RU2659217C1 - Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia - Google Patents
Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia Download PDFInfo
- Publication number
- RU2659217C1 RU2659217C1 RU2017143326A RU2017143326A RU2659217C1 RU 2659217 C1 RU2659217 C1 RU 2659217C1 RU 2017143326 A RU2017143326 A RU 2017143326A RU 2017143326 A RU2017143326 A RU 2017143326A RU 2659217 C1 RU2659217 C1 RU 2659217C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- nuclei
- bone marrow
- diagnosis
- acute lymphoblastic
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
Изобретение относится к области медицины и может быть использовано для диагностики Т- и В-линейных острых лимфобластных лейкозов (ОЛЛ) с использованием световой микроскопии в сочетании с компьютерной обработкой данных.The invention relates to medicine and can be used to diagnose T- and B-linear acute lymphoblastic leukemia (ALL) using light microscopy in combination with computer data processing.
ОЛЛ представляют собой гетерогенную группу опухолевых заболеваний системы кроветворения. Они характеризуются поражением костного мозга и крови патологическими бластами. Диагностика острых лейкозов (ОЛ) базируется на комплексной характеристике бластов. При этом применяются морфологические, цитохимические и иммунофенотипические методы изучения клеток [Френкель М.А., в кн. «Клиническая онкогематология» под редакцией проф. М.А. Волковой, Москва, «Медицина», 2007 г., стр. 306-319, Тупицын Н.Н., в кн. «Клиническая онкогематология» под редакцией проф. М.А. Волковой, Москва, «Медицина», 2007 г., стр. 338-370]. Каждый из этих подходов характеризует отдельные особые свойства бластов. Совокупность полученных данных является основанием для диагностики ОЛЛ и их вариантов.ALL are a heterogeneous group of tumor diseases of the hematopoietic system. They are characterized by damage to bone marrow and blood by pathological blasts. Diagnosis of acute leukemia (OL) is based on the complex characterization of blasts. In this case, morphological, cytochemical and immunophenotypic methods for studying cells are used [Frenkel MA, in the book. "Clinical Oncohematology" edited by prof. M.A. Volkova, Moscow, “Medicine”, 2007, pp. 306-319, Tupitsyn N.N., in the book. "Clinical Oncohematology" edited by prof. M.A. Volkova, Moscow, “Medicine”, 2007, pp. 338-370]. Each of these approaches characterizes individual special properties of blasts. The totality of the data obtained is the basis for the diagnosis of ALL and their options.
Морфологический метод исследования заключается в изучении окрашенных препаратов крови и костного мозга с подсчетом числа бластов в процентах к общему числу клеток. В крови подсчитывается 200 клеток, в костном мозге 500 клеток двумя независимыми экспертами. При этом учитываются размер и форма клеток, очертания ядер, особенности структуры хроматина, ядерно-цитоплазматическое отношение и наличие включений в цитоплазму. Морфологический подход не дает возможности во многих случаях установить природу бластов в связи с их значительной гетерогенностью.The morphological method of research is the study of stained blood and bone marrow preparations with the calculation of the number of blasts as a percentage of the total number of cells. 200 cells are counted in the blood, 500 cells in the bone marrow by two independent experts. In this case, the size and shape of the cells, the shape of the nuclei, the structural features of chromatin, the nuclear-cytoplasmic ratio and the presence of inclusions in the cytoplasm are taken into account. The morphological approach makes it impossible in many cases to establish the nature of blasts in connection with their significant heterogeneity.
Цитохимическое исследование включает анализ маркеров гранулоцитарного и моноцитарного рядов гемопоэза. Они позволяют отдифференцировать ОЛЛ от миелоидных лейкозов. Однако этот метод не является адекватным в части случаев лейкозов.A cytochemical study includes analysis of markers of granulocytic and monocytic hematopoiesis series. They allow differentiating ALL from myeloid leukemia. However, this method is not adequate for leukemia cases.
Иммунофенотипическое исследование основано на изучении антигенной структуры бластов с помощью проточной цитофлюорометрии. Использование широкого набора диагностических антител позволяет определить направленности дифференцировки и установить стадию созревания бластов. Анализ результатов иммунофенотипирования, с учетом морфологических и цитохимических показателей дает основание определить гистогенез и этап дифференцировки бластов при ОЛЛ.Immunophenotypic research is based on the study of the antigenic structure of blasts using flow cytometry. The use of a wide range of diagnostic antibodies allows one to determine the direction of differentiation and to establish the stage of blast maturation. An analysis of the results of immunophenotyping, taking into account morphological and cytochemical parameters, gives grounds to determine the histogenesis and stage of differentiation of blasts in ALL.
Делаются попытки расширить характеристику клеток крови и костного мозга при лейкозах с помощью автоматических систем. Однако ошибки достигают уровня 30-40%. Отсутствуют достоверные данные по возможности одновременной морфологической и иммунофенотипической характеристики бластов на окрашенных мазках с целью диагностики вариантов ОЛЛ.Attempts are being made to expand the characterization of blood cells and bone marrow in leukemia using automatic systems. However, errors reach the level of 30-40%. There are no reliable data on the possibility of simultaneous morphological and immunophenotypic characteristics of blasts on stained smears in order to diagnose ALL variants.
Известен «Способ распознавания изображения текстуры клеток» [Патент РФ №2385494]. Данный способ анализа изображения текстуры объекта для выявления патологии, включающий определение текстурных признаков объекта, которое состоит в том, что осуществляют предобработку полученных изображений объекта посредством сегментации на основе анализа в цветовом пространстве информативных с точки зрения текстурных признаков областей изображения объекта, определяемых выбранным размером окна, шагом и направлением просмотра изображения объекта, производят вычисления значений для текстурных признаков и формирования матриц чисел и осуществляют идентификацию и классификацию объекта, при этом текстурные признаки определяют для изображений клеток крови, предобработку полученных изображений объекта посредством сегментации осуществляют на основе кластерного анализа в цветовом пространстве, в качестве информативных с точки зрения текстурных признаков областей изображения объекта используют выделение изображений ядер клеток, наиболее информативные признаки для классификации определяют автоматически на основе обучающих выборок из предварительно созданных баз изображений, классифицированных экспертами и содержащих клетки каждого типа (бластные, лимфоциты), на основе которых производят идентификацию и классификацию, преобразуют пиксели изображения в различные цветовые пространства, вычисляют матрицу пространственной смежности, после чего на основании вычисленных значений текстурных признаков осуществляют классификацию (распределение по общим признакам) в пространстве текстурных признаков: энергия, момент инерции, максимальная вероятность, локальная однородность, энтропия, след НМПС, среднее значение яркости, корреляция значений яркости изображения.The well-known "Method for recognizing images of cell texture" [RF Patent No. 2385494]. This method of analyzing the texture image of an object to identify pathology, including determining the texture features of the object, which consists in pre-processing the obtained images of the object by segmentation based on the analysis in the color space of the image areas of the image that are informative from the point of view of texture features, determined by the selected window size, step and direction of viewing the image of the object, calculate the values for texture features and the formation of matrixes of numbers and the object is identified and classified, while the texture features are determined for images of blood cells, the preprocessing of the obtained images of the object through segmentation is carried out on the basis of cluster analysis in the color space, and the selection of cell nucleus images is used as informative from the point of view of the texture features of the object’s images, the most informative signs for classification are determined automatically based on training samples from previously created databases images classified by experts and containing cells of each type (blast cells, lymphocytes), on the basis of which identification and classification are performed, image pixels are converted into different color spaces, the spatial adjacency matrix is calculated, and then classification is performed based on the calculated values of texture features (distribution according to the general signs) in the space of texture features: energy, moment of inertia, maximum probability, local uniformity, entropy, trace of the NMSS, medium lower brightness value, correlation of image brightness values.
Однако указанный способ не обеспечивает в условиях близких кластеров описания лейкоцитов с различным иммунологическим статусом, актуализации баз данных и пополнения данными экспертов, повышения доли заболеваний, выявляемых на ранней стадии, что является одной из приоритетных задач онкологии в условиях совершенствования современных видов диагностики и терапии с контролем их эффективности.However, this method does not provide, in conditions of close clusters, descriptions of leukocytes with different immunological status, updating databases and replenishing expert data, increasing the proportion of diseases detected at an early stage, which is one of the priority tasks of oncology in the context of improving modern types of diagnostics and therapy with control their effectiveness.
Известен метод компьютерного распознавания и классификации аномальных клеток крови и программное обеспечение для его реализации [Патент ES 2428215 А1]. В решении предложен метод, который выполняет классификацию клеток на основе методов автоматизированной обработки и анализа проб крови, что включает получение цифровых изображений аномальных клеток крови из мазков крови. Сегментация этих цифровых изображений аномальных клеток включает регионы ядра, цитоплазмы и внешней области фона вокруг клетки. По ним вычисляются внутренние морфологические характеристики каждого из этих регионов ядра, цитоплазмы и внешней области клетки. Автоматическое распознавание и классификация аномальных клеток крови проводится на основе характеристик, рассчитанных для этих регионов. Такие аномальные клетки классифицируются для помощи в диагностике при гематологических заболеваниях. Предложенное изобретение включает компьютерные программы, адаптированные для выполнения некоторых этапов изобретения.A known method of computer recognition and classification of abnormal blood cells and software for its implementation [Patent ES 2428215 A1]. The solution proposed a method that performs cell classification based on automated processing and analysis of blood samples, which includes obtaining digital images of abnormal blood cells from blood smears. The segmentation of these digital images of abnormal cells includes regions of the nucleus, cytoplasm, and the outer background region around the cell. Using them, the internal morphological characteristics of each of these regions of the nucleus, cytoplasm and the outer region of the cell are calculated. Automatic recognition and classification of abnormal blood cells is based on the characteristics calculated for these regions. Such abnormal cells are classified to aid in the diagnosis of hematologic diseases. The proposed invention includes computer programs adapted to perform certain steps of the invention.
В решении рассмотрены методы предобработки. Соответствующие процедуры не увеличивают информацию, присутствующую в данных, но увеличивают динамический диапазон свойств изображения для облегчения обработки. Некоторые методы предварительной обработки, которые могут использоваться, включают фильтрацию изображений путем применения фильтров: Гаусса, медианного, Винера, с целью уменьшения уровня шума. В рассматриваемом подходе применяются препараты, окрашенные по методике Май-Грюнвальд-Гимза. Окраска препарата позволяет лучше определить цвет для определения лучших компонент для сегментации. В решении при сегментации используется два варианта: первый - сегментация контуров методом обнаружения контуров по компоненте Н цветового пространства HSV, второй - группировка и преобразование. Процедура описания аномальных клеток осуществляется по текстурным характеристикам в цветовом пространстве Lab. Классификация осуществляется на основе метода главных компонент. Доля клеток, неправильно классифицированных, составила 1,93%.The solution considers pre-processing methods. Appropriate procedures do not increase the information present in the data, but increase the dynamic range of image properties to facilitate processing. Some pre-processing methods that can be used include filtering images by applying filters: Gauss, median, Wiener, in order to reduce noise. In the approach under consideration, preparations stained by the May-Grunwald-Giemsa technique are used. Coloring the drug allows you to better determine the color to determine the best components for segmentation. In the solution for segmentation, two options are used: the first is the segmentation of contours by the method of detecting contours by component H of the HSV color space, the second is grouping and transformation. The procedure for describing abnormal cells is carried out according to the texture characteristics in the Lab color space. Classification is based on the principal component method. The proportion of cells incorrectly classified was 1.93%.
Однако предложенное решение не обеспечивает выявления наличия лейкемических клеток, морфологически сходных с лимфобластами в крови или костном мозге, для проведения дифференциальной диагностики с другими лимфопролиферативными заболеваниями, установление взаимосвязи морфологических и текстурных характеристик изображений клеток крови и костного мозга с экспрессией ключевых антигенов острых лимфобластных лейкозов при первичной диагностике, в рецидиве, в ремиссии и в ходе анализа минимального числа опухолевых клеток при остаточной болезни в онкологии.However, the proposed solution does not detect the presence of leukemic cells morphologically similar to lymphoblasts in the blood or bone marrow, for differential diagnosis with other lymphoproliferative diseases, to establish the relationship of morphological and texture characteristics of blood and bone marrow images with the expression of key antigens of acute lymphoblastic leukemia in primary diagnosis, in relapse, in remission and during the analysis of the minimum number of tumor cells with residual Handy in oncology.
По мнению заявителя, наиболее близких аналогов заявленного решения нет.According to the applicant, there are no closest analogues to the declared solution.
Технический результат предлагаемого изобретения заключается в получении дополнительных независимых объективных критериев при дифференциальной диагностике острого лимфобластного лейкоза, установлении корреляций между структурой бластов и их иммунофенотипическим статусом, определение взаимосвязи между результатами морфологического исследования и данными проточной цитометрии, при установлении иммуноподвариантов острого лимфобластного лейкоза. Это обеспечит уточнение методов первичной диагностики, выявление рецидивов, что позволит персонифицировать подходы к терапии онкологических больных, тем самым повысить качество медицинского обслуживания населения.The technical result of the invention consists in obtaining additional independent objective criteria in the differential diagnosis of acute lymphoblastic leukemia, establishing correlations between the structure of blasts and their immunophenotypic status, determining the relationship between the results of morphological studies and flow cytometry data, while establishing immuno-options for acute lymphoblastic leukemia. This will provide clarification of the methods of primary diagnosis, identification of relapses, which will allow to personify approaches to the treatment of cancer patients, thereby improving the quality of medical care for the population.
Указанный технический результат заявленного решения достигается в способе распознавания структуры ядер бластов крови и костного мозга с применением световой микроскопии в сочетании с компьютерной обработкой данных для определения В- и Т-линейных острых лимфобластных лейкозов за счет получения компьютерным анализатором цветного изображения с мазков, последующего выделения на изображении лейкоцитов и получения бинарного изображения, на котором последовательным сканированием изображения проводят процедуру заполнения пустот, определяют области бинарного изображения, соответствующие областям лейкоцитов на цветном изображении, по полученным областям измеряется пространственно-яркостное распределение пикселей изображения и рассчитываются текстурные индексы для представлений цветовых моделей, на основе которых формируют матрицу числовых индексов, для классификации полученные индексы сравнивают с индексами, формируемыми на основе данных морфоцитохимических и иммунофенотипических исследований, проведенных по мазкам, и данных компьютерного анализа, проведенных для эталонных объектов, полученные индексы заносят в базу знаний, по результатам которых определяют индекс структуры ядра для сопоставления данных компьютерного анализа и иммунофеннотипа при дифференциальной диагностике острого лейкоза.The indicated technical result of the claimed solution is achieved in a method for recognizing the structure of the nuclei of blood and bone marrow blasts using light microscopy in combination with computer processing of data to determine B- and T-linear acute lymphoblastic leukemia by obtaining a color image from smears by a computer analyzer, followed by isolation on the image of leukocytes and obtaining a binary image, on which successive scanning of the image is carried out the procedure for filling voids, determine areas of the binary image corresponding to the areas of leukocytes in the color image are obtained, the spatial-brightness distribution of image pixels is measured from the obtained areas and texture indices are calculated for representations of color models, on the basis of which they form a matrix of numerical indices, for classification, the obtained indices are compared with indices formed on the basis of smear and morphocytochemical and immunophenotypic studies and computer analysis data for reference objects, the obtained indices are entered into the knowledge base, according to the results of which the index of the structure of the nucleus is determined to compare the data of computer analysis and immunophenotype in the differential diagnosis of acute leukemia.
В частном случае цветное изображение получают с мазков крови или костного мозга. Изображение, полученное с препарата крови может, свидетельствовать о возможности наличия заболевания острый лейкоз, а изображение, получаемое с препаратов костного мозга, служит для подтверждения диагноза острый лейкоз.In the particular case, a color image is obtained from smears of blood or bone marrow. The image obtained from the blood product may indicate the possibility of the presence of acute leukemia, and the image obtained from bone marrow preparations serves to confirm the diagnosis of acute leukemia.
Также для выделения изображений лейкоцитов осуществляют расчет по гистограмме в автоматическом режиме с последующим анализом выделенных областей и разделением их с использованием трансформации расстояний и роста регионов. Предложенное решение позволяет автоматизировать анализ и уменьшить время вычислений для снижения трудоемкости анализа.Also, to select images of leukocytes, a histogram is calculated automatically, followed by analysis of the selected areas and their separation using distance transformation and regional growth. The proposed solution allows you to automate the analysis and reduce the calculation time to reduce the complexity of the analysis.
Кроме того, для поиска пустот внутри границы клеток крови осуществляют процедуру заполнения пустот внутри области изображения лейкоцита по бинарной картинке с использованием медианного фильтра. Данная процедура необходима для восстановления целостности клеток и расчета характеристик по ядрам лейкоцитов, т.к. наличие пустот приводит к ложным расчетам.In addition, to search for voids inside the border of blood cells, a procedure is performed for filling voids inside the leukocyte image area from a binary picture using a median filter. This procedure is necessary to restore the integrity of the cells and calculate the characteristics of the nuclei of leukocytes, because the presence of voids leads to false calculations.
Также процедуру заполнения пустот внутри области лейкоцита осуществляют на основе анализа связанных областей.Also, the procedure for filling the voids inside the leukocyte region is carried out on the basis of the analysis of related areas.
Расчет текстурных индексов осуществляется для всех компонент цветовых моделей из ряда RGB, XYZ, HSL, Lab, Luv, LHC, HLS, HSV, YUV, YIQ, YCbCr, CMY. Предложенный набор цветовых компонент позволяет выбрать наиболее оптимальные цветовые компоненты для нахождения текстурных индексов, характеризующих структуру ядра.The calculation of texture indices is carried out for all components of color models from the series RGB, XYZ, HSL, Lab, Luv, LHC, HLS, HSV, YUV, YIQ, YCbCr, CMY. The proposed set of color components allows you to select the most optimal color components for finding texture indices characterizing the structure of the core.
Для каждой цветовой компоненты проводят расчет текстурных индексов по матрицам пространственной смежности, матрицам длин серий и вейвлет-характеристикам для определения оптимальных индексов структуры ядра в условиях близких кластеров.For each color component, texture indices are calculated using spatial adjacency matrices, series length matrices, and wavelet characteristics to determine the optimal indices of the core structure under conditions of close clusters.
Классификацию изображений лейкоцитов осуществляют по сформированным двумерным матрицам, где по столбцам располагаются значения индексов, а по строкам изображения лейкоцитов. Предложенный подход позволяет визуализировать результаты классификации лейкоцитов и при необходимости провести экспертное уточнение их типа. В качестве эталонов использовались данные по типу лейкоцитов, полученные по результатам морфоцитохимических и иммунофенотипических исследований и по оценкам экспертов. Это позволило выполнить оценку эффективности заявленного способа.Classification of images of leukocytes is carried out according to the generated two-dimensional matrices, where the values of the indices are located on the columns, and on the lines of the image of leukocytes. The proposed approach allows us to visualize the results of the classification of leukocytes and, if necessary, conduct expert clarification of their type. As standards, we used data on the type of leukocytes obtained according to the results of morphocytochemical and immunophenotypic studies and according to experts. This allowed us to evaluate the effectiveness of the claimed method.
Ниже приведен пример конкретной реализации предложенного способа. Компьютерная микроскопия в системе «АТЛАНТ» проводилась на окрашенных мазках костного мозга 38 больных ОЛЛ. По результатам морфоцитохимических и иммунофенотипических исследований у 17 больных был установлен Т-ОЛЛ, у 21 больных установлен В-ОЛЛ. Морфоцитохимическое и иммунофенотипическое исследования были проведены в лаборатории иммунологии гемопоэза РОНЦ им. Н.Н, Блохина (заведующий лабораторией профессор д.м.н. Н.Н. Тупицын). Получены изображения клеток в цветовой модели RGB на основе измерений функции яркости в трех спектральных диапазонах, соответствующих красному (R), зеленому (G) и синему (В) участкам спектра видимого электромагнитного излучения (автоматизированный микроскоп Olympus ВХ43 со спектрозональной камерой Imperx IPX-4M1ST-GCFB). Изображения сохранялись в формате BMP, с цветовой кодировкой RGB24 (свыше 16 млн цветов).The following is an example of a specific implementation of the proposed method. Computer microscopy in the ATLANT system was performed on stained bone marrow smears of 38 patients with ALL. According to the results of morphocytochemical and immunophenotypic studies, T-ALL was established in 17 patients, B-ALL was established in 21 patients. Morphocytochemical and immunophenotypic studies were conducted in the laboratory of hematopoiesis immunology at the Russian Scientific Center for Surgery. N.N., Blokhina (head of the laboratory, professor, doctor of medical sciences N.N. Tupitsyn). Images of cells in the RGB color model were obtained based on measurements of the brightness function in three spectral ranges corresponding to the red (R), green (G) and blue (B) portions of the spectrum of visible electromagnetic radiation (Olympus BX43 automated microscope with Imperx IPX-4M1ST- spectrozonal camera GCFB). Images were saved in BMP format with RGB24 color coding (over 16 million colors).
В ходе исследования получено 4930 изображения лимфобластов костного мозга, из них 2048 изображений клеток у больных с Т-ОЛЛ, 2882 изображений клеток у больных с В-ОЛЛ. Для полученных изображений рассчитывались текстурные и вейвлет-характеристики по цветовым компонентам полутоновых изображений цветовых моделей RGB, XYZ, HSL, Lab, Luv, LHC, HLS, HSV, YUV, YIQ, YCbCr, CMY. При этом расчет текстурных характеристик проводился для областей на изображениях лимфобластов размером 45×45 пикселей, вписанных в изображения ядер клеток. Для разделения клеток разных типов рассчитывалось 513 текстурных характеристик для каждой из рассматриваемых клеток, затем определялись средние значения для выборки клеток в препарате каждого из пациентов.During the study, 4930 images of bone marrow lymphoblasts were obtained, of which 2048 images of cells in patients with T-ALL, 2882 images of cells in patients with B-ALL. For the obtained images, the texture and wavelet characteristics were calculated for the color components of the grayscale images of the RGB, XYZ, HSL, Lab, Luv, LHC, HLS, HSV, YUV, YIQ, YCbCr, CMY color models. In this case, the calculation of texture characteristics was carried out for regions on the images of lymphoblasts with a size of 45 × 45 pixels inscribed in the images of cell nuclei. To separate cells of different types, 513 texture characteristics were calculated for each of the cells under consideration, then the average values for a sample of cells in the preparation of each patient were determined.
По полученным средним значениям характеристик проводилось распознавание типа ОЛЛ, с применением линейного классификатора с функциями расстояния Евклида, Манхеттена и Чебышева в двумерном пространстве признаков. Для анализа были использованы все возможные пары признаков из рассчитанных 513 типов текстурных характеристик.Based on the obtained average values of the characteristics, ALL type recognition was carried out using a linear classifier with Euclidean, Manhattan and Chebyshev distance functions in a two-dimensional feature space. For analysis, we used all possible pairs of features from the calculated 513 types of texture characteristics.
По результатам сравнения результатов классификации типов ОЛЛ для различных пар текстурных признаков была определена пара признаков MENT, MRENGE -1, при которой распознавание типа ОЛЛ происходило с минимальной ошибкой. Индекс «ENT» соответствует текстурному признаку «энтропия», рассчитанного в цветовом пространстве RGB для координаты R (красный цвет), а индекс «RENGE-1» соответствует значению вейвлет-признака «относительный диапазон», рассчитанного в цветовом пространстве YUV для цветоразностной компоненты U.Based on the results of comparing the results of classifying ALL types for different pairs of texture features, a pair of signs M ENT , M RENGE -1 was determined, at which the recognition of the ALL type occurred with minimal error. The ENT index corresponds to the entropy texture attribute calculated in the RGB color space for the R coordinate (red color), and the RENGE -1 index corresponds to the value of the relative range wavelet attribute calculated in the YUV color space for the color difference component U .
Графическое представление распределения двух классов (Т-ОЛЛ и В-ОЛЛ) в двумерном пространстве признаков представлено на фиг. 1. По координатным осям отложены признаки: по оси абсцисс отложен первый признак Х=MENT, по оси ординат второй признак Y=MRENGE -1.A graphical representation of the distribution of two classes (T-ALL and B-ALL) in a two-dimensional feature space is shown in FIG. 1. Signs are plotted along the coordinate axes: the first sign X = M ENT is plotted along the abscissa axis, the second sign Y = M RENGE -1 along the ordinate axis.
Таким образом, по указанным признакам можно судить о варианте ОЛЛ (Т- или В- типа). Использование сочетания текстурных признаков на основе вейвлет-характеристик и матрицы пространственной смежности позволило достичь точности в 95%.Thus, according to the indicated signs, one can judge the ALL variant (T- or B-type). Using a combination of texture features based on wavelet characteristics and a spatial adjacency matrix made it possible to achieve an accuracy of 95%.
Для практической оценки типа клетки предложен обобщенный критерий, рассчитываемый с использованием найденных признаков. Значение этого критерия рассчитывается по формуле 
Гистограмма распределения признака CGC для двух классов пациентов (с Т и В типами ОЛЛ) представлен на фиг. 2A histogram of the distribution of symptom C GC for two classes of patients (with T and B types of ALL) is presented in FIG. 2
Используя в качестве критерия значение признака CGC, равное 1,405, можно проводить диагностику вариантов острого лимфобластного лейкоза по правилу: если значение критерия CGC больше значения 1,405, то принимается решение, что клетки соответствующего препарата принадлежат В-ОЛЛ типу, если меньше, то Т-ОЛЛ типу.Using the criterion value of the C GC sign equal to 1.405, it is possible to diagnose variants of acute lymphoblastic leukemia according to the rule: if the value of the CGC criterion is greater than the value of 1.405, then it is decided that the cells of the corresponding drug belong to the B-ALL type, if less, then T- ALL type.
Таким образом, предложенный способ распознавания структуры ядер лейкоцитов крови и костного мозга при определении Т- и В-вариантов острого лимфобластного лейкоза с применением систем компьютерной микроскопии показал его применимость для установления Т-ОЛЛ и В-ОЛЛ варианта острого лимфобластного лейкоза.Thus, the proposed method for recognizing the structure of blood and bone marrow nuclei in determining the T and B variants of acute lymphoblastic leukemia using computer microscopy systems has shown its applicability for establishing the T-ALL and B-ALL variants of acute lymphoblastic leukemia.
Анализ данных полученных при исследованиях бластов с помощью автоматизированных систем на окрашенных мазках костного мозга при ОЛЛ позволяет выявить закономерную взаимосвязь между строением ядер бластов и их антигенным статусом. Полученные параметры были формализованы. В результате работы был разработан метод дифференциальной диагностики В- и Т-линейных ОЛЛ. Этот подход позволяет уточнить вариант заболевания и ускорить диагностический процесс. Использование световой микроскопии в сочетании с компьютерной обработкой данных может способствовать быстрому принятию клинических решений и адекватному подбору терапевтических схем у пациентов с ОЛЛ.Analysis of the data obtained in the study of blasts using automated systems on stained smears of bone marrow during ALL allows us to identify a natural relationship between the structure of blast nuclei and their antigenic status. The obtained parameters were formalized. As a result of the work, a method for differential diagnosis of B- and T-linear ALL was developed. This approach allows you to clarify the variant of the disease and accelerate the diagnostic process. The use of light microscopy in combination with computer processing of data can contribute to the rapid adoption of clinical decisions and the adequate selection of therapeutic regimens in patients with ALL.
Claims (7)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017143326A RU2659217C1 (en) | 2017-12-12 | 2017-12-12 | Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017143326A RU2659217C1 (en) | 2017-12-12 | 2017-12-12 | Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2659217C1 true RU2659217C1 (en) | 2018-06-28 |
Family
ID=62815333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017143326A RU2659217C1 (en) | 2017-12-12 | 2017-12-12 | Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2659217C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693115A (en) * | 2017-12-13 | 2018-10-23 | 青岛汉朗智能医疗科技有限公司 | NK cell detection methods and system |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2052199C1 (en) * | 1992-06-15 | 1996-01-10 | Елена Тарасовна Дудко | Method for differential diagnosis of chronic lymphoid leukoses and leukemization of non-hodgkin's diseases |
| RU2068995C1 (en) * | 1992-07-14 | 1996-11-10 | Елена Тарасовна Дудко | Method of diagnosis of lympholeukosis chronic forms |
| WO2004055731A2 (en) * | 2002-12-14 | 2004-07-01 | Robert Massen | Method and arrangement for the automatic recognition of objects and structures in materials |
| RU2385494C1 (en) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Method for recognition of cell texture image |
| ES2428215A1 (en) * | 2013-05-09 | 2013-11-06 | Universitat Politècnica De Catalunya | Computer-implemented method for recognising and classifying abnormal blood cells, and computer programs for performing the method |
-
2017
- 2017-12-12 RU RU2017143326A patent/RU2659217C1/en active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2052199C1 (en) * | 1992-06-15 | 1996-01-10 | Елена Тарасовна Дудко | Method for differential diagnosis of chronic lymphoid leukoses and leukemization of non-hodgkin's diseases |
| RU2068995C1 (en) * | 1992-07-14 | 1996-11-10 | Елена Тарасовна Дудко | Method of diagnosis of lympholeukosis chronic forms |
| WO2004055731A2 (en) * | 2002-12-14 | 2004-07-01 | Robert Massen | Method and arrangement for the automatic recognition of objects and structures in materials |
| RU2385494C1 (en) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Method for recognition of cell texture image |
| ES2428215A1 (en) * | 2013-05-09 | 2013-11-06 | Universitat Politècnica De Catalunya | Computer-implemented method for recognising and classifying abnormal blood cells, and computer programs for performing the method |
Non-Patent Citations (1)
| Title |
|---|
| НИКИТАЕВ В.Г. и др. Модель автоматизации морфологического анализа клеток для диагностики и обучения. Успехи современного естествознания, 2008, N8, с.141-142. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693115A (en) * | 2017-12-13 | 2018-10-23 | 青岛汉朗智能医疗科技有限公司 | NK cell detection methods and system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| US9607376B2 (en) | Method and apparatus for image scoring and analysis | |
| CN111448569B (en) | Method for storing and retrieving digital pathology analysis results | |
| Bjornsson et al. | Associative image analysis: a method for automated quantification of 3D multi-parameter images of brain tissue | |
| Kothari et al. | Automatic batch-invariant color segmentation of histological cancer images | |
| US10304188B1 (en) | Apparatus and method for automated cell analysis | |
| CN113574534A (en) | Machine learning using distance-based similarity labels | |
| US20150186755A1 (en) | Systems and Methods for Object Identification | |
| CN111062346A (en) | Automatic leukocyte positioning detection and classification recognition system and method | |
| EP3440629B1 (en) | Spatial index creation for ihc image analysis | |
| RU2659217C1 (en) | Method for recognition of the structure of blood blast nuclei and bone marrow using light microscopy in combination with computer data processing for the diagnosis of b- and t-linear acute lymphoblastic leukemia | |
| Feng et al. | An advanced automated image analysis model for scoring of ER, PR, HER-2 and Ki-67 in breast carcinoma | |
| Silva et al. | Development of a quantitative semi-automated system for intestinal morphology assessment in Atlantic salmon, using image analysis | |
| RU2785607C1 (en) | Method for recognising the structure of blood and bone marrow blast nuclei | |
| Zhang et al. | A robust and high-performance white blood cell segmentation algorithm | |
| Lavanya et al. | Detection of sickle cell anemia and thalassemia using image processing techniques | |
| EP4246468A1 (en) | Method for training an artificial intelligence system, method for recognizing and classifying cells for pathological cell and tissue examination, classifying system, computer-readable medium | |
| Nagasri et al. | SEGMENTATION OF WBC USING GEL THRESHOLDS APPROACH | |
| Cignoni et al. | PD-L1 Classification of Weakly-Labeled Whole Slide Images of Breast Cancer | |
| KAKULAPATI et al. | A Framework base analyzing cancer cells in blood Image segmentation by using convolution neural networks. | |
| Pijanowska | The Influence of Object Refining in Digital Pathology | |
| WO2023174903A1 (en) | Method for training an artificial intelligence system, method for recognizing and classifying cells for pathological cell and tissue examination, classifying system, computer-readable medium | |
| Miller | Image analysis techniques for classification of pulmonary disease in cattle |