Nothing Special   »   [go: up one dir, main page]

DE68926796T2 - System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk - Google Patents

System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk

Info

Publication number
DE68926796T2
DE68926796T2 DE68926796T DE68926796T DE68926796T2 DE 68926796 T2 DE68926796 T2 DE 68926796T2 DE 68926796 T DE68926796 T DE 68926796T DE 68926796 T DE68926796 T DE 68926796T DE 68926796 T2 DE68926796 T2 DE 68926796T2
Authority
DE
Germany
Prior art keywords
classifier
classification
cells
sample
neural network
Prior art date
Legal status (The legal status 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 status listed.)
Expired - Fee Related
Application number
DE68926796T
Other languages
English (en)
Other versions
DE68926796D1 (de
Inventor
Mark R Rutenberg
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Autocyte North Carolina Burlington Nc LLC
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
Application granted granted Critical
Publication of DE68926796D1 publication Critical patent/DE68926796D1/de
Publication of DE68926796T2 publication Critical patent/DE68926796T2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • G01N15/14Optical investigation techniques, e.g. flow cytometry
    • G01N15/1468Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693Acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698Matching; Classification
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • G01N15/14Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429Signal processing
    • G01N15/1433Signal processing using image recognition
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • G01N15/14Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1488Methods for deciding
    • YGENERAL 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
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00Surgery
    • Y10S128/92Computer assisted medical diagnostics
    • Y10S128/925Neural network
    • YGENERAL 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
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00Data processing: artificial intelligence
    • Y10S706/902Application using ai with detail of the ai system
    • Y10S706/924Medical

Landscapes

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

Description

  • Diese Erfindung betrifft allgemein die Zellenklassifizierung und spezieller eine automatische zytologische Zellenklassifiziereinrichtung und ein Verfahren zum Klassifizieren einer zytologischen Probe.
  • Der Zervixabstrich (Pap-Test) ist die einzige zytologische Massenklassifizierungsprüfung, die visuelle Beobachtung eigentlich jeder Zelle auf dem Objektträger erfordert. Der Test leidet unter einer hohen negativen Fehlerquote infolge der Uninteressantheit und der Ermüdung, die mit seinem derzeitigen Durchführen von Hand verbunden ist. Zelenklassifizierung erfolgt typischerweise "stückweise" durch "Zytotechniker", die von Pathologielaboratorien verwendet werden, und in einigen Fällen durch bezahlte Techniker. Infolge der eindeutig lebensbedrohenden Natur des negativen Fehlerproblems mit seiner resultierenden Möglichkeit von undiagnostiziertem Zervixkrebs befaßt sich die American Cancer Society mit einer Verdoppelung der Häufigkeit von empfohlenen Pap-Abstrichen. Dies wird jedoch bestimmt eine bereits überlastete Zervixsichtungsindustrie weiter überlasten, da zunehmend weniger Personen willens sind, in das langweilige und anstrengende Gebiet der manuellen Zervixabstrichklassifizierung einzutreten. Eine Empfehlung der American Cancer Society die Häufigkeit des Pap-Abstriches zu erhöhen, kann nur dazu dienen, die Negativfehlerquote durch Senkung der für manuelle Prüfung eines jeden Objektträgers benötigte Zeit zu erhöhen. Eine sorgfältige manuelle Prüfung sollte nicht weniger als 15 min je Objektträger benötigen, obwohl ein Zytotechniker, besonders ein solcher unter schwerer Arbeitsbelastung, weniger als die Hälfte dieser Zeitdauer aufwenden kann. Das College of American Pathology ist sich dieses Problems sehr wohl bewußt und würde rasch eine automatisierte Lösung für die Zervixabstrichsichtung ergreifen.
  • Infolge des eindeutigen gewerblichen Potentials für automatisierte Zervixabstrichanalyse wurden nach dem Stand der Technik mehrere Versuche hierfür unternommen. Diese Versuche erwiesen sich aber als erfolglos, da sie ausschließlich auf der klassischen Bilderkennungstechnologie (geometrisch, syntaktisch, Template, statistisch) oder auf der Bilderkennung auf der Basis künstlicher Intelligenz (AI), d. h. auf Expertensystemen auf Regebasis, beruhten. Es gibt jedoch keinen klaren Algorithmus oder einen vollständigen oder eindeutigen Satz von Regeln, nach denen der menschliche Zytotechniker oder Pathologe seine Erfahrung verwendet, um eine Vielzahl von Merkmalen zu kombinieren, um eine Klassifizierung möglich zu machen.
  • Hintergrundsliteraturstellen von Interesse sind folgende: D. Tien et al "Automated Cervical Smear Callsification", Proceedings of t he IEEE/Ninth Annual Conference of the Engineering in Medicine and Biology Society, 1987, Seiten 1457 und 1458; US-Patentschrift Nr.3 333 248; David E. Rumehart und James L. Mccielland, "Parallel Distributed Processing", MIT Press, 1986, Band 1; Robert Hecht-Nielsen "Neurocomputing: Picking the Human Brain", IEEE Spectrum, März 1988, Seiten 36 bis 41; und Richard P. Lippmann, "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, April 1987, Seiten 4 bis 22.
  • Insbesondere beschreibt die Literaturstelle von Tien et al eine automatisierte zytologische Probenklassifiziereinrichtung mit einem Mikroskop, um eine Ansicht wenigstens eines Teils einer zytologischen Probe zu erhalten, einer Kamera, um ein Bild einer solchen Ansicht zu erzeugen, einem Bilddigitalumsetzer, um eine digitale Wiedergabe einer solchen Darstellung zu erzeugen, einer Primärklassifiziereinrichtung, um interessierende Bereiche der Probe durch Feststellung von Objekten in der digitalen Wiedergabe, die wahrscheinlich Zellen eines vorbestimmten Typs zu repräsentieren scheinen, und anderer Zellen und von Material, die am Anfang ähnlich der vorbestimmten Type zu sein scheinen, auszuwählen, und einer Sekundärklassifiziereinrichtung, um die interessierten ausgewählten Bereiche zu analysieren, um zu versuchen, Zellen der vorbesetimmten Type in den ausgewählten Bereichen zu unterscheiden.
  • Die Sekundärklassifiziereinrichtung von Tien et al ist eine statistische Klassifiziereinrichtung auf Formelbasis, die auf Form, Größen usw. achtet. Tien et al erklären, daß die meisten Fehler durch Überlappen von Zellkernen, Bruchstücken und Klumpen von Leukozyten verursacht werden, und um die Fehlerrate zu reduzieren, beschreiben Tien et al eine tertiätre statistische Klassifiziereinrichtung auf Formelbasis, die auf Grenzen und die Grauskalastruktur achtet. Tien et al schließen, daß die Hinzufügung weiterer statistischer und auf Formelbasis arbeitender Klassifiziereinrichtungen die Möglichkeit einer Reduzierung der Fehlerquoten bietet. Es sei jedoch bemerkt, daß sie auch die Kompliziertheit und daher die Kosten erhöht und die Arbeitszeit verlängert.
  • Die vorliegende Erfindung ist in den Ansprüchen 1 und 11 wiedergegeben.
  • Gemäß der vorliegenden Erfindung ist die Klassifiziereinrichtung dadurch gekennzeichnet, daß die Sekundärklassifiziereinrichtung eine neutrale Computerapparatur umfaßt, die so eingearbeitet wurde, daß sie Zellen der vorbestimmten Type unter willkürlich angeordneten Zellen und anderem Material der Probe unterscheidet. Die Erfindung ergibt den Vorteil, daß die neutrale Neuronalnetzwerkapparatur so eingearbeitet werden kann, daß sie Zellen unterscheidet, die in anderer als einer einzigen Schicht angeordnet sind, so daß auf diese Weise Fehlerquoten reduziert werden können, während man eine annehmbare Arbeitsgeschwindigkeit bekommt. Beispielsweise kann in der beschriebenen Ausführungsform der Erfindung eine Gruppe von Proben in einer Zeitdauer klassifiziert werden, die zu diesem Zweck durch sorgfältiges manuelles Sichten gebraucht wird (d. h. etwa 15 min/Probe).
  • Bevorzugte Merkmale der Erfindung sind in den beigefügten Ansprüchen definiert.
  • Während die Erfindung hier hauptsächlich unter Bezug auf eine Klassifizierung zytologischer Proben in der Form eines Zervixabstriches beschrieben ist, z. B. eines solchen, wie er typischerweise in Verbindung mit einem Pap-Test vorgenommen wird, liegt es doch auf der Hand, daß dies nur ein Beispiel der Anwendung der Prinzipien der Erfindung ist, die für eine Anwendung zur Klassifizierung vieler anderer zytologischer Proben bestimmt sind.
  • Spezielle Ausführungsformen der vorliegenden Erfindung werden nun beispielhalber unter Bezugnahme auf die beiliegende Zeichnung beschrieben, in welcher
  • Fig. 1 ein Blockschema für eine automatisierte Sichtungseinrichtung für zytologische Proben auf Neuronalnetzwerkbasis (hier auch als Klassifiziereinrichtung bezeichnet) gemäß der vorliegenden Erfindung ist,
  • Fig. 2 eine Wiedergabe eines dreischichtigen Neuronalnetzwerks der in der bevorzugten Ausführungsform benutzten Type ist,
  • Fig. 3 ein Blockschema einer anderen Ausführungsform einer automatisierten Sichtungseinrichtung nach der vorliegenden Erfindung ist,
  • Fig. 4 ein Blockschema noch einer anderen Ausführungsform einer automatisierten Sichtungseinrichtung nach der vorliegenden Erfindung ist,
  • Fig. 5 ein Blockschema noch einer anderen Ausführungsform einer automatisierten Sichtungseinrichtung nach der vorliegenden Erfindung ist,
  • Fig. 6 ein Blockschema noch einer weiteren Ausführungsform einer automatisierten Sichtungseinrichtung nach der vorliegenden Erfindung ist und
  • Fig. 7 ein Blockschema noch einer weiteren Ausführungsform einer automatisierten Sichtungseinrichtung nach der vorliegenden Erfindung ist.
  • Fig. 1 erläutert eine automatisierte Sichtungseinrichtung für zytologische Proben auf Neuronalnetzwerkbasis gemäß der vorliegenden Erfindung, die mit dem allgemeinen Bezugszeichen 10 ausgestattet ist. Die Klassifiziereinrichtung 10 enthält ein automatisiertes Mikroskop 11, eine Videokamera oder CCD-Einrichtung 12, einen Bilddigitalumsetzer 13 und Klassifizierstufen 14, 15 und 16.
  • Das automatische Mikroskop 11 bewirkt eine Relativbewegung des Mikroskopobjektivs und der Probe, und die Videokamera oder CCD 12 bekommt ein Bild oder eine Abbildung eines speziellen Abschnittes der zytologischen Probe. Das Bild wird durch den Bilddigitalumsetzer 13 digitalisiert, und die Information hiervon wird mit der Klassifiziereinrichtung 14 gekoppelt. Bei der bevorzugten Ausführungsform ist die Klassifiziereinrichtung 14 eine handelsübliche statistische Klassifiziereinrichtung, die interessierende Zellkerne durch Messung ihrer integrierten optischen Dichte (Kernfärbungsdichte) identifiziert. Dies ist die Summe der Pixel-Grauwerte für den Gegenstand, korrigiert hinsichtlich optischer Fehler. Im Vergleich mit normalen Zellen neigen bösartige Zellen dazu, einen größeren, dichtergefärbten Kern zu besitzen.
  • Objekte, die die Klassifiziereinrichtung 14 passieren, bestehen aus vorbösartigen und bösartigen Zellen, schließen aber auch andere Gegenstände mit hoher integrierter optischer Dichte, wie Zellklumpen, Bruchstücke, Leukozyten und Schleim, ein. Das Ziel der Sekundärklassifiziereinrichtung 15 besteht darin, vorbösartige und bösartige Zellen von diesen anderen Objekten zu unterscheiden.
  • Ein Neuronalnetzwerk wird benutzt, um die sekundäre Klassifiziereinrichtung 15 zu betreiben. Detaillierte Beschreibung der Gestaltung und des Betriebs der Neuronalnetzwerke, die für eine Betätigung der Sekundärklassifiziereinrichtung 15 geeignet sind, kann man in den hier zitierten Literaturstelen finden. Eine kurze Beschreibung dieser Information ist nachfolgend angegeben.
  • Auf der Basis der durch die Primärklassifiziereinrichtung für die zytologische Probe erhaltenen Daten wird die Sekundärklassifiziereinrichtung verwendet, um spezielle Bereiche der Probe zu suchen, die beispielsweise bestimmt werden, um eine weitere Sichtung oder Klassifizierung zu erfordern. Eine solche weitere Prüfung durch die Sekundärklassifiziereinrichtung kann unter Vertrauen auf die bereits erhaltenen digitalisierten Bilddaten für die ausgewählten Bereiche der Probe oder durch das Nehmen weiterer Daten durch die Teile 11 bis 13 oder durch eine andere handelsübliche optische oder andere Ausrüstung, die annehmbare Daten für die Verwendung und Analyse durch die Sekundärklassifiziereinrichtung 15 liefern würde, bewirkt werden.
  • Ein Neuronalnetzwerk ist ein stark parallel verteiltes System mit der Topologie einer gerichteten graphischen Darstellung. Die Knoten in Neuronalnetzen werden gewöhnlich als "Verarbeitungselemente" oder "Neuronen" bezeichnet, während die Verbindungen allgemein als "Zwischenverbindungen" bekannt sind. Jedes Verarbeitungselement nimmt mehrere Eingangssignale an und erzeugt ein einziges Ausgangssignal, welches sich in mehrere Kopien verzweigt, die ihrerseits an andere Verarbeitungselemente als Eingangssignale verteilt werden. Informationen werden in der Stärke der Verbindungen gespeichert, die als Gewichte bekannt sind. In einer asynchronen Weise berechnet jedes Verarbeitungselement die Summe von Produkten des Gewichtes jeder Eingangsleitung, multipliziert mit dem Signalwert (gewöhnlich 0 oder 1) auf jener Eingangsleitung. Wenn die Summe der Produkte einen voreingestellten Aktivierungsschwellenwert überschreitet, wird der Ausgang des Verarbeitungselementes auf 1 eingestellt; wenn die Summe geringer ist, wird er auf 0 eingestellt. Ein Lernen bekommt man durch Einstellung der Werte der Gewichte.
  • Für die vorliegende Erfindung bekommt man die bevorzugte Ausführungsform durch Benutzung eines dreischichtigen Neuronalnetzwerks des Typs, der in der Literaturstelle von Lippman als ein "mehrschichtiges Perzeptron" bezeichnet ist und im einzelnen in Kapitel 8 der Literaturstelle von Rumelhart diskutiert wird. Andere Typen von Neuronalnetzwerksystemen können auch verwendet werden.
  • Ein dreischichtiges Neuronalnetz besteht aus einer Eingangsschicht, einer Ausgangsschicht und einer verborgenen Zwischenschicht. Die Zwischenschicht ist erforderlich, um eine innere Repräsentation von Bildern innerhalb des Netzes zu erlauben. Wie von Minsky und Papert in ihrem Buch von 1969 mit dem Titel "Perceptrons" (MIT Press) gezeigt, sind einfache zweischichtige sich vereinigende Netze auf die Probemtypen beschränkt, die sie lösen können. Ein zweischichtiges Netz mit nur "Eingangs"- und "Ausgangs"-Verarbeitungselementen kann nur Pläne wiedergeben, in welchen ähnliche Eingangsbilder zu ähnlichen Ausgangsbildern führen. Wann immer das tatsächliche Textproblem nicht dieser Art ist, ist ein dreischichtiges Netz erforderlich. Es wurde gezeigt, daß mit einer genügend großen verborgenen Schicht ein dreischichtiges Neuronalnetz immer eine Repräsentation finden kann, die irgendein Eingangsbild zu irgendeinem erwünschten Ausgangsbild aufzeichnet. Ein allgemeines dreischichtiges Neuronalnetz des in der bevorzugten Ausführungsform benutzten Typs ist in Fig. 2 gezeigt.
  • Mehrere wichtige Merkmale von Neuronalnetzarchitektur unterscheiden diese von bekannten Wegen zur Betätigung der Klassifiziereinrichtung 15.
  • 1. Es gibt nur geringe oder gar keine Vollzugsfunktion. Es gibt nur sehr einfache Einheiten, die jeweils ihre Produktberechnungssumme leisten. Das Ziel jedes Verarbeitungselmentes ist somit darauf beschränkt, die Eingangswerte von seinen Nachbarn zu empfangen und als eine Funktion dieser Eingangswerte einen Ausgangswert zu berechnen, der es zu seinen Nachbarn sendet. Jedes Verarbeitungselement leistet diese Berechnung periodisch parallel zu den Aktivitäten jedes seiner Nachbarn, doch nicht synchronisiert mit ihnen.
  • 2. Die gesamte Kenntnis liegt in den Verbindungen. Nur eine sehr kurzzeitige Speicherung kann in den Zuständen der Verarbeitungselemente auftreten. Alle Langzeitspeicherung wird durch die Werte der Verbindungsstärken oder -gewichte zwischen den Verarbeitungselementen repräsentiert. Es sind die Gesetzmäßigkeiten, die diese Gewichte errichten und sie für das Lernen modifizieren, damit sie ein Neuronalnetzmodell von einem anderen unterscheiden. Alle Kenntnis wird somit implizit in den Stärken der Verbindungsgewichte statt explizit in den Zuständen der Verarbeitungselemente wiedergegeben.
  • 3. Im Gegensatz zu algorithmischen Computern und Expertensystemen ist das Ziel von Neuronalnetzlernen nicht die Formulierung eines Algorithmus oder eine Aufstellung expliziter Regeln. Während des Lernens organisiert sich ein Neuronalnetz selbst, um die Gesamteinstellung von Gewichten zu bewirken, die zu seinem Ausgangswert für einen bestimmten Eingangswert führt, der am nächsten dem entspricht, was der korrekte Ausgangswert für jenen Eingangswert sein soll. Es ist diese anpassungsfähige Erfassung von Verbindungsstärken, die es erlaubt, daß ein Neuronalnetz sich so benimmt, als kenne es die Regeln. Herkömmliche Computer zeichnen sich in Anwendungen aus, wo die Kenntnis leicht in einem expliziten Algorithmus oder einem expliziten und vollständigen Satz von Formeln wiedergegeben werden kann. Wo dies nicht der Fall ist, haben herkömmliche Computer große Schwierigkeiten. Obwohl herkömmliche Computer einen Algorithmus viel schneller als ein Mensch ausführen können, sind sie gefordert, sich der menschlichen Leistung in nichtalgorithmischen Zielen anzupassen, wie bei Bilderkennung, der Klassifizierung nächster Nachbarn und beim Erreichen der optimalen Lösung, wenn sie mit mehrfachen gleichzeitigen Beschränkungen konfrontiert werden. Wenn N Bildeexemplare erforscht werden sollen, um ein unbekanntes Eingangsbild zu klassifizieren, kann ein algorithmisches System dieses Ziel etwa in der Größenordnung der Zeit N erreichen. In einem Neuronalnetz werden alle gesuchten Kennzeichnungen gleichzeitig durch den Gesamtsatz von Verbindungsgewichten in dem gesamten System wiedergegeben. Ein Neuronalnetz kommt somit automatisch bei dem nächsten Nachbarn mit dem zweifelhaften Eingangswert in der Größenordnung der Zeit 1 im Gegensatz zur Größenordnung der Zeit N an.
  • Für die vorliegende Erfindung bekommt man die bevorzugte Ausführungsform durch Benutzung eines dreischichtigen Rück ubertragungsnetzes, wie in der Literaturstelle von Rumelhart für das Neuronalnetz der Klassifizierstufe 15 beschrieben ist. Rückübertragung wird im einzelnen in der Literaturstelle von Rumelhart beschrieben. Kurz gesagt arbeitet sie folgendermaßen. Während der Netzausbildung werden Fehler (d.h. der Unterschied zwischen dem geeigneten Ausgangswert für einen Mustereingangswert und dem laufenden Netzausgangswert für jenen Ausgang) rückübertragen von der Ausgangsschicht zu der Mittelschicht und dann zu der Eingangsschicht. Diese Fehler werden bei jeder Schicht durch den Ausbildungsalogarithmus benutzt, um die Verbindungsgewichte derart erneut einzustellen, daß eine künftige Präsentation des Musterbildes zu der geeigneten Ausgangskategorie führt. Nach der Netzausbildung werden während der Einspeisung unbekannte Eingangsbilder durch das Neuronalnetz in der Musterkategorie klassifiziert, die am engsten zu ihm paßt.
  • Der Ausgangswert der Neuronalnetzklassifiziereinrichtung 15 zeigt die Anwesenheit oder Abwesenheit von vorbösartigen oder bösartigen Zellen. Die Stellung der Zellen auf dem Eingangsobjektträger erhält man aus den Positionskoordinaten der X-Y-Ebene, die kontinuierlich von dem automatischen mikroskop ausgeworfen werden. Diese Positionsinformation wird zu dem Drucker oder Videodisplay 17 zusammen mit Diagnose- und Patientenidentifizierungsinformation übertragen, so daß die Klassifizierung von einem Pathologen abgelesen werden kann.
  • Bei der bevorzugten Ausführungsform wird der Parallelstruktur des Neuronalnetzes durch Leitungs-Serienverarbeitung nachgeholfen, wie durch eine solche der handelsüblichen Neurocomputer-Beschleunigerplatten. Der Betrieb dieser Neurocomputer wird in der zitierten Literaturstelle Spectrum diskutiert. Das Neuronalnetzwerk ist vorzugsweise ein "Delta"- Prozessor, der ein handelsüblicher Neurocomputer der Science Applications International Corp. (SAIC) ist (siehe die obige Literaturstelle von Hecht-Nielsen), von dem demonstriert wurde, daß er eine verzögerte Bearbeitungsgeschwindigkeit von 10&sup7; Verbindungen/Sekunde in der Beschickungsweise (d.h. ohne Ausbildung) hat. Für einen typischen Zervixabstrich, der 100 000 Zellen enthält, werden 1 bis 2 % der Zellen oder etwa 1500 Abbildungen eine Verarbeitung durch die Klassifiziereinrichtung 15 erfordern. Als ein Beispiel der Datengeschwindigkeiten, die resultieren, ist anzunehmen, daß nach der Datenverdichtung ein Bild von 50 x 50 Pixel durch die Klassifiziereinrichtung 15 verarbeitet wird. Die Eingangsschicht für das Neuronalnetz besteht daher aus 2500 Bearbeitungselementen oder "Neuronen". Die Mittelschicht besteht aus etwa 25 % der Eingangsschicht oder 625 Neuronen (die Anzahl der Ausgangsneuronen ist gleich der Anzahl der interessierenden diagnostischen Kategorien; diese kleine Anzahl beeinflußt die Berechnung nicht wesentlich). Die Anzahl von Verbindungen ist somit (2500) (625) oder etwa 1,5 x 10&sup6;. Bei einer Verarbeitungsgeschwindigkeit von Verbindungen/Sekunde wird die Verarbeitung der 1500 Bilder durch die Klassifizierein richtung 15, wobei diese Bilder zu ihr durch die Klassifiziereinrichtung 14 geschickt werden, weniger als 4 min benötigen Derzeit verfügbare Ausführungsformen der Klassifiziereinrichtung 14 arbeiten mit einer Geschwindigkeit von 50 000 Zellen/min (siehe die Literaturstelle von Tien et al). Mit der Klassifiziereinrichtung 14, die mit einer Geschwindigkeit von 50 000 Zellen/min arbeitet, werden die von der Klassifiziereinrichtung 15 verbrauchten 4 min zu den von der Klassifiziereinrichtung 14 verbrauchten 2 min zu insgesamt 6 min zum Analysieren der 100 000 Zellbilder auf dem Objektträger addiert. Wie oben diskutiert, braucht eine genaue manuelle Abstrichanalyse etwa 15 min/Objektträger. Bekannte automatische Versuche unter Verwendung einer Nichtneuronalnetzausführungsform in der Klassifiziereinrichtung 15 erfordern mehr als 1 h/Objektträger. Dieses Beispiel soll in keiner Weise die tatsächliche Gestaltung der vorliegenden Erfindung beschränken, sondern eher demonstrieren, daß sie in der Lage ist, das Ziel einer Verarbeitung von Zervixabstrichen und anderen zytologischen Proben in der Zeit zu erreichen, die für einen gewerblich durchführbaren Betrieb erforderlich ist.
  • Bei der bevorzugten Ausführungsform ist die Primärklassifiziereinrichtung 14 auf eine Bewertung des Zellkerns beschränkt, während die Sekundärklassifiziereinrichtung 15 sowohl den Kern als auch sein umgebendes Zytoplasma bewertet. Das Verhältnis zwischen dem Kern und dem Zytoplasma ist ein wichtiges Anzeichen für vorbösartige und bösartige Zellenklassifizierung. Bei einer alternativen Ausführungsform sind sowohl die Klassifiziereinrichtung 14 als auch die Klassifiziereinrichtung 15 auf eine Bewertung der Zellkerne beschränkt Ausgangsinformationen von der Sekundärklassifiziereinrichtung 15 werden zu einem Ausgangsmonitor und Drucker 17 geschickt, die verschiedene Informationen anzeigen können, wie wichtigerweise, ob irgendwelche Zellen bösartig oder vorbösartig erscheinen, so aussehen, als erforderten sie eine weitere Prüfung, usw.
  • Fig. 3 erläutert eine alternative Ausführungsform, bei der eine weitere Neuronalnetzklassifizierstufe 16 hinzugefügt wird, um den Objektträger hinsichtlich großer Bereiche von Artefaktmaterial, d. h. anderem Material als interessierenden Einzelschichtzellen, vorzuverarbeiten. Dieses schließt Zellklumpen, Bruchstücke, Schleim, Leukozyten usw. ein. Die bei dieser Vorsichtung erhaltenen Lageinformationen werden für eine Verwendung durch den Rest des Klassifizierungssystems gespeichert. Die Informationen aus der Klassifizierstufe 16 werden benutzt, um die durch die Klassifiziereinrichtung 15 erforderliche Verarbeitung zu begrenzen. Die Klassifizierstufe 14 kann alles Material in den Bereichen ignorieren, die durch die Positionskoordinaten begrenzt werden, die von der Klassifizierein richtung 16 abgegeben werden. Dies führt dazu, daß weniger Informationen für die Verarbeitung durch die Klassifiziereinrichtung 15 ausgesandt werden. Eine Diagnose wird daher auf der Basis einer Klassifizierung nur jener Zellen durchgeführt, die außerhalb dieser Bereiche liegen. Wenn eine unzureichende Zellprobe außerhalb dieser Bereiche für eine gültige Diagnose liegt, werden diese Informationen bei 17 als eine "unzureichende Zellprobe" ausgegeben.
  • Fig. 4 erläutert eine alternative Ausführungsform bei der die Bilder innerhalb der durch die Klassifiziereinrichtung 16 identifizierten Bereiche nicht ignoriert werden, sondern stattdessen von einer getrennten Klassifiziereinrichtung 18 verarbeitet werden, die parallel zu der Klassifiziereinrichtung 15 arbeitet. Die Ausbildung des Neuronalnetzes, welches die Klassifiziereinrichtung 18 umfaßt, wird der Unterscheidung von vorbösartigen und bösartigen Zellen von dem Artefaktmaterial gewidmet.
  • Fig. 5 erläutert eine alternative Ausführungsform, bei der eine zusätzliche Nichtneuronalnetzklassifizierung von morphologischen Kernkomponenten, ausgenommen integrierte optische Dichte, zwischen der Klassifiziereinrichtung 14 und der Klassifiziereinrichtung 15 angeordnet wird. Diese Klassifizierung wird mit der Klassifiziereinrichtung 19 durchgeführt.
  • Fig. 6 erläutert eine alternative Ausführungsform, bei welcher ein handelsüblicher SAIC- Neurocomputer für Zufuhrverarbeitung 20 optimiert wird. Durch Streichung der Lernkapazität werden alle Neurocomputerfunktionen dem Zuführbetrieb gewidmet. Das Lernen wird auf einem separaten unmodifizierten Neurocomputer vervollständigt, der sowohl die Lern- als auch die Zuführfunktionen enthält.
  • Nach der Beendigung des Lernens werden die Endverbindungsgewichte zu dem optimierten Zuführneurocomputer 20 überführt. Die Tatsache, daß der Neurocomputer 20 der Zuführung gewidmet wird, führt zu einer unterstützten Beschickungsgeschwindigkeit von 10&sup8; Verbindungen/Sekunde gegenüber 10&sup7; Verbindungen/Sekunde für die nichtoptimierte Ein-
  • um die Funktionen der Klassifiziereinrichtungen 14 und 16 in den Fig. 1, 3, 4 und 5 auszuführen. Durch Benutzung der Neuronalnetzklassifiziereinrichtung 20 zur Durchführung der Funktion der statistischen Klassifiziereinrichtung 14 würden nichtsdestoweniger interessierende Zellen, die nicht notwendigerweise bösartige Zervixzellen sind und die daher nicht die Schwelle der integrierten optischen Dichtung der Klassifiziereinrichtung 14 überschreiten, ermittelt werden. Ein Beispiel wäre die Feststellung endometrischer Zellen, die, obwohl sie nicht notwendigerweise ein Anzeichen für Zervixbösartigkeit sind, ein Anzeichen für Uterusbösartigkeit sind, wenn man sie in dem Pap-Abstrich einer Postmenopausenpatientin findet.
  • Als ein Beispiel der Datengeschwindigkeiten, die man bei dieser Ausführungsform in Fig. 6 bekommt, werden Außenobjektträgerabmessungen von 15 x 45 mm oder eine Gesamtobjektträgerfläche von 675 x 10&sup6; µm² unterstellt. Das Neuronalnetz 20 verarbeitet ein gleitendes Fenster über dieser Fläche zur Analyse. Dieses Fenster hat Abmessungen von 20 x 20 µm oder eine Fläche von 400 µm². Es gibt daher 1,5 x 10&sup6; dieser Fenster auf dem Objektträger von 15 x 45 mm. Für die Primärklassifizierungsfunktion, die von dem Neuronalnetz 20 durchgeführt wird, ist eine Auflösung von 1 µm/Pixel ausreichend, um jene Objekte festzustellen, die zu der sekundären Neuronalnetzklassifiziereinrichtung 15 für weitere Analyse geschickt werden müssen. Das Eingangsbild für das Bildfenster, welches durch die Klassifiziereinrichtung 20 analysiert wird, ist daher 20 x 20 Pixel oder 400 Neuronen zu der Eingangsschicht des Neuronalnetzes 20. Die Mittelschicht besteht aus etwa 25 % der Eingangsschicht oder 100 Neuronen (wie oben bei der Datengeschwindigkeitsberechnung für die Klassifiziereinrichtung 15 diskutiert, ist die Anzahl der Ausgangsschichtneuronen klein und beeinflußt unsere Ergebnisse nicht wesentlich). Die Anzahl der Verbindungen in der Klassifiziereinrichtung 20 ist somit etwa (400) (100) oder 40 x 10³. Bei einer Verarbeitungsgeschwindigkeit von 10&sup8; Verbindungen/Sekunde wird jedes Bild von dem gleitenden Fenster 400 µsec zur Klassifizierung des Neu ronalnetzes 20 benötigen. Bei einem Objektträger von 15 x 45 mm gibt es 1,5 x 10&sup6; der Fenster mit 400 µm, die eine Klassifizierung durch das Neuronalnetz 20 erfordern. Die gesamte Klassifizierungszeit für das Neuronalnetz 20 ist daher (1,5 x 10&sup6;) (400 x 10&supmin;&sup6;) = 600 sec oder 10 min. Wenn diese 10 min zu den etwa 4 min hinzugezählt werden, die für die sekundäre Neuronalnetzklassifiziereinrichtung 15 erforderlich sind, bekommt man insgesamt 14 min/Objektträger. Dieses Beispiel soll die tatsächliche Ausgestaltung der vorliegenden Erfindung keineswegs beschränken, sondern eher demonstrieren, daß es möglich ist, das Ziel einer Verarbeitung von Zervixabstrichen und anderer zytologischer Proben in der Zeit zu erreichen, die für gewerblich durchführbaren Betrieb erforderlich ist.
  • Die Geschwindigkeit der Verarbeitungsdaten kann auch durch Verwendung von Parallelverarbeitung verbessert werden. Beispielsweise können mehrere handelsübliche Neurocomputer von SAIC gekoppelt werden, um eine parallele Datenverarbeitung zu bewirken und so die Gesamtgeschwindigkeit der Klassifiziereinrichtungen unter Verwendung derselben zu erhöhen.
  • Fig. 7 erläutert eine alternative Ausführungsform, bei welcher die primäre Neuronalnetzklassifizierung 20 in Verbindung mit morphologischer Klassifizierung und Flächenklassifizierung statt Ersatz hiervon benutzt wird. Indem man die Klassifiziereinrichtung 20 dem Auffinden jener wenigen Zelltypen widmet, die von Interesse sind, die aber nicht durch andere Einrichtungen festgestellt werden können, wird die erforderliche Auflösung der Klassifiziereinrichtung 20 minimiert.
  • Obwohl die vorliegende Erfindung für die derzeit bevorzugte Ausführungsform beschrieben wurde, ist sie so zu verstehen, daß eine solche Beschreibung nicht als Beschränkung interpretiert werden darf. Verschiedene Anwandlungen und Modifikationen liegen für den Fachmann zweifellos auf der Hand, nachdem er die obige Beschreibung gelesen hat.

Claims (23)

1. Automatisierte Klassifiziereinrichtung für zytologische Proben mit
einem Mikroskop (11), um eine Ansicht wenigstens eines Teils einer zytologischen Probe zu erhalten,
einer Kamera (12), um ein Bild einer solchen Ansicht zu erzeugen,
einem Bilddigitalumsetzer (13), um eine digitale Darstellung einer solchen Ansicht zu erzeugen,
einer primären statistischen Klassifiziereinrichtung (14), um interessierende Bereiche der Probe durch Ermittlung von Zellen in der digitalen Darstellung auf der Basis eines optischen Merkmals, die wahrscheinlich Zellen eines vorbestimmten Typs zu sein scheinen, und anderer Zellen und von Material in der digitalen Darstellung, die am Anfang ähnlich der vorbestimmten Type zu sein scheinen, auszuwählen und
einer sekundären Klassifiziereinrichtung (15), um die ausgewählten interessierenden Bereiche zu analysieren, um zu versuchen, Zellen der vorbestimmten Type in den ausgewählten Bereichen zu unterscheiden, dadurch gekennzeichnet, daß die sekundäre Klassifiziereinrichtung eine Neuronalcomputerapparatur (15) umfaßt, die so eingearbeitet wurde, daß sie Zellen der vorbestimmten Type unter willkürlich angeordneten Zellen und anderem Material der Probe unterscheidet.
2. Automatisierte Klassifiziereinrichtung nach Anspruch 1, bei der die vorbestimmte Zelltype bösartige und vorbösartige Zellen umfaßt.
3. Automatisierte Klassifiziereinrichtung nach Anspruch 1 oder 2, weiterhin mit einer Neuronalnetzvorsichtungsklassifiziereinrichtung (16), um allgemeine Bereiche in der digitalen Darstellung, die anderes Material als eine Zellmonoschicht darstellen, vor der primären Klassifizierung zu identifizieren.
4. Automatisierte Klassifiziereinrichtung nach Anspruch 1 oder 2 weiterhin mit einer Zwischen klassifizierein richtung (19), um eine zusätzliche Nichtneuronalnetzklassifizierung von Komponenten von Kernmorphologie zu machen, wobei diese Zwischenklassifizierung zwischen der primären Klassifiziereinrichtung und der sekundären Klassifiziereinrichtung eingeschaltet ist.
5. Automatisierte Klassifiziereinrichtung nach einem der vorausgehenden Ansprüche, bei der das Mikroskop ein automatisiertes Mikroskop (11) umfaßt.
6. Automatisierte Klassifiziereinrichtung nach einem der vorausgehenden Ansprüche, bei der die Kamera eine Videokamera (12) umfaßt.
7. Automatisierte Klassifiziereinrichtung nach einem der vorausgehenden Ansprüche, bei der die Kamera eine ladungsgekoppelte Einrichtung umfaßt.
8. Automatisierte Klassifiziereinrichtung nach einem der vorausgehenden Ansprüche, bei der die primäre Klassifiziereinrichtung eine Apparatur umfaßt, um Zellen in einer solchen digitalen Darstellung einer zytologischen Probe, die ein optisches Merkmal hat, das einen Schwellenwert überschreitet, festzustellen.
9. Automatisierte Klassifiziereinrichtung nach Anspruch 8, bei der das optische Merkmal die integrierte optische Dichte ist.
10. Automatisierte Klassifiziereinrichtung nach einem der Ansprüche 1 bis 7, bei der die primäre Klassifiziereinrichtung eine Apparatur umfaßt, um Zellen in einer solchen digitalen Darstellung der zytologischen Probe auf der Basis morphologischer Kriterien festzustellen.
11. Verfahren zur Klassifizierung einer zytologischen Probe mit einer primären statistischen Klassifizierungsstufe, in welcher interessierende Bereiche der Probe auf der Basis eines optischen Merkmals ausgewählt werden, indem man Zellen, die wahrscheinlich von einer vorbestimmten Type zu sein scheinen, und andere Zellen und Material, die anfangs ähnlich der vorbestimmten Zelltype zu sein scheinen, feststellt, und
einer zweiten Klassifizierungsstufe, in welcher die ausgewählten interessierenden Bereiche weiter analysiert werden, um Zellen der vorbestimmten Type in den ausgewählten Bereichen zu unterscheiden, dadurch gekennzeichnet, daß die sekundäre Klassifizierungsstufe ein Neuronalnetzwerk verwendet, das auf einer Klassifizierungsfunktion beruht, welche angelernt wurde, um Zellen der vorbestimmten Type unter willkürlich angeordneten Zellen und anderm Material der Probe zu untercheiden.
12. Verfahren nach Anspruch 11, bei dem die vorbestimmte Zelltype bösartige oder vorbösartige Zellen umfaßt.
13. Verfahren nach Anspruch 11 oder 12, bei dem die primäre Klassifizierungsstufe darin besteht, daß man Bilder der Probe erhält, diese Bilder digitalisiert und eine integrierte Funktion der optischen Dichte auf solchen digitalisierten Bildern erzeugt.
14. Verfahren nach Anspruch 11 oder 12, bei dem die primäre statistische Klassifizierungsstufe die Durchführung einer Neuronalnetzwerkanalyse umfaßt.
15. Verfahren nach Anspruch 11 oder 12, bei dem die primäre statistische Klassifizierungsstufe eine Klassifizierung auf Morphologiebasis umfaßt.
16. Verfahren nach Anspruch 11 oder 12, bei dem die primäre Klassifizierungsstufe eine solche primäre Klassifizierung auf der Basis integrierter optischer Dichte umfaßt.
17. Verfahren nach einem der Ansprüche 11 bis 16, bei dem die primäre Klassifizierungsstufe auf eine Bewertung des Zellkernes beschränkt wird, während die sekundäre Klassifizierungsstufe sowohl den Zellkern als auch sein umgebendes Zytoplasma bewertet.
18. Verfahren nach einem der Ansprüche 11 bis 16, bei dem sowohl die primäre Klassifizierungsstufe als auch die sekundäre Klassifizierungsstufe auf eine Bewertung des Zellkernes beschränkt werden.
19. Verfahren nach einem der Ansprüche 11 bis 18, weiterhin mit der Stufe einer Vorsichtung der Probe durch Klassifizierung auf Neuronalnetzwerkbasis zum Erkennen und Klassifizieren allgemeiner Flächen in einer Probe, die anderes Material als eine Zellmonoschicht enthalten.
20. Verfahren nach Anspruch 19, bei dem der Ausgangswert von der Vorsichtungsstufe benutzt wird, die identifizierten Bereiche von der Analyse durch die sekundäre Klassifizierungsstufe auszuschließen.
21. Verfahren nach Anspruch 20, bei dem der Ausgangswert von der Vorsichtungsstufe dazu benutzt wird, sekundäre Klassifizierung von Bildern zu modifizieren, die man in den Bereichen der Probe findet, welche durch die Vorsichtungsstufe identifiziert wurden.
22. Verfahren nach einem der Ansprüche 11 bis 21, weiterhin mit der Stufe eines fortgesetzten Anlernens der Klassifizierungsfunktion auf Neuronalnetzwerkbasis, um interessierende Zellen zu identifizieren.
23. Verfahren nach einem der Ansprüche 11 bis 22, bei dem die zytologische Probe eine Zervixabstrichprobe ist.
DE68926796T 1988-04-08 1989-03-22 System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk Expired - Fee Related DE68926796T2 (de)

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 (2)

Publication Number Publication Date
DE68926796D1 DE68926796D1 (de) 1996-08-14
DE68926796T2 true DE68926796T2 (de) 1996-11-07

Family

ID=22655067

Family Applications (1)

Application Number Title Priority Date Filing Date
DE68926796T Expired - Fee Related DE68926796T2 (de) 1988-04-08 1989-03-22 System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk

Country Status (23)

Country Link
US (2) US4965725B1 (de)
EP (1) EP0336608B1 (de)
JP (1) JPH04501325A (de)
CN (1) CN1031811C (de)
AT (1) ATE140327T1 (de)
AU (1) AU628342B2 (de)
BG (1) BG51463A3 (de)
BR (1) BR8907355A (de)
CA (1) CA1323700C (de)
DE (1) DE68926796T2 (de)
DK (1) DK262490D0 (de)
ES (1) ES2090033T3 (de)
FI (1) FI101653B1 (de)
GR (1) GR3021252T3 (de)
HK (1) HK1003583A1 (de)
HU (1) HU208186B (de)
IL (1) IL89859A0 (de)
MC (1) MC2101A1 (de)
RO (1) RO106931B1 (de)
RU (1) RU2096827C1 (de)
SG (1) SG46454A1 (de)
WO (1) WO1989009969A1 (de)
ZA (1) ZA892558B (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19937778B4 (de) * 1999-08-10 2011-11-24 Cellasys Gmbh Verfahren und Vorrichtung zur Charakterisierung des funktionalen Zustandes von Zellen und Alterationen von Zellen

Families Citing this family (309)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5202231A (en) 1987-04-01 1993-04-13 Drmanac Radoje T Method of sequencing of genomes by hybridization of oligonucleotide probes
US5525464A (en) * 1987-04-01 1996-06-11 Hyseq, Inc. Method of sequencing 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
US5153923A (en) * 1988-03-25 1992-10-06 Hitachi, Ltd. High order information processing method by means of a neural network and minimum and maximum searching method therefor
US5740270A (en) * 1988-04-08 1998-04-14 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
US4965725B1 (en) * 1988-04-08 1996-05-07 Neuromedical Systems Inc Neural network based automated cytological specimen classification system and method
US5544650A (en) * 1988-04-08 1996-08-13 Neuromedical Systems, Inc. Automated specimen classification system and method
DE68928895T2 (de) * 1988-10-11 1999-05-27 Agency Of Industrial Science And Technology, Tokio/Tokyo Verfahren und Gerät für universelle adaptiv lernende Bildmessung und -erkennung
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
AU6870391A (en) * 1989-10-23 1991-05-31 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
US5313532A (en) * 1990-01-23 1994-05-17 Massachusetts Institute Of Technology Recognition of patterns in images
WO1991011783A1 (en) * 1990-01-23 1991-08-08 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
CA2064571C (en) * 1990-03-30 2002-08-06 Mark R. Rutenberg Automated cytological specimen classification system and method
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
WO1991020048A1 (en) * 1990-06-21 1991-12-26 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
WO1992009047A1 (en) * 1990-11-07 1992-05-29 Rutenberg Mark R Inspection apparatus and method with inspection auditing for images presented on a display
US5655029A (en) * 1990-11-07 1997-08-05 Neuromedical Systems, Inc. Device and method for facilitating inspection of a specimen
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
US5776709A (en) * 1991-08-28 1998-07-07 Becton Dickinson And Company Method for preparation and analysis of leukocytes in whole blood
JP2581514B2 (ja) * 1991-08-28 1997-02-12 ベクトン・ディッキンソン・アンド・カンパニー N次元データストリームを適応的に自動クラスタリングする重力アトラクターエンジン
US5941832A (en) * 1991-09-27 1999-08-24 Tumey; David M. Method and apparatus for detection of cancerous and precancerous conditions in a breast
US6418424B1 (en) 1991-12-23 2002-07-09 Steven M. Hoffberg Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US6400996B1 (en) 1999-02-01 2002-06-04 Steven M. Hoffberg Adaptive pattern recognition based control system and method
US10361802B1 (en) 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control 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
US6850252B1 (en) 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
US5903454A (en) 1991-12-23 1999-05-11 Hoffberg; Linda Irene Human-factored interface corporating adaptive pattern recognition based controller apparatus
WO1993016436A1 (en) * 1992-02-18 1993-08-19 Neopath, Inc. Method for identifying normal biomedical specimens
WO1993016442A1 (en) * 1992-02-18 1993-08-19 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
AU6654394A (en) * 1992-12-14 1994-07-04 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系统
EP0610916A3 (de) * 1993-02-09 1994-10-12 Cedars Sinai Medical Center Verfahren und Vorrichtung zur Erzeugung vorzugsweiser segmentierter numerischer Bilder.
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
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
US5479526A (en) * 1993-03-23 1995-12-26 Martin Marietta Pixel designator for small objects
JP3535873B2 (ja) * 1993-04-10 2004-06-07 フラウンホッファー−ゲゼルシャフト ツァ フェルダールング デァ アンゲヴァンテン フォアシュンク エー.ファオ. 対象分類法
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
EP0644414B1 (de) * 1993-08-19 2001-11-21 Hitachi, Ltd. Klassifikation und Prüfvorrichtung für Teilchen in einer Flüssigkeit
US5352613A (en) * 1993-10-07 1994-10-04 Tafas Triantafillos P Cytological screening method
US6136540A (en) * 1994-10-03 2000-10-24 Ikonisys Inc. Automated fluorescence in situ hybridization detection of genetic abnormalities
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
ATE256313T1 (de) * 1994-02-14 2003-12-15 Autocyte North Carolina Llc Automatisiertes cytologisches probenklassifizierungsverfahren
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
US6463438B1 (en) * 1994-06-03 2002-10-08 Urocor, Inc. Neural network for cell image analysis for identification of abnormal cells
US5625705A (en) * 1994-06-03 1997-04-29 Neuromedical Systems, Inc. Intensity texture based classification system and method
US6287850B1 (en) * 1995-06-07 2001-09-11 Affymetrix, Inc. Bioarray chip reaction apparatus and its manufacture
DE69527585T2 (de) * 1994-06-08 2003-04-03 Affymetrix, Inc. Verfahren und Vorrichtung zum Verpacken von Chips
WO1996003709A1 (en) * 1994-07-26 1996-02-08 Neuromedical Systems, Inc. Inspection device and method
WO1996009600A1 (en) * 1994-09-20 1996-03-28 Neopath, Inc. Apparatus for identification and integration of multiple cell patterns
AU3629295A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for automated identification of thick cell groupings on a biological specimen
US5740269A (en) * 1994-09-20 1998-04-14 Neopath, Inc. Method and apparatus for robust biological specimen classification
US5647025A (en) * 1994-09-20 1997-07-08 Neopath, Inc. Automatic focusing of biomedical specimens apparatus
AU3371395A (en) * 1994-09-20 1996-04-19 Neopath, Inc. Biological specimen analysis system processing integrity checking apparatus
US5627908A (en) * 1994-09-20 1997-05-06 Neopath, Inc. Method for cytological system dynamic normalization
US5566249A (en) * 1994-09-20 1996-10-15 Neopath, Inc. Apparatus for detecting bubbles in coverslip adhesive
AU3490695A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Cytological slide scoring apparatus
US5757954A (en) * 1994-09-20 1998-05-26 Neopath, Inc. Field prioritization apparatus and method
US5692066A (en) * 1994-09-20 1997-11-25 Neopath, Inc. Method and apparatus for image plane modulation pattern recognition
US5715327A (en) * 1994-09-20 1998-02-03 Neopath, Inc. Method and apparatus for detection of unsuitable conditions for automated cytology scoring
CA2200455A1 (en) * 1994-09-20 1996-03-28 Louis R. Piloco Apparatus for illumination stabilization and homogenization
US5978497A (en) * 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
AU3586195A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Apparatus for automated identification of cell groupings on a biological specimen
AU3585495A (en) * 1994-09-20 1996-04-09 Neopath, Inc. Biological analysis system self-calibration apparatus
US5638459A (en) * 1994-09-20 1997-06-10 Neopath, Inc. Method and apparatus for detecting a microscope slide coverslip
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
WO1996012187A1 (en) 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
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
JP3537194B2 (ja) * 1994-10-17 2004-06-14 オリンパス株式会社 光学顕微鏡
US5795716A (en) 1994-10-21 1998-08-18 Chee; Mark S. Computer-aided visualization and analysis system for sequence evaluation
US6600996B2 (en) 1994-10-21 2003-07-29 Affymetrix, Inc. Computer-aided techniques for analyzing biological sequences
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
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
US5671288A (en) * 1995-05-31 1997-09-23 Neopath, Inc. Method and apparatus for assessing slide and specimen preparation quality
US5787208A (en) * 1995-06-07 1998-07-28 Neopath, Inc. Image enhancement method and apparatus
US6429017B1 (en) * 1999-02-04 2002-08-06 Biomerieux Method 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
US6898532B1 (en) 1995-06-07 2005-05-24 Biomerieux, Inc. Method and apparatus for predicting the presence of haemostatic dysfunction in a patient sample
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
US6252979B1 (en) 1995-06-07 2001-06-26 Tripath Imaging, Inc. Interactive method and apparatus for sorting biological specimens
US5621519A (en) * 1995-07-31 1997-04-15 Neopath, Inc. Imaging system transfer function control method and apparatus
US5745601A (en) * 1995-07-31 1998-04-28 Neopath, Inc. Robustness of classification measurement apparatus and method
US5642433A (en) * 1995-07-31 1997-06-24 Neopath, Inc. Method and apparatus for image contrast quality evaluation
US6148096A (en) * 1995-09-15 2000-11-14 Accumed International, Inc. Specimen preview and inspection system
US6118581A (en) * 1995-09-15 2000-09-12 Accumed International, Inc. Multifunctional control unit for a microscope
US5963368A (en) * 1995-09-15 1999-10-05 Accumed International, Inc. Specimen management system
US6430309B1 (en) 1995-09-15 2002-08-06 Monogen, 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
US6091842A (en) * 1996-10-25 2000-07-18 Accumed International, Inc. Cytological specimen analysis system with slide mapping and generation of viewing path information
CA2185511C (en) * 1995-09-15 2008-08-05 Vladimir Dadeshidze Cytological specimen analysis system with individualized patient data
US5732150A (en) * 1995-09-19 1998-03-24 Ihc Health Services, Inc. Method and system for multiple wavelength microscopy image analysis
WO1997011350A2 (en) * 1995-09-19 1997-03-27 Morphometrix Technologies Inc. A neural network assisted multi-spectral segmentation system
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
US6718053B1 (en) 1996-11-27 2004-04-06 Chromavision Medical Systems, Inc. Method and apparatus for automated image analysis of biological specimens
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
US5699794A (en) * 1995-12-19 1997-12-23 Neopath, Inc. Apparatus for automated urine sediment sample handling
US5835620A (en) * 1995-12-19 1998-11-10 Neuromedical Systems, Inc. Boundary mapping system and method
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
US5796861A (en) * 1996-07-12 1998-08-18 Frim 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
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
US6272235B1 (en) * 1997-03-03 2001-08-07 Bacus Research Laboratories, Inc. Method and apparatus for creating a virtual microscope slide
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
WO1999010771A1 (en) * 1997-08-22 1999-03-04 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
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
US20090111101A1 (en) * 1998-05-09 2009-04-30 Ikonisys, Inc. Automated Cancer Diagnostic Methods Using FISH
CN1702459A (zh) * 1998-05-09 2005-11-30 伊康尼西斯公司 用于包括胎儿细胞的计算机所控制的稀少细胞的基于诊断的方法和装置
AU5407899A (en) 1998-09-02 2000-03-27 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
US7510841B2 (en) 1998-12-28 2009-03-31 Illumina, Inc. Methods of making and using composite arrays for the detection of a plurality of target analytes
US7966078B2 (en) 1999-02-01 2011-06-21 Steven Hoffberg Network media 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
WO2000062247A1 (en) 1999-04-13 2000-10-19 Chromavision Medical Systems, Inc. Histological reconstruction and automated image analysis
US7151847B2 (en) * 2001-02-20 2006-12-19 Cytokinetics, Inc. Image analysis of the golgi complex
US6876760B1 (en) 2000-12-04 2005-04-05 Cytokinetics, Inc. Classifying cells based on information contained in cell images
US6651008B1 (en) 1999-05-14 2003-11-18 Cytokinetics, Inc. Database system including computer code for predictive cellular bioinformatics
US6743576B1 (en) 1999-05-14 2004-06-01 Cytokinetics, Inc. Database system for predictive cellular bioinformatics
US6661501B1 (en) 1999-10-29 2003-12-09 Cytyc Corporation Cytological stain composition including verification characteristic
US7369304B2 (en) * 1999-10-29 2008-05-06 Cytyc Corporation Cytological autofocusing imaging systems and methods
US6665060B1 (en) 1999-10-29 2003-12-16 Cytyc Corporation Cytological imaging system and method
US6348325B1 (en) 1999-10-29 2002-02-19 Cytyc Corporation Cytological stain composition
US6593102B2 (en) 1999-10-29 2003-07-15 Cytyc Corporation Cytological stain composition
US7382909B1 (en) 1999-11-04 2008-06-03 Mpb Meltec Patent-Und Beteiligungsgesellschaft Mbh Method for the automatic analysis of microscope images
JP5087192B2 (ja) 1999-11-30 2012-11-28 インテレクソン コーポレイション 細胞群内の特定細胞に選択的に照準付けする方法及び装置
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
US7236623B2 (en) * 2000-04-24 2007-06-26 International Remote Imaging Systems, Inc. Analyte recognition for urinalysis diagnostic system
US6947586B2 (en) * 2000-04-24 2005-09-20 International Remote Imaging Systems, Inc. Multi-neural net imaging apparatus and method
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
AU2001270126A1 (en) * 2000-06-23 2002-01-08 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
US6804385B2 (en) 2000-10-24 2004-10-12 Oncosis 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
WO2002044695A1 (en) * 2000-11-16 2002-06-06 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
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
US6993169B2 (en) * 2001-01-11 2006-01-31 Trestle Corporation System and method for finding regions of interest for microscopic digital montage imaging
US7016787B2 (en) 2001-02-20 2006-03-21 Cytokinetics, Inc. Characterizing biological stimuli by response curves
US6956961B2 (en) * 2001-02-20 2005-10-18 Cytokinetics, Inc. Extracting shape information contained in cell images
US20020159641A1 (en) * 2001-03-14 2002-10-31 Whitney Paul D. Directed dynamic data analysis
EP1405058A4 (de) * 2001-03-19 2007-07-04 Ikonisys Inc System und verfahren zur erhöhung des kontrasts eines durch ein epifluoreszenzmikroskop erzeugten bildes
US20020186875A1 (en) * 2001-04-09 2002-12-12 Burmer Glenna C. Computer methods for image pattern recognition in organic material
EP1380005A1 (de) * 2001-04-09 2004-01-14 Lifespan Biosciences, Inc. Computerimplementierte methoden zur mustererkennung in organischem material
US20030143637A1 (en) * 2001-08-31 2003-07-31 Selvan Gowri Pyapali 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
US20030113925A1 (en) * 2001-09-07 2003-06-19 Gordon John Francis Nuclear 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
AU2002361618A1 (en) 2001-11-13 2003-05-26 Chromavision Medical Systems, Inc. A system for tracking biological samples
WO2003044481A2 (en) * 2001-11-20 2003-05-30 Burstein Technologies, Inc. Optical bio-discs and microfluidic devices for analysis of cells
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
CA2759764C (en) * 2002-02-14 2017-06-13 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
US7764821B2 (en) * 2002-02-14 2010-07-27 Veridex, Llc Methods and algorithms for cell enumeration in a low-cost cytometer
CA2436043C (en) * 2002-02-22 2006-01-10 Bacus Research Laboratories, 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
WO2003099222A2 (en) * 2002-05-23 2003-12-04 Invitrogen Corporation Pseudo-tissues and uses thereof
US20050037406A1 (en) * 2002-06-12 2005-02-17 De La Torre-Bueno Jose Methods and apparatus for analysis of a biological specimen
US7272252B2 (en) * 2002-06-12 2007-09-18 Clarient, Inc. Automated system for combining bright field and fluorescent microscopy
WO2004025569A2 (en) * 2002-09-13 2004-03-25 Arcturus Bioscience, Inc. Tissue image analysis for cell classification and laser capture microdissection
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
EP1646926A2 (de) * 2003-07-18 2006-04-19 Cytokinetics, Inc. Charakterisierung biologischer stimuli durch ansprechkurven
US7235353B2 (en) * 2003-07-18 2007-06-26 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
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
EP1787101B1 (de) 2004-09-09 2014-11-12 Life Technologies Corporation Vorrichtung und verfahren zur lasermikrodissektion
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
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
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
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 (de) * 2006-08-11 2009-04-29 Koninklijke Philips Electronics N.V. Verfahren und vorrichtung zur integration der systematischen datenskalierung in einer genetischen funktionsuntersatzauwswahl auf algorithmus-basis
US8795197B2 (en) * 2007-07-17 2014-08-05 Histologics, LLC Frictional trans-epithelial tissue disruption collection apparatus and method of inducing an immune response
KR20100105829A (ko) 2007-07-17 2010-09-30 히스톨로직스 엘엘씨 마찰성 경-상피 조직의 분리 및 수집 장치 및 면역 반응을 유도 및/또는 증강시키는 방법
EP2255310B1 (de) 2008-02-29 2019-02-20 Dako Denmark A/S Systeme und verfahren zur ortung und bereitstellung von arbeitsflussinformationen
US8135202B2 (en) * 2008-06-02 2012-03-13 Nec Laboratories America, Inc. Automated method and system for nuclear analysis of biopsy images
US20100179310A1 (en) * 2009-01-09 2010-07-15 Cyntellect, Inc. Genetic analysis of cells
US8788213B2 (en) 2009-01-12 2014-07-22 Intrexon Corporation Laser mediated sectioning and transfer of cell colonies
WO2010103389A1 (de) 2009-03-11 2010-09-16 Sensovation Ag Autofokusverfahren und autofokuseinrichtung
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
US9442106B2 (en) 2010-05-08 2016-09-13 Universiteit Twente Simple and affordable method for immunophenotyping 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
CN103930762B (zh) 2011-06-17 2018-03-20 罗氏血液诊断股份有限公司 用于样本显示与查看的系统和方法
US9459196B2 (en) 2011-07-22 2016-10-04 Roche Diagnostics Hematology, Inc. Blood analyzer calibration and assessment
US9170256B2 (en) * 2011-09-16 2015-10-27 Ave Science & Technology Co., Ltd Device and method for erythrocyte morphology analysis
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
CN104169945B (zh) 2012-01-11 2017-08-08 电子慕泽雷帕里公司 对图像中的对象的两级分类
US20130183707A1 (en) * 2012-01-13 2013-07-18 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Stem cell bioinformatics
US10201332B1 (en) 2012-12-03 2019-02-12 Healoe Llc Device and method of orienting a biopsy device on epithelial tissue
JP6479676B2 (ja) 2012-12-19 2019-03-06 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 流体サンプル中の粒子の分類のためのシステム及び方法
CN105492887A (zh) * 2013-03-15 2016-04-13 理查德·哈理·特纳 用于体液中的颗粒和可溶性化学实体的体外检测的系统和方法
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 宫颈癌细胞病理学排阴法智能筛查系统
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系统
US10853695B2 (en) 2016-06-30 2020-12-01 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
EP3552148A4 (de) 2016-12-06 2020-07-08 Abbott Laboratories Automatisierte objektträgerbeurteilung und verfolgung in der digitalen mikroskopie
US20190385707A1 (en) 2017-03-03 2019-12-19 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、装置以及系统
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系统
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19937778B4 (de) * 1999-08-10 2011-11-24 Cellasys Gmbh Verfahren und Vorrichtung zur Charakterisierung des funktionalen Zustandes von Zellen und Alterationen von Zellen

Also Published As

Publication number Publication date
CN1031811C (zh) 1996-05-15
GR3021252T3 (en) 1997-01-31
EP0336608A2 (de) 1989-10-11
SG46454A1 (en) 1998-02-20
US5287272B1 (en) 1996-08-27
CA1323700C (en) 1993-10-26
US4965725A (en) 1990-10-23
EP0336608A3 (en) 1990-08-29
HK1003583A1 (en) 1998-10-30
FI101653B (fi) 1998-07-31
JPH04501325A (ja) 1992-03-05
US4965725B1 (en) 1996-05-07
DK262490A (da) 1990-11-01
ZA892558B (en) 1989-12-27
DE68926796D1 (de) 1996-08-14
IL89859A0 (en) 1989-12-15
RO106931B1 (ro) 1993-07-30
WO1989009969A1 (en) 1989-10-19
ES2090033T3 (es) 1996-10-16
HUT59239A (en) 1992-04-28
HU208186B (en) 1993-08-30
AU3541589A (en) 1989-11-03
US5287272A (en) 1994-02-15
BG51463A3 (en) 1993-05-14
FI904922A0 (fi) 1990-10-05
AU628342B2 (en) 1992-09-17
DK262490D0 (da) 1990-11-01
FI101653B1 (fi) 1998-07-31
EP0336608B1 (de) 1996-07-10
HU892848D0 (en) 1990-12-28
RU2096827C1 (ru) 1997-11-20
BR8907355A (pt) 1991-03-19
ATE140327T1 (de) 1996-07-15
CN1037035A (zh) 1989-11-08
MC2101A1 (fr) 1991-02-15

Similar Documents

Publication Publication Date Title
DE68926796T2 (de) System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk
DE68928895T2 (de) Verfahren und Gerät für universelle adaptiv lernende Bildmessung und -erkennung
DE19639884C2 (de) Mustererkennungssystem
DE60130742T2 (de) Mustererkennung mit hierarchischen Netzen
DE69322498T2 (de) Verfahren zur identifizierung von normalen biomedizinischen proben
DE69422128T2 (de) Verfahren zur interaktiven automatischen Zytologie
EP1181525B1 (de) Verfahren zur automatischen analyse von mikroskopaufnahmen
DE3531969A1 (de) Geraet und verfahren zur erfassung und klassifizierung von teilchen mit hilfe von techniken der durchfluss-cytometrie
DE112018000349T5 (de) Visuelles Analysesystem für auf einem konvolutionalen neuronalen Netz basierte Klassifizierer
DE19616997A1 (de) Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben
DE102007013971B4 (de) Verfahren und Vorrichtung zur Ermittlung einer Zellkontur einer Zelle
DE69429145T2 (de) Klassifikation und Prüfvorrichtung für Teilchen in einer Flüssigkeit
DE69532276T2 (de) Automatisiertes cytologisches probenklassifizierungsverfahren
DE69322095T2 (de) Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern
EP3948688B1 (de) Training für künstliche neuronale netzwerke mit besserer ausnutzung der lern-datensätze
DE4211904C2 (de) Automatisches Verfahren zum Erstellen einer Liste unterschiedlicher Arten für eine flüssige Probe
DE112019005143T5 (de) System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators
DE3789736T2 (de) Verfahren zur Auswertung eines Teilchengrössenverteilung.
EP1797533B1 (de) Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen
DE112021005678T5 (de) Normieren von OCT-Bilddaten
EP1381846B1 (de) Verfahren zur analyse einer biologischen probe
DE19637741B4 (de) Automatisches Zytologisches Probenanalysesystem unter Verwendung von individualisierten Patientendaten
EP2126790B1 (de) Verfahren und datenverarbeitungssystem zur automatischen erkennung, verarbeitung, interpretation und schlussfolgerung von als digitale daten vorliegenden objekten, insbesondere auch von unbekannten objekten
DE102021204040A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug
DE102020212108A1 (de) Verfahren und Vorrichtung zum Anlernen eines maschinellen Lernsystems

Legal Events

Date Code Title Description
8364 No opposition during term of opposition
8327 Change in the person/name/address of the patent owner

Owner name: AUTOCYTE NORTH CAROLINA,L.L.C., BURLINGTON, N.C.,

8339 Ceased/non-payment of the annual fee