Systems and methods are disclosed for generating a specialized machine learning model by receiving a generalized machine learning model generated by processing a plurality of first training images to predict at least one cancer characteristic, receiving a plurality of second training images, the first training images and the second training images include images of tissue specimens and/or images algorithmically generated to replicate tissue specimens, receiving a plurality of target specialized attributes related to a respective second training image of the plurality of second training images, generating a specialized machine learning model by modifying the generalized machine learning model based on the plurality of second training images and the target specialized attributes, receiving a target image corresponding to a target specimen, applying the specialized machine learning model to the target image to determine at least one characteristic of the target image, and outputting the characteristic of the target image.
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
2.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO DETECT CONTAMINATION IN SPECIMEN PREPARATIONS
Systems and methods are disclosed for receiving one or more digital images associated with a tissue specimen, detecting one or more image regions from a background of the one or more digital images, determining a prediction, using a machine learning system, of whether at least one first image region of the one or more image regions comprises at least one external contaminant, the machine learning system having been trained using a plurality of training images to predict a presence of external contaminants and/or a location of any external contaminants present in the tissue specimen, and determining, based on the prediction of whether a first image region comprises an external contaminant, whether to process the image region using an processing algorithm.
G06T 7/194 - DécoupageDétection de bords impliquant une segmentation premier plan-arrière-plan
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G06V 10/776 - ValidationÉvaluation des performances
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 10/98 - Détection ou correction d’erreurs, p. ex. en effectuant une deuxième exploration du motif ou par intervention humaineÉvaluation de la qualité des motifs acquis
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
3.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO DETERMINE TESTING FOR UNSTAINED SPECIMENS
A computer-implemented method may include receiving a collection of unstained digital histopathology slide images at a storage device and running a trained machine learning model on one or more slide images of the collection to infer a presence or an absence of a salient feature. The trained machine learning model may have been trained by processing a second collection of unstained or stained digital histopathology slide images and at least one synoptic annotation for one or more unstained or stained digital histopathology slide images of the second collection. The computer-implemented method may further include determining at least one map from output of the trained machine learning model and providing an output from the trained machine learning model to the storage device.
G06V 10/77 - Traitement des caractéristiques d’images ou de vidéos dans les espaces de caractéristiquesDispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant l’intégration et la réduction de données, p. ex. analyse en composantes principales [PCA] ou analyse en composantes indépendantes [ ICA] ou cartes auto-organisatrices [SOM]Séparation aveugle de source
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
4.
SYSTEMS AND METHODS FOR ARTIFICIAL INTELLIGENCE POWERED MOLECULAR WORKFLOW VERIFYING SLIDE AND BLOCK QUALITY FOR TESTING
Systems and methods are disclosed for verifying slide and block quality for testing. The method may comprise receiving a collection of one or more digital images at a digital storage device. The collection may be associated with a tissue block and corresponding to an instance. The method may comprise applying a machine learning model to the collection to identify a presence or an absence of an attribute, determining an amount or a percentage of tissue with the attribute from a digital image in the collection that indicates the presence of the attribute, and outputting a quality score corresponding to the determined amount or percentage.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
5.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO IDENTIFY ATTRIBUTES
A computer-implemented method may identify attributes of electronic images and display the attributes. The method may include receiving one or more electronic medical images associated with a pathology specimen, determining a plurality of salient regions within the one or more electronic medical images, determining a predetermined order of the plurality of salient regions, and automatically panning, using a display, across the one or more salient regions according to the predetermined order.
A computer-implemented method for processing electronic medical images, the method including receiving a plurality of electronic medical images of a medical specimen. Each of the plurality of electronic medical images may be divided into a plurality of tiles. A plurality of sets of matching tiles may be determined, the tiles within each set corresponding to a given region of a plurality of regions of the medical specimen. For each tile of the plurality of sets of matching tiles, a blur score may be determined corresponding to a level of image blur of the tile. For each set of matching tiles, a tile may be determined with the blur score indicating the lowest level of blur. A composite electronic medical image, comprising a plurality of tiles from each set of matching tiles with the blur score indicating the lowest level of blur, may be determined and provided for display.
Systems and methods are disclosed for analyzing an image of a slide corresponding to a specimen, the method including receiving at least one digitized image of a pathology specimen; determining, using the digitized image at an artificial intelligence (AI) system, at least one salient feature, the at least one salient comprising a biomarker, cancer, cancer grade, parasite, toxicity, inflammation, and/or cancer sub-type; determining, at the AI system, a salient region overlay for the digitized image, wherein the AI system indicates a value for each pixel; and suppressing, based on the value for each pixel, one or more non-salient regions of the digitized image.
G06T 3/40 - Changement d'échelle d’images complètes ou de parties d’image, p. ex. agrandissement ou rétrécissement
G06T 11/60 - Édition de figures et de texteCombinaison de figures ou de texte
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
8.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO DETERMINE SALIENT INFORMATION IN DIGITAL PATHOLOGY
Systems and methods are disclosed for identifying a diagnostic feature of a digitized pathology image, including receiving one or more digitized images of a pathology specimen, and medical metadata comprising at least one of image metadata, specimen metadata, clinical information, and/or patient information, applying a machine learning model to predict a plurality of relevant diagnostic features based on medical metadata, the machine learning model having been developed using an archive of processed images and prospective patient data, and determining at least one relevant diagnostic feature of the relevant diagnostic features for output to a display.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06F 18/2113 - Sélection du sous-ensemble de caractéristiques le plus significatif en classant ou en filtrant l'ensemble des caractéristiques, p. ex. en utilisant une mesure de la variance ou de la corrélation croisée des caractéristiques
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
9.
SYSTEMS AND METHODS FOR PROCESSING IMAGES OF SLIDES TO AUTOMATICALLY PRIORITIZE THE PROCESSED IMAGES OF SLIDES FOR DIGITAL PATHOLOGY
Systems and methods are disclosed for processing digital pathology images, prioritizing the digital pathology images, and outputting a sequence of the digital pathology images based on the prioritization. The prioritization may be determined by a machine learning model trained to determine prioritization values based on various criteria. For example, the machine learning may generate biomarker expression information and determine prioritization values based on the generated information.
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/20 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pratiques ou des directives
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
10.
SYSTEMS AND METHODS FOR PROCESSING IMAGES TO PREPARE SLIDES FOR PROCESSED IMAGES FOR DIGITAL PATHOLOGY
Systems and methods are disclosed for processing an electronic image corresponding to a specimen. One method for processing the electronic image includes: receiving a target electronic image of a slide corresponding to a target specimen, the target specimen including a tissue sample from a patient, applying a machine learning system to the target electronic image to determine deficiencies associated with the target specimen, the machine learning system having been generated by processing a plurality of training images to predict stain deficiencies and/or predict a needed recut, the training images including images of human tissue and/or images that are algorithmically generated; and based on the deficiencies associated with the target specimen, determining to automatically order an additional slide to be prepared.
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
11.
SYSTEMS AND METHODS FOR PROCESSING WHOLE SLIDE IMAGES USING MACHINE-LEARNING
According to systems and techniques disclosed herein, a method for generating a navigable three-dimensional image of a tissue sample may include receiving a plurality of whole slide images (WSI) associated with the tissue sample. The method may further include providing the plurality of whole slide images to a machine-learning model. The machine-learning model may have been trained to identify one or more positional features within the plurality of whole slide images and output a plurality of relative positional relationships corresponding to each of the plurality of whole slide images. The method may further include generating the navigable three-dimensional image of the tissue sample based on the plurality of relative positional relationships. The method may further include generating an interactive display incorporating the navigable three-dimensional image. The method may further include providing, to a user interface, the interactive display.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
12.
SYSTEMS AND METHODS FOR PROCESSING WHOLE SLIDE IMAGES USING MACHINE-LEARNING
According to systems and techniques disclosed herein, a method for generating a navigable three-dimensional image of a tissue sample may include receiving a plurality of whole slide images (WSI) associated with the tissue sample. The method may further include providing the plurality of whole slide images to a machine-learning model. The machine-learning model may have been trained to identify one or more positional features within the plurality of whole slide images and output a plurality of relative positional relationships corresponding to each of the plurality of whole slide images. The method may further include generating the navigable three-dimensional image of the tissue sample based on the plurality of relative positional relationships. The method may further include generating an interactive display incorporating the navigable three-dimensional image. The method may further include providing, to a user interface, the interactive display.
42 - Services scientifiques, technologiques et industriels, recherche et conception
Produits et services
Software as a service (SaaS) services featuring artificial intelligence (AI) software for use in healthcare; Computer technology consultancy in the field of machine learning and artificial intelligence for use in healthcare; Design, development, and implementation of software for cloud based, non-downloadable computer AI software for use in healthcare; Intelligent natural language understanding services using cloud-based software technology for use in healthcare; intelligent image analysis services using cloud-based software for use in healthcare; Providing temporary use of on-line non-downloadable software development tools for the field of artificial intelligence for use in healthcare; AI tool for text inputs and image inputs; AI tool to generate text responses from natural language processing and image analysis
42 - Services scientifiques, technologiques et industriels, recherche et conception
Produits et services
Scientific and technological services, namely, scientific research, analysis, and testing in the fields of pathology, histology, medical images, and related research and design services; Digital and diagnostic assays for detecting and predicting biomarkers based on AI algorithms applied to Hematoxylin and Eosin (HandE) digital pathology slides; Digital and diagnostic assays for AI biomarker module for detecting and predicting genetic and phenotypic biomarkers and mutations across multiple cancer types using HandE-stained pathology slides
15.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES FOR COMPUTATIONAL DETECTION METHODS
Systems and methods are disclosed for receiving one or more electronic slide images associated with a tissue specimen, the tissue specimen being associated with a patient and/or medical case, partitioning a first slide image of the one or more electronic slide images into a plurality of tiles, detecting a plurality of tissue regions of the first slide image and/or plurality of tiles to generate a tissue mask, determining whether any of the plurality of tiles corresponds to non-tissue, removing any of the plurality of tiles that are determined to be non-tissue, determining a prediction, using a machine learning prediction model, for at least one label for the one or more electronic slide images, the machine learning prediction model having been generated by processing a plurality of training images, and outputting the prediction of the trained machine learning prediction model.
G06T 7/136 - DécoupageDétection de bords impliquant un seuillage
G06T 7/194 - DécoupageDétection de bords impliquant une segmentation premier plan-arrière-plan
G06V 10/26 - Segmentation de formes dans le champ d’imageDécoupage ou fusion d’éléments d’image visant à établir la région de motif, p. ex. techniques de regroupementDétection d’occlusion
G06V 10/28 - Quantification de l’image, p. ex. seuillage par histogramme visant à discriminer entre les formes d’arrière-plan et d’avant-plan
16.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES OF PATHOLOGY DATA AND REVIEWING THE PATHOLOGY DATA
A computer-implemented method of reviewing digital pathology data may include receiving a digital pathology image into a digital storage device, the digital pathology image being associated with a patient, providing for display the digital pathology image on a display, pairing the digital pathology image with a physical token of the digital pathology image in an interactive system, receiving one or more commands from the interactive system, determining one or more manipulations or modifications to the displayed digital pathology image based on the one or more commands, and providing for display a modified digital pathology image on the display according to the determined one or more manipulations or modifications.
Systems and methods are disclosed for processing digital images to identify diagnostic tests, the method comprising receiving one or more digital images associated with a pathology specimen, determining a plurality of diagnostic tests, applying a machine learning system to the one or more digital images to identify any prerequisite conditions for each of the plurality of diagnostic tests to be applicable, the machine learning system having been trained by processing a plurality of training images, identifying, using the machine learning system, applicable diagnostic tests of the plurality of diagnostic tests based on the one or more digital images and the prerequisite conditions, and outputting the applicable diagnostic tests to a digital storage device and/or display.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
G06V 10/25 - Détermination d’une région d’intérêt [ROI] ou d’un volume d’intérêt [VOI]
G06V 30/19 - Reconnaissance utilisant des moyens électroniques
G16H 10/20 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des essais ou des questionnaires cliniques électroniques
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
18.
Systems and methods to process electronic images to provide improved visualization and rendering of histopathology slides
A method for processing an electronic image including receiving, by a viewer, the electronic image and a FOV (field of view), wherein the FOV includes at least one coordinate, at least one dimension, and a magnification factor, loading, by the viewer, a plurality of tiles within the FOV, determining, by the viewer, a state of the plurality of tiles in a cache, and in response to determining that the state of the plurality of tiles in the cache is a fully loaded state, rendering, by the viewer, the plurality of tiles to a display.
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
H04N 23/58 - Moyens permettant de modifier le champ de vision de la caméra sans déplacer le corps de la caméra, p. ex. par nutation ou pivotement des optiques ou des capteurs d'images
H04N 23/63 - Commande des caméras ou des modules de caméras en utilisant des viseurs électroniques
H04N 23/69 - Commande de moyens permettant de modifier l'angle du champ de vision, p. ex. des objectifs de zoom optique ou un zoom électronique
19.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES USING DEEP FOUNDATION MODELS
Systems and methods for processing digital medical images to infer metadata from those images are disclosed. In some aspects, digital medical images may be processed to infer metadata by receiving a plurality of digital medical images, receiving a prompt, the prompt being a request for a specific type of metadata to be inferred from the plurality of digital medical images, determining, using a trained foundation model, at least one feature descriptor from the plurality of digital medical images based on the prompt, and providing for output the at least one feature descriptor for each of the plurality of digital medical images.
G06V 10/77 - Traitement des caractéristiques d’images ou de vidéos dans les espaces de caractéristiquesDispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant l’intégration et la réduction de données, p. ex. analyse en composantes principales [PCA] ou analyse en composantes indépendantes [ ICA] ou cartes auto-organisatrices [SOM]Séparation aveugle de source
20.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO PROVIDE AUTOMATED ROUTING OF DATA
Systems and methods are disclosed for providing automated routing of medical data, comprising determining at least one rule corresponding to at least one condition and at least one receiver, receiving medical data and associated medical metadata, determining whether the medical data, the associated medical metadata, and/or associated artificial intelligence processing satisfies the at least one condition of the at least one rule, and upon determining that the at least one condition of the at least one rule is satisfied, providing, from an originating institution, the medical data to the at least one receiver.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
21.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES USING DEEP FOUNDATION MODELS
Systems and methods for processing digital medical images to infer metadata from those images are disclosed. In some aspects, digital medical images may be processed to infer metadata by receiving a plurality of digital medical images, receiving a prompt, the prompt being a request for a specific type of metadata to be inferred from the plurality of digital medical images, determining, using a trained foundation model, at least one feature descriptor from the plurality of digital medical images based on the prompt, and providing for output the at least one feature descriptor for each of the plurality of digital medical images.
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
22.
Systems and methods to process electronic images for synthetic image generation
Systems and methods are disclosed for generating synthetic medical images, including images presenting rare conditions or morphologies for which sufficient data may be unavailable. In one aspect, style transfer methods may be used. For example, a target medical image, a segmentation mask identifying style(s) to be transferred to area(s) of the target, and source medical image(s) including the style(s) may be received. Using the mask, the target may be divided into tile(s) corresponding to the area(s) and input to a trained machine learning system. For each tile, gradients associated with a content and style of the tile may be output by the system. Pixel(s) of at least one tile of the target may be altered based on the gradients to maintain content of the target while transferring the style(s) of the source(s) to the target. The synthetic medical image may be generated from the target based on the altering.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
23.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR CONTINUOUS BIOMARKER PREDICTION
Systems and methods are disclosed for processing digital images to predict at least one continuous value comprising receiving one or more digital medical images, determining whether the one or more digital medical images includes at least one salient region, upon determining that the one or more digital medical images includes the at least one salient region, predicting, by a trained machine learning system, at least one continuous value corresponding to the at least one salient region, and outputting the at least one continuous value to an electronic storage device and/or display.
G06V 10/46 - Descripteurs pour la forme, descripteurs liés au contour ou aux points, p. ex. transformation de caractéristiques visuelles invariante à l’échelle [SIFT] ou sacs de mots [BoW]Caractéristiques régionales saillantes
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
24.
Systems and methods for processing images to classify the processed images for digital pathology
Systems and methods are disclosed for receiving a target image corresponding to a target specimen, the target specimen comprising a tissue sample of a patient, applying a machine learning model to the target image to determine at least one characteristic of the target specimen and/or at least one characteristic of the target image, the machine learning model having been generated by processing a plurality of training images to predict at least one characteristic, the training images comprising images of human tissue and/or images that are algorithmically generated, and outputting the at least one characteristic of the target specimen and/or the at least one characteristic of the target image.
Systems and methods are disclosed for analyzing an image of a slide corresponding to a specimen, the method including receiving at least one digitized image of a pathology specimen; determining, using the digitized image at an artificial intelligence (AI) system, at least one salient feature, the at least one salient comprising a biomarker, cancer, cancer grade, parasite, toxicity, inflammation, and/or cancer sub-type; determining, at the AI system, a salient region overlay for the digitized image, wherein the AI system indicates a value for each pixel; and suppressing, based on the value for each pixel, one or more non-salient regions of the digitized image.
G06K 9/00 - Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
A61B 6/00 - Appareils ou dispositifs pour le diagnostic par radiationsAppareils ou dispositifs pour le diagnostic par radiations combinés avec un équipement de thérapie par radiations
G06T 11/60 - Édition de figures et de texteCombinaison de figures ou de texte
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
26.
Systems and methods for processing images to prepare slides for processed images for digital pathology
Systems and methods are disclosed for processing an electronic image corresponding to a specimen. One method for processing the electronic image includes: receiving a target electronic image of a slide corresponding to a target specimen, the target specimen including a tissue sample from a patient, applying a machine learning system to the target electronic image to determine deficiencies associated with the target specimen, the machine learning system having been generated by processing a plurality of training images to predict stain deficiencies and/or predict a needed recut, the training images including images of human tissue and/or images that are algorithmically generated; and based on the deficiencies associated with the target specimen, determining to automatically order an additional slide to be prepared.
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
27.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR CONTINUOUS BIOMARKER PREDICTION
Systems and methods are disclosed for processing digital images to predict at least one continuous value comprising receiving one or more digital medical images, determining whether the one or more digital medical images includes at least one salient region, upon determining that the one or more digital medical images includes the at least one salient region, predicting, by a trained machine learning system, at least one continuous value corresponding to the at least one salient region, and outputting the at least one continuous value to an electronic storage device and/or display.
G06V 10/46 - Descripteurs pour la forme, descripteurs liés au contour ou aux points, p. ex. transformation de caractéristiques visuelles invariante à l’échelle [SIFT] ou sacs de mots [BoW]Caractéristiques régionales saillantes
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
28.
SYSTEMS AND METHODS FOR ANALYZING ELECTRONIC IMAGES FOR QUALITY CONTROL
Systems and methods are disclosed for receiving a digital image corresponding to a target specimen associated with a pathology category, determining a quality control (QC) machine learning model to predict a quality designation based on one or more artifacts, providing the digital image as an input to the QC machine learning model, receiving the quality designation for the digital image as an output from the machine learning model, and outputting the quality designation of the digital image. A quality assurance (QA) machine learning model may predict a disease designation based on one or more biomarkers. The digital image may be provided to the QA model which may output a disease designation. An external designation may be compared to the disease designation and a comparison result may be output.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
29.
SYSTEMS AND METHODS FOR PROCESSING IMAGES TO DETERMINE BIOMARKER LEVELS
Systems and methods are described herein for processing electronic medical images to predict a biomarker's presence, including receiving one or more digital medical images, the one or more digital medical images being of at least one pathology specimen associated with a patient. A machine learning system may determine a biomarker expression level prediction for the one or more digital medical images. The biomarker expression level prediction may be based on a determined transcriptomic score and protein expression score for the one or more digital medical images. A slide overlay indicating a region of tissue on the one or more digital medical images that is most likely to contribute to the slide level biomarker expression prediction may be generated.
G06T 5/50 - Amélioration ou restauration d'image utilisant plusieurs images, p. ex. moyenne ou soustraction
G06V 10/46 - Descripteurs pour la forme, descripteurs liés au contour ou aux points, p. ex. transformation de caractéristiques visuelles invariante à l’échelle [SIFT] ou sacs de mots [BoW]Caractéristiques régionales saillantes
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
30.
Systems and methods for processing electronic images to detect contamination in specimen preparations
Systems and methods are disclosed for receiving one or more digital images associated with a tissue specimen, detecting one or more image regions from a background of the one or more digital images, determining a prediction, using a machine learning system, of whether at least one first image region of the one or more image regions comprises at least one external contaminant, the machine learning system having been trained using a plurality of training images to predict a presence of external contaminants and/or a location of any external contaminants present in the tissue specimen, and determining, based on the prediction of whether a first image region comprises an external contaminant, whether to process the image region using an processing algorithm.
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G06V 10/776 - ValidationÉvaluation des performances
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 10/98 - Détection ou correction d’erreurs, p. ex. en effectuant une deuxième exploration du motif ou par intervention humaineÉvaluation de la qualité des motifs acquis
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
31.
SYSTEMS AND METHODS FOR PROCESSING IMAGES TO DETERMINE BIOMARKER LEVELS
Systems and methods are described herein for processing electronic medical images to predict a biomarker's presence, including receiving one or more digital medical images, the one or more digital medical images being of at least one pathology specimen associated with a patient. A machine learning system may determine a biomarker expression level prediction for the one or more digital medical images. The biomarker expression level prediction may be based on a determined transcriptomic score and protein expression score for the one or more digital medical images. A slide overlay indicating a region of tissue on the one or more digital medical images that is most likely to contribute to the slide level biomarker expression prediction may be generated.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
32.
Systems and methods for processing electronic images for generalized disease detection
Systems and methods are disclosed for generating a specialized machine learning model by receiving a generalized machine learning model generated by processing a plurality of first training images to predict at least one cancer characteristic, receiving a plurality of second training images, the first training images and the second training images include images of tissue specimens and/or images algorithmically generated to replicate tissue specimens, receiving a plurality of target specialized attributes related to a respective second training image of the plurality of second training images, generating a specialized machine learning model by modifying the generalized machine learning model based on the plurality of second training images and the target specialized attributes, receiving a target image corresponding to a target specimen, applying the specialized machine learning model to the target image to determine at least one characteristic of the target image, and outputting the characteristic of the target image.
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
33.
Systems and methods for artificial intelligence powered molecular workflow verifying slide and block quality for testing
Systems and methods are disclosed for verifying slide and block quality for testing. The method may comprise receiving a collection of one or more digital images at a digital storage device. The collection may be associated with a tissue block and corresponding to an instance. The method may comprise applying a machine learning model to the collection to identify a presence or an absence of an attribute, determining an amount or a percentage of tissue with the attribute from a digital image in the collection that indicates the presence of the attribute, and outputting a quality score corresponding to the determined amount or percentage.
G06K 9/00 - Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
34.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES
Systems and methods are disclosed for processing images including, for example, receiving a target image of a slide corresponding to a target specimen comprising a tissue sample of a patient; determining a quality control metric for the target image via a first trained machine learning model having been trained to predict the quality control metric based on the target image, wherein the quality control metric signifies a quality control issue; and outputting, via a user interface, a sequence of a plurality of digitized pathology images, wherein a placement of the target image in the sequence is based on the quality control metric.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/20 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pratiques ou des directives
Systems and methods are disclosed for using an integrated computing platform to view and transfer digital pathology slides using artificial intelligence, the method including receiving at least one whole slide image in a cloud computing environment located in a first geographic region, the whole slide image depicting a medical sample associated with a patient, the patient being located in the first geographic region; storing the received whole slide image in a first encrypted bucket; applying artificial intelligence to perform a classification of the at least one whole slide image, the classification comprising steps to determine whether portions of the medical sample depicted in the whole slide image are healthy or diseased; based on the classification of the at least one whole slide image, generating metadata associated with the whole slide image; and storing the metadata in a second encrypted bucket.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G06F 18/2413 - Techniques de classification relatives au modèle de classification, p. ex. approches paramétriques ou non paramétriques basées sur les distances des motifs d'entraînement ou de référence
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
36.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO IDENTIFY TRANSPLANT DONOR-RECIPIENT MATCHES
Systems and methods are described herein for processing electronic medical images to predict one or more donor recipients for a patient. For example, a digital medical image of the patient may be received, wherein the patient is in need of a transplant. A trained machine learning system may be determined. The digital medical image may be provided into the trained machine learning system, the trained machine learning system determining a patient embedding. Using the patient embedding, a subset of donor recipients may be determined. Based on the subset of donor recipients a recommendation of optimal donors may be determined.
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
37.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO IDENTIFY TRANSPLANT DONOR-RECIPIENT MATCHES
Systems and methods are described herein for processing electronic medical images to predict one or more donor recipients for a patient. For example, a digital medical image of the patient may be received, wherein the patient is in need of a transplant. A trained machine learning system may be determined. The digital medical image may be provided into the trained machine learning system, the trained machine learning system determining a patient embedding. Using the patient embedding, a subset of donor recipients may be determined. Based on the subset of donor recipients a recommendation of optimal donors may be determined.
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
38.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR HISTOLOGICAL MORPHOLOGY TRAJECTORY PREDICTION
Systems and methods are described herein for processing electronic medical images to predict one or more histological morphologies. For example, one or more digital medical images may be received, the one or more digital medical images being of at least one pathology specimen associated with a patient. Patient clinical data for the patient may be received. A trained machine learning system may be determined. The patient clinic data and one or more digital medical images may be provided to the trained machine learning system. A histological morphology prediction of the patient may be determined, using the trained machine learning system. The histological morphology prediction may be output to a user and/or storage.
Systems and methods are described herein for processing electronic medical images to predict one or more histological morphologies. For example, one or more digital medical images may be received, the one or more digital medical images being of at least one pathology specimen associated with a patient. Patient clinical data for the patient may be received. A trained machine learning system may be determined. The patient clinic data and one or more digital medical images may be provided to the trained machine learning system. A histological morphology prediction of the patient may be determined, using the trained machine learning system. The histological morphology prediction may be output to a user and/or storage.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
40.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES WITH AUTOMATIC PROTOCOL REVISIONS
Systems and methods are described herein for processing electronic medical images. The method may include determining, using an automated routine, whether a pathology protocol is accessible; determining a first set of one or more training images, the first set of one or more training images comprising digital medical images annotated utilizing the pathology protocol; and providing the training images to a machine learning model capable of analyzing digital medical images according to the pathology protocol or guideline. The providing may further include determining a starting model, splitting the first set of one or more training images into a training set A and an evaluation set B of digital medical images, fine tuning the starting model with the training set A to determine the machine learning model, evaluating the machine learning model with the training set B, and upon receiving a passing evaluation, saving the determined machine learning model.
G06N 7/01 - Modèles graphiques probabilistes, p. ex. réseaux probabilistes
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
G16H 70/20 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pratiques ou des directives
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
41.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES WITH AUTOMATIC PROTOCOL REVISIONS
Systems and methods are described herein for processing electronic medical images. The method may include determining, using an automated routine, whether a pathology protocol is accessible; determining a first set of one or more training images, the first set of one or more training images comprising digital medical images annotated utilizing the pathology protocol; and providing the training images to a machine learning model capable of analyzing digital medical images according to the pathology protocol or guideline. The providing may further include determining a starting model, splitting the first set of one or more training images into a training set A and an evaluation set B of digital medical images, fine tuning the starting model with the training set A to determine the machine learning model, evaluating the machine learning model with the training set B, and upon receiving a passing evaluation, saving the determined machine learning model.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G06V 10/70 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
42.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES WITH UPDATED PROTOCOLS
Systems and methods are described herein for processing electronic medical images. For example, one or more digital medical images of at least one pathology specimen, the pathology specimen being associated with a patient may be received. Additionally, an external designation of the one or more digital medical images may be received. The one or more digital medical images may be provided to one or more machine learning systems, the one or more machine learning systems each having been trained to analyze medical images using one of a plurality of versions of a protocol. The one or more machine learning systems, may determine machine learning system designations for the one or more digital medical images. The external designation may be compared to the machine learning system designations and, based on the comparison, determining whether the external designation matches a predetermined protocol.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
Systems and methods are described herein for processing electronic medical images. For example, one or more digital medical images of at least one pathology specimen, the pathology specimen being associated with a patient may be received. Additionally, an external designation of the one or more digital medical images may be received. The one or more digital medical images may be provided to one or more machine learning systems, the one or more machine learning systems each having been trained to analyze medical images using one of a plurality of versions of a protocol. The one or more machine learning systems, may determine machine learning system designations for the one or more digital medical images. The external designation may be compared to the machine learning system designations and, based on the comparison, determining whether the external designation matches a predetermined protocol.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 70/20 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pratiques ou des directives
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
44.
Systems and methods for processing images to determine image-based computational biomarkers from liquid specimens
A method of using machine learning to output task-specific predictions may include receiving a digitized cytology image of a cytology sample and applying a machine learning model to isolate cells of the digitized cytology image. The machine learning model may include identifying a plurality of sub-portions of the digitized cytology image, identifying, for each sub-portion of the plurality of sub-portions, either background or cell, and determining cell sub-images of the digitized cytology image. Each cell sub-image may comprise a cell of the digitized cytology image, based on the identifying either background or cell. The method may further comprise determining a plurality of features based on the cell sub-images, each of the cell sub-images being associated with at least one of the plurality of features, determining an aggregated feature based on the plurality of features, and training a machine learning model to predict a target task based on the aggregated feature.
A computer-implemented method of using a machine learning model to categorize a sample in digital pathology may include receiving one or more cases, each associated with digital images of a pathology specimen; identifying, using the machine learning model, a case as ready to view; receiving a selection of the case, the case comprising a plurality of parts; determining, using the machine learning model, whether the plurality of parts are suspicious or non-suspicious; receiving a selection of a part of the plurality of parts; determining whether a plurality of slides associated with the part are suspicious or non-suspicious; determining, using the machine learning model, a collection of suspicious slides, of the plurality of slides, the machine learning model having been trained by processing a plurality of training images; and annotating the collection of suspicious slides and/or generating a report based on the collection of suspicious slides.
G06K 9/00 - Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
G06T 11/60 - Édition de figures et de texteCombinaison de figures ou de texte
G06V 10/12 - Détails des dispositions d’acquisitionLeurs détails structurels
G06V 10/25 - Détermination d’une région d’intérêt [ROI] ou d’un volume d’intérêt [VOI]
G06V 10/77 - Traitement des caractéristiques d’images ou de vidéos dans les espaces de caractéristiquesDispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant l’intégration et la réduction de données, p. ex. analyse en composantes principales [PCA] ou analyse en composantes indépendantes [ ICA] ou cartes auto-organisatrices [SOM]Séparation aveugle de source
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé
46.
Systems and methods to process electronic images to provide image-based cell group targeting
Systems and methods are disclosed for grouping cells in a slide image that share a similar target, comprising receiving a digital pathology image corresponding to a tissue specimen, applying a trained machine learning system to the digital pathology image, the trained machine learning system being trained to predict at least one target difference across the tissue specimen, and determining, using the trained machine learning system, one or more predicted clusters, each of the predicted clusters corresponding to a subportion of the tissue specimen associated with a target.
G06F 18/23213 - Techniques non hiérarchiques en utilisant les statistiques ou l'optimisation des fonctions, p. ex. modélisation des fonctions de densité de probabilité avec un nombre fixe de partitions, p. ex. K-moyennes
G06V 10/762 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant le regroupement, p. ex. de visages similaires sur les réseaux sociaux
G06V 30/19 - Reconnaissance utilisant des moyens électroniques
G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
47.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR MODEL SELECTION
A computer-implemented method for processing electronic medical images, the method including receiving one or more digital medical images of at least one pathology specimen, the pathology specimen being associated with a patient and receiving one or more search criteria. One or more machine learning systems may be determined based on the one or more search criteria. The one or more machine learning systems may be output to a user, wherein outputting the one or more machine learning system includes applying the one or more machine learning systems to the one or more received medical images, and displaying the one or more digital medical images after the machine learning system performed analysis on the digital medical images. A selection from a user may be received, the selection corresponding to a first machine learning system from the one or more machine learning systems. The first machine learning system may be output.
G06V 10/70 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
48.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR MODEL SELECTION
A computer-implemented method for processing electronic medical images, the method including receiving one or more digital medical images of at least one pathology specimen, the pathology specimen being associated with a patient and receiving one or more search criteria. One or more machine learning systems may be determined based on the one or more search criteria. The one or more machine learning systems may be output to a user, wherein outputting the one or more machine learning system includes applying the one or more machine learning systems to the one or more received medical images, and displaying the one or more digital medical images after the machine learning system performed analysis on the digital medical images. A selection from a user may be received, the selection corresponding to a first machine learning system from the one or more machine learning systems. The first machine learning system may be output.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06N 5/022 - Ingénierie de la connaissanceAcquisition de la connaissance
49.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES FOR HEALTH MONITORING AND FORECASTING
Systems and methods are disclosed for determining at least one geographic region of a plurality of geographic regions, at least one data variable, and/or at least one health variable, estimating a current prevalence of a data variable in a geographic region of the plurality of geographic regions, determining a trend in a relationship between the data variable and the geographic region at a current time, determining a second trend in the relationship between the data variable and the geographic region at at least one prior point in time, determining if the trend in the relationship is irregular within a predetermined threshold with respect to the second trend from the at least one prior point in time, and, upon determining that the trend in the relationship is irregular within a predetermined threshold, generating an alert.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
42 - Services scientifiques, technologiques et industriels, recherche et conception
Produits et services
Providing use of non-downloadable software for case
management, namely, for managing pathology labs workflow,
and pathology case management, distribution and assignment;
providing use of non-downloadable software for use by users
to identify and manage pathology cases.
51.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES FOR RANKING LOSS AND GRADING
A computer-implemented method for processing medical images, the method comprising receiving a plurality of medical images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further comprise dividing the one or more medical images into a plurality of tiles and predicting, using a machine learning system, proportions of each type of cancer sub-category for the plurality of tiles, the machine learning system having been trained by ranking loss. The method may further include determining an overall grade of cancer for the one or more medical images.
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
Systems and methods are described herein for processing electronic medical images to determine a first machine learning system, the first machine learning system having been trained to identify regions of electronic medical images; receive a plurality of electronic medical images, each of the electronic medical images being associated with one or more subcategories; determine a subset of the plurality of electronic medical images that are associated with only one subcategory of the one or more subcategories; provide the subset of the plurality of electronic medical images to the first machine learning system, the first machine learning system identifying regions within the subset of the plurality of electronic medical images associated with the subcategory; and train a second machine learning system, using the identified regions and the subset of the plurality of electronic medical images.
G06V 10/774 - Génération d'ensembles de motifs de formationTraitement des caractéristiques d’images ou de vidéos dans les espaces de caractéristiquesDispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant l’intégration et la réduction de données, p. ex. analyse en composantes principales [PCA] ou analyse en composantes indépendantes [ ICA] ou cartes auto-organisatrices [SOM]Séparation aveugle de source méthodes de Bootstrap, p. ex. "bagging” ou “boosting”
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
Systems and methods are disclosed for receiving a target electronic image corresponding to a target specimen, the target specimen comprising a tissue sample of a patient, applying a machine learning system to the target electronic image to identify a region of interest of the target specimen and determine an expression level of, category of, and/or presence of a biomarker in the region of interest, the biomarker comprising at least one from among an epithelial growth factor receptor (EGFR) biomarker and/or a DNA mismatch repair (MMR) deficiency biomarker, the machine learning system having been generated by processing a plurality of training images to predict whether a region of interest is present in the target electronic image, the training images comprising images of human tissue and/or images that are algorithmically generated, and outputting the determined expression level of, category of, and/or presence of the biomarker in the region of interest.
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
54.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES FOR RANKING LOSS AND GRADING
A computer-implemented method for processing medical images, the method comprising receiving a plurality of medical images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further comprise dividing the one or more medical images into a plurality of tiles and predicting, using a machine learning system, proportions of each type of cancer sub-category for the plurality of tiles, the machine learning system having been trained by ranking loss. The method may further include determining an overall grade of cancer for the one or more medical images.
Systems and methods are disclosed for receiving one or more electronic slide images associated with a tissue specimen, the tissue specimen being associated with a patient and/or medical case, partitioning a first slide image of the one or more electronic slide images into a plurality of tiles, detecting a plurality of tissue regions of the first slide image and/or plurality of tiles to generate a tissue mask, determining whether any of the plurality of tiles corresponds to non-tissue, removing any of the plurality of tiles that are determined to be non-tissue, determining a prediction, using a machine learning prediction model, for at least one label for the one or more electronic slide images, the machine learning prediction model having been generated by processing a plurality of training images, and outputting the prediction of the trained machine learning prediction model.
G06T 7/136 - DécoupageDétection de bords impliquant un seuillage
G06T 7/194 - DécoupageDétection de bords impliquant une segmentation premier plan-arrière-plan
G06V 10/26 - Segmentation de formes dans le champ d’imageDécoupage ou fusion d’éléments d’image visant à établir la région de motif, p. ex. techniques de regroupementDétection d’occlusion
G06V 10/28 - Quantification de l’image, p. ex. seuillage par histogramme visant à discriminer entre les formes d’arrière-plan et d’avant-plan
56.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES FOR AUTO-LABELING FOR COMPUTATIONAL PATHOLOGY
Systems and methods are described herein for processing electronic medical images to determine a first machine learning system, the first machine learning system having been trained to identify regions of electronic medical images; receive a plurality of electronic medical images, each of the electronic medical images being associated with one or more subcategories; determine a subset of the plurality of electronic medical images that are associated with only one subcategory of the one or more subcategories; provide the subset of the plurality of electronic medical images to the first machine learning system, the first machine learning system identifying regions within the subset of the plurality of electronic medical images associated with the subcategory; and train a second machine learning system, using the identified regions and the subset of the plurality of electronic medical images.
Disclosed herein are methods for overfilling primary packaging components, and drug products prepared according to those methods. The methods may include introducing a volume of a formulated drug substance into a primary packaging component having a nominal volume, where the volume of the formulated drug substance is greater than the nominal volume of the primary packaging component. In some cases, the primary packaging component may be a prefillable syringe.
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 30/00 - TIC spécialement adaptées au maniement ou au traitement d’images médicales
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
58.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES USING UNCERTAINTY ESTIMATION
A method for processing electronic images using uncertainty estimation may be used to determine whether to use an artificial intelligence (AI) assisted prediction. The method may include receiving one or more electronic images associated with a pathology specimen and providing the one or more electronic images to a machine learning model. The machine learning model may perform operations including determining a certainty level corresponding to a certainty that a predetermined AI system will provide an accurate prediction, determining whether the certainty level equals or exceeds a predetermined confidence threshold, and, upon determining that the certainty level does not equal or exceed a predetermined confidence threshold, determining to not use the predetermined AI system.
G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype
G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
59.
Systems and methods for analyzing electronic images for quality control
Systems and methods are disclosed for receiving a digital image corresponding to a target specimen associated with a pathology category, determining a quality control (QC) machine learning model to predict a quality designation based on one or more artifacts, providing the digital image as an input to the QC machine learning model, receiving the quality designation for the digital image as an output from the machine learning model, and outputting the quality designation of the digital image. A quality assurance (QA) machine learning model may predict a disease designation based on one or more biomarkers. The digital image may be provided to the QA model which may output a disease designation. An external designation may be compared to the disease designation and a comparison result may be output.
G06K 9/00 - Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
42 - Services scientifiques, technologiques et industriels, recherche et conception
Produits et services
Providing online non-downloadable software for case management, namely, for managing pathology labs workflow, and pathology case management, distribution and assignment; providing online non-downloadable software for use by users to identify and manage pathology cases
61.
Systems and methods to process electronic images for synthetic image generation
Systems and methods are disclosed for generating synthetic medical images, including images presenting rare conditions or morphologies for which sufficient data may be unavailable. In one aspect, style transfer methods may be used. For example, a target medical image, a segmentation mask identifying style(s) to be transferred to area(s) of the target, and source medical image(s) including the style(s) may be received. Using the mask, the target may be divided into tile(s) corresponding to the area(s) and input to a trained machine learning system. For each tile, gradients associated with a content and style of the tile may be output by the system. Pixel(s) of at least one tile of the target may be altered based on the gradients to maintain content of the target while transferring the style(s) of the source(s) to the target. The synthetic medical image may be generated from the target based on the altering.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
A computer-implemented method for processing medical images, the method including receiving one or more of medical images of at least one pathology specimen, the pathology specimen being associated with a patient, wherein the medical image is a stained histology image. The method may further include receiving a stain type associated with the one or more medical images and identifying a color vision deficiency for one or more users. Next the method may include identifying a pixel transformation for the one or more medical images based on the stain type and color vision deficiency of the one or more users. Next the method may include applying a pixel transformation to each pixel within the one or more medical images. Lastly the method may include displaying the transformed one or more medical images to the one or more users.
Systems and methods are described herein for processing electronic medical images to optimize a review order of pathology cases. For example, a plurality of variables and one or more constraints may be received along with a plurality of pathology cases. Each case of the plurality of pathology cases may include one or more medical images of at least one pathology specimen associated with a patient. The medical images from each case, the plurality of variables, and the one or more constraints may be provided as input to a trained system. A sequential order for user review_of the plurality of cases to optimize one or more of the plurality of variables based on the one or more constraints may be received as output of the trained system. Each case of the plurality of cases may be automatically provided to a user for review according to the sequential order.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
64.
SYSTEMS AND METHODS FOR IMAGE PROCESSING TO DETERMINE CASE OPTIMIZATION
Systems and methods are described herein for processing electronic medical images to optimize a review order of pathology cases. For example, a plurality of variables and one or more constraints may be received along with a plurality of pathology cases. Each case of the plurality of pathology cases may include one or more medical images of at least one pathology specimen associated with a patient. The medical images from each case, the plurality of variables, and the one or more constraints may be provided as input to a trained system. A sequential order for user review of the plurality of cases to optimize one or more of the plurality of variables based on the one or more constraints may be received as output of the trained system. Each case of the plurality of cases may be automatically provided to a user for review according to the sequential order.
G06K 9/62 - Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
G06V 10/25 - Détermination d’une région d’intérêt [ROI] ou d’un volume d’intérêt [VOI]
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
65.
SYSTEMS AND METHODS FOR PROCESSING DIGITAL IMAGES TO ADAPT TO COLOR VISION DEFICIENCY
A computer-implemented method for processing medical images, the method including receiving one or more of medical images of at least one pathology specimen, the pathology specimen being associated with a patient, wherein the medical image is a stained histology image. The method may further include receiving a stain type associated with the one or more medical images and identifying a color vision deficiency for one or more users. Next the method may include identifying a pixel transformation for the one or more medical images based on the stain type and color vision deficiency of the one or more users. Next the method may include applying a pixel transformation to each pixel within the one or more medical images. Lastly the method may include displaying the transformed one or more medical images to the one or more users.
Systems and methods are described herein for processing electronic medical images to optimize a review order of pathology cases. For example, a plurality of variables and one or more constraints may be received along with a plurality of pathology cases. Each case of the plurality of pathology cases may include one or more medical images of at least one pathology specimen associated with a patient. The medical images from each case, the plurality of variables, and the one or more constraints may be provided as input to a trained system. A sequential order for user review_of the plurality of cases to optimize one or more of the plurality of variables based on the one or more constraints may be received as output of the trained system. Each case of the plurality of cases may be automatically provided to a user for review according to the sequential order.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
67.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO IDENTIFY ABNORMAL MORPHOLOGIES
Systems and methods for identifying morphologies present in digital whole slide images. The method may include receiving one or more digital whole slide images associated with a patient; determining a plurality of foreground tiles within the one or more digital whole slide images associated with a patient; determining, using a trained machine learning model, whether each foreground tile of the plurality of foreground tiles contains a known morphology or an unknown morphology; upon determining that one or more foreground tiles contains an unknown morphology, providing the one or more foreground tiles with an unknown morphology to a clustering algorithm, the clustering algorithm associating each of the one or more tiles with an unknown morphology cluster; and based on the associated unknown morphology cluster, predicting at least one outcome for the patient.
Systems and methods for identifying morphologies present in digital whole slide images. The method may include receiving one or more digital whole slide images associated with a patient; determining a plurality of foreground tiles within the one or more digital whole slide images associated with a patient; determining, using a trained machine learning model, whether each foreground tile of the plurality of foreground tiles contains a known morphology or an unknown morphology; upon determining that one or more foreground tiles contains an unknown morphology, providing the one or more foreground tiles with an unknown morphology to a clustering algorithm, the clustering algorithm associating each of the one or more tiles with an unknown morphology cluster; and based on the associated unknown morphology cluster, predicting at least one outcome for the patient.
Systems and methods for identifying morphologies present in digital whole slide images. The method may include receiving one or more digital whole slide images associated with a patient; determining a plurality of foreground tiles within the one or more digital whole slide images associated with a patient; determining, using a trained machine learning model, whether each foreground tile of the plurality of foreground tiles contains a known morphology or an unknown morphology; upon determining that one or more foreground tiles contains an unknown morphology, providing the one or more foreground tiles with an unknown morphology to a clustering algorithm, the clustering algorithm associating each of the one or more tiles with an unknown morphology cluster; and based on the associated unknown morphology cluster, predicting at least one outcome for the patient.
Aspects disclosed herein may provide a computer-implemented method for processing electronic medical images. The method may include receiving one or more digital images of a pathology specimen, detecting a presence of one or more incidents of one or more attributes in the received digital image, detecting a spatial relationship of the one or more incidents, selecting, based on the detected spatial relationship, one or more incidents of the one or more attributes, and outputting, to a display, a visual depiction of the one or more selected incidents and the spatial relationship.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
71.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO VISUALIZE COMBINATIONS OF SEMANTIC PATHOLOGY FEATURES
Aspects disclosed herein may provide a computer-implemented method for processing electronic medical images. The method may include receiving one or more digital images of a pathology specimen, detecting a presence of one or more incidents of one or more attributes in the received digital image, detecting a spatial relationship of the one or more incidents, selecting, based on the detected spatial relationship, one or more incidents of the one or more attributes, and outputting, to a display, a visual depiction of the one or more selected incidents and the spatial relationship.
G06V 10/74 - Appariement de motifs d’image ou de vidéoMesures de proximité dans les espaces de caractéristiques
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G06F 3/04817 - Techniques d’interaction fondées sur les interfaces utilisateur graphiques [GUI] fondées sur des propriétés spécifiques de l’objet d’interaction affiché ou sur un environnement basé sur les métaphores, p. ex. interaction avec des éléments du bureau telles les fenêtres ou les icônes, ou avec l’aide d’un curseur changeant de comportement ou d’aspect utilisant des icônes
G06F 3/14 - Sortie numérique vers un dispositif de visualisation
72.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO DETERMINE ONCOGENIC SIGNALS
Systems and methods are disclosed for generating and predicting behavior of patient-specific oncogenic signaling pathways or networks. In some aspects, patient-specific oncogenic signaling pathways or networks may be generated by receiving one or more digital medical images associated with a patient, providing an unpopulated gene network graph and the one or more digital medical images as input to a trained machine learning system that is trained to populate the gene network graph with gene expression levels specific to the patient based on the one or more digital medical images, and receiving, as output from the trained machine learning system, the gene network graph populated with the gene expression levels specific to the patient.
G16B 5/00 - TIC spécialement adaptées à la modélisation ou aux simulations dans la biologie des systèmes, p. ex. réseaux de régulation génétique, réseaux d’interaction entre protéines ou réseaux métaboliques
73.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO DETERMINE ONCOGENIC SIGNALS
Systems and methods are disclosed for generating and predicting behavior of patient-specific oncogenic signaling pathways or networks. In some aspects, patient-specific oncogenic signaling pathways or networks may be generated by receiving one or more digital medical images associated with a patient, providing an unpopulated gene network graph and the one or more digital medical images as input to a trained machine learning system that is trained to populate the gene network graph with gene expression levels specific to the patient based on the one or more digital medical images, and receiving, as output from the trained machine learning system, the gene network graph populated with the gene expression levels specific to the patient.
G16B 5/00 - TIC spécialement adaptées à la modélisation ou aux simulations dans la biologie des systèmes, p. ex. réseaux de régulation génétique, réseaux d’interaction entre protéines ou réseaux métaboliques
74.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES TO DETERMINE ONCOGENIC SIGNALS
Systems and methods are disclosed for generating and predicting behavior of patient-specific oncogenic signaling pathways or networks. In some aspects, patient-specific oncogenic signaling pathways or networks may be generated by receiving one or more digital medical images associated with a patient, providing an unpopulated gene network graph and the one or more digital medical images as input to a trained machine learning system that is trained to populate the gene network graph with gene expression levels specific to the patient based on the one or more digital medical images, and receiving, as output from the trained machine learning system, the gene network graph populated with the gene expression levels specific to the patient.
Systems and methods are disclosed for receiving a target image corresponding to a target specimen, the target specimen comprising a tissue sample of a patient, applying a machine learning model to the target image to determine at least one characteristic of the target specimen and/or at least one characteristic of the target image, the machine learning model having been generated by processing a plurality of training images to predict at least one characteristic, the training images comprising images of human tissue and/or images that are algorithmically generated, and outputting the at least one characteristic of the target specimen and/or the at least one characteristic of the target image.
Systems and methods are disclosed for identifying a diagnostic feature of a digitized pathology image, including receiving one or more digitized images of a pathology specimen, and medical metadata comprising at least one of image metadata, specimen metadata, clinical information, and/or patient information, applying a machine learning model to predict a plurality of relevant diagnostic features based on medical metadata, the machine learning model having been developed using an archive of processed images and prospective patient data, and determining at least one relevant diagnostic feature of the relevant diagnostic features for output to a display.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06F 18/2113 - Sélection du sous-ensemble de caractéristiques le plus significatif en classant ou en filtrant l'ensemble des caractéristiques, p. ex. en utilisant une mesure de la variance ou de la corrélation croisée des caractéristiques
G06F 18/214 - Génération de motifs d'entraînementProcédés de Bootstrapping, p. ex. ”bagging” ou ”boosting”
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
77.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR DETERMINING TREATMENT
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining receiving metadata corresponding to the plurality of digital pathology images, the metadata comprising data regarding previous medical treatment of the patient. Next, the method may include providing the medical images and metadata as input to a machine learning system, the machine learning system having been trained by receiving as input historical treatment information and digital images labeled with a predicted treatment regimen. Lastly, the method may include outputting, by the machine learning system, a treatment effectiveness assessment.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
78.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR DETERMINING TREATMENT
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining receiving metadata corresponding to the plurality of digital pathology images, the metadata comprising data regarding previous medical treatment of the patient. Next, the method may include providing the medical images and metadata as input to a machine learning system, the machine learning system having been trained by receiving as input historical treatment information and digital images labeled with a predicted treatment regimen. Lastly, the method may include outputting, by the machine learning system, a treatment effectiveness assessment.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
79.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR DETERMINING TREATMENT
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining receiving metadata corresponding to the plurality of digital pathology images, the metadata comprising data regarding previous medical treatment of the patient. Next, the method may include providing the medical images and metadata as input to a machine learning system, the machine learning system having been trained by receiving as input historical treatment information and digital images labeled with a predicted treatment regimen. Lastly, the method may include outputting, by the machine learning system, a treatment effectiveness assessment.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A method for identifying a mutational signature may include receiving one or more digital images into electronic storage for at least one patient, identifying one or more neoplasms in each received digital image, extracting one or more visual features from each identified neoplasm, and applying a trained machine learning system to identify a mutational signature ratio vector for the one or more extracted visual features.
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
81.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES WITH PREANALYTIC ADJUSTMENT
A method for processing electronic medical images may include receiving an initial whole slide image of a pathology specimen, receiving information about slide quality aspects to modify, and generating a synthetic whole slide image by applying a machine learning model to modify the received initial whole slide image according to the received information. The pathology specimen may be associated with a patient. The synthetic whole slide image may have a reduced quality as compared to the initial whole slide image.
A method for identifying a mutational signature may include receiving one or more digital images into electronic storage for at least one patient, identifying one or more neoplasms in each received digital image, extracting one or more visual features from each identified neoplasm, and applying a trained machine learning system to identify a mutational signature ratio vector for the one or more extracted visual features.
G06V 10/82 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant les réseaux neuronaux
G06V 20/69 - Objets microscopiques, p. ex. cellules biologiques ou pièces cellulaires
83.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO IDENTIFY TUMOR SUBCLONES AND RELATIONSHIPS AMONG SUBCLONES
A computer-implemented method for detecting tumor subclones may include receiving one or more digital images into a digital storage device, the one or more digital images including images of a tumor of a patient, detecting one or more neoplasms in the one or more received digital images for each patient, extracting one or more visual features from each detected neoplasm, determining a hierarchy dendrogram based on the detected one or more neoplasms and the extracted one or more visual features for each detected neoplasm, determining one or more leaf nodes based on the determined hierarchy dendrogram, and determining whether there are two or more neoplasms among the detected one or more neoplasms that originated independently.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
84.
Systems and methods for processing digital images for radiation therapy
Systems and methods are disclosed for predicting a resistance index associated with a tumor and surrounding tissue, comprising receiving one or more digital images of a pathology specimen, receiving additional information about a patient and/or a disease associated with the pathology specimen, determining at least one target region of the one or more digital images for analysis and removing a non-relevant region of the one or more digital images, applying a machine learning system to the one or more digital images to determine a resistance index for the target region of the one or more digital images, the machine learning system having been trained using a plurality of training images to predict the resistance index for the target region using a plurality of images of pathology specimens, and outputting the resistance index corresponding to the target region.
G16H 20/40 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies mécaniques, la radiothérapie ou des thérapies invasives, p. ex. la chirurgie, la thérapie laser, la dialyse ou l’acuponcture
A61N 5/10 - RadiothérapieTraitement aux rayons gammaTraitement par irradiation de particules
G06V 10/25 - Détermination d’une région d’intérêt [ROI] ou d’un volume d’intérêt [VOI]
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
85.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES WITH PREANALYTIC ADJUSTMENT
A method for processing electronic medical images may include receiving an initial whole slide image of a pathology specimen, receiving information about slide quality aspects to modify, and generating a synthetic whole slide image by applying a machine learning model to modify the received initial whole slide image according to the received information. The pathology specimen may be associated with a patient. The synthetic whole slide image may have a reduced quality as compared to the initial whole slide image.
A method for identifying a mutational signature may include receiving one or more digital images into electronic storage for at least one patient, identifying one or more neoplasms in each received digital image, extracting one or more visual features from each identified neoplasm, and applying a trained machine learning system to identify a mutational signature ratio vector for the one or more extracted visual features.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
87.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES FOR CONTINUOUS BIOMARKER PREDICTION
Systems and methods are disclosed for processing digital images to predict at least one continuous value comprising receiving one or more digital medical images, determining whether the one or more digital medical images includes at least one salient region, upon determining that the one or more digital medical images includes the at least one salient region, predicting, by a trained machine learning system, at least one continuous value corresponding to the at least one salient region, and outputting the at least one continuous value to an electronic storage device and/or display.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G06V 10/46 - Descripteurs pour la forme, descripteurs liés au contour ou aux points, p. ex. transformation de caractéristiques visuelles invariante à l’échelle [SIFT] ou sacs de mots [BoW]Caractéristiques régionales saillantes
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Systems and methods are disclosed for identifying tissue specimen types present in digital whole slide images. In some aspects, tissue specimen types may be identified using unsupervised machine learning techniques for out-of-distribution detection. For example, a digital whole slide image of a tissue specimen and a recorded tissue specimen type for the digital whole slide image may be received. One or more feature vectors may be extracted from one or more foreground tiles of the digital whole slide image identified as including the tissue specimen, and a distribution learned by a machine learning system for the recorded tissue specimen type may be received. Using the distribution, a probability of the feature vectors corresponding to the recorded tissue specimen type may be computed and used as a basis for classifying the foreground tiles from which the feature vectors are extracted as an in-distribution foreground tile or an out-of-distribution foreground tile.
G06T 7/194 - DécoupageDétection de bords impliquant une segmentation premier plan-arrière-plan
G06N 3/04 - Architecture, p. ex. topologie d'interconnexion
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining, using a machine learning system, whether artifacts or objects of interest are present on the digital pathology images. Once the machine learning system has determined that an artifact or object of interest is present, the system may determine one or more regions on the digital pathology images that contain artifacts or objects of interest. Once the system determines the regions on the digital pathology images that contain artifacts or objects of interest, the system may use a machine learning system to inpaint or suppress the region and output the digital pathology images with the artifacts or objects of interest inpainted or suppressed.
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining, using a machine learning system, whether artifacts or objects of interest are present on the digital pathology images. Once the machine learning system has determined that an artifact or object of interest is present, the system may determine one or more regions on the digital pathology images that contain artifacts or objects of interest. Once the system determines the regions on the digital pathology images that contain artifacts or objects of interest, the system may use a machine learning system to inpaint or suppress the region and output the digital pathology images with the artifacts or objects of interest inpatined or suppressed.
Systems and methods are disclosed for receiving a target electronic image corresponding to a target specimen, the target specimen comprising a tissue sample of a patient, applying a machine learning system to the target electronic image to determine at least one characteristic of the target specimen and/or at least one characteristic of the target electronic image, the machine learning system having been generated by processing a plurality of training images to predict at least one characteristic, the training images comprising images of human tissue and/or images that are algorithmically generated, and outputting the target electronic image identifying an area of interest based on the at least one characteristic of the target specimen and/or the at least one characteristic of the target electronic image.
A computer-implemented method for detecting tumor subclones may include receiving one or more digital images into a digital storage device, the one or more digital images including images of a tumor of a patient, detecting one or more neoplasms in the one or more received digital images for each patient, extracting one or more visual features from each detected neoplasm, determining a hierarchy dendrogram based on the detected one or more neoplasms and the extracted one or more visual features for each detected neoplasm, determining one or more leaf nodes based on the determined hierarchy dendrogram, and determining whether there are two or more neoplasms among the detected one or more neoplasms that originated independently.
G06K 9/62 - Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
G06V 10/762 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant le regroupement, p. ex. de visages similaires sur les réseaux sociaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
93.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO SELECTIVELY HIDE STRUCTURES AND ARTIFACTS FOR DIGITAL PATHOLOGY IMAGE REVIEW
A computer-implemented method for processing digital pathology images, the method including receiving a plurality of digital pathology images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include determining, using a machine learning system, whether artifacts or objects of interest are present on the digital pathology images. Once the machine learning system has determined that an artifact or object of interest is present, the system may determine one or more regions on the digital pathology images that contain artifacts or objects of interest. Once the system determines the regions on the digital pathology images that contain artifacts or objects of interest, the system may use a machine learning system to inpaint or suppress the region and output the digital pathology images with the artifacts or objects of interest inpatined or suppressed.
A computer-implemented method for processing electronic medical images, the method including receiving images of at least one pathology specimen, the pathology specimen being associated with a patient. The system may determine, using a machine learning system and based on the electronic medical images, at least one contributing cause of death. The system may provide at least contributing cause of death.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
95.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES WITH METADATA INTEGRATION
A computer-implemented method for processing medical images, the method may include receiving a plurality of medical images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include receiving a gross description, the gross description comprising data about the medical images. The method may next include extracting data from the description. Next, the method may include determining, using a machine learning system, at least one associated location on the medical images for one or more pieces of data extracted. The method may then include outputting a visual indication of the gross description data displayed in relation to the medical images.
G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
96.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES IN FORENSIC PATHOLOGY
A computer-implemented method for processing electronic medical images, the method including receiving images of at least one pathology specimen, the pathology specimen being associated with a patient. The system may determine, using a machine learning system and based on the electronic medical images, at least one contributing cause of death. The system may provide at least contributing cause of death.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
97.
SYSTEMS AND METHODS FOR PROCESSING ELECTRONIC IMAGES WITH METADATA INTEGRATION
A computer-implemented method for processing medical images, the method including receiving a plurality of medical images of at least one pathology specimen, the pathology specimen being associated with a patient. The method may further include receiving a gross description, the gross description comprising data about the medical images. The method may next include extracting data from the description. Next, the method may include determining, using a machine learning system, at least one associated location on the medical images for one or more pieces of data extracted. The method may then include outputting a visual indication of the gross description data displayed in relation to the medical images.
G16H 30/40 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le traitement d’images médicales, p. ex. l’édition
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
98.
SYSTEMS AND METHODS TO PROCESS ELECTRONIC IMAGES TO DETERMINE HISTOPATHOLOGY QUALITY
A computer-implemented method for processing an electronic image may include receiving, by an artificial intelligence (Al) system at an electronic storage of the Al system, one or more digital whole slide images (WSIs) and extracting one or more vectors of features from one or more foreground tiles of tile images of the one or more digital WSIs. The method may include running a trained machine learning model on the one or more vectors of features and determining, based on an output of the trained machine learning model, whether one or more quality issues are present in the one or more digital WSIs.
A computer-implemented method of reviewing digital pathology data may include receiving a digital pathology image into a digital storage device, the digital pathology image being associated with a patient, providing for display the digital pathology image on a display, pairing the digital pathology image with a physical token of the digital pathology image in an interactive system, receiving one or more commands from the interactive system, determining one or more manipulations or modifications to the displayed digital pathology image based on the one or more commands, and providing for display a modified digital pathology image on the display according to the determined one or more manipulations or modifications.
Systems and methods are disclosed for receiving a digital image corresponding to a target specimen associated with a pathology category, wherein the digital image is an image of tissue specimen, determining a detection machine learning model, the detection machine learning model being generated by processing a plurality of training images to output a cancer qualification and further a cancer quantification if the cancer qualification is an confirmed cancer qualification, providing the digital image as an input to the detection machine learning model, receiving one of a pathological complete response (pCR) cancer qualification or a confirmed cancer quantification as an output from the detection machine learning model, and outputting the pCR cancer qualification or the confirmed cancer quantification.
