DE102016217713B4 - Verbesserte Einteilung von Drüsengewebskrebs mittels detaillierter Bildanalyse von gefärbten Gewebsschnitten - Google Patents
Verbesserte Einteilung von Drüsengewebskrebs mittels detaillierter Bildanalyse von gefärbten Gewebsschnitten Download PDFInfo
- Publication number
- DE102016217713B4 DE102016217713B4 DE102016217713.3A DE102016217713A DE102016217713B4 DE 102016217713 B4 DE102016217713 B4 DE 102016217713B4 DE 102016217713 A DE102016217713 A DE 102016217713A DE 102016217713 B4 DE102016217713 B4 DE 102016217713B4
- Authority
- DE
- Germany
- Prior art keywords
- objects
- tissue
- cancer
- shape index
- prostate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Food Science & Technology (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Tropical Medicine & Parasitology (AREA)
Abstract
Identifizierung von Objekten in einem Digitalbild von Drüsengewebe von einem Krebspatienten, wobei die Objekte identifiziert werden, basierend auf Färbung des Drüsengewebes mittels eines Biomarkers; und
Vorhersagen, dass der Krebspatient ein Krebsrezidiv des Drüsengewebes haben wird, basierend auf einer geometrischen Charakteristik von individuell identifizierten Objekten, jedoch nicht auf irgendwelchen Mustern, die durch eine Mehrzahl der identifizierten Objekte gebildet werden.
Description
- Technisches Gebiet
- Die vorliegende Erfindung betrifft eine Verbesserung bei der Schweregradeinteilung von Prostatakrebs im Hinblick auf das konventionelle Gleason-Verfahren durch quantitatives Analysieren individueller Drüsen in Schnitten aus gefärbtem Gewebe.
- Hintergrund
- Prostatakrebs ist einer der häufigsten bei Männern diagnostizierten Krebsarten. Derzeit ist die genaueste Diagnose von Prostatakrebs bestimmt durch Verwendung des Gleasonschen Einteilungssystems beim Analysieren gefärbter Prostatabiopsien. Das Gleason-Einteilungssystem wurde in den 1960er Jahren durch Donald Gleason, einem Pathologen der Veterans Administration entwickelt und im Jahre 2005 modifiziert und verbessert durch die International Society of Urological Pathology. Das Gleason-Einteilungssystem zeigt den Schweregrad von Prostatakrebs durch eine Korrelation von Mustern in Prostatabiopsieproben mit Tumormortalitätsraten an. Das Gleason-Verfahren evaluiert die Drüsenarchitektur des Prostatagewebes, welches auf den relativen Größen getrennter Prostatadrüsen und der Regelmäßigkeit des Gesamtmusters der Drüsen basiert. Gewebe, in welchem einige Drüsen groß sind und benachbarte Drüsen klein sind, werden eingeteilt als stärker maligne und resultieren in einer schlechteren Prognose. Zusätzlich werden Drüsen, welche in einem desorganisierten, irregulären Muster angeordnet sind, mit lediglich kleinen Flächen von Stroma zwischen den Drüsen als stärker maligne eingeteilt.
- Kanzeröses Prostatagewebe wird in fünf Einteilungen
1 bis5 nach absteigender Regularität klassifiziert. Die Einteilungen der beiden Muster, welche die größten Flächen des Biopsiegewebes überdecken, werden hinzuaddiert, um den Gleason-Score zu erhalten. Der primäre Gleason-Grad muss größer als 50 % des Gesamtmusters des Krebsgewebes betragen. Der sekundäre Gleason-Grad muss weniger als 50 %, jedoch mindestens 5 % des Musters des gesamten beobachteten Krebses betragen. Falls das sekundäre Muster weniger als 5 % der Gesamtfläche des beobachteten Krebses abdeckt, wird dem sekundären Grad derselbe Grad zugeordnet wie dem primären Grad. Die Summe aus primären und sekundären Gleason-Graden ist der Gleason-Score. Wenn beispielsweise das vorherrschende Muster innerhalb des Grades4 liegt und das zweithäufigste Muster innerhalb des Grades3 liegt, dann beträgt der Gleason-Score7 . - Die Einteilung nach Gleason wird typischerweise durch einen Pathologen durchgeführt, der ein vergrößertes Bild einer gefärbten Gewebsprobe visuell bewertet. Der Pathologe inspiziert manuell jede kanzeröse Fläche eines gefärbten Gewebes auf einem Objektträger, klassifiziert das Muster der Drüsen in jedem Bereich, basierend auf der Regularität und der Anordnung der Drüsen und ordnet jeder Gewebsfläche, die in Grade eingeteilt wird, einen Gleason-Grad zu. Dann bestimmt der Pathologe den Gesamt-Gleason-Score für die Gewebsprobe, welcher darauf basiert, welcher Gleason-Grad der größten Fläche und der zweitgrößten Fläche des Gewebes zugeordnet wurde.
- Das manuelle Einteilen von Prostatagewebe ist schwierig, weil der Pathologe eine große Zahl an kanzerösen Bereichen lückenlos über ein hochvergrößertes Bild des gefärbten Gewebes bewerten muss. Der Pathologe darf keine kanzerösen Bereiche übersehen. Vielmehr muss der Pathologe die Drüsenmuster in den unterschiedlichen Bereichen der Gewebsschnitte und anderer Gewebsschnitte lückenlos bewerten, um einen genauen Gleason-Score zu erhalten.
- Ein Verfahren zum Verbessern der prognostischen Genauigkeit des Einteilens, durchgeführt an gefärbtem Prostatagewebe durch Vermindern von Inkonsistenzen und übersehenen Bereichen, welche im Allgemeinen vorkommen, wenn eine manuelle Gleason-Einteilung durchgeführt wird.
- Zusammenfassung
- Ein verbesserter histopathologischer Score wird erhalten durch Identifizieren von Objekten in Digitalbildern des Drüsengewebes von Krebspatienten. Die Objekte werden identifiziert, basierend auf Färbung mittels eines Biomarkers. Der Score sagt voraus, ob der Krebspatient ein Drüsengewebs-Krebsrezidiv haben wird, basierend auf einer geometrischen Charakteristik individueller identifizierter Objekte, jedoch nicht aufgrund irgendeines Musters, welches durch die identifizierten Objekte gebildet wird. Erste Objekte werden erzeugt aus einem Digitalbild des Drüsengewebes, welches mit einem einzelnen Biomarker gefärbt wird, der epitheliale Zellen färbt. Zweite Objekte werden dann unter Verwendung der ersten Objekte erzeugt. Ein geometrisches Merkmal jedes der zweiten Objekte wird gemessen. Dann wird ein Formindex für jedes der zweiten Objekte berechnet, welcher auf dem geometrischen Merkmal basiert. Ein durchschnittlicher Formindex der zweiten Objekte wird bestimmt. Ein Score wird bestimmt, der auf dem Formindex basiert, welcher ein Krebsmalignitizätsniveau des Drüsengewebes anzeigt. Der Score zeigt Krebsmalignität an und sagt ein Krebsrezidiv in Drüsengewebe wie beispielsweise Prostatagewebe, Brustgewebe, Darmgewebe und Lungengewebe voraus. In einer Ausführungsform ist das Drüsengewebe ein Prostatagewebe, erhalten aus einem Krebspatienten nach einer radikalen Prostatektomie, bei welcher die maligne Prostatadrüse des Patienten vollständig entfernt wurde. In einer anderen Ausführungsform ist das Drüsengewebe ein Gewebe aus einer Nadelprobe, welches aus der Prostatadrüse eines Krebspatienten entnommen wurde.
- In einer anderen Ausführungsform basiert ein neues Verfahren zum Erzeugen eines histopathologischen Scores, welcher das Rezidiv des Drüsengewebskrebses vorhersagt auf geometrischen Merkmalen der individuellen Drüsen im Gegensatz zu der Gesamtarchitektur oder Muster des Drüsengewebes. Erste Objekte werden erzeugt unter Verwendung der Bildanalyse eines Digitalbildes eines mit einem Färbemittel, welches luminale epitheliale Zellen anfärbt, gefärbten Gewebsschnittes aus einem Krebspatienten. Zweite Objekte werden erzeugt, welche von den ersten Objekten umgeben sind. Ein Formindex wird bestimmt für jedes der zweiten Objekte. Der Formindex wird berechnet, basierend auf einem gemessenen geometrischen Merkmal jedes der zweiten Objekte. Der durchschnittliche Formindex der zweiten Objekte wird bestimmt. Das Verfahren sagt voraus, dass der Krebspatient wahrscheinlich ein Krebsrezidiv haben wird, wenn der durchschnittliche Formindex kleiner als ein vorbestimmter Schwellwert ist. Die Vorhersage, dass der Krebspatient wahrscheinlich ein Krebsrezidiv haben wird, sagt voraus, dass der Krebspatient ein wiederholtes Auftreten von messbaren Mengen des prostataspezifischen Antigens (PSA) in seinem Blut hat.
- Der Formindex wird berechnet, basierend auf geometrischen Merkmalen der zweiten Objekte wie beispielsweise der Länge, Breite, Grenzlänge, Fläche, Asymmetrie, elliptische Anpassung, Rundheit und Zahl der Verzweigungen. Der Formindex für jedes der zweiten Objekte basiert nicht auf irgendeiner Charakteristik irgendeines anderen zweiten Objektes. In einem Aspekt sind die zweiten Objekte ungefärbte Bereiche auf dem Digitalbild, welche umgeben sind von luminalen epithelialen Zellen, gefärbt durch Cytokeratin
18 (CK18). - Andere Ausführungsformen und Vorteile werden in der detaillierten Beschreibung unten beschrieben. Diese Zusammenfassung dient nicht dazu, die Erfindung zu definieren. Die Erfindung ist durch die Ansprüche definiert.
- Figurenliste
- Die begleitenden Zeichnungen, worin gleiche Bezugszeichen gleiche Komponenten bezeichnen, illustrieren die Ausführungsformen der Erfindung.
-
1 ist ein Diagramm eines neuen Systems zum Erzeugen eines histopathologischen Scores durch Definieren von Bildobjekten in Digitalbildern von gefärbtem Drüsengewebe. -
2 verdeutlicht das Verfahren zum Erhalten der Digitalbilder von gefärbtem Drüsengewebe, welches mittels einem Score mit dem System aus1 bewertet wurde. -
3 ist ein Flussdiagramm von Schritten zum Erhalten eines verbesserten histopathologischen Scores, welcher die Rezidivierung von Drüsengewebskrebs vorhersagt. -
4 ist ein schematisches Diagramm einer individuellen Drüse aus Prostatagewebe, in welchem Cytokeratin18 (CK18) die luminalen epithelialen Zellen gefärbt hat. -
5 verdeutlicht ein Datennetzwerk, welches erzeugt wird durch das System gemäß1 , in welchem Bildobjekte des Datennetzwerkes mit ausgewählten Pixeln eines Bildes von gefärbtem Drüsengewebe verknüpft sind. -
6 ist ein Digitalbild eines Gewebsschnittes, in welchem die luminalen epithelialen Zellen mit CK18 gefärbt wurden. -
7 ist ein Diagramm von Probenmustern aus Prostatagewebe, welche in die fünf Gleason-Score-Einteilungsmuster für prostatische Adenokarzinoma fallen. -
8 zeigt die graphische Benutzeroberfläche des Systems gemäß1 , in welchem ein Lumen, welches durch die umgebenden gefärbten luminalen epithelialen Zellen identifiziert wird, hervorgehoben ist. -
9 ist eine detailliertere Ansicht des Lumens, welches in8 identifiziert ist, und welches die Grenzlänge und die Fläche des Lumens zeigt. -
10 verdeutlicht die kleinste Ellipse, welche das in8 identifizierte Lumen umschließen kann. -
11 verdeutlicht ein größeres Rechteck, welches die Ellipse gemäß10 umschließt. -
12 verdeutlicht ein kleineres Rechteck, welches in der Ellipse gemäß10 zentriert ist, welches dieselbe relative Länge und Breite wie das größere Rechteck gemäß11 hat. -
13 verdeutlicht, dass das kleinere Rechteck gemäß12 den in8 identifizierten Lumen überlagert wird, wobei beide dieselbe Gesamtfläche aufweisen. -
14 ist eine detailliertere Ansicht des in8 identifizierten Lumens und verdeutlicht, wie ein Formindex bestimmt wird. -
15 verdeutlicht, wie ein Lumenflächen-zu-Drüsen-Index für das in8 identifizierte Lumen berechnet wird. -
16 ist eine Tabelle, welche sowohl einen ersten Formindex als auch einen zweiten Formindex listet, bestimmt aus den Digitalbildern von gefärbtem Prostatagewebe von21 Prostatakrebspatienten. -
17 ist eine Tabelle, welche einen histopathologischen Score listet, der aus Bildern von jedem der21 Prostatakrebspatienten erzeugt wurde. -
18 ist eine Tabelle, welche einen weiteren histopathologischen Score listet, erzeugt aus Bildern der21 Prostatakrebspatienten durch Multiplizieren eines Relativflächenindex mit einem gewichteten Grenzindex. - Detaillierte Beschreibung
- Nun wird im Detail Bezug genommen auf manche Ausführungsformen der Erfindung, deren Beispiele in den begleitenden Zeichnungen verdeutlicht sind.
-
1 zeigt ein System10 zur Gradeinteilung gefärbter Proben aus Drüsengewebe, wie beispielsweise humaner Prostata, Brust, Darm oder Lungengewebe. Um das neue Gradeinteilungsverfahren, welches hierin beschrieben wird, für Drüsengewebskrebs durchzuführen, werden immunhistochemische Proben mit einem einzigen Färbungsmittel, wie beispielsweise Cytokeratin18 (CK18), Transkriptionsfaktorp63 oder Hematoxylin und Eosin (H&E) gefärbt. Das Färben mit mehreren Biomarkern ist nicht erforderlich für das neue Gradeinteilungsverfahren. Digitalbilder11 der Gewebsschnitte werden dann bei hoher Vergrößerung erhalten. Die Input-Daten für die Bildanalyse kann auch die Patientenanamnese und demographische Daten einschließen, welche als Kontextinformation12 für die Berechnung von Parametern verwendet werden, welche in der Bildanalyse verwendet werden. Beispielsweise kann das Identifizieren von kanzerösen Drüsenbereichen unterstützt werden durch das Kennen des Patientenalters, ob der Patient raucht oder ob Krebs in der Familienanamnese des Patienten auftritt. - Die erhaltenen Digitalbilder
11 wie auch die Kontextinformation12 werden in einer Datenbank13 der Patientendaten gespeichert. Eine Bildanalysesoftware, welche auf einem Datenanalyseserver14 ausgeführt wird, führt dann eine intelligente Bildverarbeitung und automatisierte Klassifikation und Quantifikation durch. Demnach schließt der Datenanalyseserver14 ein computerlesbares Speichermedium ein, welches Programmanweisungen darauf zum Durchführen eines Verfahrens zur Vorhersage der Rezidivierung von Drüsenkrebs aufweist. Solch ein computerlesbares Speichermedium kann Anweisungen zum Erzeugen von Objekten in Digitalbildern, welche mittels eines besonderen Biomarkers gefärbt wurden und zum Identifizieren und Definieren jener Objekte, basierend auf geometrischen Merkmalen enthalten. Die Bildanalysesoftware ist ein Computerprogrammprodukt, welches berührbar auf dem computerlesbaren Speichermedium in Server14 verkörpert ist und computerlesbare und ausführbare Programmanweisungen umfasst, welche wenn mittels eines Prozessors auf dem Server14 ausgeführt, eine visuelle Anzeige auf einer graphischen Benutzeroberfläche einer damit verbundenen Anzeigevorrichtung16 beispielsweise ein Personal Computer zur Verfügung stellt. Die Bildanalysesoftware wandelt unverknüpfte Inputdaten in Form von Pixeln in ein hierarchisches Netzwerk von verknüpften Objekten um. - Das System
10 analysiert, teilt nach Graden ein und zeigt die Digitalbilder11 der Gewebsschnitte an, welche mit einem von unterschiedlichen Biomarkern gefärbt wurden. Das Bildanalyseprogramm stellt Verknüpfungen zwischen manchen Objekten her und erzeugt dadurch Objekte mit höherem hierarchischem Rang. Das Bildanalyseprogramm liefert die Objekte mit höherem hierarchischem Rang mit Eigenschaften, klassifiziert diese in Klassen und Subklassen und verknüpft dann solche Objekte wiederum auf einem noch höheren Niveau mit weiteren Objekten. Die Objekte mit höherem hierarchischem Rang werden verwendet, um Zielobjekte in den Bildern schneller zu finden. Leichter zu erfassende Ausgangsobjekte werden zuerst gefunden und dann verwendet, um schwerer zu findende Objekte in den hierarchischen Datenstrukturen zu identifizieren. - Sowohl allgemeine als auch subjektspezifische Kenntnis wird verwendet, um Objekte in den Bildern zu klassifizieren und zu segmentieren. Diese Kenntnis und der Programmfluss des Bildanalyseprogrammes liegen in der Softwarestruktur getrennt vor. Die Parameter mittels welcher die Bildanalyse durchgeführt wird, beispielsweise Schwellen für Größe oder Helligkeit, können geändert werden, ohne dass der hierarchische Prozess der Softwareschritte revidiert werden muss. Die Bildanalysesoftware zeigt sowohl die Originaldigitalbilder
11 als auch die korrespondierenden bearbeiteten segmentierten Bilder auf der graphischen Benutzeroberfläche15 . Klassifizierte und segmentierte Objekte in den Digitalbildern sind markiert oder hervorgehoben, um ihrer Klassifikation zu entsprechen. Beispielsweise sind Objekte, welche eine Mitgliedschaft in derselben Klasse aufweisen, in derselben Farbe wiedergegeben. -
2 verdeutlicht das Verfahren zum Erhalten der digitalen Bilder11 , welche analysiert werden, eine Gradeinteilung vorgenommen wird und angezeigt werden mittels des Systems10 . Die Gewebeteile, welche mit einem der unterschiedlichen Protein- und Rezeptorbiomarkern gefärbt werden, werden typischerweise von einem lebenden Patienten17 in Form einer Biopsie entnommen. Um die Gradeinteilung von kanzerösem Prostatagewebe durchzuführen, werden immunhistochemische Proben aus Paraffin-eingebetteten Biopsieproben von Prostatagewebe hergestellt, welche dem Patienten17 chirurgisch entnommen wurden. Das neue Gradeinteilungsverfahren für Drüsengewebskrebs ist besonders geeignet zum Vorhersagen, ob es ein Wiederauftreten des Krebses nach einer radikalen Prostatektomie gibt, in welchem dem Patienten die entartete Prostatadrüse vollständig entfernt wurde. Unterschiedliche Teile der entfernten Prostatadrüse werden dann in viele benachbarte dünne planare Schnitte geschnitten. Wenn die Prostatadrüse nicht entfernt wurde, werden Prostatanadelbiopsieproben verwendet. Die Prostatanadelbiopsie sollte wenigstens10 bis12 Nadelkernproben umfassen. - Das prostataspezifische Antigen (PSA) genannte Protein wird von Prostatazellen hergestellt. Nachdem eine maligne Prostatadrüse vollständig entfernt wurde, ist gewöhnlich im Blut des Patienten kein PSA-Niveau messbar, da die Prostatazellen, welche das PSA produzieren, entfernt worden sind. Wenn jedoch der Krebs in der Prostatadrüse besonders bösartig war, können manche kanzerösen Prostatazellen metastasiert haben und sich zu anderen Körperteilen des Patienten ausbreiten, wo sie dann die Produktion von PSA fortsetzen. Ein Bluttest, der das Wiederauftreten eines messbaren PSA-Niveaus zeigt, zeigt ein Prostatakrebsrezidiv an, welches sich in andere Krebsformen umwandeln kann. Ein konventioneller Gleason-Score ist kein guter Vorhersagewert für das Prostatakrebsrezidiv nach radikaler Prostatektomie. Obwohl ein Gleason-Score die Schwere des Krebses in der Prostatadrüse anzeigt, ist der Gleason-Score kein guter Vorhersagewert, ob der Krebs allmählich zu einer Metastasierung fortschreitet. Das neue Gradeinteilungsverfahren für Drüsengewebskrebs kann viel besser vorhersagen, ob es eine biochemische Wiederkehr eines Prostatakrebses nach einer radikalen Prostatektomie geben wird.
- Jeder Schnitt wird mit einem von mehreren möglichen Biomarkern gefärbt, bevor er auf einen Objektträger gebracht wird.
2 verdeutlicht eine Gewebsprobe18 , welche in eine Vielzahl von benachbarten dünnen planaren Schnitten geschnitten wurde. Ein Schnitt19 wird mit einem Biomarker gefärbt und dann auf einen Objektträger20 gebracht. Dasselbe Gewebe reagiert einzigartig auf jeden unterschiedlichen Biomarker. Das neue Gradeinteilungsverfahren erfordert, dass das Gewebe mit lediglich einem einzigen Biomarker, wie beispielsweise einem Cytokeratin18 (CK18) gefärbt wird. Andererseits erfordert die konventionelle Gleason-Gradeinteilung typischerweise verschiedene Färbungen, wie beispielsweise Hematoxylin und Eosin (H&E), Cytokeratin18 (CK18) und Transkriptionsfaktorp63 . Andere Färbungsmittel, welche verwendet werden können für das neue Gradeinteilungsverfahren umfassen Cytokeratin14 (CK14), humanen epidermalen Wachstumsfaktorrezeptor2 (Her2), Cytoplasmafärbung mit Her2/neu, Estrogenrezeptor (ER) Färbung, Progesteronrezeptor (PR) Färbung, Tumormarker Ki67, Mib, SishChr17, SishHer2, Antikörperfärbung mit Differenzierungscluster44 (CD44), Antikörperfärbung mit CD23, Hematoxylin und Eosin (H&E) und Transkriptionsfaktorp63 (ebenso bekannt als Tumorproteinp63 und transformationsbezogenes Protein63 ). Ein hochaufgelöstes Digitalbild11 wird dann von jedem gefärbten Schnitt aufgenommen. Ein typisches Digitalbild eines Gewebsschnittes weist eine Auflösung von 100.000 x 200.000 Pixel oder 20 Milliarden Pixel auf. -
3 ist ein Flussdiagramm der Schritte21 -25 eines Verfahrens27 zum Erzeugen eines verbesserten histopathologischen Scores, welcher das Wiederauftreten von Drüsengewebskrebs vorhersagt. In einem ersten Schritt21 erzeugt das System10 erste Objekte aus einem Digitalbild eines Schnittes19 aus Gewebe des Krebspatienten17 , welches mit einem Biomarker gefärbt worden ist, welcher luminale epitheliale Zellen färbt. In einer ersten Ausführungsform ist der Biomarker, welcher verwendet wird um den Schnitt19 zu färben, Cytokeratin18 (CK18), welches luminale epitheliale Zellen färbt. CK18 ist ein proteinspezifischer monoclonaler Antikörper (ein Biomarker), welcher beim Menschen durch das Gen KRT18/PIG46/CYK18 kodiert wird. CK18 wird mit einem daran angehefteten Farbstoff zusammen verwendet, um ein Färbungsmittel zu bilden. In einer weiteren Ausführungsform wird der Schnitt19 mit dem Tumorproteinp63 gefärbt, welches die basalen epithelialen Zellen durch Färben der Kerne innerhalb der basalen epithelialen Zellen färbt. Tumorproteinp63 ist ein proteinspezifischer Antikörper, welcher beim Menschen durch das TP63-Gen codiert wird. Tumorproteinp63 wird ebenfalls zusammen mit einem daran angehefteten Farbstoff verwendet, um ein Färbungsmittel zu bilden. Es sei bemerkt, dass manche Biomarker keinen daran angehängten Farbstoff erfordern, beispielsweise Hematoxylin und Eosin (H&E), welche die Fähigkeit haben, Gewebe ohne die Zugabe eines Farbstoffes zu färben. Färben mitp63 wird verwendet, um das Prostata-Adenokarzinom (der häufigste Typ des Prostatakrebses) von benignem Prostatagewebe zu unterscheiden. Die Expression desp63 -Gens ist bei Adenokarzinoma der Prostata im Vergleich zu normalem Prostatagewebe heruntergeregelt. Demzufolge färbtp63 die Kerne der basalen epithelialen Zellen in gesunden Prostatadrüsen. -
4 verdeutlicht die Struktur einer individuellen Drüse28 von normalem Prostatagewebe, in welchem CK18 die luminalen epithelialen Zellen29 gefärbt hat. Eine immunhistochemische Färbung für CK18 kann ebenfalls verwendet werden, um andere Typen von epithelialen Organen, wie beispielswese den Brüsten, Lungen, Ovarien und Nieren zu färben. Normales Prostataepithel30 ist zusammengesetzt aus Luminalen29 , Basalen31 und Neuroendokrinen32 Zellen, welche die Drüsen bilden, die von fibro-muskulärem Gewebe, Stroma33 genannt, umgeben sind. Eine Basalmembran34 trennt die Drüse28 von dem Stroma33 . Jede Drüse ist zusammengesetzt aus Reihen von Epithelzellen, welche um ein „Lumen“ oder Kanal35 angeordnet sind. Das Tumorproteinp63 färbt solche Kerne36 der basalen epithelialen Zellen31 in kanzerösem Prostatagewebe nicht an, bei welchem die Basalmembran34 die Basalzellen31 nicht länger umgibt. Somit exprimieren kanzeröse Basalzellen, die keine intakten Basalmembranen aufweisen, keinp63 , wogegen gesunde und weniger maligne Prostatabasalzellenp63 exprimieren. Der Unterschied in derp63 -Expression ist somit bezeichnend für den Krebsfortschritt in anderen epithelialen Organen, wie beispielsweise den Brüsten, Lungen und Ovarien. -
5 verdeutlicht erste Objekte37 eines beispielhaften Datennetzwerkes38 , wie sie vom System10 in Schritt21 erzeugt werden, basierend auf den gefärbten luminalen epithelialen Zellen29 . Das Bildanalyseprogramm des Systems10 verwendet objektorientierte Bildanalyse, um Objekte des Datennetzwerkes38 durch Verknüpfen ausgewählter Pixel39 mit Objekten in Übereinstimmung mit einer Prozesshierarchie von Schritten und Algorithmen und in Übereinstimmung mit einem Klassifikationsnetzwerk zu erzeugen. Die Bildanalyse wird durchgeführt an jedem der Bilder, welche durch System10 erhalten wurden, einschließend ein Digitalbild40 des Gewebeschnittes19 , um ein hierarchisches Datennetzwerk38 der Bildobjekte für jedes Bild zu erhalten. Für eine detailliertere Beschreibung des Erzeugens eines Datennetzwerkes unter Verwendung einer Prozesshierarchie und eines Klassennetzwerkes wird aufUS Patent 8,319,793 verwiesen, auf dessen Inhalt hiermit vollinhaltlich Bezug genommen wird. Jedes Digitalbild umfasst Pixelwerte, welche mit den Orten eines jedes der Pixel39 verbunden sind. Das Bildanalyseprogramm arbeitet an den Digitalpixelwerten und verknüpft die Pixel, um Objekte zu bilden. Jedes Objekt ist verknüpft mit einer Menge von Pixelorten, basierend auf den verbundenen Pixelwerten. Beispielsweise wird ein Objekt erzeugt durch Verknüpfen des Objektes mit jenen Pixeln, welche ähnliche Charakteristiken aufweisen, wie beispielsweise Farbton, Sättigung und Helligkeit, wie durch den Pixelwert definiert. Helligkeitsschwellen an Pixelorten, welche zusammengruppiert werden, können erhalten werden aus einem Histogramm der Pixelwerte in dem Digitalbild. Die Pixel bilden das niedrigste hierarchische Niveau des Datennetzwerkes38 . - In dem ersten Schritt
21 werden Pixel mit der Farbe und Intensität, die ihnen durch den Farbstoff, der an den CK18 Antikörper angehängt ist, verliehen wird, identifiziert und mit jenen Bildobjekten37 verknüpft, welche den gefärbten luminalen epithelialen Zellen29 entsprechen. Die Bildobjekte37 bilden die zweite hierarchische Ebene des Datennetzwerkes38 . Anschließend werden Bildobjekte37 zu Klassen verknüpft, in Übereinstimmung mit Mitgliedsfunktionen der Klassen, welche in dem Klassennetzwerk definiert sind. So werden beispielsweise Objekte, welche die luminalen epithelialen Zellen repräsentieren, die zu derselben Drüse gehören, miteinander verknüpft, um die ersten Objekte41 -42 in einer dritten hierarchischen Ebene des Datennetzwerkes38 zu bilden. In5 wird eines der Objekte43 , welches einer gefärbten luminalen epithelialen Zelle entspricht, mit dem ersten Objekt41 verknüpft, welches einer individuellen Drüse entspricht. In einer vierten hierarchischen Ebene des Datennetzwerkes38 wird ein zusätzliches Objekt44 erzeugt und wird mit sämtlichen der ersten Objekte verknüpft, welche Drüsen mit gefärbten luminalen epithelialen Zellen repräsentieren. Somit werden die ersten Objekte41 -42 , welche analysiert werden sollen, verknüpft mit einem Bildobjekt44 höherer Ordnung. Das System10 kann die ersten Objekte41 -42 basierend auf Pixeln mit der Farbe und einem einzigen Färbungsmittel erzeugen. Mehrfachfärbungen sind nicht erforderlich, um das Verfahren27 durchzuführen. - In einem zweiten Schritt
22 des verbesserten Score-Einteilungsverfahrens27 werden zweite Objekte erzeugt, welche umgeben sind von den ersten Objekten41 -42. Die ersten Objekte41 -42 sind die Ringe aus luminalen epithelialen Zellen29 , die einer immunzytochemischen Färbung durch CK18 unterzogen wurden. Die zweiten Objekte sind die Lumen35 , welche umgeben sind von den luminalen epithelialen Zellen29 . In5 würde ein zweites Objekt45 (nicht gezeigt) mit den helleren Pixeln, welche umgeben sind von dem Ring aus dunkleren Pixeln, welche mit den Objekten zwischen den Objekten37 und43 verknüpft sind, verknüpft. -
6 zeigt ein hochaufgelöstes Digitalbild46 des Gewebsschnittes19 aus Krebspatienten17 , welches mit einem Biomarker gefärbt wurde, welcher luminale epitheliale Zellen anfärbt. In dieser ersten Ausführungsform hat das Cytokeratin18 (CK18) die luminalen epithelialen Zellen29 braun gefärbt und die Lumen sind die helleren Flächen, welche von den gefärbten Zellen29 umgeben sind. In einer zweiten Ausführungsform färbt das Tumorproteinp63 die Kerne36 von gesunden und weniger malignen basalen epithelialen Zellen31 , welche die helleren Flächen der Lumen umgeben. In6 bilden die dunkler gefärbten luminalen epithelialen Zellen29 Ringe oder Schleifen um die helleren Lumen35 der individuellen Prostatadrüsen. Vier Lumen45 -48 sind in6 markiert. - Aus
6 ist ersichtlich, dass die individuellen Drüsen als zu Bereichen der Drüsen mit größeren Lumen, mittelgroßen Lumen und kleineren Lumen zugehörig gekennzeichnet werden können. Beispielsweise ist Lumen45 ein Teil des Bereichs von Drüsen mit größeren Lumen. Die Lumen46 -48 gehören zu einem Bereich von Drüsen mit Lumen mittlerer Größe und die Drüsen des Bereichs49 haben kleinere Lumen. Diese unterscheidende Drüsenarchitektur des Prostatagewebes basiert auf den relativen Größen der individuellen Prostatadrüsen und der Regularität des gesamten Musters der Lumen ist die Basis für eine Gradeinteilung unter Verwendung des konventionellen Gleason-Verfahrens. Jedoch wird die Größe eines Lumens relativ zur Größe eines benachbarten Lumens und dem Gesamtmuster, welches aus den individuellen Lumen in einem örtlichen Bereich erzeugt wird, nicht als die Basis für die Vorhersage, die unter Verwendung des Verfahrens27 getroffen wird, verwendet. Die Gleasonsche Score-Einteilung wird detailliert unten beschrieben, um das verbesserte histopathologische Score-Einteilungsverfahren27 mit dem konventionellen Gleason-Verfahren zu vergleichen und diesem gegenüber zu stellen. -
7 verdeutlicht Gewebsprobenmuster, welche in die fünf Gleason-Kategorien fallen. Ein Pathologe ordnet eines der Gleason-Muster zu jedem Gesichtsfeld zu, während der Pathologe das gesamte Digitalbild46 durchmustert. Dann bestimmt der Pathologe, welches Gleason-Muster die größte Fläche des Digitalbildes46 überdeckt.7 zeigt, dass die Gleason-Muster zusammengesetzt sind aus kleinen einheitlichen Lumen und Drüsen. Muster zwei schließt mehr Stroma zwischen den Drüsen ein. Obwohl die Drüsengröße von Muster zwei eine größere Verteilung hat, ist die durchschnittliche Drüsengröße des Musters zwei in etwa dieselbe wie für Muster eins. In Muster drei beginnen die Zellen die Drüsen an den Rändern der Drüsen zu infiltrieren. In Muster vier gibt es irreguläre Zellmassen mit weniger Drüsen. Muster fünf ist gekennzeichnet durch ein Fehlen von Drüsen und das Prostatagewebe schließt Klumpen und Schichten von Zellen ein. Es ist ersichtlich, dass jedes der unterschiedlichen Bereiche des Digitalbildes46 in6 einem der fünf Gleason-Muster, die in7 gezeigt sind, zugeordnet sein könnte. - Das Gleason-Verfahren hat zwei Hauptnachteile, welche durch das verbesserte Score-Einteilungsverfahren
27 überwunden werden. Zum einen ist es schwierig, visuell die große Zahl von lokalisierten Bereichen eines hochaufgelösten Bildes von gefärbtem Gewebe konsistent zu bewerten. Es ist eine große Herausforderung für den Pathologen, es zu vermeiden, dass er irgendwelche Flächen von prostatischem Adenokarzinoma auf jedem Objektträger übersieht, wenn der Pathologe das Gewebe in den kleineren Gesichtsfeldern inspiziert, wenn er durch die viel größeren hochaufgelösten Bilder navigiert. Es ist besonders schwierig, einem Gewebsbereich ein Gleason-Muster zuzuordnen, weil gesundes Prostatagewebe ebenfalls die kleinen, einheitlichen Drüsen aufweist, welche bezeichnend sind für das Gleason-Muster eins. Zusätzlich ist es ebenfalls eine Herausforderung für den Pathologen, unterschiedliche Bereiche des Gewebes auf unterschiedlichen Objektträgern konsistent in Übereinstimmung mit den fünf Gleason-Gewebsmustern zu klassifizieren. Das neue Score-Einteilungsverfahren27 verlässt sich nicht auf das Identifizieren architektonischer Muster in Prostatagewebe, so dass keine visuelle Inspektion der Gewebsmuster erforderlich ist. Stattdessen werden lediglich geometrische Merkmale individueller Drüsen in Betracht gezogen. Vielmehr verwendet das Bildanalyseprogramm des Systems10 objektorientierte Bildanalyse, um eine Gradeinteilung sämtlicher Lumen des Drüsengewebes auf dem Objektträger20 zu erzielen, so dass eine visuelle Inspektion gänzlich entfallen kann. - Zweitens, selbst wenn die visuelle Bewertung zu einem genauen Gleason-Score führt, ist der Score kein guter Vorhersagewert der Wahrscheinlichkeit eines biochemischen Wiederauftretens von Prostatakrebs nach einer radikalen Prostatektomie. Der Gleason-Score stellt keine gute Differenzierung zwischen Patienten zur Verfügung in der intermediären Prognosefläche zwischen hohem und niedrigem Risiko des Wiederauftretens. So können beispielsweise Patienten, die allesamt Gleason-Scores von sieben aufweisen, dramatisch unterschiedliche Chancen eines biochemischen Wiederauftretens von Prostatakrebs aufweisen, wie es sich anhand von anschließend messbaren PSA-Niveaus ergibt. Daher hat es Versuche gegeben, den Gleason-Score von sieben in 7A und 7B zu teilen. Eine Definition eines 7A Scores ist die Kombination der Gleason-Grade 3+4, wogegen ein 7B Score sich aus den Gleason-Graden 4+3 ergibt (d. h. solche, die mehr lokalisierte Bereiche mit Grad
4 als mit Grad3 aufweisen). Eine weitere Definition eines 7A Gleason-Scores sind die primären und sekundären Grade von drei und vier ohne tertiären Grad von fünf, wogegen ein 7B Gleason-Score einen tertiären Grad von fünf einschließt. Selbst wenn man das neue Score-Einteilungsverfahren27 mit den modifizierten Gleason-Score Einteilungen unter Verwendung von 7A und 7B vergleicht, liefert es jedoch einen viel besseren Vorhersagewert für ein Prostatakrebsrezidiv nach einer radikalen Prostatektomie. Patienten, deren Prostatagewebe mit entweder 7A oder 7B oder mit beiden bewertet wurde, haben eine ähnliche Wahrscheinlichkeit des Auftretens von messbaren PSA-Niveaus nach Entfernen ihrer Prostatadrüsen. Erwiesenermaßen liefern die architektonischen Muster in Drüsengewebe eine gute Anzeige der Malignität oder Schwere des Krebses, aber sagen nicht genau die Wahrscheinlichkeit voraus, dass der Krebs metastasiert hat, d. h. dass manche Krebszellen die Prostatakapsel bereits verlassen haben. - In einem dritten Schritt
23 des Score-Einteilungsverfahrens27 wird ein Formindex für jedes der zweiten Objekte45 -48 (Lumen35 ) in dem Digitalbild46 bestimmt. Der Formindex wird bestimmt, basierend auf den helleren Flächen in Bild46 , welche von gefärbten Flächen umgeben sind. Hellere Pixel, die von dunkleren Pixeln um die Peripherie des Digitalbildes46 umgeben sind, werden nicht als zweite Objekte klassifiziert, da sie wahrscheinlich Bildsensorartefakte oder künstliche Strukturen an den Schnittkanten des Gewebes sind. In dem Digitalbild46 gibt es mehr als 21.000 zweite Objekte. Das Bildanalyseprogramm des Systems10 berechnet den Formindex, basierend auf einem gemessenen geometrischen Merkmal jedes der zweiten Objekte. Der Formindex für jedes zweite Objekt basiert nicht auf irgendeiner Charakteristik irgendeines benachbarten zweiten Objektes. Die Bestimmung eines beispielhaften Formindex wird nun beschrieben für das zweite Objekt45 im Bereich50 . Der „Grenzindex“ ist ein beispielhafter Formindex, der zu einer guten Vorhersage der Wahrscheinlichkeit von messbaren Niveaus an prostataspezifischem Antigen (PSA) führt, welche im Blut eines Patienten nach einer radikalen Prostatektomie erfasst werden. -
8 zeigt einen Bereich50 des Digitalbildes46 , der auf einer graphischen Benutzeroberfläche15 des Systems10 angezeigt wird, nachdem Schritt23 durchgeführt wurde. Der nach rechts gerichtete Rahmen auf der graphischen Benutzeroberfläche15 zeigt (vgl. Pfeil51 ), dass das Bild in der Mitte ein Bereich des Digitalbildes „PC_21 RS“46 ist. Der linke Rahmen zeigt, dass die Digitalbilder des Prostatagewebes aus vielen anderen Patienten ebenfalls analysiert wurden. Die Grenzindizes für ausgewählte zweite Objekte in Digitalbild46 sind in dem nach rechts gerichteten Rahmen auf der graphischen Benutzeroberfläche15 gelistet. Zum Beispiel ist der Grenzindex des zweiten Objektes45 mit der ID Nummer 14161 als 1.2741935 gelistet (vgl. Bezugszeichen52 ). Es soll bemerkt werden, dass manche der Bildobjekte, die in dem Rahmen rechts gelistet sind, keine zweiten Objekte sind, welche zu der Klasse „Lumen“ gehören. Stattdessen gehören manche der Bildobjekte zu der Klasse „kleines Lumen“ oder der Klasse „Lumenkandidat“. Bei der nachfolgenden Optimierung der Bildanalyse werden jedoch gewisse Objekte in der Klasse „Lumenkanditat“ als zu der Klasse „Lumen“ reklassifiziert. Lediglich die Grenzindizes der zweiten Objekte werden in Schritt23 in Betracht gezogen. In einer Ausführungsform werden Einzelpixel helle Flächen umgeben von gefärbten Pixeln ebenfalls aus der Klasse „Lumen“ der zweiten Objekte ausgeschlossen. Diese kleinen Bildobjekte sind wahrscheinlich lediglich Bildsensorartefakte. - Das Verfahren zum Berechnen des Grenzindex des zweiten Objektes
45 wird unten beschrieben. Der Grenzindex ist definiert als BI = (Grenzlänge) / (2* (Länge + Breite)). Die Grenzlänge ist die Länge in Pixeln um die Peripherie des zweiten Objektes. Beispielsweise weist ein Ein-Pixel-Objekt eine Grenzlänge von vier auf, ein Zwei-Pixel-Objekt hat eine Grenzlänge von sechs und ein Drei-Pixel-Objekt hat eine Grenzlänge von acht. -
9 verdeutlicht, dass die Grenzlänge um das zweite Objekt 45 1.468 Pixel beträgt. Die Längen- und Breitenwerte, welche verwendet werden, um den Grenzindex zu berechnen, sind die Dimensionen eines Rechteckes, das dieselbe Fläche wie das zweite Objekt aufweist, jedoch gebildet basierend auf der kleinsten Ellipse, welche das zweite Objekt umschließen kann.9 verdeutlicht, dass die Fläche des zweiten Objektes 45 74.041 Pixel beträgt. -
10 zeigt die kleinste Ellipse53 , welche das zweite Objekt45 umschließen kann. Die kürzeste und längste Achse54 -55 der Ellipse53 werden verwendet, um ein größeres Rechteck56 , welches die Ellipse53 umschließt, auszurichten.11 zeigt ein größeres Rechteck56 . Anschließend wird ein kleineres Rechteck57 mit derselben relativen Länge und Breite als ein größeres Rechteck56 auf den Achsen54 -55 der Ellipse53 zentriert. Das kleinere Rechteck57 hat dieselbe Fläche wie das zweite Objekt45 .12 zeigt das kleinere Rechteck57 , welches in der Ellipse53 zentriert ist.13 zeigt das kleinere Rechteck57 überlagert über das zweite Objekt45 . Sowohl das kleinere Rechteck57 als auch das zweite Objekt45 haben eine Fläche von 74.041 Pixel. Die Länge und Breite des kleineren Rechtecks57 werden bei der Berechnung des Grenzindex verwendet. Die Länge des kleineren Rechtecks57 beträgt 319 Pixel und die Breite des kleineren Rechtecks57 beträgt 257 Pixel. Der Grenzindex für das zweite Objekt45 ist 1.468 Pixel geteilt durch 2 * (319 Pixel + 257 Pixel), welches 1.274 ergibt. - In einem vierten Schritt
24 des Score-Einteilungsverfahrens27 wird der durchschnittliche Formindex für sämtliche zweiten Objekte bestimmt. In diesem Beispiel ist der Formindex der Grenzindex, welcher einen durchschnittlichen Wert von 1,0616 für die etwa 21.000 zweiten Objekte im Digitalbild46 aufweist. Der durchschnittliche Wert des Grenzindex für sämtliche zweiten Objekte ist kleiner als der 1,274 Wert für das dreieckig-förmige zweite Objekt45 in einem großen Teil wegen des hohen Anteils an kleineren Lumen in dem Gewebe, welches rundere Formen aufweist. Ein Kreis hat einen Grenzindex von 0,886 (√ Π / 2). In einer Ausführungsform, in welcher Ein-Pixel-Objekte nicht aus der Klasse „Lumen“ ausgeschlossen sind, senken zweite Objekte, welche ein Pixel groß sind, ebenfalls den durchschnittlichen Grenzindex, weil ein einzelnes Pixel ebenfalls einen Grenzindex von 0,886 hat. Ein niedrigerer durchschnittlicher Grenzindex zeigt an, dass das Gewebe einen höheren Anteil an Drüsen aufweist, deren Lumen eine Fläche haben, welche lediglich ein oder wenige Pixel groß sind. - In einem letzten Schritt
25 sagt das System10 voraus, dass der Krebspatient17 wahrscheinlich ein Krebsrezidiv haben wird, wenn der durchschnittliche Formindex kleiner als ein vorbestimmter Schwellwert ist. Ein Krebsrezidiv ist wahrscheinlich, wenn es wahrscheinlicher ist, als nicht, dass wiederum messbare PSA-Niveaus im Blut des Patienten nach radikaler Prostatektomie des Patienten erfasst werden. In dem Fall, wo der Grenzindex als der Formindex verwendet wird, wird der vorbestimmte Schwellwert auf 1,051 gesetzt. Der Schwellwert wird empirisch bestimmt durch Berechnen des Grenzindex für viele Patienten, deren postoperative PSA-Niveaus bekannt sind. Patienten, die später ein Wiederauftreten von messbaren PSA-Niveaus in ihrem Blut nach Entfernung ihrer Prostatadrüsen aufwiesen, tendierten dazu, niedrigere Grenzindizes in ihrem Prostatagewebe zum Zeitpunkt ihrer radikalen Prostatektomie aufzuweisen. Patienten, deren PSA-Niveaus auf einem niedrigen oder nichtexistenten Niveau verblieben, tendierten dazu, Grenzwertindizes von oberhalb 1,051 zu haben. Da der durchschnittliche Grenzindex für das Digitalbild46 von Prostatagewebe aus Patient17 mit 1,0616 nicht kleiner ist als die vorbestimmte Schwelle von 1,051, sagt das System10 voraus, dass Patient17 wahrscheinlich kein Krebsrezidiv nach seiner radikalen Prostatektomie haben wird. Somit sagt das System10 voraus, dass Patient17 niemals eine messbare Menge an PSA in seinem Blut nach der radikalen Prostatektomie aufweisen wird. - Eine genaue Vorhersage des Krebsrezidivs, welches sich aus der Metastasierung des Prostatagewebes ergibt, kommt Patienten zugute, wobei nur solche Patienten drastischen Behandlungen mit schädlichen Nebenwirkungen unterzogen werden, die eine Vorhersage eines Krebsrezidivs zeigen. Allerdings ist die Vorhersage, welche mittels des verbesserten histopathologischen Score-Einteilungsverfahrens
27 erzeugt wird unter Verwendung lediglich des Grenzindex als dem Formindex nicht zu 100% genau. Ein kleiner Teil der Patienten, deren Prostatagewebe einen Grenzindex kleiner als die Schwelle von 1,051 aufweist, erfährt nichtsdestotrotz keine biochemische Wiederkehr des Prostatakrebses wie durch hohe PSA-Niveaus gemessen. Um die Zahl der falsch-positiven Vorhersagen von Prostatakrebsrezidiven zu vermindern, werden zusätzliche Formindizes aus dem Digitalbild des Prostatagewebes des Patienten bestimmt. Dann kann die Vorhersage des Krebsrezidives lediglich dann gemacht werden, wenn sämtliche Formindizes unter ihre entsprechenden vorbestimmten Schwellwerte fallen. -
14 verdeutlicht die Bestimmung eines zweiten Formindexes zusätzlich zum Grenzindex, welcher in dem Score-Einteilungsverfahren27 verwendet werden kann.14 ist eine detailliertere Ansicht eines zweiten Objektes45 , welches ein Lumen darstellt. Dunklere luminale epitheliale Zellen29 , welche mit CK18 gefärbt wurden, umgeben die helleren Flächen des zweiten Objektes45 . Der Ring aus gefärbten Zellen29 macht das erste Objekt41 aus. Die gesamte Fläche, welche durch die luminalen epithelialen Zellen29 eingeschlossen wird, ist eine individuelle Drüse. Der zweite Formindex ist die relative Fläche des Lumens, verglichen mit der Gesamtfläche der Drüse. In diesem Falle ist der zweite Formindex die Fläche des zweiten Objektes45 geteilt durch die Summe der Flächen des zweiten Objektes45 und dem umgebenden ersten Objekt41 . -
15 zeigt die Berechnung des Lumenfläche-zu-Drüsenindex für das zweite Objekt45 . Die Fläche der Drüse41 beträgt 84.392 Pixel und die Fläche des Lumens45 beträgt 74.041 Pixel. Demzufolge beträgt der relative Flächenindex für das zweite Objekt45 0,8773. In dem Score-Einteilungsverfahren27 wird der relative Flächenindex bestimmt für jedes der zweiten Objekte, nachdem der durchschnittliche Grenzwert in Schritt24 bestimmt wurde. Anschließend wird der relative Flächenindex für sämtliche der zweiten Objekte in Bild46 bestimmt. Schlussendlich wird in Schritt25 die Vorhersage getroffen, dass Patient17 wahrscheinlich nur dann ein Krebsrezidiv haben wird, wenn sowohl (i) der durchschnittliche Grenzindex kleiner als der erste vorbestimmte Schwellwert von 1,051 ist und (ii) der durchschnittliche relative Flächenindex kleiner als ein zweiter vorbestimmter Schwellwert ist. - In einer weiteren Ausführungsform wird der relative Flächenindex berechnet durch Summierung der Flächen sämtlicher zweiter Objekte in Bild
46 und Dividieren dieser Gesamtfläche durch die Summe der Flächen sämtlicher Drüsen in Bild46 . Dieses alternative Verfahren zur Durchschnittsbildung des relativen Flächenindex führt zu einer kleineren Gewichtung des Beitrags aus den kleinen Lumen. Wenn dieses alternative Verfahren verwendet wird, müssen die Ein-Pixel-Objekte nicht aus der Klasse „Lumen“ ausgeschlossen werden, weil ihr Beitrag zum Formindex abgeschwächt ist. - Der zweite vorbestimmte Schwellwert wird ebenfalls empirisch bestimmt, basierend auf dem relativen Flächenindex von vielen Patienten, deren postoperative PSA-Niveaus bekannt sind. Patienten, die ein Wiederauftreten von PSA nach ihrer radikalen Prostatektomie aufwiesen, zeigten gewöhnlich einen relativen Flächenindex von kleiner als 0,450. Demzufolge sagt das System
10 voraus, dass ein Patient wahrscheinlich ein Prostatakrebsrezidiv haben wird, wenn sowohl sein durchschnittlicher Formindex kleiner als 1,051 ist und sein durchschnittlicher relativer Flächenindex kleiner als 0,450 ist. Der durchschnittliche relative Flächenindex für sämtliche der zweiten Objekte in Bild46 des gefärbten Gewebes aus Patient17 beträgt 0,5652. Deshalb sagt das System10 voraus, dass Patient17 wahrscheinlich kein Prostatakrebsrezidiv haben wird, weil sowohl sein allgemeiner Formindex von 1,0616 nicht kleiner als die erste vorbestimmte Schwelle von 1,051 ist und sein durchschnittlicher relativer Flächenindex von 0,5652 nicht kleiner als die zweite vorbestimmte Schwelle von 0,450 ist. Zum Zeitpunkt der radikalen Prostatektomie von Patient17 sagt das System voraus, dass nach Ablauf von einigen Monaten nach der Prostatektomie noch kein messbares Niveau an PSA im Blut des Patienten17 auftreten wird. -
16 zeigt sowohl einen ersten Formindex als auch einen zweiten Formindex, bestimmt aus den Digitalbildern von gefärbtem Prostatagewebe aus21 ProstatakrebspatientenA-U . Die Ergebnisse für Patient17 sind unter PatientE aufgelistet. Der erste Formindex ist der Grenzindex und der zweite Formindex ist der relative Lumenfläche-zu-Drüse-Index. Lediglich auf dem Grenzindex basierend sagt das Score-Einteilungsverfahren27 voraus, dass jeder der PatientenM-U wahrscheinlich ein Krebsrezidiv haben wird, weil jeder einen durchschnittlichen Grenzindex aufweist, der kleiner ist als der vorbestimmte Schwellwert von 1,051. Nachdem die Schritte23 -24 unter Verwendung des zweiten relativen Flächenindex wiederholt wurden, sagt das Score-Einteilungsverfahren27 voraus, dass lediglich die PatientenM-N ,Q-S undU wahrscheinlich ein Krebsrezidiv haben werden, weil jeder sowohl einen durchschnittlichen Grenzindex von kleiner als 1,051 und einen durchschnittlichen relativen Flächenindex von kleiner als den zweiten vorbestimmten Schwellwert von 0,450 aufweisen. - Ein Arzt könnte aus der durch das Score-Einteilungsverfahren
27 gemachten Vorhersage schließen, dass nur die PatientenM-N ,Q-S undU Therapien unterzogen werden müssen, welche sehr teuer sind und welche mit signifikant schweren Nebenwirkungen einhergehen. Der Arzt könnte weniger drastische Behandlungen für die verbleibenden Patienten empfehlen, um das Wiederauftreten von Prostatakrebs zu verhindern. Die fettgedruckten Buchstaben in16 zeigen die Patienten an, die tatsächlich eine biochemische Wiederkehr des Prostatakrebses wie durch bestimmbare PSA-Niveaus nach ihren radikalen Prostatektomien gemessen, aufwiesen. Die PatientenD undG wiesen ein Prostatakrebsrezidiv auf, obwohl das Verfahren27 vorhersagt, dass das Risiko eines Krebsrezidivs gering war. - Die Genauigkeit des histopathologischen Score-Einteilungsverfahrens
27 kann verbessert werden, indem man die Schritte23 -24 unter Verwendung von mehr als einem oder zwei Formindizes und durch Anwendung zusätzlicher verbundener Schwellwerte im Schritt25 wiederholt. Die geometrischen Merkmale, auf denen die zusätzlichen Formindizes beruhen, können die Länge, Breite, Grenzlänge, Fläche, Asymmetrie, elliptische Anpassung, Rundheit und Zahl von Verzweigungen eines Bildobjektes umfassen. Die Formindizes basieren auf diesen geometrischen Eigenschaften der zweiten Objekte (Lumen), der ersten Objekte (luminale epitheliale Zellen) oder den gesamten Drüsen (durch die ersten Objekte umschlossene Fläche). Einige Beispiele von zusätzlichen Formindizes umfassen: Lumenlänge dividiert durch Breite; Lumenrundheit dividiert durch Drüsenfläche; Lumenlänge mal Asymmetrie; Summe der Lumenfläche zum Gesamtgewebe im Bild; Summe der Lumenfläche zu Stromafläche im Bild und Summe der Fläche der luminalen epithelialen Zellen zu Gesamtgewebe im Bild. - Kein Formindex wird berechnet, basierend auf einem geometrischen Merkmal aus einem Objekt, verglichen mit einem geometrischen Merkmal eines benachbarten Objektes. Zum Beispiel basiert keiner der Formindizes auf der Geometrie einer Drüse oder eines Lumens, verglichen mit der Geometrie einer benachbarten Drüse oder Lumen. Demnach basiert das neue Score-Einteilungsverfahren
27 auf den geometrischen Charakteristiken von individuellen gefärbten Bildobjekten, jedoch nicht auf irgendwelchen Mustern, die durch die gefärbten Bildobjekte erzeugt werden. Demzufolge ist eine subjektive Score-Einteilung von Gewebsmustern nicht erforderlich. Die Voraussage, die durch das Score-Einteilungsverfahren27 getroffen wird, basiert lediglich auf der Geometrie individueller Lumen oder Drüsen im Gegensatz zu Mustern oder der Architektur von Drüsenklumpen, wie sie bei der konventionellen Gleason-Score-Einteilung verwendet werden. Durch das Eliminieren des subjektiven Abgleichs von Gewebsmustern, wird die Konsistenz des histopathologischen Scores im Vergleich zu einem Gleason-Score verbessert. Darüber hinaus kann das neue Score-Einteilungsverfahren27 voll automatisiert werden, weil es keine menschliche Beurteilung erfordert, um zu bestimmen, ob jede einzelne Region eines Gewebsobjektträgers am besten zu einem der fünf Gleason-Muster, welche in7 gezeigt sind, passt. - Die Genauigkeit des histopathologischen Score-Einteilungsverfahrens
27 kann ebenfalls verbessert werden durch Ein-Faktorisieren des Alters des Patienten17 . Prostatakrebs tendiert dazu, eine höhere Wahrscheinlichkeit der Metastasierung bei jüngeren Patienten zu zeigen. Demzufolge kann der durchschnittliche Formindex multipliziert werden mit einem Altersfaktor, der minimal kleiner ist als einer für jüngere Patienten, bevor der durchschnittliche Formindex mit der vorbestimmten Schwelle verglichen wird. In einer Ausführungsform wird ein Altersfaktor von 0,99 mit dem durchschnittlichen Formindex für 70-jährige oder jüngere Patienten multipliziert. Patient G ist beispielsweise 69 Jahre alt zum Zeitpunkt der Score-Einteilung, weshalb der durchschnittliche Grenzindex von 1,0569 für Patient G multipliziert wird mit dem Altersfaktor von 0,99, um einen skalierten durchschnittlichen Grenzindex von 1,0463 zu ergeben. Da 1,0463 kleiner ist als die erste vorbestimmte Schwelle von 1,051, würde das Score-Einteilungsverfahren27 unter Verwendung des Altersfaktors voraussagen, dass Patient G ein hohes Krebsrezidivrisiko hat, anstelle eines niedrigen Risikos, wie es vor der Skalierung vorhergesagt würde. - Das histopathologische Score-Einteilungsverfahren
27 kann verwendet werden für mehr als lediglich das Voraussagen des Wiederauftretens oder Nichtwiederauftretens von Drüsengewebskrebs. Die durchschnittlichen Formindizes, welche durch Verfahren27 erzeugt wurden, können in histopathologische Scores umgewandelt werden, welche das Niveau der Krebsmalignität des Drüsengewebes anzeigen. Obwohl beispielsweise Verfahren27 vorhersagt, dass der Prostatakrebs, dargestellt in den Bildern sämtlicher PatientenA-L eine niedrige Wahrscheinlichkeit eines Rezidivs, nach einer radikalen Prostatektomie voraussagt, zeigen die Größen der durchschnittlichen Grenzindizes an, dass die Malignität des Krebses von PatientL größer ist als die des Krebses von PatientA . Unter Verwendung mehrerer Formindizes kann die Genauigkeit des angezeigten Malignitätsgrads verbessert werden. Beispielsweise kann ein histopathologischer Score erzeugt werden durch Multiplizieren des Grenzindex mit dem relativen Flächenindex. Ein niedrigerer histopathologischer Score ist wegweisend für höhere Krebsmalignitätsniveaus des Gewebes. -
17 ist eine Tabelle, welche aus den Bildern jedes der21 Prostatakrebspatienten einen histopathologischen Score erzeugt. Der Score wird erhalten durch Multiplizieren des Grenzindex mit dem relativen Flächenindex. Die Patienten werden vom höchsten Score oben bis zum niedrigsten Score unten sortiert. Ein höherer Score zeigt ein niedriges Niveau an Krebsmalignität des Drüsengewebes an. Obwohl beispielsweise Verfahren27 vorhersagt, dass die PatientenK-L kein Prostatakrebsrezidiv haben werden, liegen die Scores für die PatientenK-L gerade über der ersten Schwelle, welche auf dem Grenzindex allein basiert. Der histopathologische Score, der erzeugt wird unter Verwendung sowohl des Grenzindex als auch des relativen Flächenindex zeigt jedoch an, dass das Malignitätsniveau des Krebses bei beiden PatientenK undL weniger schwerwiegend ist als dasjenige der meisten der anderen12 Patienten, bei welchen vorausgesagt wird, dass sie kein Prostatakrebsrezidiv haben werden. Das Score-Einteilungsverfahren27 kann verwendet werden, bevor eine Prostatektomie durchgeführt wird, basierend auf einem Nadelprobengewebe, welches dem Krebspatienten17 entnommen wurde. In dem Fall von Patienten wie beispielsweiseK undL ist der histopathologische Score bezeichnend für ein niedriges Niveau an Krebsmalignität, die einen Arzt veranlassen könnte, eine radikale Prostatektomie für solche Patienten zu verzögern, insbesondere wenn die Patienten ein Alter von über70 aufweisen. -
18 ist eine Tabelle, welche noch einen weiteren histopathologischen Score auflistet, der erzeugt wird aus Bildern jedes der21 Prostatakrebspatienten. Der Score in18 wurde erhalten durch Multiplizieren des relativen Flächenindex mit einem gewichteten Grenzindex. In diesem Falle wird der Grenzindex für jedes zweite Objekt multipliziert mit der Zahl der Pixel in dem zweiten Objekt. Ein-Pixel-Objekte und kleine Lumen werden nicht ausgeschlossen aus der Klasse „Lumen“ in dieser Ausführungsform, weil der gewichtete Grenzindex den Beitrag der kleinen Lumen abschwächt. In18 sind die Patienten wiederum sortiert vom höchsten Score oben zum niedrigsten Score unten und die fettgedruckten Buchstaben zeigen die Patienten, welche tatsächlich eine biochemische Wiederkehr des Prostatakrebs hatten. Das Produkt der beiden Formindizes, welches in18 gelistet ist, kann sowohl verwendet werden, um das Prostatakrebsrezidiv als auch einen histopathologischen Score der das Malignitätsniveau des Prostatakrebses anzeigt, vorherzusagen. Eine vorbestimmte Schwelle von 11,500 wurde empirisch ermittelt. Das Verfahren27 sagt voraus, dass Krebspatienten D,M-O undQ-U wahrscheinlich ein Krebsrezidiv haben werden, weil der histopathologische Score für diese Patienten unterhalb der Schwelle von 11,500 liegt. Von den Patienten, für die ein Krebsrezidiv vorhergesagt wurde, wies lediglich Patient O kein Rezidiv auf. Zusätzlich zeigt der histopathologische Score, der erzeugt wurde unter Verwendung des gewichteten Grenzindex und des relativen Flächenindex das relative Malignitätsniveau des Krebses der Patienten an. Patienten mit einem höheren Score haben weniger malignen Krebs. -
18 listet ebenfalls die konventionellen Gleason-Scores auf, welche aus den Bildern von jedem der21 Prostatakrebspatienten erhalten wurden. Es fällt auf, dass das Klassifizieren von Patienten mittels der Gleason-Scores von6 , 7A und 7B keine zuverlässige Vorhersage von Prostatakrebsrezidiven nach radikaler Prostatektomie erlaubt. Patienten, welche ein Krebsrezidiv aufwiesen (in Fettbuchstaben) und Patienten, welche kein Krebsrezidiv aufwiesen, wurden gleichermaßen wahrscheinlich den Gleason-Scores6 , 7A und 7B zugeordnet. Die Scores, welche jedoch mittels des Verfahrens27 erzeugt wurden, sagten genau das Auftreten oder Nichtwiederauftreten von Krebs bei sämtlichen Patienten mit Ausnahme der PatientenG undO voraus. Darüber hinaus zeigt der histopathologische Score, der mittels des Verfahrens27 erzeugt wird an, dass die Krebsmalignität der PatientenB-C ,F undK weniger schwer ist als solche, die mittels der zugeordneten Gleason-Scores von7A und7B angezeigt werden. Der Score, der mittels Verfahren27 erzeugt wurde, zeigt ebenfalls an, dass die Malignität des Krebses von PatientS größer ist als diejenige, welche durch die zugeordneten Gleason-Scores6 angezeigt werden. Demzufolge kann der mittels Verfahren27 erzeugte Score ein genauerer Indikator der Malignität sein, als ein konventioneller Gleason-Score. - Obwohl die vorliegende Erfindung beschrieben wird in Zusammenhang mit gewissen spezifischen Ausführungsformen für Erläuterungszwecke, ist die vorliegende Erfindung hierauf nicht beschränkt. Somit können unterschiedliche Modifikationen, Anpassungen und Kombinationen unterschiedlicher Merkmale der beschriebenen Ausführungsformen ausgeführt werden, ohne vom Umfang der Erfindung wie sie in den Ansprüchen niedergelegt ist, abzuweichen.
Claims (20)
- Ein Verfahren umfassend: Identifizierung von Objekten in einem Digitalbild von Drüsengewebe von einem Krebspatienten, wobei die Objekte identifiziert werden, basierend auf Färbung des Drüsengewebes mittels eines Biomarkers; und Vorhersagen, dass der Krebspatient ein Krebsrezidiv des Drüsengewebes haben wird, basierend auf einer geometrischen Charakteristik von individuell identifizierten Objekten, jedoch nicht auf irgendwelchen Mustern, die durch eine Mehrzahl der identifizierten Objekte gebildet werden.
- Verfahren nach
Anspruch 1 , wobei das Drüsengewebe entnommen wird aus der Gruppe bestehend aus: Prostatagewebe, Brustgewebe, Darmgewebe und Lungengewebe. - Verfahren nach
Anspruch 1 , wobei das Drüsengewebe Prostatagewebe ist und wobei das Vorhersagen des Krebsrezidivs durchgeführt wird durch Vorhersagen des Wiederauftretens von messbarem prostataspezifischen Antigen (PSA) in dem Blut des Krebspatienten. - Verfahren nach
Anspruch 1 , wobei der Biomarker Cytokeratin 18 (CK18) ist. - Verfahren nach
Anspruch 1 , wobei das Drüsengewebe Prostatagewebe ist, wobei der Biomarker luminale epitheliale Zellen färbt und wobei die identifizierten Objekte Lumen sind, welche von gefärbten luminalen epithelialen Zellen umgeben sind. - Verfahren nach
Anspruch 1 , wobei die geometrische Charakteristik gewählt wird aus der Gruppe bestehend aus: einer Länge eines jeden individuell identifizierten Objektes, einer Breite eines jeden individuell identifizierten Objektes, einer Grenzlänge eines jeden individuell identifizierten Objektes und einer Fläche eines jeden individuell identifizierten Objektes. - Ein Verfahren umfassend: Erzeugen von ersten Objekten aus einem Digitalbild eines Gewebsschnittes von einem Krebspatienten, wobei der Gewebsschnitt mit einem Färbemittel gefärbt wird, welches luminale epitheliale Zellen anfärbt; Erzeugen von zweiten Objekten, welche umgeben sind von den ersten Objekten; Bestimmen eines Formindex für jedes der zweiten Objekte, wobei der Formindex berechnet wird, basierend auf einem gemessenen geometrischen Merkmal eines jeden der zweiten Objekte; Bestimmen des durchschnittlichen Formindex der zweiten Objekte; und Vorhersagen, dass der Krebspatient wahrscheinlich ein Krebsrezidiv haben wird, wenn der durchschnittliche Formindex kleiner ist als ein vorbestimmter Schwellwert.
- Verfahren nach
Anspruch 7 , wobei das gemessene geometrische Merkmal einer Grenzlänge um jedes der beiden Objekte ist. - Das Verfahren nach
Anspruch 7 , wobei das geometrische Merkmal gewählt wird aus der Gruppe bestehend aus: eine Länge, eine Breite, eine Grenzlänge, eine Fläche, eine Asymmetrie, eine elliptische Anpassung, eine Rundheit und eine Anzahl von Verzweigungen. - Verfahren nach
Anspruch 7 , wobei der Formindex für jedes der zweiten Objekte nicht auf irgendeiner Charakteristik irgendeines weiteren zweiten Objektes basiert. - Verfahren nach
Anspruch 7 , wobei das Bestimmen des Formindex umfasst: Bestimmen einer Grenzlänge um jedes der zweiten Objekte; Bestimmen einer Länge, welche auf jedem der zweiten Objekte basiert; und Bestimmen einer Breite, senkrecht zu der Länge, wobei die Breite auf jedem der zweiten Objekte basiert; und Bestimmen des Formindex für jedes der zweiten Objekte durch Dividieren der Grenzlänge durch die zweifache Summe von Länge und Breite. - Verfahren nach
Anspruch 7 , wobei in den zweiten Objekten ungefärbte Flächen in dem Digitalbild sind, welche umgeben sind von gefärbten luminalen epithelialen Zellen. - Verfahren nach
Anspruch 7 , wobei das Gewebe mit einem einzigen Färbungsmittel gefärbt wird. - Verfahren nach
Anspruch 7 , wobei das Färbungsmittel Cytokeratin 18 (CK18) ist. - Verfahren nach
Anspruch 7 , wobei das Vorhersagen, dass der Krebspatient wahrscheinlich ein Krebsrezidiv aufweisen wird, vorhersagt, dass der Krebspatient ein Wiederauftreten von messbaren Mengen an prostataspezifischem Antigen im Blut des Krebspatienten aufweisen wird. - Verfahren nach
Anspruch 7 , ferner umfassend: Bestimmen eines histopathologischen Scores, basierend auf dem durchschnittlichen Formindex, wobei der histopathologische Score ein Krebsmalignitätsniveau des Gewebes anzeigt. - Ein Verfahren umfassend: Erzeugen von ersten Objekten aus einem Digitalbild von Drüsengewebe, welches mit einem Biomarker gefärbt wird, welcher epitheliale Zellen anfärbt; Erzeugen von zweiten Objekten unter Verwendung der ersten Objekte; Bestimmen eines geometrischen Merkmals jedes der zweiten Objekte; Berechnen eines Formindexes für jedes der zweiten Objekte, basierend auf dem geometrischen Merkmal; Bestimmen eines durchschnittlichen Formindex der zweiten Objekte; und Bestimmen eines Scores, basierend auf dem Formindex, wobei der Score ein Krebsmalignitätsniveau des Drüsengewebes anzeigt.
- Verfahren nach
Anspruch 17 , wobei das geometrische Merkmal gewählt wird aus der Gruppe bestehend aus: eine Länge, eine Breite, eine Grenzlänge, eine Fläche, eine Asymmetrie, eine elliptische Anpassung, eine Rundheit und eine Anzahl von Verzweigungen. - Verfahren nach
Anspruch 17 , wobei das Drüsengewebe ein Nadelprobengewebe ist, welches einem Krebspatienten entnommen wurde. - Verfahren nach
Anspruch 17 , wobei der Formindex für jedes der zweiten Objekte nicht auf irgendeiner Charakteristik irgendeines anderen zweiten Objektes basiert.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/859,145 | 2015-09-18 | ||
US14/859,145 US9779499B2 (en) | 2015-09-18 | 2015-09-18 | Grading of glandular tissue cancer by detailed image analysis of stained tissue slices |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102016217713A1 DE102016217713A1 (de) | 2017-03-23 |
DE102016217713B4 true DE102016217713B4 (de) | 2019-07-18 |
Family
ID=58224808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102016217713.3A Active DE102016217713B4 (de) | 2015-09-18 | 2016-09-16 | Verbesserte Einteilung von Drüsengewebskrebs mittels detaillierter Bildanalyse von gefärbten Gewebsschnitten |
Country Status (2)
Country | Link |
---|---|
US (1) | US9779499B2 (de) |
DE (1) | DE102016217713B4 (de) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029208A1 (en) * | 2014-08-22 | 2016-02-25 | University Of South Florida | System and method for automated stereology of cancer |
US9851421B2 (en) | 2015-01-05 | 2017-12-26 | Case Western Reserve University | Differential atlas for cancer assessment |
US9779499B2 (en) * | 2015-09-18 | 2017-10-03 | Definiens Ag | Grading of glandular tissue cancer by detailed image analysis of stained tissue slices |
JP6791245B2 (ja) * | 2016-06-23 | 2020-11-25 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
US10540570B2 (en) * | 2017-03-21 | 2020-01-21 | Case Western Reserve University | Predicting prostate cancer recurrence in pre-treatment prostate magnetic resonance imaging (MRI) with combined tumor induced organ distension and tumor radiomics |
US10529453B2 (en) | 2017-07-31 | 2020-01-07 | Definiens Gmbh | Tool that analyzes image data and generates and displays a confidence indicator along with a cancer score |
EP3514756A1 (de) * | 2018-01-18 | 2019-07-24 | Koninklijke Philips N.V. | Medizinisches analyseverfahren zur vorhersage von metastasen in einer testgewebeprobe |
US11449987B2 (en) | 2018-12-21 | 2022-09-20 | Wisconsin Alumni Research Foundation | Image analysis of epithelial component of histologically normal prostate biopsies predicts the presence of cancer |
JP2023087303A (ja) * | 2021-12-13 | 2023-06-23 | 富士フイルム株式会社 | 超音波診断装置および超音波診断装置の制御方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007024264A2 (en) * | 2005-02-23 | 2007-03-01 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus, cytoplasm and membrane quantitation |
US8319793B2 (en) | 2009-04-17 | 2012-11-27 | Definiens Ag | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects |
US20150228075A1 (en) * | 2011-10-26 | 2015-08-13 | Definiens Ag | Biomarker Evaluation Through Image Analysis |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005027015A2 (en) * | 2003-09-10 | 2005-03-24 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
EP1678194B1 (de) * | 2003-10-10 | 2013-06-26 | Alchemia Oncology Pty Limited | Modulation der synthese und des abbaus von hyaluronan bei der behandlung von krankheiten |
CA3074969C (en) * | 2008-07-25 | 2023-06-13 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
PT2779089T (pt) * | 2010-07-30 | 2019-02-19 | Fund D Anna Sommer Champalimaud E Dr Carlos Montez Champalimaud | Sistemas e métodos para segmentação e processamento de imagens de tecidos e extração de características dos mesmos para tratar, diagnosticar ou prever condições médicas |
US9159129B2 (en) * | 2011-07-12 | 2015-10-13 | Definiens Ag | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
US9740912B2 (en) * | 2011-12-20 | 2017-08-22 | Definiens Ag | Evaluation of co-registered images of differently stained tissue slices |
US8928887B2 (en) * | 2012-03-02 | 2015-01-06 | The Board Of Trustees Of The University Of Illinois | Characteristic parameters of cells and tissue from quantitative phase imaging |
US20140288425A1 (en) * | 2013-03-22 | 2014-09-25 | Samsung Medison Co., Ltd. | Apparatus and method for providing elasticity information |
US9424460B2 (en) * | 2014-03-10 | 2016-08-23 | Case Western Reserve University | Tumor plus adjacent benign signature (TABS) for quantitative histomorphometry |
US9779499B2 (en) * | 2015-09-18 | 2017-10-03 | Definiens Ag | Grading of glandular tissue cancer by detailed image analysis of stained tissue slices |
-
2015
- 2015-09-18 US US14/859,145 patent/US9779499B2/en active Active
-
2016
- 2016-09-16 DE DE102016217713.3A patent/DE102016217713B4/de active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007024264A2 (en) * | 2005-02-23 | 2007-03-01 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus, cytoplasm and membrane quantitation |
US8319793B2 (en) | 2009-04-17 | 2012-11-27 | Definiens Ag | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects |
US20150228075A1 (en) * | 2011-10-26 | 2015-08-13 | Definiens Ag | Biomarker Evaluation Through Image Analysis |
Also Published As
Publication number | Publication date |
---|---|
US20170084021A1 (en) | 2017-03-23 |
US9779499B2 (en) | 2017-10-03 |
DE102016217713A1 (de) | 2017-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016217713B4 (de) | Verbesserte Einteilung von Drüsengewebskrebs mittels detaillierter Bildanalyse von gefärbten Gewebsschnitten | |
EP2188760B1 (de) | Verfahren und vorrichtung zum ermitteln einer kontur und eines mittelpunktes eines objekts | |
DE112011103687B4 (de) | Zentromerdetektor und Methode zur Bestimmung der Strahlenbelastung durch Chromosomabnormalitäten | |
DE102007018034A1 (de) | Automatische Bildanalyse und Quantifizierung für Fluoreszenz-In Situ-Hybridisierung | |
EP2936431B1 (de) | Verbesserte gleason-klassifizierung durch segmentierung und kombination co-registrierter bilder von unterschiedlich gefärbten gewebescheiben | |
EP2130174B1 (de) | Verfahren und vorrichtung zur ermittlung einer zellkontur einer zelle | |
EP2263211B1 (de) | Verfahren und vorrichtung zur segmentation einer läsion | |
EP3287914A1 (de) | Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen | |
EP2400458B1 (de) | Verfahren und Vorrichtung zur Segmentierung von biologischen Zellen in einer Aufnahme | |
DE60313662T2 (de) | Histologische bewertung des nuklearpleomorphismus | |
WO2015169470A1 (de) | Auswertung eines während einer mammographie erzeugten röntgenbildes einer brust | |
DE112019005143T5 (de) | System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators | |
DE102012208625A1 (de) | Verfahren und System zur Verarbeitung von MRT-Daten des menschlichen Gehirns | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
DE112019004112T5 (de) | System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren | |
EP1481371B1 (de) | Verfahren zur trennung einer in einem bild einer probe enthaltenen zellgruppe in einzelzellen | |
DE60310120T2 (de) | Automatisierte histologische Klassifizierung von Tubuli | |
Gewehr et al. | Software-assisted image analysis for identification and quantification of hepatic sinusoidal dilatation and centrilobular fibrosis | |
DE102022202838A1 (de) | Verfahren und Systeme zum Bereitstellen von Trainingsdatensätzen zum Trainieren eines maschinell erlernten Segmentierungsalgorithmus zur Verwendung in der digitalen Pathologie | |
EP4016081B1 (de) | Verfahren und vorrichtung zum detektieren einer präsenz eines fluoreszenzmustertyps auf einem organschnitt mittels immunfluoreszenzmikroskopie | |
TWI809682B (zh) | 免疫組織化學染色影像的分析方法與電腦程式產品 | |
Gerger et al. | An automated method for the quantification and fractal analysis of immunostaining | |
DE102015103468A1 (de) | Verfahren zur Segmentierung eines Organs und/oder Organbereiches in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie | |
DE102008036814A1 (de) | Klassifizierungsverfahren und Klassifizierungseinheit für Objektgruppen und/oder Gewebemerkmalsgruppen sowie Verfahren zur Ermittlung von Entwicklungsdaten | |
DE102011084286A1 (de) | Verfahren und vorrichtung zur quantifizierung einer schädigung eines hautgewebeschnittes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R082 | Change of representative |
Representative=s name: PATERIS THEOBALD ELBEL & PARTNER, PATENTANWAEL, DE Representative=s name: PATERIS PATENTANWAELTE, PARTMBB, DE |
|
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R081 | Change of applicant/patentee |
Owner name: DEFINIENS GMBH, DE Free format text: FORMER OWNER: DEFINIENS AG, 80636 MUENCHEN, DE Owner name: ASTRAZENECA COMPUTATIONAL PATHOLOGY GMBH, DE Free format text: FORMER OWNER: DEFINIENS AG, 80636 MUENCHEN, DE |
|
R082 | Change of representative |
Representative=s name: PATERIS PATENTANWAELTE, PARTMBB, DE |
|
R020 | Patent grant now final | ||
R081 | Change of applicant/patentee |
Owner name: ASTRAZENECA COMPUTATIONAL PATHOLOGY GMBH, DE Free format text: FORMER OWNER: DEFINIENS GMBH, 80636 MUENCHEN, DE |
|
R082 | Change of representative |
Representative=s name: PATERIS PATENTANWAELTE, PARTMBB, DE |
|
R082 | Change of representative |