多光谱图像的批量定量分析

通过软件自学习的方式，将病理学家丰富的读片经验，转化为客观的组织形态纹理学算法，批量识别特定的组织类型，进而分析其中的信号表达情况。

• 简单的圈选操作即训练软件生产高精度的识别算法

    inForm 软件可运行“组织”识别功能，生成基于形态、纹理的分区算法。

    可学习的形态在数量种类上没有限制。

• 多个训练集的设定

  通过在不同的视野画面上圈选多个不同的组织区域进行算法训练，可检测出囊括多种形态特征的组织类型。

• 自动化批量分析

  组织识别算法生成以后，就无需再指定任何的 ROI，可以批量实现组织画面的全自动量化分析。

  

• 阳性细胞计数                                                                                                               组织区域面积计算

  按组织类型计算出阳性细胞的数目                                                                                  从 HE 染色标本中计算出特定形态的面积

• 每种识别组织的面积及其总的信号强度                                                                            应用如炎症区域定量分析、肉芽肿定量分析、毒性实验等

• 特定组织中的细胞总数及阳性细胞比例

• 每个细胞的坐标位置及各色信号的着色强度

  

  基于深度学习的统计学视野筛选

  inForm 生成的组织自动识别算法可以导入 Vectra 系统，作为组织选取的标准自动寻找目标视野，并按照统计学要求，选择特定数目的目标视野，自动完成图像采集。

• 分析标准统一

  全自动视野采集可以提升批量样本的成像效率，并大幅度减少实验人员因主观判读偏好导致的偏差。

• 预防漏检稀有事件

  传统肉眼选取视野的方法中，在样本量大而阳性率低时会容易发生漏检。通过自动化视野识别进行全片监控扫描，可有效防止分析遗漏，有助于低概率样本的发现和分析。

  
  

  

  肿瘤微环境与肿瘤免疫

  Phenoptics 研究解决方案作为肿瘤免疫学研究的全新技术得到广泛推崇，是当下最先进的组织原位细胞表型定量分析技术。通过Opal 多重免疫荧光染色技术、Vectra/Mantra 多光谱成像技术和inForm 定量病理图像分析技术，可进行对肿瘤微环境中的各色细胞进行表型鉴别和统计分析。