogenesis的細胞影像210。然而，這只是例舉，它們在實際應用中的數量其實是遠大於此。
較佳地，本發明該病理影像標註及檢視系統6還包括一截圖模組64，該截圖模組64用以從該些標註框621中各截取一目標影像截圖(例如一細胞影像截圖)，並將該些目標影像截圖儲存於該儲存單元(例如上述的檔案伺服器2)。以圖3為例，該檢視區611所顯示該病理影像21總共有7個標註框621，故該截圖模組64總共可截取出7個細胞影像截圖儲存於該儲存單元。在此範例中，上述累計模組65除了累計各分類名稱622的標註框621的總數量之外，還可進一步根據所被截取出來的目標影像截圖(例如細胞影像截圖)去累計各分類名稱622的標註框621內的目標影像(例如細胞影像210))的總面積。
更詳而言之，該截圖模組64會對所截取到的每一個目標影像截圖(例如細胞影像截圖)進行影像分析，並計算出每一個目標影像截圖(例如細胞影像截圖)中的目標影像(例如細胞影像210)的面積，接著，由該累計模組65去累計同一分類名稱622的標註框621內的目標影像(例如細胞影像210)的面積，從而得到各分類名稱622的目標影像(例如細胞影像210)的總面積。
在另一種作法中，該累計模組65可改用每一個目標影像截圖(例如細胞影像截圖)所佔用的儲存空間來當作每一個目標影像(例如細胞影像210)的面積，在此情形下，該累計模組65係累計同一分類名稱622的目標影像截圖(例如細胞影像截圖)的儲存空間，從而得到各分類名稱622的目標影像截圖(例如細胞影像截圖)的總儲存空間。以圖3為例，假設該截圖模組64從圖3中分類名稱622為「Suspected」的標註框621中截取到3個細胞影像截圖所佔用的儲存空間分別為100KB、200KB及300KB，則分類名稱622為「Suspected」的細胞影像截圖的總儲存空間為600KB，所以，分類名稱622為「Suspected」的細胞影像210的總面積就是600KB。同理，假設該截圖模組64從圖3中分類名稱622為「Carcinogenesis」的標註框621中截取到4個細胞影像截圖所佔用的儲存空間分別為20KB、30KB及40KB，則分類名稱622為「Carcinogenesis」的細胞影像截圖的總儲存空間為90KB，所以，分類名稱622
為「Carcinogenesis」的細胞影像210的總面積就是900KB。
更進一步地，本發明該病理影像標註及檢視系統6可再包括位於該檢視介面61中的一註解標籤66(圖3省略該註解標籤66)，該註解標籤66列出該累計模組65所累計出來的各分類名稱622的標註框621內的目標影像(例如細胞影像210)的總數量與總面積。較佳地，上述標註工具62的該下拉選單還位於該註解標籤66中。
再者，上述該標註工具62所提供該些分類名稱622可各自對應一種顏色，該使用者所選擇的該標示框621的顏色取決於該使用者所選擇的該分類名稱622所對應的顏色。舉例來說，若是分類名稱622為「Suspected」所對應的顏色是黃色的，則圖3中所有旁邊顯示「Suspected」的標示框621的顏色就都是綠色的。同理，若是分類名稱622為「Carcinogenesis」所對應的顏色是紅色的，則圖3中所有旁邊顯示「Carcinogenesis」的標示框621的顏色就都是紅色的。簡言之，不同分類名稱622的標註框621各不同的顏色，以方便該使用者辨認。在此範例中，上述的註解標籤66除了顯示各分類名稱622的細胞影像210的總數量與總面積之外，還可顯示各分類名稱622所對應的顏色。
請再參閱圖2，本發明該病理影像標註及檢視系統6可再包括一AI運算介面67。該AI運算介面67可顯示於該客戶端電腦4，且具有一訓練模式及一預測模式供該使用者選擇。
當該AI運算介面67處於該訓練模式時，該使用者可輸入選擇想要的病理影像21的名稱(即玻片種類名稱)，例如輸入「Pap smear」時，被命名為「Pap smear」的病理影像21的相關資訊(例如名稱及識別碼)即一筆一筆地列示於AI運算介面67的一選擇區，以供該使用者選擇。在該使用者完成選擇之後，從被選擇的病理影像21截取出來的細胞影像截圖即被載入該AI伺服器5按一預定比例(例如80%：20%)進行一AI影像辨識模型的訓練與驗證，舉例來說，假設被載入的細胞影像截圖中，分類名稱622為「Suspected」的細胞影像截圖共有100個，其中8成(即80個)被用於訓練該AI影像辨識模型，其餘2成(即20個)則被用於驗證該AI影像辨識模型。該AI影像辨識模型的演算法較佳可選擇Yolo V3、Yolo V5、FastRCNN、ResNet18、或是日後被創建出來的深度學習演算法。這些深度學習演算法可被列示於該AI運算介面67以供該使用者選擇。簡言之，當該使用者選擇想要的病理影像21的名稱及深度學
習演算法的名稱之後，截取自被選擇的病理影像21的細胞影像截圖即被載入該AI伺服器5，該AI伺服器5根據該使用者所選擇的深度學習演算法與被載入的細胞影像截圖，進行一模型訓練作業與一模型驗證作業，藉以獲得可用於預測的一AI影像辨識模型。
從前段說明可知，藉由該AI運算介面67的該訓練模式，該使用者針對同一種類的病理影像21(例如子宮頸抺片)可選擇不同的深度學習演算法，也可選擇不同的病理影像21組合，藉以獲得不同的AI影像辨識模型。簡言之，藉由該AI運算介面67的該訓練模式，該使用者可為不同種類的病理影像21各自訓練出多個AI影像辨識模型，並根據這些AI影像辨識模型的驗證結果得知它們的預測效能。
當該AI運算介面67處於該預測模式時，該使用者可透過該AI運算介面67選擇想要的病理影像種類(例如子宮頸抺片)及想要的模型種類(例如Yolo V3)，以使該AI運算介面67的該選擇區列示對應的AI影像辨識模型，這些AI影像辨識模型係源自於上述已訓練完成的AI影像辨識模型。接著，該使用者可透過該AI運算介面67繼續選擇一或多個待預測病理影像。完成前述選擇之後，該AI伺服器5即使用該使用者所選擇的AI影像辨識模型對該使用者所選擇的待預測病理影像進行預測與標註，如此，就可從待預測病理影像中找出異常的細胞影像，並使每一個異常細胞影像各被一個標註框包圍，每一個標註框各有自己的分類名稱。
從上述關於該AI運算介面67的說明可知，該AI運算介面67的該訓練模式係用以接收被該使用者選擇的病理影像及深度學習演算法，並令該AI伺服器5使用被選擇的深度學習演算法與被選擇的病理影像所對應的細胞影像截圖去訓練出一個可用於預測的AI影像辨識模型。該AI運算介面67的該預測模式係用以接收被該使用者所選擇的一AI影像辨識模型及一待預測病理影像，並令該AI伺服器5使用被選擇的該AI影像辨識模型對該待預測病理影像進行上述的預測與標註。
綜上所述，本發明該病理影像標註及檢視系統6方便該使用者對待標註的病理影像進行上述標註作業，以節省病理醫師的時間與體力。再者，本發明還方便該使用者去訓練獲得一或多個AI影像辨識模型及使用它們對待預測的病理影像進行上述的預測與標註。
1:伺服端電腦
2:檔案伺服器
21:病理影像
3:資料庫伺服器
4:客戶端腦
5:AI伺服器
6:病理影像標註及檢視系統
7:病理影像掃描設備
Claims (10)
- 一種病理影像標註及檢視系統，包括：一檢視介面，用以顯示一病理影像；一標註工具，位於該檢視介面中，用以在該病理影像上建立多個標註框及其分類名稱，並將每一標註框的位置、形狀及分類名稱儲存成一註解資訊，每一註解資訊係對應該病理影像；一標註產生模組，用以根據該些註解資訊在該病理影像上產生該些標註框及其分類名稱；及一截圖模組，用以從該些標註框中分別截取一目標影像截圖，並儲存該些目標影像截圖。
- 如請求項1所述的病理影像標註及檢視系統，包括一累計模組，該累計模組用以累計各分類名稱的標註框的總數量。
- 如請求項1所述的病理影像標註及檢視系統，包括一累計模組，該累計模組用以根據該些目標影像截圖去累計各分類名稱的標註框內的目標影像的總面積。
- 如請求項1所述的病理影像標註及檢視系統，包括一累計模組，該累計模組用以累計各分類名稱的標註框的總數量，並根據該些目標影像截圖去累計各分類名稱的標註框內的目標影像的總面積。
- 如請求項4所述的病理影像標註及檢視系統，包括位於該檢視介面中的一註解標籤，該註解標籤顯示各分類名稱的標註框的總數量與總面積。
- 如請求項4所述的病理影像標註及檢視系統，其中該標註工具所提供該些分類名稱各自對應一種顏色，該使用者所選擇的該標示框的顏色取決於該使用者所選擇的該分類名稱所對應的顏色。
- 如請求項6所述的病理影像標註及檢視系統，包括位於該檢視介面中的一註解標籤，該註解標籤顯示各分類名稱的標註框的總數量與總面積及各分類名稱所對應的顏色。
- 如請求項1所述的病理影像標註及檢視系統，包括一AI運算介面，該AI運算介面具有一訓練模式及一預測模式，其中，該訓練模式係利用一深度學習演算法及一組目標影像截圖訓練產生一AI影像辨識模型，該組目標影像截圖截取自同一病理影像，該預測模式係利用該訓練模式所訓練產生的AI影像辨識模型對一待預測病理影像進行預測與標註。
- 一種病理影像分析管理平台，包括：一儲存單元，儲存有多張病理影像；一伺服端電腦，鏈接該儲存單元；一客戶端腦，鏈接該伺服端電腦；及一AI伺服器，鏈接該伺服端電腦；其中，該伺服端電腦能讓一使用者經由該客戶端電腦在選擇想要的病理影像，並在所選擇的病理影像上框選出多個標註框及賦予每一標註框各一個分類名稱；該伺服端電腦還能從每一標註框內截取出一目標影像截圖儲存於該儲存單元，使得每一病理影像各自有一組截取於自己的一組目標影像截圖；該伺服端電腦更能讓 該使用者經由該客戶端電腦選擇想要的一深度學習演算法及想要的一病理影像，並驅使該AI伺服器根據所選擇的深度學習演算法及根據截取自所選擇的病理影像的目標影像截圖訓練出一AI影像辨識模型，以使每一病理影像各自有一AI影像辨識模型；該伺服端電腦又能讓該使用者經由該客戶端電腦選擇想要的一AI影像辨識模型及想要的一待預測病理影像，並驅使該AI伺服器根據所選擇的AI影像辨識模型對所選擇的待預測病理影像進行預測與標註。
- 如請求項9所述的病理影像分析管理平台，包括鏈接該伺服端電腦與該儲存單元的一病理影像掃瞄設備，該病理影像掃描設備用以對一或多個病理玻片進行掃描，並將所掃描產生的一或多張病理影像上傳到該儲存單元。
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI836781B true TWI836781B (zh) | 2024-03-21 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210313031A1 (en) | 2020-04-03 | 2021-10-07 | Innovation Associates, Inc. | System, methods, and apparatus for remote verification of pharmacy prescription preparation |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210313031A1 (en) | 2020-04-03 | 2021-10-07 | Innovation Associates, Inc. | System, methods, and apparatus for remote verification of pharmacy prescription preparation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020200835B2 (en) | System and method for reviewing and analyzing cytological specimens | |
| US9836865B2 (en) | Systems and methods for split screen display of biological specimen and for capturing records thereof | |
| US9891804B2 (en) | Selection and display of biomarker expressions | |
| CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| Khalbuss et al. | Digital imaging in cytopathology | |
| JP2005510326A (ja) | 画像レポート作成方法及びそのシステム | |
| CN103999119A (zh) | 图像处理设备、图像处理系统、图像处理方法和程序 | |
| Indu et al. | “Slide less pathology”: Fairy tale or reality? | |
| CN102194059A (zh) | 一种用于医学信息系统的可视化索引系统 | |
| CN110853739B (zh) | 图像管理显示方法、装置、计算机设备及存储介质 | |
| TW202105245A (zh) | 用於分析活檢樣本影像以決定其癌變機率之方法 | |
| Sucaet et al. | Digital pathology | |
| JP2009086952A (ja) | 情報処理システム及び情報処理プログラム | |
| JP2021530787A (ja) | 放射線医学のための類似画像の検索 | |
| TWI836781B (zh) | 病理影像標註及檢視系統 | |
| Dwivedi et al. | The advent of digital pathology: a depth review | |
| Corvò et al. | Visual analytics in digital pathology: Challenges and opportunities | |
| US20210233646A1 (en) | System and method for colloborative and interactive image processing | |
| Prochorec-Sobieszek | Future perspectives of digital pathology | |
| Sucaet et al. | Digital Pathology’s Past to Present | |
| US20240046456A1 (en) | Systems and methods for dental image analysis | |
| Karupakula | Detecting Examination Events to Reduce Variability in Medical Image Acquisition Workflows in Radiology | |
| Zarakovitis et al. | Financial Management and Spatial Geomapping of Medical Equipment: The Case of Ultrasound Scan and Respirators | |
| TW202145248A (zh) | 醫學影像分析及處理系統 | |
| KR20240004642A (ko) | 전자 이미지를 프로세싱하여 속성을 식별하는 시스템 및 방법 |