HU208186B - Method and apparatus for classifying cytologic samples - Google Patents

Method and apparatus for classifying cytologic samples Download PDF

Info

Publication number
HU208186B
HU208186B HU892848A HU284889A HU208186B HU 208186 B HU208186 B HU 208186B HU 892848 A HU892848 A HU 892848A HU 284889 A HU284889 A HU 284889A HU 208186 B HU208186 B HU 208186B
Authority
HU
Hungary
Prior art keywords
classifier
primary
cells
classification
neural network
Prior art date
Application number
HU892848A
Other languages
English (en)
Other versions
HUT59239A (en
HU892848D0 (en
Inventor
Mark R Rutenberg
Original Assignee
Neuromedical Systems 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 Neuromedical Systems Inc filed Critical Neuromedical Systems Inc
Publication of HU892848D0 publication Critical patent/HU892848D0/hu
Publication of HUT59239A publication Critical patent/HUT59239A/hu
Publication of HU208186B publication Critical patent/HU208186B/hu

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
    • 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
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1488—Methods for deciding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/925—Neural network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/924—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Combined Means For Separation Of Solids (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Description

A leírás terjedelme: 14 oldal (ezen belül 5 lap ábra)
HU 208 186 Β
A találmány tárgya eljárás és berendezés citológiai minták osztályozására, pontosabban neurális hálózatok és/vagy neurokomputerek felhasználása a sejtosztályozás sebességének és pontosságának javítása érdekében.
A cervikális - méhnyakból vett - kenet (Papanicolaou-teszt) az egyetlen olyan, tömeges szűrővizsgálatra használt citológiai módszer, amelynek során gyakorlatilag a tárgylemezen látható valamennyi sejtet végig kell vizsgálni. A tesztnek az a hátránya, hogy igen magas az álnegatív eredmények aránya, mivel az állandó manuális munka unalmas és fárasztó a vizsgálatot végző személy számára. A sejtek osztályozását általában „darabmunkaként” (darabbérben) végzik a patológiai laboratóriumokban dolgozó citológiai asszisztensek, illetve bizonyos esetekben fizetett asszisztensek. Mivel nyilvánvaló, hogy az álnegatív diagnózis - az esetleg fel nem derített méhnyakrák veszélye miatt akár az életet fenyegető következményekkel is járhat, az Amerikai Onkológiai Társaság (American Cancer Society) azt fontolgatja, hogy a Papanicolaou-tesztek megduplázását ajánlja a laboratóriumoknak. Ez azonban az amúgy is túlterhelt cervikális szűrővizsgálatok terhelésének további növekedéséhez vezet és ezért egyre kevesebben lesznek hajlandóak ezt az unalmas és sok stresszel járó munkát - a cervikális kenetek manuális vizsgálatát - elvégezni. Emiatt az Amerikai Onkológiai Társaságnak a Papanicolaou-tesztek megduplázására vonatkozó ajánlása csak azzal a következménnyel járhat, hogy tovább nő az álnegatív eredmények aránya azzal párhuzamosan, ahogy csökken az egy-egy kenet manuális vizsgálatára fordított idő. Az alapos manuális vizsgálatnak kendenként legalább tizenöt percig kell tartania, bár a valóságban az a helyzet, hogy a citológiai asszisztensek - főként, ha túl vannak terhelve, sokszor ezen időtartam felénél is rövidebb időt fordítanak egy-egy vizsgálatra. Az Amerikai Patológiai Kollégium (College of American Pathology) tisztában van e probléma súlyosságával, és igyekszik minél hamarabb felhasználni a cervikális kenetvizsgálat automatizálására kínálkozó szűrővizsgálati lehetőséget.
Az automatizált cervikális kenetvizsgálatban rejlő nyilvánvaló kereskedelmi lehetőség következtében már számos ilyenfajta próbálkozás történt korábban is e szakterületen. Ezen próbálkozások azonban sikertelennek bizonyultak, mivel kizárólag a klasszikus mintafelismerési eljárásokra (geometriai, szintaktikus, sablon, statisztikai), illetve a mesterséges intelligencián (AI—artificial intelligence) alapuló mintafelismerésre, azaz szabályokon nyugvó, szakszerű rendszerekre épültek. Nem létezik azonban olyan világos algoritmus, illetve teljes és határozott szabályrendszer, melynek segítségével a humán citológiai aszszisztens vagy patológus hasznosítani tudná saját tapasztalatait a sajátosságok sokaságának kombinálására, annak érdekében, hogy „Gestalt” jellegű osztályozást végezhessen. Ily módon tehát a cervikális kenetek osztályozása kitűnő alkalmazási terültének látszik a neurális hálózaton alapuló mintafelismerési rendszerek számára.
Az e szakterületre jellemző, korábbi megkötöttségek példájaként említhetjük - az alábbiakban részletesebben ismertetendő, Tien és munkatársai által írt, „Cervikális kenetek automatizált osztályozása” („Automated Cervical Smear Classification”) című, 1987-es közleményt.
A találmány szakmai hátterével kapcsolatos irodalmi hivatkozások a következők:
Rumelhart, Dávid E. és McClelland, James L.: „Párhuzamos, osztott rendszerű feldolgozás” („Parallel Distributed Processing”), MIT Press, 1986. Vol. 1;
Tien, D. és munkatársai: „Cervikális kenetek automatizált osztályozása” („Automated Cervical Smear Classification”), Proceedings of the IEEE/Ninth Annual Conference of the Engineering in Medicine and Biology Society, 1987, 1457-1458;
Hecht-Nielsen, Róbert: „Neurokomputeres eljárás: Az emberi agy vizsgálata” („Neurocomputing: Picking the Humán Brain”), IEEE Spectrum, March, 1988. 36-41;
Lippmann, Richard P: „Bevezetés a neurális hálózatok felhasználásával végzett komputeres vizsgálatokba” („An Introduction to Computing with Neural Nets”), IEEE ASSP Magaziné, April, 4-22.
A találmány alapvető célja tehát abban áll, hogy automatizált eljárást és berendezést biztosítson citológiai mintáknak különböző - például diagnosztikai jelentőségű - kategóriákba történő osztályozásához.
A találmány célja továbbá az is, hogy a mintacsoportok osztályozása olyan időtartam alatt történjék, mely nem hosszabb annál, mint ami az ilyen jellegű, gondos manuális szűrővizsgálatokhoz szükséges (azaz körülbelül 15 perc mintánként).
A találmány célja ezenkívül az is, hogy olyan citológiai minták osztályozására is alkalmas legyen, melyek a kérdéses sejtek egyetlen rétegétől eltérő számú és típusú anyagokat is tartalmaznak, éspedig olyanokat, melyek jellemző módon előfordulnak a cervikális kénetekben (például sejthalmazok, egymást átfedő sejtek, törmelékanyagok, fehérvérsejtek, baktériumok, nyálka stb.).
A találmány célja még az is, hogy a cervikális kenetek fent ismertetett osztályozását premalignus (rákelőtti állapotban lévő) és malignus (rákos, rosszindulatú) sejtek kimutatására alkalmazzuk.
A találmány céljai közé kell sorolnunk azt is, hogy az osztályozásnak kisebb álnegatív hibaszázalékkal kell történnie, mint amilyen arány a cervikális kenetek hagyományos, manuális szűrővizsgálatát jellemzi.
Röviden összefoglalva, a találmány szerinti eljárás, illetve berendezés tartalmaz egy kiindulási osztályozót (ezt néha elsődleges osztályozónak is nevezzük), mely a citológiai minta előzetes osztályozását végzi, majd egy ezt követő osztályozót (ezt másodlagos osztályozónak is nevezzük), melynek segítségével a citológiai minta azon részeinek vizsgálatát végezzük, melyeket a kiindulási osztályozó az ezt követő osztályozás céljából kiválasztott. Ez a másodlagos osztályozó egy neurális komputert, illetve neurális hálózatot tartalmaz.
HU 208 186 Β
A találmány egyik kiviteli alakja esetében az elsődleges osztályozó tartalmazhat egy, a kereskedelemben forgalmazott automata mikroszkópot is, mely lehet videokamerával vagy CCD-rendszerrel ellátott, standard citológiai mikroszkóp, melynek mikroszkóp-tárgyasztala az automatizált kenetvizsgálatnak megfelelően van szabályozva. A kamerával nyert képet digitalizáljuk, majd a komputeres rendszer formájában kialakított másodlagos osztályozóhoz juttatjuk. A komputeres rendszer neurális hálózatot tartalmaz - amint azt majd a későbbiekben ismertetjük, és amelyre a fenti irodalmi helyeken is számos utalás vonatkozik -, melyet a sejtkép azonosításának a diagnosztikai jelentőségű osztályozásának elvégzésekor használunk fel.
A találmány egy másik kiviteli alakja esetében az elsődleges osztályozó is tartalmazhat neurális hálózatot. Az alábbiakban még egyéb kiviteli alakokat is ismertetünk.
A találmány szerinti, citológiai minták osztályozására vonatkozó eljárás előnyös tulajdonsága, hogy ennek során a citológiai minták orvosilag szignifikáns diagnosztikai kategóriákba történő sorolása megbízhatóbb módon történhet, azaz alacsonyabb lesz az álnegativitásból eredő hibák aránya.
A találmány szerinti, citológiai minták osztályozására vonatkozó eljárás további előnye abban rejlik, hogy nem igényel változtatásokat abban az eljárásban, melynek segítségével a betegtől a celluláris mintavétel történik.
A találmány szerinti, citológiai minták osztályozására vonatkozó eljárás előnyeként említhetjük - a fentieken kívül, hogy a feldolgozási idő megszabott korlátain belül olyan, megbízható osztályozást tesz lehetővé, hogy az gazdasági szempontból is előnyösnek tekinthető.
A találmány fent említett és további céljai, előnyei és jellegzetességei az e szakterületen jártas szakemberek számára nyilvánvalóvá válnak, miután elolvasták a találmány előnyös kiviteli alakjának alábbi, részletes leírását.
Megjegyezzük, hogy a találmányi leírásban idézett közlemények az irodalomjegyzékben fel vannak tüntetve.
Azt is meg kell említenünk továbbá, hogy a találmányi leírás elsősorban olyan citológiai mintákra vonatkozik, mint például a cervikális kenet, melyet típusos esetben Papanicolaou-teszttel vizsgálnak. Tudnunk kell azonban, hogy ez csak egyik alkalmazási területét jelenti a találmány szerinti eljárás alapelveinek, melyeket ezenkívül még számos egyéb citológiai minta osztályozására is felhasználhatunk.
A találmányt a továbbiakban annak példaképpeni kiviteli alakjai kapcsán ismertetjük részletesebben ábráink segítségével, melyek közül:
az 1. ábra a találmány szerinti, neurális hálózaton alapuló, automatizált citológiai mintaszűrésre alkalmas berendezés blokkdiagramját mutatja be;
a 2. ábra a találmány egyik előnyös kiviteli alakjában felhasznált, három rétegű neurális hálózatot szemlélteti;
a 3. ábra a találmány szerinti, automatizált citológiai mintaszűrésre alkalmas berendezés egy második kiviteli alakjának blokkdiagramját ábrázolja;
a 4. ábra a találmány szerinti, automatizált citológiai mintaszűrésre alkalmas berendezés egy harmadik kiviteli alakjának blokkdiagramját szemlélteti;
az 5. ábra a találmány szerinti, automatizált citológiai mintaszűrésre alkalmas berendezés egy negyedik kiviteli alakjának blokkdiagramját mutatja be;
a 6. ábra a találmány szerinti, automatizált citológiai mintaszűrésre alkalmas berendezés egy ötödik kiviteli alakjának blokkdiagramját szemlélteti, végül a 7. ábrán a találmány szerinti, automatizált citológiai mintaszűrésre alkalmas berendezés egy hatodik kiviteli alakjának blokkdiagramját láthatjuk.
Az 1. ábra a találmány szerinti, neurális hálózaton alapuló, automatizált citológiai mintaszűrésre alkalmas berendezés blokkvázlatát szemlélteti, melyre a továbbiakban (10) osztályozó berendezésként hivatkozunk. A (10) osztályozó berendezés tartalmaz egy (11) automata mikroszkópot, egy (12) videokamerát vagy CCDberendezést, egy (13) digitális képátalakítót, egy (14) statisztikai osztályozót, egy (15) másodlagos osztályozót és egy (16) területi osztályozót.
A (11) automata mikroszkóp biztosítja a mikroszkóp objektívjének és a mintának egymáshoz képest történő elmozdulását, és a (12) videokamera vagy CCD-berendezés képet kap a citológiai minta meghatározott részéről. Ezt követően a képet a (13) digitális képátalakító segítségével digitálissá alakítjuk, majd az innen eredő információt a (14) statisztikai osztályozóba juttatjuk.
A találmány egyik előnyös kiviteli alakja esetében a (14) statisztikai osztályozó valamilyen, a kereskedelmi forgalomban kapható statisztikai osztályozó, mely a kérdéses sejtmagokat oly módon azonosítja, hogy megméri integrált optikai denzitásukat (azaz a magfestődési denzitást). Ez a tárgyra vonatkozó, a képernyő egységnyi területére (pixel) eső szürkeségi értékek összegét jelenti, korrigálva az optikai hibák értékének megfelelően. A normál sejtekkel összehasonlítva, a rosszindulatú sejtekre az a tendencia a jellemző, hogy sejtmagjuk nagyobb és megfestődési denzitásuk kifejezettebb.
A (14) statisztikai osztályozón átjutott minták premalignus és malignus sejteket tartalmaznak, de lehetnek egyéb, magas integrált optikai denzitású elemek is, amilyenek például a sejthalmazok, a törmelékanyagok, a fehérvérsejtek és a nyálka. A (15) másodlagos osztályozó feladata abban áll, hogy megkülönböztesse a premalignus és malignus sejteket ezektől a fent említett egyéb anyagoktól.
A (15) másodlagos osztályozó létrehozásához neurális hálózatot használunk fel. A (15) másodlagos osztályozó létrehozásához előnyösen felhasználható neurális hálózatok szerkezetének és működésének részletes leírása megtalálható az idézett irodalmi hivatkozásokban. Ezen információ rövid leírását az alábbiakban ismertetjük.
Az elsődleges osztályozó által nyert, a citológiai
HU 208 186 B mintára vonatkozó adatok alapján a másodlagos osztályozó feladata abban áll, hogy a minta olyan, sajátos területeit ellenőrizze, melyeknél például további szűrés vagy osztályozás válik szükségessé. Az ilyenfajta, a másodlagos osztályozóval végzett további vizsgálat alapulhat a már megkapott, a minta kiválasztott területére vonatkozó digitálissá alakított kép adatain, vagy azon, hogy a (11) automata mikroszkóp, a (12) videokamera vagy CCD-berendezés és a (13) digitális képátalakító segítségével további adatokhoz jutunk, illetve azon is, hogy másfajta, a kereskedelmi forgalomban beszerezhető olyan optikai vagy egyéb felszerelést alkalmazunk, mely a (15) másodlagos osztályozó számára megfelelően felhasználható és analizálható adatokat biztosít.
A neurális hálózat olyan magas szervezettségű, párhuzamosan osztott rendszert jelent, melyre az irányított grafikus ábrázolás topológiája a jellemző. A neurális hálózatokban lévő csomópontokat általában úgy emlegetjük, mint „feldolgozási elemeket” vagy a „neuronokat”, míg a kapcsolatokat általában „(kölcsönös) összeköttetéseknek” hívjuk. Minden egyes feldolgozási elem igen sok bemenő jelet fogad, ugyanakkor egyetlen kimenő jelet hoz létre, mely azután sok olyan részre ágazódik el, melyek a többi feldolgozási elemhez érkeznek, mint bemenő jelek. Az információ tárolása a kapcsolatok erősségében történik, melyeket „súlyoknak” nevezünk. Aszinkron módon, minden egyes feldolgozási elem az egyes bemenő jelek súlyértékeinek összegét számolja, megszorozva az adott bemenő jel jelszintjével (általában 0-val vagy 1-gyel). Ha az értékek összege meghaladja az előre beállított aktivációs küszöböt, a feldolgozási elem kimenetét 1-re állítjuk be, amenynyiben nem haladja meg, a kimenetet 0-ra állítjuk be. A „tanulás” oly módon érhető el, hogy beállítjuk a súlyok értékeit.
A találmány egyik előnyös kiviteli alakját oly módon hozhatjuk létre, hogy azt a háromrétegű neurális hálózatot használjuk fel, amelyet Lippman mint „többsoros érzékelőt” ismertet, és amelyet a Rumelhart-féle közlemény 8. fejezete ír le részletesen. (Lippman és Rumelhart írását az irodalmi hivatkozások között soroltuk fel). Más típusú neurális hálózatrendszerek is alkalmazhatók.
A három rétegből álló neurális hálózat egy bemenő rétegből, egy kimenő rétegből és egy középső, rejtett rétegből áll. A középső rétegre annak érdekében van szükség, hogy lehetővé tegye a mintáknak a hálózaton belüli reprezentálását. Amint Minsky és Papért 1969-ben megjelent „Perceptronok” („Érzékelők”) című könyvében (MIT Press) rámutatott, az egyszerű, két rétegből álló asszociatív hálózatok csak bizonyos típusú problémák megoldására képesek. A csak „bemeneti” és „kimeneti” feldolgozási elemeket tartalmazó, két rétegből álló neurális hálózatok csak olyan leképezéseket reprezentálhatnak, melyekben a hasonló bemeneti minták hasonló kimeneti minták keletkezéséhez vezetnek. Amikor azonban a vizsgálandó probléma nem ilyen típusú, akkor három rétegből álló neurális hálózatra van szükség. Kimutatták, hogy megfelelő nagyságú rejtett réteg esetében a három rétegből álló neurális hálózat mindig megtalálja azt a reprezentációt, mely képes bármely bemenő mintának megfelelő kimenő mintává történő leképezésére. A 2. ábra a találmány egyik előnyös kiviteli alakjában alkalmazott, általános jellegű, három rétegből álló neurális hálózatot mutat be.
A találmány szerinti berendezésben alkalmazott neurális hálózat szerkezetének néhány olyan fontos vonását említjük meg az alábbiakban, amelyek megkülönböztetik a (15) másodlagos osztályozónak a korábbi hasonló berendezésekben alkalmazott típusaitól.
1. Egyáltalán nincs, vagy csak csekély a végrehajtó funkciója. Csak nagyon egyszerű egységekből áll, melyek mindegyike létrehozza a saját számítási összegét. Ily módon minden feldolgozási elem feladata csak arra korlátozódik, hogy a szomszédjaitól kapjon bemenő jeleket, majd ezen bemenő jelek következményeként kiszámítsa azt a kimenő jelet, melyet továbbít a szomszédai felé. Minden feldolgozási elem periodikusan végzi el ezeket a számításokat, párhuzamosan - de nem szinkronban - szomszédainak aktivitásával.
2. Minden ismeret a kapcsolatokban tárolódik. A feldolgozási elemek formájában csak igen rövid ideig tartó tárolás jöhet létre. A teljes hosszútávú tárolást a feldolgozási elemek közötti kapcsolaterősségi vagy „súly”-értékek reprezentálják. Ezen súlyok alkalmazási szabályai olyan tanulás céljából módosítják őket, mely elsődlegesen megkülönbözteti az egyik neurális hálózati modellt egy másiktól. Minden ismeret tehát sokkal inkább implicit módon reprezentálódik a kapcsolatok súlyának intenzitásában, mint explicit módon a feldolgozási elemek állapotában.
3. Az algoritmusos komputerekkel és szakértő rendszerekkel ellentétben a neurális hálózat tanulásának a célja nem valamely algoritmus vagy explicit szabályrendszer létrehozása. A tanulás folyamán a neurális hálózat önszerveződése történik meg, miáltal létrejön a súlyok teljes készlete, aminek azután az lesz a következménye, hogy egy adott bemenő jelre olyan kimenő jel jön létre, mely igen erősen megközelíti az adott inputra adható leghelyesebb outputot. A kapcsolaterősségnek ez az adaptív jellegű megszerzése teszi lehetővé, hogy a neurális hálózat úgy viselkedhessen, mintha ismerné a szabályokat. A hagyományos komputerek az olyan alkalmazásmódok esetében tűnnek ki, amelyeknél a tudás könnyen kifejezhető valamely explicit algoritmusban vagy a szabályok explicit és teljes készletével. Amikor azonban nem ez a helyzet, akkor a hagyományos komputerek komoly nehézségekkel kerülnek szembe. Míg a hagyományos komputerek sokkal gyorsabban képesek valamely algoritmus végrehajtására, mint az emberek, komoly kihívást jelent azonban számukra, hogy elérjék az emberi teljesítményt a nem-algoritmusos jellegű feladatok elvégzése során, amilyen például a mintafelismerés, a legközelebbi szomszéd osztályozása, és a legjobb megoldás megtalálása, amikor egy időben több követelménnyel kerül szembe. Ha például N példabeli mintát kell megkeresni annak érdekében, hogy osztályozhassuk az ismeretlen
HU 208 186 Β bemenő mintát, egy algoritmusos rendszer ezt a feladatot körülbelül N nagyságrendű idő alatt képes elvégezni. A neurális hálózatban a teljes rendszer kapcsolatsúlyainak egész készlete egyidejűleg reprezentálja valamennyi „jelölt” ismertetőjeleit. Ily módon a neurális hálózat automatikusan elérkezik a legközelebbi szomszédnál a kérdéses bemenő jelhez már 1 nagyságrendű idő alatt, ellentétben a fent említett, N nagyságrendű időtartammal.
A találmány egy előnyös kiviteli alakját oly módon állíthatjuk elő, hogy három rétegből álló, visszafelé haladó (backpropagation) hálózatot használunk fel, amint azt Rumelhartnak az irodalomjegyzékben felsorolt közleménye leírja, a (15) másodlagos osztályozó neurális hálózatával kapcsolatban. A visszafelé haladó működési módot Rumelhart ismerteti részletesebben közleményében. Röviden az alábbiak szerint történik ez a működés. A hálózat „gyakorlási” fázisa alatt a hibák (mint példaképpeni bemenő jelre adandó megfelelő kimenő jel és az adott kimenő jelnek megfelelő aktuális hálózati output közötti különbség) visszafelé továbbítódnak a kimenő réteg felől a középső réteg, majd pedig a bemenő réteg felé. Ezen hibákat minden egyes réteg esetében a gyakorló algoritmus felhasználja annak érdekében, hogy oly módon javítsa ki a kapcsolatsúlyokat, hogy a példabeli minta későbbi megjelenésekor már a megfelelő kimenő kategóriába kerüljön. A hálózat gyakorló programját követően, az előrefelé történő adatbetáplálási működési mód során az ismeretlen bemenő mintákat a neurális hálózat abba a példabeli kategóriába sorolja, mely a legjobban hasonlít rá.
A (15) másodlagos osztályozó kimenő jele azt mutatja, hogy vannak-e a kenetben premalignus vagy malignus sejtek. Ezen sejtek elhelyezkedését a bemenő tárgylemezen az automata mikroszkóp által folyamatosan kijelzett X-Y sík felületi koordináták segítségével határozhatjuk meg. Ez a helyzeti információ a (17) kimeneti monitorra és printerre kerül, a diagnózissal és a beteg azonosítására vonatkozó információval együtt, ily módon az osztályozás a patológus számára ellenőrizhetővé válik.
A találmány egyik előnyös kiviteli alakja esetében a neurális hálózat párhuzamos szerkezetét utánozzuk oly módon, hogy sorozatos feldolgozást végzünk, a kereskedelmi forgalomban kapható neurokomputer gyorsító lemezek egyikének felhasználásával. Ezen neurokomputerek működését az idézett Spectrum közlemény tárgyalja. A neurális hálózat előnyösen egy „Delta” processzor, mely a Science Applications International Corp. (SAIC) kereskedelmi forgalomban kapható neurokomputere (1. Hecht-Nielsen korábban említett közleménye). A „Delta” processzor tartós feldolgozási sebessége 107 kapcsolat/másodperc az előrefelé történő adatfeldolgozási (azaz nem-gyakorló) működésmód esetében. 100000 sejtet tartalmazó, tipikus cervikális kenet esetében a sejtek 1-2%-a, illetve körülbelül 1500 kép igényli a (15) másodlagos osztályozó által történő feldolgozást. A kapott adatok példájaként tételezzük fel, hogy az adatok sűrítését követően 50x50 képernyőegységnyi képet dolgoz fel a (15) másodlagos osztályozó. Ily módon tehát a neurális hálózat bemenő rétege 2500 feldolgozási elemből, illetve „neuronból” áll. A középső réteg körülbelül a bemenő réteg 25%ának felel meg, azaz 625 neuronnak. (A kimenő neuronok száma azonos a kérdéses diagnosztikai kategóriák számával. Ez a kis szám nem befolyásolja szignifikánsan a számítást). A kapcsolatok száma tehát 2500x625, azaz körülbelül l,5xl07 kapcsolat/másodperces feldolgozási sebesség esetében a (14) statisztikai osztályozóból a (15) másodlagos osztályozóba küldött 1500 kép feldolgozása négy percnél rövidebb időt vesz igénybe. A (14) statisztikai osztályozó jelenleg kereskedelemben kapható kiviteli alakjai 50000 sejt/perc sebességgel dolgoznak (1. Tien és munkatársainak idézett közleményét). Amennyiben a (14) statisztikai osztályozó 50000 sejt/perc sebességgel működik, akkor a (15) másodlagos osztályozó által igényelt négy perchez a (14) statisztikai osztályozó két percét kell hozzáadnunk, és ily módon összesen hat perc lesz szükséges a tárgylemezen lévő 100000 sejtet tartalmazó képek elemzésére.
Amint azt már megállapítottuk, a cervikális kenetvizsgálat pontos, manuális elvégzéséhez tárgylemezenként körülbelül tizenöt percre van szükség. A korábban a (15) másodlagos osztályozó nemneurális hálózatú kiviteli alakjával végzett automatizálási kísérletek során tárgylemezenként több mint egy órára volt szükség. E példával semmiképp sem szeretnénk korlátozni a találmány aktuális kiviteli alakjait, hanem annak kimutatása a célunk, hogy képes elérni azt a célt, hogy a kereskedelmi szempontból gazdaságos működéshez szükséges időhatárokon belül el tudja végezni a cervikális kenetek és egyéb citológiai minták feldolgozását.
A találmány egyik előnyös kiviteli alakja esetében a (14) statisztikai osztályozó - elsődleges osztályozó feladata csak a sejtmag értékelésére szorítkozik, a (15) másodlagos osztályozó pedig mind a sejtmag, mind pedig az azt körülvevő citoplazma vizsgálatát elvégzi. A sejtmag és a citoplazma közötti arány fontos jellemzője a premalignus és a malignus sejtek osztályozásának. Egy további kiviteli alak esetében a (14) statisztikai osztályozó vagy elsődleges osztályozó és a (15) másodlagos osztályozó egyaránt csak a sejtmagok osztályozására szorítkozik.
A (15) másodlagos osztályozóból kimenő információ a (17) kimeneti monitorhoz és printerhez jut, mely ily módon számos különböző információ jelzésére képes, például arra, vajon van-e olyan sejt, mely malignusnak vagy premalignusnak tűnik, illetve amely további vizsgálatot igényel stb.
A 3. ábra a találmány egy másik kiviteli alakját szemlélteti, melyben egy további (16) területi osztályozó is alkalmazva van, melynek feladata a tárgylemez előzetes feldolgozása annak megállapítása érdekében, vannak-e rajta nagyobb területet elfoglaló műtermékek, azaz olyan anyagok, melyek különböznek az érdeklődésünkre számot tartó egyetlen sejtrétegektől. Ilyen műtermékek lehetnek a sejthalmazok, a törmelékanyagok, a nyálka, a fehérvérsejtek stb. Ezen elő5
HU 208 186 Β zetes szűrés során nyert helyzeti információ ezután tárolásra kerül, az osztályozó rendszer egyéb részeiben történő további feldolgozás céljából. A (16) területi osztályozóból származó információt arra használjuk, hogy korlátozzuk a (15) másodlagos osztályozó által igényelt feldolgozást. A (14) statisztikai osztályozó figyelmen kívül hagyhat minden olyan anyagot, amely a (16) területi osztályozóból kikerülő helyzeti koordináták által meghatározott területen kívül esik. Ennek eredményeképpen kevesebb információ jut el feldolgozás céljából a (15) másodlagos osztályozóhoz. Ily módon a diagnózis kialakítása csak azon sejtek osztályozásának alapján történik, amelyek kívül esnek ezen területeken. Ha az ezen területen kívül fekvő sejtminta nem elegendő nagyságú ahhoz, hogy érvényes diagnózist lehessen felállítani, az információ úgy jelemik meg a (17) kimeneti monitoron és printeren, mint „nem elegendő nagyságú sejtminta”.
A 4. ábra a találmány egy további kiviteli alakját szemlélteti, melyben a (16) területi osztályozó által meghatározott területek képeit sem hagyjuk figyelmen kívül, hanem azok egy különálló (18) alternatív másodlagos osztályozóhoz kerülnek feldolgozásra, mely a (15) másodlagos osztályozóval párhuzamosan működik. A (18) alternatív másodlagos osztályozót tartalmazó neurális hálózat gyakorló programja arra szolgál, hogy segítségével elkülöníthessük a premalignus és malignus sejteket az említett műtermékektől.
Az 5. ábra a találmány egy olyan kiviteli alakját mutatja be, melyen a (15) statisztikai osztályozó és a (15) másodlagos osztályozó közé egy olyan, további nem-neurális hálózatot helyezünk, mely a sejtmag morfológiái komponenseinek osztályozását végzi, nem számítva az integrált optikai denzitást. Ez az osztályozás a (19) másodlagos morfológiai osztályozó feladata.
A 6. ábra egy további kiviteli alakot mutat be, melyben egy, a kereskedelmi forgalomban kapható SAIC neurokomputert alakítunk optimálisan felhasználhatóvá az előrefelé történő adatbetáplálással működő (20) elsődleges osztályozó számára. A tanulási működésmód kapacitásának törlésével valamennyi neurokomputer funkciót az előrefelé történő adatbetáplálásos működés látja el. A tanulás egy különálló, nem módosított neurokomputer segítségével történik, melyben mind a tanulási, mind pedig az előrefelé történő adatbetáplálási funkció megtalálható.
A tanulás befejezését követően a végső kapcsolatsúlyok az optimálissá alakított, előrefelé történő adatbetáplálással működő neurokomputerhez, a (20) elsődleges osztályozóhoz adódnak át. Az a tény, hogy ezen neurokomputer előrefelé történő adatbetáplálással működik, azzal a következménnyel jár, hogy az előrefelé történő adatbetáplálásos működési mód során másodpercenként 108 kapcsolat jön létre hosszú időn keresztül, ellentétben a kereskedelemben kapható, nem-optimalizált berendezésekre jellemző 107 kapcsolat/másodperc teljesítménnyel. Ez a optimálissá alakított, előrefelé történő adatbetáplálással működő neurális hálózat, a (20) elsődleges osztályozó alkalmas arra, hogy átvegye az 1., 3., 4. és 5. ábrákon feltüntetett (14) statisztikai osztályozó és (16) területi osztályozó szerepét. Azáltal, hogy a (20) elsődleges osztályozó átveszi a (14) statisztikai osztályozó szerepét, azok a vizsgálatra érdemes sejtek, melyek nem szükségképpen malignusak, és amelyek emiatt nem lépik túl az integrált optikai denzitási küszöbértéket a (14) statisztikai osztályozó esetében, a (20) elsődleges osztályozó alkalmazásakor mindenképpen kimutatásra kerülnek. E jelenségre példaként említhetjük az endometriális sejteket, melyek - bár nem szükségképpen utalnak rosszindulatú cervikális folyamatra (rosszindulatú méhnyakbetegségre) -, amennyiben a változás korábban lévő betegek Papanicolaou-kenetében fordulnak elő, a méh rosszindulatú folyamatára utalhatnak.
A 6. ábrán látható kiviteli alakkal nyerhető eredmények példájaként tételezzük fel, hogy a tárgylemez külső méretei 15 mmx45 mm, illetve a tárgylemez teljes területe 675xl06 négyzetmikrométer. A (20) elsődleges osztályozó neurális hálózata egy lemezablakot juttat ezen terület fölé, elemzés céljából. Ezen lemezablak méretei 20 mikrométerx20 mikrométer, a területe tehát 400 négyzetmikrométer. Ily módon tehát l,5xl06 ilyen lemezablak helyezkedhet el a 15 mmx45 mm-es tárgylemezen. A (20) elsődleges osztályozó neurális hálózata által elvégzendő elsődleges osztályozási funkció betöltéséhez elegendő képernyő egységnyi területenként (pixelenként) 1 mikrométer értékű feloldóképesség ahhoz, hogy ki lehessen mutatni azokat az elemeket, amelyeket a (15) másodlagos osztályozóhoz kell továbbítani, további elemezés céljából. Ily módon a (20) elsődleges osztályozó által vizsgált képablak bemenő mintázata 20x20 képernyőegységnyi terület, azaz 400 neuron a (20) elsődleges osztályozó neurális hálózatának bemenő rétege számára. A középső réteg körülbelül a bemenő réteg 25%ának felel meg, azaz 100 neuronnak. [Amint azt a korábbiakban a (15) másodlagos osztályozó adatainak számítása kapcsán tárgyaltuk, a kimenő réteg neuronjainak száma alacsony, és ezért eredményeinket nem befolyásolja szignifikáns mértékben.] A (20) elsődleges osztályozó kapcsolatainak száma így körülbelül 400x100, azaz 40xl03. Egy 108 kapcsolat/másodperc feldolgozási sebesség esetében minden lemezablak-kép elemzése a (20) elsődleges osztályozó neurális hálózatának 400 mikroszekundumos működését igényli. A 15 mmx45 mm-es tárgylemezek esetében 1,5x1ο6 számú ilyen 400 négyzetmikrométeres lemezablakról van szó, s ezek osztályozását kell a (20) elsődleges osztályozó neurális hálózatának elvégeznie. A (20) elsődleges osztályozó teljes osztályozási időtartama ennek megfelelően (1,5x106)x(400x106), azaz 600 másodperc, vagyis tíz perc. Ha ezt a tíz percet hozzáadjuk ahhoz a körülbelül négy perchez, melyet a 15 másodlagos osztályozó neurális hálózata igényel, az így kapott eredmény összesen tizennégy perc lesz tárgylemezenként. Az említett példával semmilyen módon nem kívánjuk korlátozni a találmány kiviteli alakjait, inkább az a célunk, hogy rámutassunk azon képességre, hogy segítségével megvalósítható a cervikális kenetek és egyéb citológiai minták feldolgozásának célkitűzése,
HU 208 186 Β éspedig olyan időtartamon belül, mely kereskedelmi szempontból gazdaságos működést tesz lehetővé.
Az adatfeldolgozás sebességét tovább fokozhatjuk, ha párhuzamos feldolgozást végzünk. Például, a SAIC kereskedelmi forgalomban kapható, többszörös neurokomputerei egymáshoz kapcsolhatók annak érdekében, hogy párhuzamos adatfeldolgozási rendszert hozzunk létre és ezáltal fokozzuk a fenti neurokomputerekkel dolgozó osztályozó berendezések teljes működési sebességét.
A 7. ábra egy olyan, további - alternatív - kiviteli alakot szemléltet, melyben a (20) elsődleges osztályozó neurális hálózatát inkább egy (19) morfológiai osztályozóval és (16) területi osztályozóval együtt, mint azok helyettesítéseként alkalmazzuk. Annak érdekében, hogy a (20) elsődleges osztályozó képes legyen a kérdéses néhány sejttípus kimutatására - melyeket más módon nem sikerül detektálni -, a (20) elsődleges osztályozó feloldóképességét a minimális értékre kell beállítani.
Bár a találmányt a fentiekben annak jelenleg legelőnyösebbnek tartott kiviteli alakjai tükrében ismertettük, meg kell jegyeznünk, hogy ezt a tényt nem szabad korlátozó jellegűnek tekintenünk. Ezen a területen jártas szakemberek számára kétségkívül különböző módosítások és változtatások nyilvánvalónak tűnnek, azt követően, hogy elolvasták a fenti ismertetést. Ennek megfelelően az a célunk, hogy a következő szabadalmi igénypontokat úgy értelmezzük, hogy azok kiterjednek valamennyi olyan módosításra és változtatásra is, melyek beletartoznak a találmány tárgya és alapgondolata által meghatározott oltalmi körbe.

Claims (28)

  1. SZABADALMI IGÉNYPONTOK
    1. Berendezés citológiai minták osztályozására, amelynek sejteket és egyéb, a tárgylemezen véletlenszerűen előforduló anyagokat tartalmazó, adott esetben több sejtréteget magában foglaló citológiai minták legalább egy részének leképezésére alkalmas mikroszkópja (11), a mikroszkóppal azonos képet előállító kamerája (12), a kamerához csatlakozó digitális képátalakítója (13), a citológiai minták digitális reprezentációjában lévő elemek valamely jellegzetessége alapján történő kimutatására alkalmas elsődleges osztályozója (14) s és az elsődleges osztályozó által kimutatott elemek közül egy adott tulajdonságú sejteknek más sejtektől, illetve más anyagoktól való megkülönböztetésére alkalmas másodlagos osztályozója (15) van, azzal jellemezve, hogy az elsődleges osztályozó (14) egy adott sejtcsoporthoz tartozó sejtek, valamint olyan, kezdetben az adott sejtcsoport jellegzetességeit mutató sejtek és más anyagok kimutatására alkalmas osztályozó, és a másodlagos osztályozó (15) egy, a további megkülönböztetést végző, az összehasonlítás során tanuló neurális komputer.
  2. 2. Az 1. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozó (14) a valószínűleg malignus vagy premalignus sejtek, valamint a kezdetben a malignus vagy premalignus sejtek jellegzetességeit mutató sejtek és más anyagok kimutatására alkalmas osztályozó.
  3. 3. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy egy további, a sejtminták digitális leképzésében az egyetlen sejtrétegtől eltérő területek kimutatására alkalmas, az elsődleges osztályozó (14) elé beiktatott, neurális hálózatot tartalmazó előszűrő osztályozója (16) is van.
  4. 4. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozó (14) és a másodlagos osztályozó (15) között elhelyezett, a mag morfológiai komponenseinek egy további, nem-neurális hálózaton alapuló osztályozására alkalmas közbenső osztályozója (19) is van.
  5. 5. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a mikroszkóp (11) egy automatikus mikroszkóp.
  6. 6. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a kamera (12) egy videó kamera.
  7. 7. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a kamera (12) töltéscsatolt eszközzel rendelkezik.
  8. 8. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozónak (14) a sejtminták digitális leképzésében egy küszöbszintet túllépő jellegzetességgel rendelkező elemek kimutatására alkalmas eszköze is van.
  9. 9. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozónak (14) a sejtminták digitális leképzésében egy integrált optikai denzitási küszöbszintet túllépő jellegzetességgel rendelkező elemek kimutatására alkalmas eszköze is van.
  10. 10. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozónak (14) a sejtminták digitális leképzésében morfológiai kritériumok alapján kiválasztott elemek kimutatására alkalmas eszköze is van.
  11. 11. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a kamera (12) a citológiai minta egy részét megfelelő nézetből leképező módon van elhelyezve.
  12. 12. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a neurális komputer egy elektronikus neurális komputer.
  13. 13. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy az elsődleges osztályozó (14) egy statisztikai osztályozó.
  14. 14. Az 1. vagy 2. igénypont szerinti berendezés, azzal jellemezve, hogy a másodlagos osztályozó (15) a sejtek és más anyagok egymást átfedő elrendeződését egy meghatározott sejtcsoport sejtjeitől megkülönböztetni képes osztályozó.
  15. 15. Eljárás citológiai minták osztályozására, melynek során egy elsődleges osztályozást és egy másodlagos osztályozást végeznek, azzal jellemezve, hogy az általában véletlenszerűen elrendezett sejtminta elsődleges osztályozása során a további vizsgálat szempontjából lényeges, az egyetlen sejtrétegűtől eltérő elrendezé7
    HU 208 186 Β sű területeket választjuk ki, míg a másodlagos osztályozás során a kiválasztott területek neurális hálózaton alapuló osztályozását végezzük el.
  16. 16. A 15. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során a valószínűleg malignus vagy premalignus sejteket, valamint a kezdetben a malignus vagy premalignus sejtek jellegzetességeit mutató sejteket és más anyagokat tartalmazó, a további vizsgálat szempontjából fontos területek meghatározását végezzük.
  17. 17. A 16. igénypont szerinti eljárás, azzal jellemezve, hogy a másodlagos osztályozás során a kiválasztott területen kiválasztjuk a premalignus vagy malignus sejteket.
  18. 18. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során a citológiai mintákat optikai úton leképezzük, az így nyert képet digitalizáljuk, majd pedig meghatározzuk a minta integrált optikai sűrűség függvényét.
  19. 19. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során neurális hálózati elemzést végzünk.
  20. 20. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során statisztikai osztályozást végzünk.
  21. 21. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során morfológiai alapon történő osztályozást végzünk.
  22. 22. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során az integrált optikai sűrűség alapján végezzük az osztályozást.
  23. 23. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy a további vizsgálat szempontjából fontos citológiai minták kiválasztását a neurális hálózat tanításával végezzük.
  24. 24. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az elsődleges osztályozás során csak a sejtmagot vizsgáljuk, míg a másodlagos osztályozás során mind a sejtmag, mind pedig a sejtmagot körülvevő citoplazma vizsgálatát elvégezzük.
  25. 25. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy mind az elsődleges osztályozás, mind pedig a másodlagos osztályozás során kizárólag a sejtmag vizsgálatát végezzük el.
  26. 26. A 15. vagy 17. igénypont szerinti eljárás, azzal jellemezve, hogy az egyrétegű sejtektől eltérő anyagokat tartalmazó mintán belül általános területek felismerésére és osztályozására a citológiai minták előszűrését is elvégezzük, melynek során neurális hálózati osztályozást alkalmazunk.
  27. 27. A 26. igénypont szerinti eljárás, azzal jellemezve, hogy az előszűrés eredményét használjuk fel kiválasztott területek egy résznek a másodlagos szűrésből való kizárására.
  28. 28. A 26. igénypont szerinti eljárás, azzal jellemezve, hogy az előszűrés eredményét a másodlagos szűrés módosítására használjuk fel a minták területén belül olyan képek esetén, amelyeket az előzetes szűrést végző osztályozó választott ki.
HU892848A 1988-04-08 1989-03-24 Method and apparatus for classifying cytologic samples HU208186B (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US07179060 US4965725B1 (en) 1988-04-08 1988-04-08 Neural network based automated cytological specimen classification system and method

Publications (3)

Publication Number Publication Date
HU892848D0 HU892848D0 (en) 1990-12-28
HUT59239A HUT59239A (en) 1992-04-28
HU208186B true HU208186B (en) 1993-08-30

Family

ID=22655067

Family Applications (1)

Application Number Title Priority Date Filing Date
HU892848A HU208186B (en) 1988-04-08 1989-03-24 Method and apparatus for classifying cytologic samples

Country Status (23)

Country Link
US (2) US4965725B1 (hu)
EP (1) EP0336608B1 (hu)
JP (1) JPH04501325A (hu)
CN (1) CN1031811C (hu)
AT (1) ATE140327T1 (hu)
AU (1) AU628342B2 (hu)
BG (1) BG51463A3 (hu)
BR (1) BR8907355A (hu)
CA (1) CA1323700C (hu)
DE (1) DE68926796T2 (hu)
DK (1) DK262490A (hu)
ES (1) ES2090033T3 (hu)
FI (1) FI101653B1 (hu)
GR (1) GR3021252T3 (hu)
HK (1) HK1003583A1 (hu)
HU (1) HU208186B (hu)
IL (1) IL89859A0 (hu)
MC (1) MC2101A1 (hu)
RO (1) RO106931B1 (hu)
RU (1) RU2096827C1 (hu)
SG (1) SG46454A1 (hu)
WO (1) WO1989009969A1 (hu)
ZA (1) ZA892558B (hu)

Families Citing this family (310)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5525464A (en) 1987-04-01 1996-06-11 Hyseq, Inc. Method of sequencing by hybridization of oligonucleotide probes
US5202231A (en) 1987-04-01 1993-04-13 Drmanac Radoje T Method of sequencing of genomes by hybridization of oligonucleotide probes
US5224175A (en) * 1987-12-07 1993-06-29 Gdp Technologies, Inc. Method for analyzing a body tissue ultrasound image
US5092343A (en) * 1988-02-17 1992-03-03 Wayne State University Waveform analysis apparatus and method using neural network techniques
DE68928484T2 (de) * 1988-03-25 1998-07-23 Hitachi Ltd Verfahren zum erkennen von bildstrukturen
US4965725B1 (en) * 1988-04-08 1996-05-07 Neuromedical Systems Inc Neural network based automated cytological specimen classification system and method
US5740270A (en) * 1988-04-08 1998-04-14 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
US5544650A (en) * 1988-04-08 1996-08-13 Neuromedical Systems, Inc. Automated specimen classification system and method
EP0363828B1 (en) * 1988-10-11 1999-01-07 Kabushiki Kaisha Ouyo Keisoku Kenkyusho Method and apparatus for adaptive learning type general purpose image measurement and recognition
US5041916A (en) * 1989-02-07 1991-08-20 Matsushita Electric Industrial Co., Ltd. Color image data compression and recovery apparatus based on neural networks
JPH0821065B2 (ja) * 1989-03-13 1996-03-04 シャープ株式会社 文字認識装置
JP2885823B2 (ja) * 1989-04-11 1999-04-26 株式会社豊田中央研究所 視覚認識装置
JP2940933B2 (ja) * 1989-05-20 1999-08-25 株式会社リコー パターン認識方式
US5547839A (en) 1989-06-07 1996-08-20 Affymax Technologies N.V. Sequencing of surface immobilized polymers utilizing microflourescence detection
US5850465A (en) * 1989-06-26 1998-12-15 Fuji Photo Film Co., Ltd. Abnormnal pattern detecting or judging apparatus, circular pattern judging apparatus, and image finding apparatus
US5086479A (en) * 1989-06-30 1992-02-04 Hitachi, Ltd. Information processing system using neural network learning function
US5140523A (en) * 1989-09-05 1992-08-18 Ktaadn, Inc. Neural network for predicting lightning
WO1991006911A1 (en) * 1989-10-23 1991-05-16 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
JPH03196277A (ja) * 1989-12-25 1991-08-27 Takayama:Kk データ処理装置のための特徴データ選択方法
WO1991011783A1 (en) * 1990-01-23 1991-08-08 Massachusetts Institute Of Technology Recognition of patterns in images
US5313532A (en) * 1990-01-23 1994-05-17 Massachusetts Institute Of Technology Recognition of patterns in images
JPH03223976A (ja) * 1990-01-29 1991-10-02 Ezel Inc 画像照合装置
WO1991014235A1 (en) * 1990-03-06 1991-09-19 Massachusetts Institute Of Technology Recognition of patterns in images
ATE155592T1 (de) * 1990-03-30 1997-08-15 Neuromedical Systems Inc Automatisches zellenklassifikationssystem und verfahren
JP2896799B2 (ja) * 1990-04-18 1999-05-31 富士写真フイルム株式会社 放射線画像読取条件及び／又は画像処理条件決定装置
US5862304A (en) * 1990-05-21 1999-01-19 Board Of Regents, The University Of Texas System Method for predicting the future occurrence of clinically occult or non-existent medical conditions
AU8229591A (en) * 1990-06-21 1992-01-07 Applied Electronic Vision, Inc. Cellular analysis utilizing video processing and neural network
US5365460A (en) * 1990-08-27 1994-11-15 Rockwell International Corp. Neural network signal processor
US5655029A (en) * 1990-11-07 1997-08-05 Neuromedical Systems, Inc. Device and method for facilitating inspection of a specimen
JPH06503415A (ja) * 1990-11-07 1994-04-14 ニューロメディカル　システムズ　インコーポレイテッド ディスプレイに表示された像に対し検査の監査を行いながら検査する装置及び方法
US5214744A (en) * 1990-12-14 1993-05-25 Westinghouse Electric Corp. Method and apparatus for automatically identifying targets in sonar images
US5257182B1 (en) * 1991-01-29 1996-05-07 Neuromedical Systems Inc Morphological classification system and method
US6018587A (en) * 1991-02-21 2000-01-25 Applied Spectral Imaging Ltd. Method for remote sensing analysis be decorrelation statistical analysis and hardware therefor
US5331550A (en) * 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US5105468A (en) * 1991-04-03 1992-04-14 At&T Bell Laboratories Time delay neural network for printed and cursive handwritten character recognition
US5260871A (en) * 1991-07-31 1993-11-09 Mayo Foundation For Medical Education And Research Method and apparatus for diagnosis of breast tumors
GB9116562D0 (en) * 1991-08-01 1991-09-18 British Textile Tech Sample evaluation
US5627040A (en) * 1991-08-28 1997-05-06 Becton Dickinson And Company Flow cytometric method for autoclustering cells
US5776709A (en) * 1991-08-28 1998-07-07 Becton Dickinson And Company Method for preparation and analysis of leukocytes in whole blood
US5941832A (en) * 1991-09-27 1999-08-24 Tumey; David M. Method and apparatus for detection of cancerous and precancerous conditions in a breast
US6850252B1 (en) 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
US8352400B2 (en) 1991-12-23 2013-01-08 Hoffberg Steven M Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
US5903454A (en) 1991-12-23 1999-05-11 Hoffberg; Linda Irene Human-factored interface corporating adaptive pattern recognition based controller apparatus
US10361802B1 (en) 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control system and method
US6400996B1 (en) 1999-02-01 2002-06-04 Steven M. Hoffberg Adaptive pattern recognition based control system and method
US6418424B1 (en) 1991-12-23 2002-07-09 Steven M. Hoffberg Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
EP0628186B1 (en) * 1992-02-18 1998-12-09 Neopath, Inc. Method for identifying normal biomedical specimens
AU671984B2 (en) * 1992-02-18 1996-09-19 Neopath, Inc. Method for identifying objects using data processing techniques
US5283418A (en) * 1992-02-27 1994-02-01 Westinghouse Electric Corp. Automated rotor welding processes using neural networks
JP3165247B2 (ja) * 1992-06-19 2001-05-14 シスメックス株式会社 粒子分析方法及び装置
DE4224621C2 (de) * 1992-07-25 1994-05-05 Boehringer Mannheim Gmbh Verfahren zur Analyse eines Bestandteils einer medizinischen Probe mittels eines automatischen Analysegerätes
US5388164A (en) * 1992-08-19 1995-02-07 Olympus Optical Co., Ltd. Method for judging particle agglutination patterns using neural networks
US5742702A (en) * 1992-10-01 1998-04-21 Sony Corporation Neural network for character recognition and verification
US5319722A (en) * 1992-10-01 1994-06-07 Sony Electronics, Inc. Neural network for character recognition of rotated characters
US6026174A (en) * 1992-10-14 2000-02-15 Accumed International, Inc. System and method for automatically detecting malignant cells and cells having malignancy-associated changes
US5733721A (en) * 1992-11-20 1998-03-31 The Board Of Regents Of The University Of Oklahoma Cell analysis method using quantitative fluorescence image analysis
WO1994014063A1 (en) * 1992-12-14 1994-06-23 University Of Washington Order-based analyses of cell and tissue structure
CN1036118C (zh) * 1992-12-29 1997-10-15 陈立奇 肿瘤图像诊断方法及***
EP0610916A3 (en) * 1993-02-09 1994-10-12 Cedars Sinai Medical Center Method and device for generating preferred segmented numerical images.
US5426010A (en) * 1993-02-26 1995-06-20 Oxford Computer, Inc. Ultra high resolution printing method
US5619619A (en) * 1993-03-11 1997-04-08 Kabushiki Kaisha Toshiba Information recognition system and control system using same
US5479526A (en) * 1993-03-23 1995-12-26 Martin Marietta Pixel designator for small objects
JP3265044B2 (ja) * 1993-03-23 2002-03-11 株式会社コーナン・メディカル 角膜内皮細胞形態決定方法
EP0693200B1 (de) * 1993-04-10 1997-07-09 Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. Verfahren zur klassifizierung von objekten
US5475768A (en) * 1993-04-29 1995-12-12 Canon Inc. High accuracy optical character recognition using neural networks with centroid dithering
US5587833A (en) * 1993-07-09 1996-12-24 Compucyte Corporation Computerized microscope specimen encoder
DE69429145T2 (de) * 1993-08-19 2002-07-18 Hitachi Ltd Klassifikation und Prüfvorrichtung für Teilchen in einer Flüssigkeit
US6136540A (en) * 1994-10-03 2000-10-24 Ikonisys Inc. Automated fluorescence in situ hybridization detection of genetic abnormalities
US5352613A (en) * 1993-10-07 1994-10-04 Tafas Triantafillos P Cytological screening method
CA2132269C (en) * 1993-10-12 2000-02-01 Rainer Hermann Doerrer Interactive automated cytology method and system
US5797130A (en) * 1993-11-16 1998-08-18 Neopath, Inc. Method for testing proficiency in screening images of biological slides
JP3165309B2 (ja) * 1993-12-22 2001-05-14 株式会社日立製作所 粒子画像解析装置
KR970006423B1 (ko) * 1993-12-29 1997-04-28 한국전기통신공사 신경망을 이용한 영상 패턴 분류 인식 장치 및 방법
CN1140498A (zh) * 1994-02-14 1997-01-15 神经医药体系股份有限公司 自动化细胞样品分类***和方法
US5493539A (en) * 1994-03-11 1996-02-20 Westinghouse Electric Corporation Two-stage detection and discrimination system for side scan sonar equipment
US5493619A (en) * 1994-03-11 1996-02-20 Haley; Paul H. Normalization method for eliminating false detections in side scan sonar images
US5486999A (en) * 1994-04-20 1996-01-23 Mebane; Andrew H. Apparatus and method for categorizing health care utilization
US5625705A (en) * 1994-06-03 1997-04-29 Neuromedical Systems, Inc. Intensity texture based classification system and method
US6463438B1 (en) * 1994-06-03 2002-10-08 Urocor, Inc. Neural network for cell image analysis for identification of abnormal cells
DE69527585T2 (de) * 1994-06-08 2003-04-03 Affymetrix Inc Verfahren und Vorrichtung zum Verpacken von Chips
US6287850B1 (en) * 1995-06-07 2001-09-11 Affymetrix, Inc. Bioarray chip reaction apparatus and its manufacture
CA2195565A1 (en) * 1994-07-26 1996-02-08 Robert Tjon-Fo-Sang Inspection device and method
US5647025A (en) * 1994-09-20 1997-07-08 Neopath, Inc. Automatic focusing of biomedical specimens apparatus
US5715327A (en) * 1994-09-20 1998-02-03 Neopath, Inc. Method and apparatus for detection of unsuitable conditions for automated cytology scoring
US5566249A (en) * 1994-09-20 1996-10-15 Neopath, Inc. Apparatus for detecting bubbles in coverslip adhesive
CA2200457C (en) * 1994-09-20 2001-08-14 Shih-Jong J. Lee Biological analysis system self-calibration apparatus
US5757954A (en) * 1994-09-20 1998-05-26 Neopath, Inc. Field prioritization apparatus and method
US5978497A (en) * 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
US5627908A (en) * 1994-09-20 1997-05-06 Neopath, Inc. Method for cytological system dynamic normalization
WO1996009598A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Cytological slide scoring apparatus
WO1996009594A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Apparatus for automated identification of thick cell groupings on a biological specimen
WO1996010237A1 (en) * 1994-09-20 1996-04-04 Neopath, Inc. Biological specimen analysis system processing integrity checking apparatus
US5692066A (en) * 1994-09-20 1997-11-25 Neopath, Inc. Method and apparatus for image plane modulation pattern recognition
AU3544995A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for identification and integration of multiple cell patterns
ES2121708T1 (es) * 1994-09-20 1998-12-16 Neopath Inc Aparato para iluminacion, estabilizacion y homogeneizacion.
US5740269A (en) * 1994-09-20 1998-04-14 Neopath, Inc. Method and apparatus for robust biological specimen classification
US5638459A (en) * 1994-09-20 1997-06-10 Neopath, Inc. Method and apparatus for detecting a microscope slide coverslip
AU3586195A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for automated identification of cell groupings on a biological specimen
US5453676A (en) * 1994-09-30 1995-09-26 Itt Automotive Electrical Systems, Inc. Trainable drive system for a windshield wiper
WO1996010801A1 (en) * 1994-09-30 1996-04-11 Neopath, Inc. Method and apparatus for highly efficient computer aided screening
US5524631A (en) * 1994-10-13 1996-06-11 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Passive fetal heart rate monitoring apparatus and method with enhanced fetal heart beat discrimination
WO1996012187A1 (en) 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
JP3537194B2 (ja) * 1994-10-17 2004-06-14 オリンパス株式会社 光学顕微鏡
US6600996B2 (en) 1994-10-21 2003-07-29 Affymetrix, Inc. Computer-aided techniques for analyzing biological sequences
US5795716A (en) 1994-10-21 1998-08-18 Chee; Mark S. Computer-aided visualization and analysis system for sequence evaluation
JP3189608B2 (ja) * 1995-02-01 2001-07-16 株式会社日立製作所 フロー式粒子画像解析方法
US5708591A (en) * 1995-02-14 1998-01-13 Akzo Nobel N.V. Method and apparatus for predicting the presence of congenital and acquired imbalances and therapeutic conditions
US5884296A (en) * 1995-03-13 1999-03-16 Minolta Co., Ltd. Network and image area attribute discriminating device and method for use with said neural network
FR2733596B1 (fr) * 1995-04-28 1997-07-18 Hycel Groupe Lisabio Procede et dispositif d'identification de particules
US5619428A (en) * 1995-05-31 1997-04-08 Neopath, Inc. Method and apparatus for integrating an automated system to a laboratory
US5671288A (en) * 1995-05-31 1997-09-23 Neopath, Inc. Method and apparatus for assessing slide and specimen preparation quality
US5625706A (en) * 1995-05-31 1997-04-29 Neopath, Inc. Method and apparatus for continously monitoring and forecasting slide and specimen preparation for a biological specimen population
US5787208A (en) * 1995-06-07 1998-07-28 Neopath, Inc. Image enhancement method and apparatus
US6252979B1 (en) 1995-06-07 2001-06-26 Tripath Imaging, Inc. Interactive method and apparatus for sorting biological specimens
US6429017B1 (en) 1999-02-04 2002-08-06 Biomerieux Method for predicting the presence of haemostatic dysfunction in a patient sample
US6898532B1 (en) 1995-06-07 2005-05-24 Biomerieux, Inc. Method and apparatus for predicting the presence of haemostatic dysfunction in a patient sample
US6242876B1 (en) 1995-06-07 2001-06-05 Valeo Electrical Systems, Inc. Intermittent windshield wiper controller
US5889880A (en) * 1995-06-07 1999-03-30 Autocyte, Inc. Interactive automated cytology method incorporating both manual and automatic determinations
US6720149B1 (en) * 1995-06-07 2004-04-13 Affymetrix, Inc. Methods for concurrently processing multiple biological chip assays
US6321164B1 (en) 1995-06-07 2001-11-20 Akzo Nobel N.V. Method and apparatus for predicting the presence of an abnormal level of one or more proteins in the clotting cascade
US5621519A (en) * 1995-07-31 1997-04-15 Neopath, Inc. Imaging system transfer function control method and apparatus
US5642433A (en) * 1995-07-31 1997-06-24 Neopath, Inc. Method and apparatus for image contrast quality evaluation
US5745601A (en) * 1995-07-31 1998-04-28 Neopath, Inc. Robustness of classification measurement apparatus and method
US6091842A (en) * 1996-10-25 2000-07-18 Accumed International, Inc. Cytological specimen analysis system with slide mapping and generation of viewing path information
US6430309B1 (en) 1995-09-15 2002-08-06 Monogen, Inc. Specimen preview and inspection system
US5963368A (en) * 1995-09-15 1999-10-05 Accumed International, Inc. Specimen management system
CA2185511C (en) * 1995-09-15 2008-08-05 Vladimir Dadeshidze Cytological specimen analysis system with individualized patient data
US6118581A (en) * 1995-09-15 2000-09-12 Accumed International, Inc. Multifunctional control unit for a microscope
US6148096A (en) * 1995-09-15 2000-11-14 Accumed International, Inc. Specimen preview and inspection system
US5690892A (en) * 1995-09-15 1997-11-25 Accumed, Inc. Cassette for use with automated specimen handling system
US5930732A (en) * 1995-09-15 1999-07-27 Accumed International, Inc. System for simplifying the implementation of specified functions
AU726049B2 (en) * 1995-09-19 2000-10-26 Veracel Inc. A neural network assisted multi-spectral segmentation system
US5732150A (en) * 1995-09-19 1998-03-24 Ihc Health Services, Inc. Method and system for multiple wavelength microscopy image analysis
JPH0991430A (ja) * 1995-09-27 1997-04-04 Hitachi Ltd パターン認識装置
US20040175718A1 (en) * 1995-10-16 2004-09-09 Affymetrix, Inc. Computer-aided visualization and analysis system for sequence evaluation
IL115985A0 (en) 1995-11-14 1996-01-31 Elop Electrooptics Ind Ltd System and method for computerized archiving
JP2000501184A (ja) 1995-11-30 2000-02-02 クロマビジョン メディカル システムズ，インコーポレイテッド 生体標本の自動画像分析の方法および装置
US6151405A (en) * 1996-11-27 2000-11-21 Chromavision Medical Systems, Inc. System and method for cellular specimen grading
US6718053B1 (en) * 1996-11-27 2004-04-06 Chromavision Medical Systems, Inc. Method and apparatus for automated image analysis of biological specimens
US5835620A (en) * 1995-12-19 1998-11-10 Neuromedical Systems, Inc. Boundary mapping system and method
US5699794A (en) * 1995-12-19 1997-12-23 Neopath, Inc. Apparatus for automated urine sediment sample handling
AU1294797A (en) * 1995-12-21 1997-07-17 Erudite Technology Iii, Inc. A method for the detection, identification and alteration of molecular structure in various media
US5850464A (en) * 1996-01-16 1998-12-15 Erim International, Inc. Method of extracting axon fibers and clusters
US6678669B2 (en) 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US6361937B1 (en) * 1996-03-19 2002-03-26 Affymetrix, Incorporated Computer-aided nucleic acid sequencing
US5724253A (en) * 1996-03-26 1998-03-03 International Business Machines Corporation System and method for searching data vectors such as genomes for specified template vector
DE19616997A1 (de) * 1996-04-27 1997-10-30 Boehringer Mannheim Gmbh Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben
AU3723697A (en) * 1996-07-12 1998-02-09 Erim International, Inc. Mosaic construction, processing, and review of very large electronic micrograph composites
US5810747A (en) * 1996-08-21 1998-09-22 Interactive Remote Site Technology, Inc. Remote site medical intervention system
US6272235B1 (en) 1997-03-03 2001-08-07 Bacus Research Laboratories, Inc. Method and apparatus for creating a virtual microscope slide
US6031930A (en) * 1996-08-23 2000-02-29 Bacus Research Laboratories, Inc. Method and apparatus for testing a progression of neoplasia including cancer chemoprevention testing
US6404906B2 (en) * 1997-03-03 2002-06-11 Bacus Research Laboratories,Inc. Method and apparatus for acquiring and reconstructing magnified specimen images from a computer-controlled microscope
US6396941B1 (en) 1996-08-23 2002-05-28 Bacus Research Laboratories, Inc. Method and apparatus for internet, intranet, and local viewing of virtual microscope slides
US6122396A (en) * 1996-12-16 2000-09-19 Bio-Tech Imaging, Inc. Method of and apparatus for automating detection of microorganisms
WO1998029833A1 (fr) * 1996-12-25 1998-07-09 Hitachi, Ltd. Appareil et procede de reconnaissance de formes
JP3702978B2 (ja) * 1996-12-26 2005-10-05 ソニー株式会社 認識装置および認識方法、並びに学習装置および学習方法
US5937103A (en) * 1997-01-25 1999-08-10 Neopath, Inc. Method and apparatus for alias free measurement of optical transfer function
US6753161B2 (en) * 1997-03-27 2004-06-22 Oncosis Llc Optoinjection methods
GB9714347D0 (en) * 1997-07-09 1997-09-10 Oxoid Ltd Image analysis systems and devices for use therewith
US5959726A (en) * 1997-07-25 1999-09-28 Neopath, Inc. Modulation transfer function test compensation for test pattern duty cycle
AU9027398A (en) * 1997-08-22 1999-03-16 Lxr Biotechnology Inc. Focusing and autofocusing in scanning laser imaging
US6198839B1 (en) * 1997-09-05 2001-03-06 Tripath Imaging, Inc. Dynamic control and decision making method and apparatus
US6502040B2 (en) 1997-12-31 2002-12-31 Biomerieux, Inc. Method for presenting thrombosis and hemostasis assay data
US6181811B1 (en) 1998-01-13 2001-01-30 Neopath, Inc. Method and apparatus for optimizing biological and cytological specimen screening and diagnosis
US6166142A (en) 1998-01-27 2000-12-26 E. I. Du Pont De Nemours And Company Adhesive compositions based on blends of grafted metallocene catalyzed and polar ethylene copolymers
US20090111101A1 (en) * 1998-05-09 2009-04-30 Ikonisys, Inc. Automated Cancer Diagnostic Methods Using FISH
US7901887B2 (en) * 1998-05-09 2011-03-08 Ikonisys, Inc. Automated cancer diagnostic methods using fish
US20080241848A1 (en) * 1998-05-09 2008-10-02 Ikonisys, Inc. Methods for prenatal diagnosis of aneuploidy
JP2002514762A (ja) * 1998-05-09 2002-05-21 アイコニシス，インコーポレーテッド コンピュータによって制御された、胎児細胞を含む希少細胞に基づく診断のための方法および装置
CA2342798A1 (en) * 1998-09-02 2000-03-16 Langerhans Aps Apparatus for isolation of particles, preferably cell clusters
US6091843A (en) * 1998-09-03 2000-07-18 Greenvision Systems Ltd. Method of calibration and real-time analysis of particulates
US6572824B1 (en) * 1998-09-18 2003-06-03 Cytyc Corporation Method and apparatus for preparing cytological specimens
US6357285B1 (en) 1998-11-09 2002-03-19 Veeco Instruments Inc. Method and apparatus for the quantitative and objective correlation of data from a local sensitive force detector
FR2785713B1 (fr) * 1998-11-10 2000-12-08 Commissariat Energie Atomique Systeme de commande d'unites de levage et de telemanipulation placees en enceinte confinee
US7612020B2 (en) 1998-12-28 2009-11-03 Illumina, Inc. Composite arrays utilizing microspheres with a hybridization chamber
US7904187B2 (en) 1999-02-01 2011-03-08 Hoffberg Steven M Internet appliance system and method
ES2231167T3 (es) * 1999-02-04 2005-05-16 Biomerieux, Inc. Procedimiento y aparato para predecir la disfuncion hemostatica en una muestra de un paciente.
US6297044B1 (en) * 1999-02-23 2001-10-02 Oralscan Laboratories, Inc. Minimally invasive apparatus for testing lesions of the oral cavity and similar epithelium
JP2002541494A (ja) 1999-04-13 2002-12-03 クロマビジョン メディカル システムズ インコーポレイテッド 組織学的再構成と自動画像分析
US7151847B2 (en) * 2001-02-20 2006-12-19 Cytokinetics, Inc. Image analysis of the golgi complex
US6743576B1 (en) 1999-05-14 2004-06-01 Cytokinetics, Inc. Database system for predictive cellular bioinformatics
US6651008B1 (en) 1999-05-14 2003-11-18 Cytokinetics, Inc. Database system including computer code for predictive cellular bioinformatics
US6876760B1 (en) 2000-12-04 2005-04-05 Cytokinetics, Inc. Classifying cells based on information contained in cell images
DE19937778B4 (de) * 1999-08-10 2011-11-24 Cellasys Gmbh Verfahren und Vorrichtung zur Charakterisierung des funktionalen Zustandes von Zellen und Alterationen von Zellen
US6348325B1 (en) 1999-10-29 2002-02-19 Cytyc Corporation Cytological stain composition
US7369304B2 (en) * 1999-10-29 2008-05-06 Cytyc Corporation Cytological autofocusing imaging systems and methods
US6661501B1 (en) 1999-10-29 2003-12-09 Cytyc Corporation Cytological stain composition including verification characteristic
US6593102B2 (en) 1999-10-29 2003-07-15 Cytyc Corporation Cytological stain composition
US6665060B1 (en) * 1999-10-29 2003-12-16 Cytyc Corporation Cytological imaging system and method
JP2003524775A (ja) * 1999-11-04 2003-08-19 メルテック・マルチ−エピトープ−リガンド−テクノロジーズ・ゲーエムベーハー 顕微鏡画像の自動解析法
AU785290B2 (en) 1999-11-30 2006-12-21 Intrexon Corporation Method and apparatus for selectively targeting specific cells within a cell population
US6535626B1 (en) 2000-01-14 2003-03-18 Accumed International, Inc. Inspection system with specimen preview
US7016551B1 (en) * 2000-04-10 2006-03-21 Fuji Xerox Co., Ltd. Image reader
CN1214340C (zh) * 2000-04-24 2005-08-10 国际遥距成象***公司 多个神经网络的成像设备和方法
US7236623B2 (en) * 2000-04-24 2007-06-26 International Remote Imaging Systems, Inc. Analyte recognition for urinalysis diagnostic system
US7179612B2 (en) 2000-06-09 2007-02-20 Biomerieux, Inc. Method for detecting a lipoprotein-acute phase protein complex and predicting an increased risk of system failure or mortality
EP1322788A2 (en) * 2000-06-23 2003-07-02 Cytokinetics, Inc. Image analysis for phenotyping sets of mutant cells
IL138123A0 (en) * 2000-08-28 2001-10-31 Accuramed 1999 Ltd Medical decision support system and method
AU2002232892B2 (en) * 2000-10-24 2008-06-26 Intrexon Corporation Method and device for selectively targeting cells within a three -dimensional specimen
US7027628B1 (en) 2000-11-14 2006-04-11 The United States Of America As Represented By The Department Of Health And Human Services Automated microscopic image acquisition, compositing, and display
AU2002241602A1 (en) * 2000-11-16 2002-06-11 Burstein Technologies, Inc. Methods and apparatus for detecting and quantifying lymphocytes with optical biodiscs
US7099510B2 (en) * 2000-11-29 2006-08-29 Hewlett-Packard Development Company, L.P. Method and system for object detection in digital images
US7218764B2 (en) * 2000-12-04 2007-05-15 Cytokinetics, Inc. Ploidy classification method
US20040262318A1 (en) * 2000-12-08 2004-12-30 Ardais Corporation Container, method and system for cryptopreserved material
US6599694B2 (en) 2000-12-18 2003-07-29 Cytokinetics, Inc. Method of characterizing potential therapeutics by determining cell-cell interactions
US6466690C1 (en) * 2000-12-19 2008-11-18 Bacus Res Lab Inc Method and apparatus for processing an image of a tissue sample microarray
US6993169B2 (en) * 2001-01-11 2006-01-31 Trestle Corporation System and method for finding regions of interest for microscopic digital montage imaging
US6798571B2 (en) 2001-01-11 2004-09-28 Interscope Technologies, Inc. System for microscopic digital montage imaging using a pulse light illumination system
US7155049B2 (en) * 2001-01-11 2006-12-26 Trestle Acquisition Corp. System for creating microscopic digital montage images
US6816606B2 (en) * 2001-02-21 2004-11-09 Interscope Technologies, Inc. Method for maintaining high-quality focus during high-throughput, microscopic digital montage imaging
US6956961B2 (en) * 2001-02-20 2005-10-18 Cytokinetics, Inc. Extracting shape information contained in cell images
US7016787B2 (en) 2001-02-20 2006-03-21 Cytokinetics, Inc. Characterizing biological stimuli by response curves
US20020164070A1 (en) * 2001-03-14 2002-11-07 Kuhner Mark B. Automatic algorithm generation
EP1405058A4 (en) * 2001-03-19 2007-07-04 Ikonisys Inc SYSTEM AND METHOD FOR INCREASING THE CONTRAST OF AN IMAGE PRODUCED BY AN EPIFLUORESCENT MICROSCOPE
US20020186875A1 (en) * 2001-04-09 2002-12-12 Burmer Glenna C. Computer methods for image pattern recognition in organic material
WO2002097714A1 (en) * 2001-04-09 2002-12-05 Lifespan Biosciences, Inc. Computer method for image pattern recognition in organic material
WO2003021222A2 (en) * 2001-08-31 2003-03-13 Burstein Technologies, Inc. Capture layer assemblies for cellular assays including related optical analysis discs and methods
US20040071328A1 (en) * 2001-09-07 2004-04-15 Vaisberg Eugeni A. Classifying cells based on information contained in cell images
EP1423699A4 (en) * 2001-09-07 2006-01-18 Burstein Technologies Inc CELLULAR MORPHOLOGY BASED IDENTIFICATION AND QUANTIFICATION OF WHITE BLOOD CELL TYPES USING OPTICAL BIO-DISC SYSTEMS
US6767733B1 (en) 2001-10-10 2004-07-27 Pritest, Inc. Portable biosensor apparatus with controlled flow
US8722357B2 (en) * 2001-11-05 2014-05-13 Life Technologies Corporation Automated microdissection instrument
US10156501B2 (en) 2001-11-05 2018-12-18 Life Technologies Corporation Automated microdissection instrument for determining a location of a laser beam projection on a worksurface area
WO2003042788A2 (en) 2001-11-13 2003-05-22 Chromavision Medical Systems, Inc. A system for tracking biological samples
EP1448992A4 (en) * 2001-11-20 2005-11-02 Burstein Technologies Inc OPTICAL BIODISTICS AND FLUIDIC CIRCUITS FOR CELL ANALYSIS AND CORRESPONDING METHODS
US20040010481A1 (en) * 2001-12-07 2004-01-15 Whitehead Institute For Biomedical Research Time-dependent outcome prediction using neural networks
US20040020993A1 (en) * 2001-12-28 2004-02-05 Green Larry R. Method for luminescent identification and calibration
US7764821B2 (en) * 2002-02-14 2010-07-27 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
EP1474772A4 (en) * 2002-02-14 2005-11-09 Immunivest Corp METHOD AND ALGORITHMS FOR CELL DETERMINATION IN A COST-EFFECTIVE CYTOMETER
US7596249B2 (en) * 2002-02-22 2009-09-29 Olympus America Inc. Focusable virtual microscopy apparatus and method
US20040060987A1 (en) * 2002-05-07 2004-04-01 Green Larry R. Digital image analysis method for enhanced and optimized signals in fluorophore detection
CA2485602C (en) * 2002-05-14 2013-10-01 Amersham Biosciences Niagara, Inc. System and methods for rapid and automated screening of cells
AU2003231827A1 (en) * 2002-05-23 2003-12-12 Invitrogen Corporation Pseudo-tissues and uses thereof
US7272252B2 (en) * 2002-06-12 2007-09-18 Clarient, Inc. Automated system for combining bright field and fluorescent microscopy
US20050037406A1 (en) * 2002-06-12 2005-02-17 De La Torre-Bueno Jose Methods and apparatus for analysis of a biological specimen
AU2003270687B2 (en) * 2002-09-13 2008-05-08 Life Technologies Corporation Interactive and automated tissue image analysis with global training database and variable-abstraction processing in cytological specimen classification and laser capture microdissection applications
US7200252B2 (en) * 2002-10-28 2007-04-03 Ventana Medical Systems, Inc. Color space transformations for use in identifying objects of interest in biological specimens
US8712118B2 (en) * 2003-04-10 2014-04-29 Carl Zeiss Microimaging Gmbh Automated measurement of concentration and/or amount in a biological sample
US20040202357A1 (en) 2003-04-11 2004-10-14 Perz Cynthia B. Silhouette image acquisition
US7324694B2 (en) * 2003-05-23 2008-01-29 International Remote Imaging Systems, Inc. Fluid sample analysis using class weights
US20040241659A1 (en) * 2003-05-30 2004-12-02 Applera Corporation Apparatus and method for hybridization and SPR detection
US20050014217A1 (en) * 2003-07-18 2005-01-20 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
US7235353B2 (en) * 2003-07-18 2007-06-26 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
WO2005010677A2 (en) * 2003-07-18 2005-02-03 Cytokinetics, Inc. Characterizing biological stimuli by response curves
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
CN1296699C (zh) * 2003-12-19 2007-01-24 武汉大学 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法
US7425426B2 (en) * 2004-03-15 2008-09-16 Cyntellect, Inc. Methods for purification of cells based on product secretion
US20050273271A1 (en) * 2004-04-05 2005-12-08 Aibing Rao Method of characterizing cell shape
US7653260B2 (en) 2004-06-17 2010-01-26 Carl Zeis MicroImaging GmbH System and method of registering field of view
US7316904B1 (en) 2004-06-30 2008-01-08 Chromodynamics, Inc. Automated pap screening using optical detection of HPV with or without multispectral imaging
US8582924B2 (en) 2004-06-30 2013-11-12 Carl Zeiss Microimaging Gmbh Data structure of an image storage and retrieval system
US20070031818A1 (en) * 2004-07-15 2007-02-08 Cytokinetics, Inc., A Delaware Corporation Assay for distinguishing live and dead cells
US7323318B2 (en) * 2004-07-15 2008-01-29 Cytokinetics, Inc. Assay for distinguishing live and dead cells
US8189899B2 (en) * 2004-07-30 2012-05-29 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
US7792338B2 (en) * 2004-08-16 2010-09-07 Olympus America Inc. Method and apparatus of mechanical stage positioning in virtual microscopy image capture
WO2006031574A2 (en) 2004-09-09 2006-03-23 Arcturus Bioscience, Inc. Laser microdissection apparatus and method
US7328198B1 (en) * 2004-12-31 2008-02-05 Cognitech, Inc. Video demultiplexing based on meaningful modes extraction
GB0503629D0 (en) * 2005-02-22 2005-03-30 Durand Technology Ltd Method and apparatus for automated analysis of biological specimen
CN100351057C (zh) * 2005-03-14 2007-11-28 南开大学 基于显微图像处理的微操作工具深度信息提取方法及装置
JP4214124B2 (ja) * 2005-03-14 2009-01-28 株式会社バイオエコーネット 耳式体温計
US20060246576A1 (en) * 2005-04-06 2006-11-02 Affymetrix, Inc. Fluidic system and method for processing biological microarrays in personal instrumentation
US20070031043A1 (en) 2005-08-02 2007-02-08 Perz Cynthia B System for and method of intelligently directed segmentation analysis for automated microscope systems
US20070091109A1 (en) * 2005-09-13 2007-04-26 Roscoe Atkinson Image quality
JP4915071B2 (ja) * 2005-09-22 2012-04-11 株式会社ニコン 顕微鏡、およびバーチャルスライド作成システム
US7783092B2 (en) * 2006-01-17 2010-08-24 Illinois Institute Of Technology Method for enhancing diagnostic images using vessel reconstruction
US20080003667A1 (en) * 2006-05-19 2008-01-03 Affymetrix, Inc. Consumable elements for use with fluid processing and detection systems
EP2052355A2 (en) * 2006-08-11 2009-04-29 Koninklijke Philips Electronics N.V. Methods and apparatus to integrate systematic data scaling into genetic algorithm-based feature subset selection
EP2166965B1 (en) * 2007-07-17 2017-05-17 Neal Marc Lonky Frictional trans-epithelial tissue disruption and collection apparatus
US8795197B2 (en) * 2007-07-17 2014-08-05 Histologics, LLC Frictional trans-epithelial tissue disruption collection apparatus and method of inducing an immune response
WO2009106081A1 (en) 2008-02-29 2009-09-03 Dako Denmark A/S Systems and methods for tracking and providing workflow information
US8135202B2 (en) * 2008-06-02 2012-03-13 Nec Laboratories America, Inc. Automated method and system for nuclear analysis of biopsy images
WO2010081052A1 (en) * 2009-01-09 2010-07-15 Cyntellect, Inc. Genetic analysis of cells
JP2012514981A (ja) 2009-01-12 2012-07-05 イントレクソン コーポレイション 細胞コロニーのレーザーを介在したセクション化及び移行
AU2010222633B2 (en) 2009-03-11 2015-05-14 Sakura Finetek Usa, Inc. Autofocus method and autofocus device
US9607202B2 (en) 2009-12-17 2017-03-28 University of Pittsburgh—of the Commonwealth System of Higher Education Methods of generating trophectoderm and neurectoderm from human embryonic stem cells
US9044213B1 (en) 2010-03-26 2015-06-02 Histologics, LLC Frictional tissue sampling and collection method and device
WO2011143075A2 (en) 2010-05-08 2011-11-17 Veridex, Llc A simple and affordable method for immuophenotyping using a microfluidic chip sample preparation with image cytometry
US10139613B2 (en) 2010-08-20 2018-11-27 Sakura Finetek U.S.A., Inc. Digital microscope and method of sensing an image of a tissue sample
US8388891B2 (en) * 2010-12-28 2013-03-05 Sakura Finetek U.S.A., Inc. Automated system and method of processing biological specimens
EP2721392B1 (en) 2011-06-17 2021-05-19 Roche Diagnostics Hematology, Inc. System and method for sample display and review
US9459196B2 (en) 2011-07-22 2016-10-04 Roche Diagnostics Hematology, Inc. Blood analyzer calibration and assessment
CN102359938B (zh) * 2011-09-16 2012-09-05 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
EP2757372B1 (en) * 2011-09-16 2023-08-23 AVE Science & Technology Co., Ltd. Device and method for erythrocyte morphology analysis
WO2013104937A2 (en) * 2012-01-11 2013-07-18 77 Elektronika Mũszeripari Kft. Image processing method and apparatus
WO2013106842A2 (en) * 2012-01-13 2013-07-18 The Charles Stark Draper Laboratory, Inc. Stem cell bioinformatics
US10201332B1 (en) 2012-12-03 2019-02-12 Healoe Llc Device and method of orienting a biopsy device on epithelial tissue
WO2014094790A1 (en) * 2012-12-19 2014-06-26 Unisensor A/S System and method for classification of particles in a fluid sample
WO2014141034A2 (en) * 2013-03-15 2014-09-18 Richard Harry Turner A system and methods for the in vitro detection of particles and soluble chemical entities in body fluids
DE102013103971A1 (de) 2013-04-19 2014-11-06 Sensovation Ag Verfahren zum Erzeugen eines aus mehreren Teilbildern zusammengesetzten Gesamtbilds eines Objekts
US10007102B2 (en) 2013-12-23 2018-06-26 Sakura Finetek U.S.A., Inc. Microscope with slide clamping assembly
DE102014202860B4 (de) * 2014-02-17 2016-12-29 Leica Microsystems Cms Gmbh Bereitstellen von Probeninformationen mit einem Lasermikrodissektionssystem
WO2016115537A2 (en) * 2015-01-15 2016-07-21 Massachusetts Institute Of Technology Systems, methods, and apparatus for in vitro single-cell identification and recovery
US10304188B1 (en) 2015-03-27 2019-05-28 Caleb J. Kumar Apparatus and method for automated cell analysis
US10007863B1 (en) 2015-06-05 2018-06-26 Gracenote, Inc. Logo recognition in images and videos
CN105259095A (zh) * 2015-10-14 2016-01-20 南昌西尔戴尔医疗科技有限公司 ***细胞病理学排阴法智能筛查***
US11013466B2 (en) 2016-01-28 2021-05-25 Healoe, Llc Device and method to control and manipulate a catheter
CN105717116A (zh) * 2016-02-23 2016-06-29 中国农业大学 动物源性肉骨粉的种属鉴别方法和***
WO2018005413A1 (en) 2016-06-30 2018-01-04 Konica Minolta Laboratory U.S.A., Inc. Method and system for cell annotation with adaptive incremental learning
US11280803B2 (en) 2016-11-22 2022-03-22 Sakura Finetek U.S.A., Inc. Slide management system
US10345218B2 (en) 2016-12-06 2019-07-09 Abbott Laboratories Automated slide assessments and tracking in digital microscopy
WO2018161052A1 (en) * 2017-03-03 2018-09-07 Fenologica Biosciences, Inc. Phenotype measurement systems and methods
CN107909017A (zh) * 2017-11-06 2018-04-13 余帝乾 一种复杂背景下车牌识别的方法、装置以及***
US10402623B2 (en) 2017-11-30 2019-09-03 Metal Industries Research & Development Centre Large scale cell image analysis method and system
TWI699816B (zh) * 2017-12-26 2020-07-21 雲象科技股份有限公司 自動化顯微鏡系統之控制方法、顯微鏡系統及電腦可讀取記錄媒體
KR102041402B1 (ko) * 2018-08-09 2019-11-07 주식회사 버즈폴 자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법
WO2020047468A1 (en) * 2018-08-30 2020-03-05 Becton, Dickinson And Company Characterization and sorting for particle analyzers
SE544735C2 (en) * 2018-11-09 2022-11-01 Mm18 Medical Ab Method for identification of different categories of biopsy sample images
CN111767929A (zh) * 2019-03-14 2020-10-13 上海市第一人民医院 黄斑下新生血管模型的构建方法及***
DE102019109962A1 (de) * 2019-04-15 2020-10-15 Thomas Deuster Verfahren und Vorrichtung zum Scannen von Objektträgern
CN110633651B (zh) * 2019-08-26 2022-05-13 武汉大学 一种基于图像拼接的异常细胞自动识别方法
CN111209879B (zh) * 2020-01-12 2023-09-19 杭州电子科技大学 基于深度圈视图的无监督3d物体识别与检索方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB203586A (en) * 1922-11-20 1923-09-13 Gerhard Kerff Improvements in and relating to the manufacture of corrugated headers for water tube boilers
US3333248A (en) * 1963-12-20 1967-07-25 Ibm Self-adaptive systems
US4000417A (en) * 1975-08-25 1976-12-28 Honeywell Inc. Scanning microscope system with automatic cell find and autofocus
US4048616A (en) * 1975-12-03 1977-09-13 Geometric Data Corporation Pattern recognition system with keyboard entry for adaptive sensitivity
DE2903625A1 (de) * 1978-02-03 1979-08-09 Rush Presbyterian St Luke Vorrichtung zur automatischen blutanalyse
JPS5661650A (en) * 1979-10-24 1981-05-27 Omron Tateisi Electronics Co Analyzing device of cell
US4612614A (en) * 1980-09-12 1986-09-16 International Remote Imaging Systems, Inc. Method of analyzing particles in a fluid sample
US4501495A (en) * 1981-06-17 1985-02-26 Smithkline Beckman Corporation Slide carrier
US4513438A (en) * 1982-04-15 1985-04-23 Coulter Electronics, Inc. Automated microscopy system and method for locating and re-locating objects in an image
US4591980A (en) * 1984-02-16 1986-05-27 Xerox Corporation Adaptive self-repairing processor array
US4700298A (en) * 1984-09-14 1987-10-13 Branko Palcic Dynamic microscope image processing scanner
GB8514591D0 (en) * 1985-06-10 1985-07-10 Shandon Southern Prod Centrifugation
US4807979A (en) * 1986-01-24 1989-02-28 Geno Saccomanno Microscope slide marking device
US4833625A (en) * 1986-07-09 1989-05-23 University Of Arizona Image viewing station for picture archiving and communications systems (PACS)
US4821118A (en) * 1986-10-09 1989-04-11 Advanced Identification Systems, Inc. Video image system for personal identification
US4805225A (en) * 1986-11-06 1989-02-14 The Research Foundation Of The State University Of New York Pattern recognition method and apparatus
US4965725B1 (en) * 1988-04-08 1996-05-07 Neuromedical Systems Inc Neural network based automated cytological specimen classification system and method

Also Published As

Publication number Publication date
BR8907355A (pt) 1991-03-19
CN1037035A (zh) 1989-11-08
AU628342B2 (en) 1992-09-17
RO106931B1 (ro) 1993-07-30
EP0336608A2 (en) 1989-10-11
JPH04501325A (ja) 1992-03-05
HUT59239A (en) 1992-04-28
RU2096827C1 (ru) 1997-11-20
US4965725A (en) 1990-10-23
FI101653B (fi) 1998-07-31
BG51463A3 (en) 1993-05-14
US4965725B1 (en) 1996-05-07
FI101653B1 (fi) 1998-07-31
AU3541589A (en) 1989-11-03
DE68926796D1 (de) 1996-08-14
SG46454A1 (en) 1998-02-20
US5287272B1 (en) 1996-08-27
ES2090033T3 (es) 1996-10-16
CA1323700C (en) 1993-10-26
HK1003583A1 (en) 1998-10-30
FI904922A0 (fi) 1990-10-05
CN1031811C (zh) 1996-05-15
ATE140327T1 (de) 1996-07-15
DK262490D0 (da) 1990-11-01
GR3021252T3 (en) 1997-01-31
EP0336608B1 (en) 1996-07-10
IL89859A0 (en) 1989-12-15
DK262490A (da) 1990-11-01
EP0336608A3 (en) 1990-08-29
WO1989009969A1 (en) 1989-10-19
HU892848D0 (en) 1990-12-28
DE68926796T2 (de) 1996-11-07
MC2101A1 (fr) 1991-02-15
US5287272A (en) 1994-02-15
ZA892558B (en) 1989-12-27

Similar Documents

Publication Publication Date Title
HU208186B (en) Method and apparatus for classifying cytologic samples
US6463438B1 (en) Neural network for cell image analysis for identification of abnormal cells
Nattkemper et al. A neural classifier enabling high-throughput topological analysis of lymphocytes in tissue sections
Bacusmber et al. Leukocyte pattern recognition
CN111863244B (zh) 基于稀疏池化图卷积的功能连接精神疾病分类方法和***
JPH07504283A (ja) 正常な生物医学検体を確認する方法
Rahi et al. Detection of skin cancer using deep neural networks
CN116580394A (zh) 一种基于多尺度融合和可变形自注意力的白细胞检测方法
Malkawi et al. White blood cells classification using convolutional neural network hybrid system
Tantikitti et al. Image processing for detection of dengue virus based on WBC classification and decision tree
Basnet et al. A novel solution of using deep learning for white blood cells classification: enhanced loss function with regularization and weighted loss (ELFRWL)
CN115210779A (zh) 生物样品中对象的***性表征
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN111680575A (zh) 一种人类上皮细胞染色分类装置、设备及存储介质
Leopold et al. Segmentation and feature extraction of retinal vascular morphology
CN113476065B (zh) 一种多类肺炎诊断***
Esugasini et al. Performance comparison for MLP networks using various back propagation algorithms for breast cancer diagnosis
Khutlang et al. Detection of tuberculosis in sputum smear images using two one-class classifiers
Kowalski et al. Convolutional neural networks in the ovarian cancer detection
Sree et al. Diabetic retinopathy detection using deep learning
Beksaç et al. An expert diagnostic system based on neural networks and image analysis techniques in the field of automated cytogenetics
Thaiyalnayaki Classification of Covid19 using deep neural network
Walid et al. Identification of Bone Marrow Cell Morphologies Using a Novel Residual CNN-LSTM Aided Ensemble Technique
NO904341L (no) System og fremgangsmaate for automatisert, nervenett verkbasert klassifisering av cytologiske proever.

Legal Events

Date Code Title Description
HMM4 Cancellation of final prot. due to non-payment of fee