ES2316764T3 - Sistema de imaginologia por proyeccion optica y metodo para la deteccion automatica de celulas. - Google Patents
Sistema de imaginologia por proyeccion optica y metodo para la deteccion automatica de celulas. Download PDFInfo
- Publication number
- ES2316764T3 ES2316764T3 ES03732015T ES03732015T ES2316764T3 ES 2316764 T3 ES2316764 T3 ES 2316764T3 ES 03732015 T ES03732015 T ES 03732015T ES 03732015 T ES03732015 T ES 03732015T ES 2316764 T3 ES2316764 T3 ES 2316764T3
- Authority
- ES
- Spain
- Prior art keywords
- cancer
- cell
- interest
- cells
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000003287 optical effect Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title description 5
- 206010028980 Neoplasm Diseases 0.000 claims description 39
- 201000011510 cancer Diseases 0.000 claims description 37
- 108020004414 DNA Proteins 0.000 claims description 33
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 230000001086 cytosolic effect Effects 0.000 claims description 10
- 210000004072 lung Anatomy 0.000 claims description 7
- 229940098465 tincture Drugs 0.000 claims description 7
- 201000009030 Carcinoma Diseases 0.000 claims description 6
- 206010008342 Cervix carcinoma Diseases 0.000 claims description 6
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 claims description 6
- 201000010881 cervical cancer Diseases 0.000 claims description 6
- 206010006187 Breast cancer Diseases 0.000 claims description 5
- 208000026310 Breast neoplasm Diseases 0.000 claims description 5
- 206010017993 Gastrointestinal neoplasms Diseases 0.000 claims description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 5
- 206010043515 Throat cancer Diseases 0.000 claims description 5
- 201000005202 lung cancer Diseases 0.000 claims description 5
- 208000020816 lung neoplasm Diseases 0.000 claims description 5
- 206010033128 Ovarian cancer Diseases 0.000 claims description 4
- 206010061535 Ovarian neoplasm Diseases 0.000 claims description 4
- 206010060862 Prostate cancer Diseases 0.000 claims description 4
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 238000010186 staining Methods 0.000 claims description 4
- 208000000453 Skin Neoplasms Diseases 0.000 claims description 3
- 208000024558 digestive system cancer Diseases 0.000 claims description 3
- 201000010231 gastrointestinal system cancer Diseases 0.000 claims description 3
- 201000000849 skin cancer Diseases 0.000 claims description 3
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 210000000481 breast Anatomy 0.000 claims description 2
- 150000007523 nucleic acids Chemical group 0.000 claims description 2
- 230000002685 pulmonary effect Effects 0.000 claims description 2
- 230000001926 lymphatic effect Effects 0.000 claims 3
- 206010005949 Bone cancer Diseases 0.000 claims 2
- 208000018084 Bone neoplasm Diseases 0.000 claims 2
- 230000000955 neuroendocrine Effects 0.000 claims 2
- 201000002120 neuroendocrine carcinoma Diseases 0.000 claims 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000035800 maturation Effects 0.000 claims 1
- DWCZIOOZPIDHAB-UHFFFAOYSA-L methyl green Chemical compound [Cl-].[Cl-].C1=CC(N(C)C)=CC=C1C(C=1C=CC(=CC=1)[N+](C)(C)C)=C1C=CC(=[N+](C)C)C=C1 DWCZIOOZPIDHAB-UHFFFAOYSA-L 0.000 claims 1
- ANRHNWWPFJCPAZ-UHFFFAOYSA-M thionine Chemical compound [Cl-].C1=CC(N)=CC2=[S+]C3=CC(N)=CC=C3N=C21 ANRHNWWPFJCPAZ-UHFFFAOYSA-M 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 174
- 239000000523 sample Substances 0.000 description 46
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000003325 tomography Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 239000003068 molecular probe Substances 0.000 description 13
- 230000004075 alteration Effects 0.000 description 11
- 238000000684 flow cytometry Methods 0.000 description 11
- 108090000623 proteins and genes Proteins 0.000 description 10
- 210000000805 cytoplasm Anatomy 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 239000000758 substrate Substances 0.000 description 9
- 239000012530 fluid Substances 0.000 description 7
- 210000004940 nucleus Anatomy 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 210000002919 epithelial cell Anatomy 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000386 microscopy Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000000975 dye Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 3
- 238000001444 catalytic combustion detection Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000011896 sensitive detection Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000003855 cell nucleus Anatomy 0.000 description 2
- 239000006285 cell suspension Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 239000007983 Tris buffer Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- XKRFYHLGVUSROY-UHFFFAOYSA-N argon Substances [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- -1 argon ion Chemical class 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000010307 cell transformation Effects 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000633 nuclear envelope Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- XJMOSONTPMZWPB-UHFFFAOYSA-M propidium iodide Chemical compound [I-].[I-].C12=CC(N)=CC=C2C2=CC=C(N)C=C2[N+](CCC[N+](C)(CC)CC)=C1C1=CC=CC=C1 XJMOSONTPMZWPB-UHFFFAOYSA-M 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000004895 subcellular structure Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- KUUVQVSHGLHAKZ-UHFFFAOYSA-N thionine Chemical compound C=1C=CC=CSC=CC=1 KUUVQVSHGLHAKZ-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
- G01N15/147—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle the analysis being performed on a sample stream
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N21/03—Cuvette constructions
- G01N21/05—Flow-through cuvettes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/419—Imaging computed tomograph
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/612—Specific applications or type of materials biological material
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dispersion Chemistry (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Pulmonology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Laser Beam Printer (AREA)
- Projection Apparatus (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Un método para detectar células de interés (1) en una muestra de célula, que comprende los pasos de: obtener una muestra de célula y suspender las células (1) en la solución (17); preparar las células (1) de la muestra de célula en la solución; marcar las células (1) para generar densidades ópticas dentro de cada célula de la muestra; iluminar la muestra con al menos una fuente de puntos de luz (21), en donde las células son presentadas una a una para la iluminación; obtener al menos dos imágenes de proyección a través de la muestra con un detector (23) de colección digital; compensar las al menos dos imágenes de proyección para variaciones en la iluminación de fondo; analizar las al menos dos imágenes de proyección para detectar al menos un objeto de interés; calcular un conjunto de valores característicos (94) para el al menos un objeto de interés, incluyendo valores característicos unidimensionales (1D) y valores característicos bidimensionales (2D), donde los valores 1D y 2D son calculados usando densidades ópticas generadas en el al menos un objeto de interés; proporcionar el conjunto de valores característicos (94) para al menos un clasificador (90); usar el conjunto de valores característicos (94) y el al menos un clasificador (90) para identificar el al menos un objeto de interés desde la muestra de célula; Y combinar las al menos dos imágenes de proyección usando métodos para la reconstrucción de imagen computarizada para generar imágenes tomográficas multidimensionales, en donde los métodos de reconstrucción de imagen computarizada incluyen métodos seleccionados del grupo consistente en geometrías de proyección de haz en abanico y geometrías de proyección de haz en cono.
Description
Sistema de imaginología por proyección óptica y
método para la detección automática de células.
La presente invención se refiere a sistemas de
imaginología por proyección en general y a la clasificación de
células, y más en particular, a sistemas automatizados de flujo de
alto rendimiento basados en la utilización de la imaginología por
proyección, como por tomografía óptica de flujo (TOF), para detectar
células anormales y cancerosas y para detectar células raras
basados en mediciones altamente cuantitativas de características
densitométricas nucleares y citoplásmicas (CDNs y CDCs) asociadas
con la enfermedad.
El método más común de diagnosticar cáncer en
pacientes es obteniendo una muestra del tejido sospechoso y
examinándola en un microscopio en busca de la presencia de células
obviamente cancerosas. Mientras este proceso es relativamente fácil
cuando es conocida la posición anatómica del tejido sospechoso, no
es tan fácil cuando no hay tumor o lesión precancerosa fácilmente
identificable. Por ejemplo, detectar la presencia de cáncer
pulmonar a partir de una muestra de esputo requiere que estén
presentes en la muestra una o más células de cáncer relativamente
raras. Por consiguiente, los pacientes que tienen cáncer pulmonar no
pueden ser diagnosticados correctamente si la muestra no refleja
perceptiva y exactamente las condiciones del pulmón.
Un ejemplo de un método y sistema basado en
microscopio para detectar células de diagnóstico y células que
tienen alteraciones asociadas a malignidad es revelado en Palcic
et al., Patente de Estados Unidos 6 026 174. El sistema
Palcic et al. incluye un clasificador automatizado que tiene
un microscopio convencional, cámara, digitalizador de imagen, un
sistema de ordenador para controlar e interconectar estos
componentes, un clasificador primario para la clasificación inicial
de la célula, y un clasificador secundario para la subsiguiente
clasificación de la célula. El método utiliza el clasificador
automatizado para detectar automáticamente células de diagnóstico y
células que tienen alteraciones asociadas a malignidad. Sin embargo,
la calidad del resultado del diagnóstico está limitada por el uso
de un microscopio convencional, lo cual no permite mediciones
precisas de densidades de la tintura. El método de Palcic et
al. no se dirige al uso de sondas moleculares.
Con el advenimiento de sondas moleculares, tales
como sondas de anticuerpos y sondas de hibridación de ácido
nucleico, pueden ser tratadas nuevas cuestiones relacionadas con las
enfermedades etiquetando estas sondas moleculares y luego midiendo
su localización y concentración dentro de células y tejidos
biológicos. Como está emergiendo la necesidad de localizar y
cuantificar con más precisión a estas sondas, hay una necesidad
concomitante para técnicas mejoradas de medir microscópicamente
densidades de la sonda en dos dimensiones (2D) y tres dimensiones
(3D). La microscopía de luz visible convencional, la cual utiliza
células montadas sobre láminas de vidrio, sólo puede aproximar
mediciones 2D y 3D debido a limitaciones en la profundidad del
plano focal, ángulos de muestreo, y problemas con las preparaciones
de las células que típicamente causan que las células se
solapamienton en el plano de la imagen. Otro inconveniente de la
microscopía de luz visible es la limitación inherente de mirar a
través de un lente objetivo donde sólo el área dentro del estrecho
plano focal proporciona datos precisos para el análisis.
Los métodos de citometría de flujo generalmente
vencen el problema del solapamiento de células haciendo fluir las
células una a una en una corriente fluida. Desafortunadamente, los
sistemas de citometría de flujo no generan imágenes de células de
la misma calidad que la microscopía de luz visible tradicional, y,
en cualquier caso, las imágenes no son tridimensionales. Para más
información, los expertos en la técnica pueden consultar Shapiro,
HM, Practical Flow Cytometry, 3ra ed., Wiley-Liss,
1995.
En el área de la tomografía asistida por
ordenador, la Patente de Estados Unidos No. 5 402 460, publicada el
28 de marzo de 1995, de Johnson et al., titulada
"Three-dimensional Microtomographic Analysis
System" revela un sistema microtomográfico para generar imágenes
tridimensionales de alta resolución de un espécimen usando un
generador de rayos X y un detector de rayos X que mide la atenuación
del haz de rayos X a lo largo del espécimen. Con el sistema
microtomográfico de Johnson et al., son hechas dos
proyecciones de cada vista del espécimen, cada una usando un haz de
rayos X de diferente energía. Después que son hechas las dos
proyecciones de una vista del espécimen, el espécimen es rotado
sobre la agarradera del espécimen y se hace otro conjunto de
proyecciones. Las proyecciones de cada vista del espécimen son
analizadas juntas para proporcionar una indicación cuantitativa de
la fracción de la fase del material que contiene al espécimen. Las
proyecciones de las vistas diferentes son combinadas para
proporcionar una imagen tridimensional del espécimen. La Patente de
Estados Unidos No. 5 402 460 es incorporada en la presente solicitud
como referencia. Aunque la tecnología de rayos X como es mostrada
por la Patente de Estados Unidos No. 5 402 460 es útil para algunas
aplicaciones, no proporciona una solución óptica útil para la
citometría de flujo, por medio de la cual uno podría medir la
distribución 3D de densidad molecular dentro de una célula
biológica.
biológica.
Es una motivación de esta invención, para
superar las limitaciones mencionadas anteriormente y otras
encontradas en tales sistemas, combinar la presentación de las
células una a una de la citometría de flujo con la tomografía
óptica computacional desde múltiples proyecciones de fuente de
puntos para reconstruir la información de densidad dentro de una
célula a partir de una pluralidad de proyecciones. La información de
densidad 3D reconstruida permite la medición precisa de
características densitométricas nucleares (CDNs) y características
densitométricas citoplásmicas (CDCs).
Las CDNs y CDCs referidas en la presente
solicitud son únicas para los sistemas de imaginología por
proyección que no requieren el uso de lentes y planos focales con
su artefacto de aspecto borroso inherente no deseado debido a
estructuras desenfocadas fuera del estrecho plano focal. Debido a
que los sistemas de imaginología por proyección no requieren lentes
y planos focales, sino más bien, producen sombragramas en donde
todas las estructuras están enfocadas límpidamente al mismo tiempo,
la medición de características de densidad será más cuantitativa y
precisa que en sistemas de microscopía convencionales. Por
consiguiente, los términos "CDN" y "CDC" se refieren a
mediciones de características de densidad de sombragramas y a
reconstrucciones tomográficas usando sombragramas. Las CDNs y CDCs
son alteraciones sutiles que se conoce que tienen lugar en células
asociadas con el tejido de cáncer. Estas alteraciones son
indicativas de desviación de normalidad y reflejan alteraciones
moleculares asociadas con el proceso de enfermedad.
Sin embargo, las CDNs y CDCs aún no han logrado
aceptación amplia para determinar explorando si un paciente tiene o
desarrollará cáncer, porque los métodos de medición no han provisto
exactitud y/o rendimiento adecuados. Tradicionalmente, las CDNs y
CDCs han sido detectadas seleccionando cuidadosamente una muestra de
células de una posición cercana a un tumor o lesión precancerosa y
observando las células bajo un microscopio usando amplificación
relativamente alta. Sin embargo, se cree que las alteraciones de CDN
y CDC que tienen lugar en las células pueden ser demasiado sutiles
para ser detectadas fiablemente por un patólogo humano que trabaja
con equipamiento convencional de microscopía, especialmente debido a
que el patólogo típicamente no está haciendo mediciones
cuantitativas. Por ejemplo, una alteración de CDN puede ser indicada
por la distribución y la densidad de ADN dentro del núcleo acoplado
con variaciones leves en la forma del núcleo. Debido a que los
observadores humanos no pueden cuantificar fácilmente tales
alteraciones sutiles de la célula, es difícil de determinar cuáles
células exhiben alteraciones de CDN.
El documento EP 0539022A2 describe un analizador
de partículas el cual dirige un haz de luz en un flujo líquido del
espécimen para interactuar con partículas en el flujo líquido del
espécimen y usa un sensor de imagen unidimensional extendiéndose
transversalmente de la dirección del flujo de partículas para
recoger información morfológica de las partículas.
La presente invención proporciona un método para
detectar células de interés en una muestra de célula según la
reivindicación 1. Se describe aquí un método que comprende los pasos
de obtener una muestra de célula y suspender las células en la
solución; si se requiere, acondicionar las células de la muestra de
célula en la solución; entintar y/o etiquetar las células para
generar densidades ópticas asociadas con moléculas nucleares u
otras estructuras dentro de cada célula de la muestra; Iluminar la
muestra con un "punto" emisor de luz y obtener una o más
imágenes de proyección (por ejemplo sombragramas) a través de la
muestra con un detector de colección digital; compensar las
imágenes de proyección para variaciones en la iluminación de fondo;
analizar las imágenes de proyección para detectar objetos de
interés; calcular un conjunto de valores característicos
unidimensionales (1D) y bidimensionales (2D) para cada objeto de
interés; y proporcionar el conjunto de valores característicos al
menos a un clasificador (90) que identifica y caracteriza células de
interés en la muestra de célula.
En otro aspecto, la presente invención
proporciona un sistema para detectar automáticamente las CDNs y CDCs
en muestras de célula. El sistema preferente incluye un instrumento
de tomografía óptica de flujo (TOF) que es controlado por e
interconectado con un sistema de ordenador. Las imágenes de
proyección captadas por el TOF son almacenadas en un pizarrón de
procesamiento de imagen y son manipuladas por el sistema de
ordenador para detectar la presencia de las CDNs y CDCs
unidimensionales y bidimensionales. Múltiples imágenes de proyección
pueden ser reconstruidas por el ordenador para generar imágenes
tridimensionales (3D) y de dimensión superior (3D +) con sus CDCs y
CDNs asociadas.
Para medir las CDNs y CDCs, es obtenida una
muestra de célula y entintada en suspensión, y luego mostrada por
la TOF. La tintura es estequiométrica y/o proporcional al ADN y/o
sus proteínas asociadas o a otras moléculas de interés dentro de la
célula incluyendo el citoplasma. El sistema de ordenador analiza
luego las imágenes de proyección directamente y/o computa la
reconstrucción 3D que es también analizada. Las imágenes se corrigen
de la iluminación dispareja y otras imperfecciones del sistema de
adquisición de imagen. Después de que todas las imágenes son
corregidas, se calculan los bordes, superficies y volúmenes y
densidades de los objetos de interés, o sea, el límite que
determina qué píxeles o vóxeles pertenecen al objeto o estructura de
interés y cuáles pertenecen al fondo.
El sistema de ordenador calcula luego un
conjunto de 1D, 2D, 3D y 3D + valores característicos para cada
objeto o estructura. Para algunos cálculos de características el
límite cercano al valor más alto del gradiente se corrige dilatando
o erosionando el borde (o la superficie) en uno o más píxeles (o
vóxeles). Esto se hace de manera que cada característica logra un
mayor poder de discriminar entre clases de objetos y es de este
modo objeto específica. Estos valores característicos son luego
analizados por un clasificador que usa los valores característicos
para determinar si el objeto es un artefacto o es un núcleo de
célula o estructura de interés. Si el objeto parece ser un núcleo
de célula o estructura de interés, entonces los valores
característicos son analizados además por el clasificador para
determinar si el objeto exhibe indicativos de CDNs y CDCs de
enfermedad. Puede hacerse una determinación estadística de si es
saludable el paciente de quien la muestra de célula fue obtenida o
de si alberga un crecimiento maligno, basada en el número de objetos
encontrados en la muestra que parecen tener alteraciones
significativas de CDN y CDC relacionadas a la enfermedad.
En otras realizaciones, la presente invención
proporciona un método para detectar células epiteliales en una
muestra de célula y un método para detectar células teniendo CDNs y
CDCs que están correlacionadas con enfermedades entre las células
epiteliales. En otra realización, se provee un método para predecir
si un paciente desarrollará cáncer.
La Fig. 1 muestra esquemáticamente una
ilustración de un ejemplo de un sistema del citometría de flujo como
es contemplado por una realización de la presente invención.
La Fig. 2 muestra esquemáticamente una
ilustración de ejemplo de un proceso de flujo para una sola célula
como es contemplado por una realización de la presente
invención.
La Fig. 3A y la Fig. 3B muestran
esquemáticamente un ejemplo de una célula y una sección transversal
de reconstrucción como es contemplada por una realización de la
presente invención.
La Fig. 4 muestra esquemáticamente un ejemplo de
un cilindro de reconstrucción como es contemplado por una
realización de la presente invención.
La Fig. 5 muestra esquemáticamente un ejemplo de
un sistema de tomografía óptica de flujo (TOF) como es contemplado
por una realización de la presente invención.
La Fig. 6 muestra esquemáticamente un ejemplo de
rayos de proyección dentro de un cilindro de reconstrucción como es
contemplado por una realización de la presente invención.
La Fig. 7 muestra esquemáticamente un ejemplo de
una vista superior de un cilindro de reconstrucción como es
contemplado por una realización de la presente invención.
La Fig. 8 muestra esquemáticamente un ejemplo de
la geometría de una configuración de conjunto de fuente/lineal
usada en la reconstrucción de la célula como es contemplado por una
realización de la presente invención.
La Fig. 9 muestra esquemáticamente un ejemplo de
un método de clasificación usado en el análisis de CDNs y CDCs de
imágenes de proyección y la reconstrucción tomográfica como es
contemplado por una realización de la presente invención.
La invención es descrita en la presente
solicitud con relación a ejemplos específicos referentes a células
biológicas, sin embargo, se tendrá por entendido que estos ejemplos
son para el propósito de ilustrar los principios de la invención, y
que la invención no está de tal modo limitada. En un ejemplo,
construir una distribución tridimensional de densidades de puntos e
intensidades de emisión dentro de un volumen microscópico permite
la medición de densidad y fluorescencia en cualquier posición dentro
del volumen microscópico y determina la posición de estructuras,
moléculas o sondas moleculares de interés. Usando las sondas
moleculares etiquetadas, puede ser medida la cantidad de sondas que
corresponden a estructuras específicas en el objeto microscópico.
Para propósitos ilustrativos, un objeto tal como una célula
biológica puede estar etiquetado con al menos una sonda molecular
etiquetada, y la cantidad y posición medida de esta sonda pueden
producir información importante acerca del estado de enfermedad de
la célula, incluyendo, pero no limitado a, cánceres diversos como
cáncer pulmonar, de mama, de próstata, de cervical y de ovarios.
A las células biológicas que han sido preparadas
para citometría de flujo y entintadas o etiquetadas con sondas
moleculares etiquetadas para el diagnóstico de enfermedades
específicas, se les hace fluir a través de un dispositivo que tiene
prevista la colección de imágenes de proyección y permite la
reconstrucción de información de densidad 2D y 3D desde caminos del
rayo de proyección óptica aproximadamente perpendiculares al vector
de flujo de la célula. Controlando la velocidad de la célula que
fluye a lo largo de un eje, los planos perpendiculares 2D de
reconstrucción pueden ser posicionados correctamente (o apilados) a
lo largo del eje de la célula para crear una imagen 3D de la célula
entera, o puede ser computada una imagen 3D de la célula
directamente desde proyecciones de emisión o transmisión óptica
2D.
La citometría de flujo es altamente apropiada
para la reconstrucción de imagen debido a las siguientes
características:
- \bullet
- las células fluyen en fila única a través del tubo capilar de manera que el solapamiento de células y la obscuración son minimizados,
- \bullet
- la velocidad de las células fluyendo a través del tubo capilar puede ser directamente medida y es constante,
- \bullet
- las células tienden a seguir el eje central del tubo capilar y volverse simétricas estructural y radialmente, y
- \bullet
- dependiendo de la preparación de suspensión y fijación de la célula, las células pueden retener plasticidad y asumir una forma alargada a lo largo del eje z en respuesta al gradiente de velocidad en el tubo capilar.
La presente invención aprovecha dichas
características para proporcionar un sistema de imaginología por
proyección de fuente de puntos y reconstrucción de imagen
tomográfica.
Refiriéndose ahora a la Fig. 1, allí se muestra
esquemáticamente una ilustración de ejemplo de un sistema de
citometría de flujo como es contemplado por una realización de la
presente invención. El sistema está orientado con referencia a un
sistema de coordenadas 11 que tiene coordenadas en las direcciones
X, Y, y Z. En operación, las células 1 son inyectadas dentro del
tubo de inyección 3 usando un dispositivo de inyección conocido 4.
El tubo capilar es más ancho en el extremo de inyección 5 e incluye
una cápsula de presión 6. Un fluido de cubierta 7 es introducido en
el tubo 8 para crear flujo laminar dentro del tubo capilar 2. Es
característico de la citometría de flujo tradicional que las
células 1, preparadas y suspendidas en la solución, puedan ser
impulsadas a través de un tubo capilar 2 de manera que se elonguen
con el eje de flujo y se muevan aproximadamente hacia abajo del eje
central del tubo capilar 2, como es representado por la línea
discontinua 9. A las células ventajosamente puede obligárseles a
fluir con simetría axial y con velocidad constante 10 en fila india
a lo largo del eje central de un tubo capilar cilíndrico.
Refiriéndose ahora a la Fig. 2, allí se muestra
esquemáticamente una ilustración de un ejemplo de un proceso de
flujo para una sola célula como es contemplado por una realización
de la presente invención. Una célula 1 se mueve con una velocidad
constante (V) indicada por el vector de velocidad 10 a través de un
tubo capilar 2. La célula 1 comprende una pared del citoplasma de
la célula 12 y una pared del núcleo de la célula 13. Durante el
curso de fluir a través del tubo capilar 2, la célula 1 atraviesa
una pluralidad de planos de reconstrucción representados para
propósitos ilustrativos como el primer, segundo y tercer planos de
reconstrucción 14a, 14b y 14c respectivamente. Un primer corte
planar 15a a través de la pared del citoplasma de la célula yace
dentro del plano de reconstrucción 14a. De modo similar, un segundo
corte planar 15b a través de las paredes del citoplasma de la
célula y del núcleo de la célula, yace dentro del segundo plano de
reconstrucción 14b, y un tercer corte planar 15c yace dentro del
tercer plano de reconstrucción 14c. Una característica central de
la presente invención es que son dispuestas alrededor de y
concéntricas con el tubo capilar un número de fuentes de puntos
ópticas de longitud de onda elegible. Las fuentes de puntos ópticas
operan en conjunción con colecciones de sensores ópticos en
oposición que son sensitivos a las porciones elegibles del espectro
de luz, permitiendo de este modo la adquisición de proyecciones de
la luz transmitida a través de la célula. Las imágenes de
proyección adquiridas pueden ser analizadas directamente o
procesadas usando algoritmos de reconstrucción de imágenes
tomográficas para proporcionar imágenes o mapas espaciales de la
distribución de densidades y/o intensidades de emisión dentro de la
célula. Se tendrá por entendido que en la práctica el número de
planos de reconstrucción puede diferir desde varios hasta varios
centenares o más, dependiendo de la resolución de imagen necesitada
del objeto siendo presentado al sistema. El grupo de imágenes
reconstruidas de cortes planares paralelos puede ser combinado o
apilado en software para producir una imagen tridimensional (3D) de
las densidades e intensidades de emisión dentro de la célula.
Además, pueden ser adquiridas simultáneamente proyecciones de una
pluralidad de cortes planares contiguos a través de las células
fluyentes, empleando colecciones planares (2D) de sensores de luz
en lugar de lineales (1D), y un cono en lugar de un patrón de rayos
de iluminación en abanico. Como consecuencia, pueden ser computadas
imágenes tridimensionales (3D) de la distribución de densidades e
intensidades de emisión dentro del volumen de la célula directamente
desde las proyecciones bidimensionales (2D), usando algoritmos de
reconstrucción de haz en cono. Alternativamente, pueden ser
analizadas directamente las imágenes de proyección de fuente de
puntos 2D, las cuales poseen infinita profundidad de campo.
En el caso de una célula biológica, una
distancia (d) entre planos de reconstrucción puede ser de algunos
micrones o menos. Un punto dentro de la célula 1 coincidirá con cada
plano de reconstrucción en los intervalos de tiempo, donde los
intervalos de tiempo (t) pueden ser descritos según la relación:
(Ecuación 1)t
= d \div
V
Refiriéndose ahora conjuntamente a la Fig. 3A y
la Fig. 3B, allí es mostrado esquemáticamente un ejemplo de una
sección transversal 16 de reconstrucción como es contemplado por una
realización de la presente invención. La reconstrucción de
densidades de puntos dentro de una célula desde proyecciones ópticas
a través de esta se beneficia de la centralidad y simetría axial de
la célula fluyente. Adicionalmente, el espacio siendo muestreado
por las proyecciones puede ser modelado como consistente en tres
compartimientos discretos:
1. el fluido fuera de la célula 17 (o sea, el
fluido de cubierta o el medio de suspensión de la célula),
2. el citoplasma de la célula 18, y
3. el núcleo de célula 19.
Es suficiente conocer cuantitativamente la
distribución de densidad óptica o sondas moleculares en estos tres
compartimientos para enfrentar muchos problemas importantes en la
biología de la célula y el diagnóstico de enfermedades.
Adicionalmente, esto puede ser útil para computar superficies de dos
límites incluyendo a la pared de célula o citoplásmica 12 y a la
pared nuclear 13 si ciertas sondas moleculares se vinculan
preferentemente a estas superficies. Por otra parte, puede ser
suficiente caracterizar a estas paredes como las superficies de
transición entre los tres compartimientos diferentes.
Combinando los cortes reconstruidos de la
célula, o reconstruyendo en una manera helicoidal, volumétrica,
pueden ser generadas la morfología 3D y la información de volumen,
pero los volúmenes absolutos (a distinción de los relativos)
dependen de información precisa de la posición de la célula. La
posición de la célula es una función de la velocidad de flujo. Sin
embargo, en varias instancias, las concentraciones relativas de
densidad o las sondas moleculares son suficientes para enfrentar la
interrogante del diagnóstico: ¿Cuánta sonda está en el citoplasma
relativo al núcleo vs. la sonda no vinculado en el fluido de fondo?
O, ¿está ubicada la sonda primariamente en la membrana de la célula
o en la superficie de la membrana nuclear?.
Mientras las células que pasan a través del tubo
capilar pueden volverse simétricas radial y estructuralmente, la
distribución dentro de los compartimientos nucleares y citoplásmicos
de al menos una sonda molecular vinculada no puede poseer tal
simetría axial. Es por lo tanto deseable para el sistema de imagen y
el algoritmo de reconstrucción (particularmente la emisión)
proporcionar suficiente resolución espacial para localizar volúmenes
de sonda molecular vinculada fluorescente, en una escala más fina
que la requerida para proporcionar el análisis de tres
compartimientos descrito anteriormente. Es deseable además que el
sistema provea información cuantitativa acerca de la concentración
de sonda distribuida asimétricamente dentro de los dos
compartimientos intracelulares. La asociación de la sonda con
compartimientos subcelulares específicos, estructuras u organelos
dentro del citoplasma o el núcleo es facilitada por la resolución
espacial submicrónica.
Un ejemplo más específico corresponde a la
detección temprana de cáncer en pacientes en riesgo. En tales casos,
ciertos genes pueden expresar de más o de menos su función cuando
la célula experimenta transformación. Es importante desde el punto
de vista del diagnóstico medir la expresión relativa de más o de
menos del producto del gene (frecuentemente una proteína) en el
citoplasma relativo al núcleo, mientras que se normaliza para
sondas no vinculadas en el fluido suspensión del fondo. Si el
producto del gene es una proteína, entonces una sonda de anticuerpo
etiquetada puede ser usada para evaluar el estado de la enfermedad
de la célula localizando y/o cuantificando la proteína producto del
gene. Por lo tanto, el análisis de tres compartimientos puede ser
suficiente para hacer la determinación del estado de la
enfermedad.
Refiriéndose ahora a la Fig. 4, es mostrado
esquemáticamente un ejemplo de un cilindro de reconstrucción,
rodeando el tubo de flujo 2 que contiene células fluyentes 1, como
es contemplado por una realización de la presente invención. Un
cilindro de reconstrucción 20 incluye, por ejemplo, una hélice 24 de
fuentes de puntos 21 dispuesta en una inclinación helicoidal
predeterminada, con ángulo de inclinación \theta. Cada fuente de
puntos 21 genera un haz de fotones 22, donde el haz de fotones 22 es
típicamente en forma de cono o abanico. Mientras que la disposición
de las fuentes descritas en el ejemplo de la Fig. 4 es helicoidal,
el conjunto de fuentes de puntos puede tomar una variedad amplia de
patrones geométricos, dependiendo en parte de la velocidad de la
electrónica, la velocidad de la célula y la geometría que logran las
señales de proyección sin solapamiento en el sensor (detector).
Elementos sensores 23 son dispuestos para recibir luz desde las
fuentes de puntos.
Las fuentes de puntos ópticas fijas 21, en
conjunción con detectores opuestos 23 montados alrededor de una
circunferencia del tubo pueden muestrear múltiples ángulos de
proyección a través de la célula entera 1 a medida que estas fluyen
pasando las fuentes. Midiendo el tiempo de emisión o lectura, o
ambos, de la fuente de luz y la luz emitida y/o diseminada y/o
transmitida atenuada, cada señal detectada coincidirá con una
posición específica, conocida a lo largo del eje en la dirección de
la z de la célula fluyente. De esta manera, una célula 1 fluyendo
con velocidad conocida a lo largo de un eje conocido perpendicular a
una fuente de luz que es inducida a emitir o a ser detectada en un
modo sincronizado, puede ser seccionada de manera óptica con
proyecciones a través de la célula que puede ser reconstruida para
formar un corte 2D en el plano X-Y. Apilando o
combinando matemáticamente cortes secuenciales, emergerá una imagen
3D de la célula. Es posible también combinar el movimiento de la
célula con el posicionamiento de la fuente de luz (o las fuentes)
alrededor del eje de flujo para generar datos que pueden ser
reconstruidos, por ejemplo, en una manera helicoidal para crear una
imagen 3D de la célula. La reconstrucción puede ser hecha ya sea
apilando imágenes planares contiguas reconstruidas desde
proyecciones lineales (1D) usando algoritmos de reconstrucción de
haz en abanico, o a partir de proyecciones planares (2D) usando
directamente algoritmos de reconstrucción de haz en cono. La imagen
3D de la célula puede producir mediciones cuantitativas de
estructuras subcelulares y la posición y cantidad de sondas
moleculares etiquetadas que proporcionan información de
diagnóstico.
Como se mencionó, es requerida más de una
proyección a través de una sección de célula para reconstruir la
estructura de densidad 2D o 3D en la sección o el volumen. En la
tomografía computada de rayos X medicinal de corte a corte
tradicional, las proyecciones múltiples son hechas manteniendo
inmóvil al paciente humano mientras la fuente de rayos X y los
detectores opuestos se mueven a lo largo de una circunferencia para
generar múltiples ángulos de proyección a través del paciente.
Análogamente, el sistema de tomografía óptica de flujo de esta
invención mueve la célula a una velocidad (V) predeterminada pasando
por múltiples fuentes posicionadas en ángulos diferentes a lo largo
de la circunferencia del tubo capilar para generar proyecciones
múltiples a través de la célula a medida que esta fluye pasando las
fuentes de punto. Estas fuentes de puntos emiten fotones que
atraviesan la célula y son detectados por un conjunto de sensores
opuestos a la fuente. Las fuentes de puntos pueden ser dispuestas a
lo largo de una hélice 24, o en otros patrones geométricos
apropiados, en la circunferencia del tubo capilar de manera que
cada punto en la célula es muestreado desde una multitud de ángulos
a medida que atraviesan el conjunto de fuentes de punto. Para una
buena geometría de muestreo, estas fuentes de puntos pueden cubrir
al menos 180 grados de circunferencia. Menos cobertura angular (o
sea, ángulos siendo muestreados) puede ser factible en algunas
instancias, mientras que la cobertura radial adicional mejorará la
precisión y la proporción señal-ruido de la
reconstrucción computada. Dependiendo de la geometría, puede ser
ventajoso aplicar algoritmos analíticos, iterativos o estadísticos
tradicionales para la reconstrucción de imagen de haz en cono o de
haz en abanico. (Ver, por ejemplo, Gilbert, P, "Iterative Methods
for the Three-dimensional Reconstruction of an
Object from Projections", Journal of Theoretical Biology
36:105-17, 1972, Oppenheim, BE, "More Accurate
Algorithms for Iterative 3 dimensional Reconstruction", IEEE
Transactions on Nuclear Science
NS-21:72-7, 1974, Singer, JR,
Grunbaum, FA, Kohn, P, y Zubelli, JP, "Image Reconstruction of the
Interior of Bodies that Diffuse Radiation", Science
248(4958):990-3, 1990. Mueller, K y Yage, R,
"Rapid 3-D Cone-beam
Reconstruction with the Simultaneous Algebraic Reconstruction
Technique (SART) Using 2-D Texture Mapping
Hardware", IEEE Transactions on Medical imaging 19
(12):1227-37, 2001.) Los métodos relacionados
incluyen, pero no son limitados a TRA (técnica de reconstrucción
algebraica, como es planteada en Bellman, SH, Bender, R, Gordon, R,
y Rowe, JE, "ART is Science being A Defense of Algebraic
Reconstruction Techniques for Three-dimensional
Electron Microscopy", Journal of Theoretical Biology
32:205-16, 1971), TRIS (técnica de reconstrucción
iterativa simultánea, como es planteada, por ejemplo por Gilbert,
id. #1493), ME-VM (maximización de la esperanza de
vida máxima, como es planteada, por ejemplo, por Manglos, SH,
Jaszcak, RJ, y Floyd, CE, "Maximum Likelihood Reconstruction for
Cone Beam SPECT: Development and Initial Tests", Physics in
Medicine and Biology 34(12):1947-57,1989,
#1382), y MESO (maximización de la esperanza de subconjuntos
ordenados, como es planteada, por ejemplo, en Manglos, SH, Gagne,
GM, Krol A, Thomas, FD, y Narayanaswamy, R, "Transmission
Maximum-likelihood Reconstruction with Ordered
Subsets for Cone Beam CT", Physics in Medicine and Biology
40(7):1225-41, 1995, #4389).
Refiriéndose ahora a la Fig. 5, allí es mostrado
esquemáticamente un ejemplo de un sistema de tomografía óptica de
flujo (TOF) como es contemplado por una realización de la presente
invención. El sistema de tomografía óptica de flujo incluye un
citómetro de flujo, con un cilindro de reconstrucción 20 situado
alrededor del tubo capilar 2. Una fuente de fotones 25 y un sensor
de fotón 26 trabajan conjuntamente con el analizador de elevación
del pulso 27 para operar como un dispositivo detonante. El
analizador de elevación del pulso 27 opera de acuerdo con los
principios conocidos para proporcionar un primer punto detonador 28
para el comienzo de una célula, y un segundo punto detonador 29
para el final de la célula. El analizador de elevación del pulso 27
devuelve una señal del detonador 30 correspondiente al comienzo y al
final de cada célula, donde la señal del detonador es recibida por
el cilindro de reconstrucción 20.
Un ordenador 40 es acoplado para transmitir
datos, señales de control y señales de cronometraje hacia las
fuentes de puntos 21, elementos sensores 23 y al analizador de
elevación del pulso 27 por las líneas de señal
41-43. El ordenador puede comprender un ordenador
conocido o una pluralidad de ordenadores y procesadores de conjunto
adecuados para la adquisición de imagen y el procesamiento de
reconstrucción de imagen.
Los citómetros de flujo comerciales vienen con
tres configuraciones de flujo básicas: a saber, el tubo cilíndrico
de flujo, el tubo rectangular de flujo y el flujo en el sistema de
aire. (Véanse Shapiro, HM, Practical Flow Cytometry, ed. 3,
Wiley-Liss, 1995). La configuración preferente es el
tubo cilíndrico de flujo, debido a que es importante preservar la
geometría cilíndrica óptima para el algoritmo de reconstrucción para
minimizar cualquier dependencia radial, debido a la maquinaria de
flujo (véase la Fig. 1). Además, el tubo cilíndrico de flujo puede
tener paredes uniformemente delgadas relativas al área de sección
transversal del tubo capilar.
Adicionalmente, el dispositivo detonante puede
ser ubicado contracorriente desde el módulo de reconstrucción para
proporcionar una señal de cronometraje para iniciar y terminar la
colección de datos a medida que la célula entra y emerge
óptimamente del cilindro de reconstrucción. El dispositivo detonante
puede comprender ventajosamente un diodo de láser, CCD, PMT, una
combinación de fotodetector, un fotodetector de estado sólido y
combinaciones de los elementos anteriores. El dispositivo detonante
tiene una configuración de umbral que percibe la presencia de una
célula fluyente, generando de este modo una señal detonadora que, en
conjunción con una velocidad de célula conocida, puede usarse para
calcular cuándo el cilindro de reconstrucción corriente abajo puede
empezar la colección de datos para esa célula de interés en
particular. Además, el intervalo de tiempo entre el primer y el
segundo punto de detonación que corresponde a la entrada y la salida
de la célula dentro y fuera del cilindro de reconstrucción, puede
estar dividido en incrementos iguales o desiguales durante cada uno
de los cuales pueden ser adquiridos datos de proyección adicionales
emitiendo luz estroboscópica desde la(s) fuente(s) de
luz 21 y leyendo el(los) conjunto(s) de sensores
23.
La velocidad de flujo necesita ser controlada y
medida con precisión. Esta capacidad es provista para sistemas
comerciales en alto-fin que usan velocidades en el
rango de 1 metro/seg a 10 metros/seg. La mejor velocidad de la
célula será determinada por la velocidad de colección de datos y
consideraciones de señal-ruido como será discutido
posteriormente.
Refiriéndose ahora a la Fig. 6, es mostrado
esquemáticamente un ejemplo de rayos de proyección de haz en abanico
dentro de un cilindro de reconstrucción 20 como es contemplado por
una realización de la presente invención. El propósito del cilindro
de reconstrucción es proporcionar una manera de proyectar luz de una
pluralidad de fuentes de puntos fijo 21a - 21c, a lo largo de una
circunferencia pequeña, en el tubo capilar cilíndrico. Los fotones
emitidos desde las fuentes de puntos tienen una geometría de
proyección conocida, tal como una forma de abanico o de cono, y
atraviesan el tubo capilar para ser detectados por un conjunto de
elementos sensores 23a, 23b ó 23c, según sea el caso, ubicados a lo
largo de una circunferencia mayor opuesta a una fuente de puntos
correspondiente. Mientras son descritos para propósitos de
ilustración conjuntos de sensores lineales curvados (1D) adecuados
para la transiluminación de haz en abanico, debe tenerse por
entendido que conjuntos de sensores lineales rectos (1D) o
conjuntos de sensores planares (2D) adecuados para la iluminación
de haz en cono pueden ser empleados de modo similar. De esta manera,
puede ser generado un conjunto de rayos de proyección donde los
rayos de proyección pueden ser descritos como la línea recta
conectando la fuente de puntos a un elemento sensor individual. La
diferencia entre el número de fotones que parten de la fuente de
puntos a lo largo de un rayos de proyección particular, como el rayo
31, y el número de fotones recibidos en el elemento sensor
particular está relacionada con el número de fotones perdidos o
atenuados debido a interacciones con la célula y otros contenidos
del tubo de flujo a lo largo del camino del rayo de proyección.
Sin embargo, pueden originarse complicaciones a
partir de la dispersión de la luz, alteraciones de energía del
fotón, geometría imperfecta y colimación escasa, y fotones de
fuentes diferentes pueden llegar a un elemento sensor particular
cuando son energizadas simultáneamente múltiples fuentes de punto.
La contaminación del fotón debido a estos asuntos puede ser
minimizada, pero no eliminada, con la construcción cuidadosa del
cilindro de reconstrucción, por ejemplo mediante la elección
juiciosa de la geometría para el patrón de fuentes de puntos y sus
detectores opuestos como es descrito en la presente solicitud, y
midiendo o multiplicando apropiadamente el tiempo de activación de
las múltiples fuentes de puntos y lectura de los conjuntos del
sensor.
La contaminación del fotón puede ser tenida en
cuenta por la calibración del sistema, por ejemplo, sin células
presentes. Es decir, cada fuente de luz puede ser iluminada a su vez
y pueden medirse sus efectos en cada uno de los sensores,
suministrando por consiguiente datos del desplazamiento para ser
usados en la normalización del sistema. Un paso de calibración
adicional puede conllevar, por ejemplo, la visualización de cuentas
de polímero de látex u otras microesferas o esferoides achatados
cuyas propiedades ópticas son conocidas y extienden el rango de
densidad de interés para la visualización celular. Fotones emitidos
por sondas fluorescentes pueden ser diferenciados de aquellos que
se originan en las fuentes de puntos por el uso de filtros de paso
de banda espectrales en el detector como será discutido
posteriormente.
Cada fuente puede tener las mismas
características generales, preferentemente:
- \bullet
- puede aproximar una fuente de puntos circular pequeña,
- \bullet
- puede ser brillante con contenido espectral conocido,
- \bullet
- los fotones emitidos por la fuente pueden tener una geometría conocida tal como una de haz en cono o una de haz en abanico.
Cada fuente crea datos para un ángulo de
proyección. Una pluralidad de fuentes ordenadas a lo largo de una
hélice cuyo eje es el eje central del tubo de flujo crea datos de
múltiples ángulos de proyección a través de cada plano sucesivo (o
corte de reconstrucción) a medida que la célula fluye a través del
módulo. Dependiendo de la geometría del sensor, varias fuentes de
puntos podrían ser ordenadas colinealmente en la misma
circunferencia de manera que las proyecciones no se solapen en el
sensor. Una buena geometría de muestreo puede ser lograda colocando
fuentes equidistantes a lo largo de una hélice de 180 grados, sin
embargo puede ser tolerable en algunas instancias menos cobertura
angular, y pueden ser utilizados 360 grados para mejorar la
proporción señal-ruido. El número deseado de
fuentes es una función de la resolución necesitada dentro de cada
reconstrucción planar (el plano X-Y) o
reconstrucción volumétrica. Mientras se usa para ilustración una
colocación helicoidal de fuentes de punto, debe tenerse por
entendido que pueden ser empleados por el conjunto de fuentes de
puntos una variedad de patrones geométricos. Además, la longitud de
onda de las fuentes es seleccionable ya sea por el uso de diversos
diodos u otros láseres o por filtrado por paso de banda de una
fuente blanca u otra de banda ancha, por ejemplo un una lámpara de
arco de mercurio o xenón.
Refiriéndose ahora a la Fig. 7, es mostrado
esquemáticamente un ejemplo de una vista superior de un cilindro de
reconstrucción, como se muestra en la Fig. 6, como es contemplado
por una realización de la presente invención. Una primera fuente de
puntos 21a y un conjunto sensor 23a son mostrados con una célula con
núcleo 19 fluyendo perpendicular a la página en una proyección de
la trayectoria de la fuente que, en dos dimensiones, constituye un
círculo de reconstrucción 32, en el cual todas las proyecciones, si
bien son adquiridas de una manera temporalmente escalonada, son
bosquejadas como solapamiento, y en el cual está contenida la célula
entera. Una segunda fuente de puntos 21b y un segundo conjunto
sensor 23b están ubicados aproximadamente 30º alrededor de la
hélice. Una tercera fuente de puntos 21c y un tercer conjunto
sensor 23c están ubicados aproximadamente 90º alrededor de la
hélice.
La colección de datos es regulada en sincronía
con la velocidad de la célula dentro de una sección transversal
axial planar "gruesa" de la célula. El espesor deseado del
plano está en función de la resolución necesitada en la dirección
Z. Típicamente, la resolución en la dirección axial (dirección Z)
será menor que en la dirección transaxial planar. También, el mejor
círculo de reconstrucción puede estar definido por la intersección
solapada de los abanicos de proyección teniendo las fuentes de
puntos en sus cimas y la anchura de los conjuntos sensores en sus
bases. Es deseable que la geometría del cilindro de reconstrucción
asegure que la sección transversal de la célula fluyente esté
contenida enteramente dentro del círculo de reconstrucción.
Hay varias opciones que pueden ser empleadas
para crear fuentes de puntos ópticas, tales como:
- \bullet
- un agujero pequeño delante de un láser u otra fuente de fotón de alta intensidad,
- \bullet
- una fibra óptica con una sección transversal pequeña,
- \bullet
- un lente de corta longitud focal delante de una fuente de fotón,
- \bullet
- un haz electrónico que irradia un punto en una superficie de fósforo (una forma de CRT), y
- \bullet
- combinaciones diversas de lo antedicho.
La geometría es tal que mientras es más cercana
la fuente de puntos al objeto de interés (la célula) es mayor la
magnificación debido al ángulo geométrico más ancho que es
subtendido por un objeto más cercano a la fuente. Inversamente, si
la resolución requerida es conocida con anterioridad al diseño del
sistema, entonces la geometría puede ser optimizada para esa
resolución particular. Para información, los expertos en la técnica
son dirigidos a Blass, M, editor en jefe, Handbook of Optics: Fiber
Optics and Nonlinear Optics, 2da edición, Vol. IV,
Mcgraw-Hill, 2001.
Refiriéndose ahora a la Fig. 8, la Fig. 8
muestra esquemáticamente un ejemplo de un conjunto lineal
convencional 23 usado en la reconstrucción de la célula como es
contemplado por una realización de la presente invención. Por
ejemplo, dada una sección transversal de la célula 12 y núcleo 19
contenido dentro de un círculo de reconstrucción de diámetro de 30
micrones y una resolución deseada de 0.5 micrones, entonces el
muestreo Nyquist (o sea sobremuestreando por un factor de 2) dicta
que al menos 120 elementos sensores 33 son requeridos para cada
fuente de puntos 21. La fuente de puntos 21 en la cima y la
longitud de conjunto lineal 34 en la base forman un triángulo 35,
tal que la célula ejemplo de diámetro de 30 micrones se ajusta
dentro del triángulo 35 tan cercanamente como sea posible a la
fuente de puntos 21. En este ejemplo, si cada elemento del conjunto
(por ejemplo CCD) tiene 20 micrones de ancho y la longitud del
conjunto es 2400 micrones, entonces el centro de la célula puede
estar ubicado aproximadamente a 100 micrones (la mitad del diámetro
del tubo capilar) de la fuente de puntos cuando la distancia entre
la fuente de puntos y el conjunto lineal es 8 milímetros,
proporcionando una magnificación de 80 veces.
Como un segundo ejemplo, considérese un círculo
de reconstrucción de diámetro de 30 micrones y un conjunto sensor
semiconductor de óxido de metal complementario (SOMC) en el cual el
tamaño del elemento de píxel es 4 micrones. En este caso el
conjunto puede contener 120 elementos para una anchura de 480
micrones, y puede ser situado a 1.6 mm de la fuente de puntos
cuando la distancia entre la fuente de puntos y la célula es 100
micrones, proporcionando una magnificación de 16 veces.
Cada fuente de puntos tendrá un conjunto
correspondiente de elementos sensores tales como CCDs en algún
acomodamiento geométrico recto o curvado y al frente de la fuente
de puntos para recibir rayos de fotón transmitidos a través del
círculo de reconstrucción. Típicamente, el conjunto lineal puede
tener su conjunto de elementos sensores centrados en la línea entre
la fuente de puntos y el eje central de flujo, y puede alinearse
perpendicularmente al eje de flujo. Es posible usar conjuntos 2D
donde sólo un subconjunto de cada línea de elementos dentro del
conjunto 2D sea leído para la entrada de reconstrucción. En un
conjunto 2D, cada subconjunto sucesivo de elementos puede ser
escalonado por el número apropiado de elementos para ponerse
correctamente al lado de cada fuente de puntos a lo largo del
acomodamiento helicoidal de fuentes de punto.
Para la reconstrucción de haz en abanico corte a
corte usando el ejemplo del círculo de reconstrucción de 30
micrones con 120 elementos sensores por abanico para obtener una
resolución de 0.5 micrones, es suficiente un conjunto 2D con
2000x2000 elementos de 20 micrones para el sensor 136, fuentes de
puntos colocadas en incrementos de 1 grado radial, donde el
promedio de desplazamiento entre las vistas sucesivas es 300
micrones, donde ello es equivalente a 15 elementos sensores. (En el
centro del conjunto, el desplazamiento puede ser de 140 micrones, ó
7 elementos, mientras en los extremos del conjunto, un barrido de 1
grado radial entre vistas puede conllevar un desplazamiento
considerablemente mayor.) Si fuesen promediados grupos de 15 filas
del conjunto sensor para proporcionar los datos de proyección para
un corte, la resolución z dentro de la imagen de la célula puede
ser 3,75 micrones, mientras que si fuesen promediadas 2 filas para
cada proyección, la resolución axial en el espacio del objeto puede
ser 0,5 micrones, equivalente a la resolución transaxial.
En una realización preferente de la invención,
el conjunto 2D está curvado a lo largo de una circunferencia
cilíndrica que puede ser concéntrica con el cilindro de
reconstrucción, de modo que los caminos del rayo sean todos de
igual longitud. Para el caso de un círculo de reconstrucción de 30
micrones, un conjunto 2D, curvado, que poseyó sólo los elementos
requeridos para oponerse a un lugar geométrico helicoidal de fuentes
de puntos puede ser una tira helicoidal de 120 elementos de ancho
por algún múltiplo de 136 elementos de alto (longitud) para el
ejemplo descrito anteriormente.
Aunque la iluminación de abanico planar o
"grueso" está descrita para propósitos de la ilustración de
antes, debe tenerse por entendido que puede ser utilizada la
iluminación no-colimada de haz en cono auténtica en
conjunción con detectores planares 2D, provistos para la
reconstrucción 3D usando algoritmos de haz en cono. Las imágenes de
proyección 2D pueden ser analizadas directamente para obtener, por
ejemplo, información acerca del estatus de la enfermedad o el
estado de transformación de la célula. Para la reconstrucción de haz
en cono volumétrica directa, la iluminación desde una pluralidad de
fuentes de puntos es multiplexada de una manera tal que, dado el
acomodamiento geométrico de las fuentes de puntos y los detectores,
los conos de iluminación de diferentes fuentes de puntos no se
solapan en la colección de sensores.
Además, si la célula fluyese con una velocidad
de 1 metro/seg (ó 1 000 000 micrones/seg) y cada elemento en el
conjunto 2D tuviera 20 micrones de ancho, entonces una línea leída
cada 20 microsegundos fácilmente puede captar datos dentro de un
corte de 0.25 micrones de la célula. Para el caso de cuando 15 filas
del sensor son promediadas para proporcionar los datos para un
corte de 3.75 micrones, las lecturas tendrían que ocurrir cada 300
microsegundos. Se logra una mejora significativa en la calidad de la
imagen de reconstrucción usando un mayor conjunto 2D.
Una realización de la presente invención
especialmente apropiada para la imagen multiespectral de un número
de bandas de longitud de onda transmitidas o emitidas puede incluir
ventajosamente dos o más módulos de reconstrucción dispuestos en
serie. Tales múltiples cilindros de reconstrucción pueden ser
separados por secciones interventoras de tubo capilar, y cada
módulo proporciona datos de proyección adecuados para producir una
imagen reconstruida completa de los objetos fluyendo a través de
él. Las fuentes de puntos y/o las colecciones de sensores para cada
uno de los distintos módulos de reconstrucción pueden ser
optimizadas para una banda espectral particular. Por ejemplo, un
primer módulo de reconstrucción puede utilizar iluminación de luz
visible blanca intensa y la detección no filtrada para proporcionar
un conjunto de datos de proyección completo para reconstruir un
mapa de coeficientes de dispersión, absorción o densidad óptica de
objeto, mientras un segundo módulo de reconstrucción puede utilizar
iluminación, tal como un láser de ión argón (488 nm), en una banda
espectral estrecha centrada alrededor de 495 nm para excitar las
proteínas de etiquetado de sonda fluorescente para un estudio de
inmunofluorescencia en conjunción con colecciones de sensores
filtrados sensibles a la emisión de 520-nm para
proporcionar un segundo conjunto de datos de proyección completo
suficiente como para trazar un mapa de la distribución de
concentración de las proteínas etiquetadas usando algoritmos de
reconstrucción de la emisión, como será descrito posteriormente.
Pero un tercer módulo de reconstrucción puede usar iluminación de
banda estrecha centrada alrededor de 535 y/o 342 nm para excitar al
yoduro de propidio vinculado estequiométricamente al ADN y a las
colecciones de sensores filtrados para detectar óptimamente las
emisiones rojas (617-nm) para estudios de ploidía.
Se tendrá por entendido que los ejemplos mencionados son para
propósitos ilustrativos, y que el método se aplica generalmente a
cualesquiera combinaciones de longitud de onda para la iluminación y
detección.
Los algoritmos de reconstrucción más comunes y
fácilmente implementados, conocidos como métodos de proyección
hacia atrás filtrada, se derivan de un paradigma similar en
tomografía computarizada de rayos x (TC) usando la geometría de haz
en cono y haz en abanico. (Véanse las siguientes referencias, por
ejemplo, Kak, AC y Slaney, M, Principles of Computerized
Tomographic Imaging, IEEE Press, New York, 1988, y Herman, G, Image
Reconstruction from Projections: The Fundamentals of Computerized
Tomography, Academic Press, New York, 1980). Estos métodos están
basados en teoremas para las transformadas de Radon con
modificaciones que reflejan la geometría particular de la
configuración fuente/detector y los caminos del rayo en el haz que
irradia. Sin embargo, en el caso de TC de rayos x clínico, para la
adquisición corte a corte, el individuo se mantiene usualmente
inmóvil mientras las colecciones de detectores y fuentes de rayos x
pueden moverse a lo largo de un arco alrededor del paciente para
colectar datos desde múltiples ángulos de proyección dentro de un
corte dado. Luego el individuo es reposicionado a lo largo del eje
z y se colecciona otro corte de datos, etc. Alternativamente, en la
TC helicoidal clínica más moderna, el paciente puede ser
continuamente volcado en la dirección z mientras el ensamblado del
detector de la fuente rota continuamente para proporcionar datos de
proyección helicoidales, lo cual es entonces interpolado para
proporcionar proyecciones ortogonales al eje z del paciente. En la
tomografía óptica de flujo, el sujeto (una célula) es movido con
velocidad constante relativa a las colecciones de detector y fuentes
estacionarias en donde la pluralidad de sistemas de fuente/detector
adquieren datos en sincronía con puntos de tiempo regulado
específicos a lo largo del vector de velocidad de la célula de una
manera que genera datos de múltiples ángulos de proyección dentro
de un volumen o corte dado. Para la tomografía corte a corte, el
algoritmo de reconstrucción computará una imagen 2D de un plano
perpendicular al eje de movimiento, y el apilamiento serial de
múltiples cortes generará la descripción 3D del individuo donde el
contraste es una función de las variaciones en el coeficiente de
atenuación o la densidad óptica de los rayos x dentro del individuo
para la TC o la tomografía óptica de flujo, respectivamente. Para
la tomografía de haz en cono volumétrica, el algoritmo de
reconstrucción computa una imagen 3D de un volumen dentro de la
célula u otro objeto directamente a partir de proyecciones ópticas
de emisión o transmisión planar, donde el contraste es una función
de la densidad óptica y/o la distribución de densidad de la sonda
etiquetada, respectivamente, dentro del objeto mostrado.
Puede ser deseable emplear algoritmos de
reconstrucción de imagen aparte de la proyección hacia atrás
filtrada ya sea para que los datos de transmisión produzcan la
reconstrucción de densidad de la célula o para que los datos de
emisión reconstruyan la distribución etiquetada de la sonda, o
ambos. La clase general conocida como algoritmos de reconstrucción
iterativos es más eficaz en algunas instancias, especialmente para
la tomografía de emisión o cuando es posible, como en la instancia
de la invención actual donde son conocidas la simetría axial y la
naturaleza de tres compartimentos del objeto, incorporar una
información a priori en el algoritmo de reconstrucción para
mejorar la calidad de la reconstrucción (Ver, por ejemplo, Gilbert,
P, "Iterative Methods for the Three-dimensional
Reconstruction of an Object from Projections", Journal of
Theoretical Biology 36: 105-17, 1972, y otras
referencias citadas anteriormente).
De modo similar, un método puede usar
ventajosamente algoritmos estadísticos de reconstrucción con
modelación basada en elementos finitos (MEF). Los algoritmos MEF
son derivados de la teoría del transporte lineal en la cual la
ecuación de difusión/migración del fotón es resuelta en todos los
límites de los elementos para producir un mapa bidimensional o
tridimensional de alguna combinación de los índices refractivos, de
absorción, dispersión y las propiedades del factor de anisotropía
del objeto mostrado. Ejemplos de tales métodos son enseñados en
Paulsen, KD y Jiang, H, "Spatially Varying Optical Property
Reconstruction Using a Finite Element Diffusion Equation
Approximation", Medical Physics
22(691-701) 1995, Hampel, U y Freyer, R,
"Fast Image Reconstruction for Optical Absorption Tomography in
Media with Radially Symmetric Boundaries", Medical Physics 25
(1): 92-101, 1998, y Jiang, H, Paulsen, KD, y
Osterberg, UL, "Frequency-domain
Near-infrared Photo Diffusion Imaging: Initial
Evaluation in Multitarget Tissuelike Phantoms", Medical Physics
25 (2): 183-93,1998.
Si es usada una fuente de puntos policromática
(por ejemplo, luz blanca) entonces pueden ser utilizadas diferentes
tinturas cromáticas (por ejemplo cromóforos) para distinguir un
número de sondas moleculares y características estructurales dentro
de una célula dada. Aquí, filtros de paso de banda seriales en la
fuente o el conjunto sensor (o ambos) separan los datos de longitud
de onda y permiten la reconstrucción y la localización espacial de
las moléculas entintadas individualmente. Un método más robusto para
mostrar sondas múltiples requiere una fuente de luz blanca intensa
y la colección simultánea de múltiples anchos de banda filtrados en
los conjuntos sensores permitiendo de este modo a los algoritmos de
reconstrucción de imagen computar cortes de imágenes espaciales
para cada cromóforo. Estos pueden ser exhibidos como imágenes
coloreadas.
Como un caso especial del sistema de tomografía
óptico de flujo, ciertas sondas moleculares pueden ser etiquetadas
con un "reportero" que emite luz de una longitud de onda
diferente (más larga) cuando es estimulado por la fuente primaria
de fotones. La emisión secundaria del reportero puede ser filtrada
con filtros ópticos estándares para separar los fotones de la
fuente primaria de los fotones de la emisión secundaria. Sin
embargo, el algoritmo de reconstrucción de imagen del fotón de la
emisión secundaria es por otro lado complicado, debido a que los
fotones secundarios no necesariamente ascienden en un camino de
rayos directo desde la fuente de punto. Si se asume que los fotones
secundarios radian desde la fuente de puntos secundaria en un patrón
esférico uniforme, entonces la intensidad de los fotones
secundarios que alcanzan cualquier elemento sensor será una función
simple de distancia al elemento sensor. Una refinación adicional
puede tenerse en cuenta para la distribución no esférica de los
fotones de la fuente secundaria proporcionando un modelo de la
distribución espacial de los fotones secundarios relativo a la
fuente de puntos y dentro del corte de reconstrucción. Cualquier
método proporcionará una manera para calcular la posición de la
fuente secundaria en el volumen o corte de reconstrucción. La
colimación entre el objeto mostrado y el(los)
conjunto(s) detector(es) mejorará la reconstrucción de
la imagen.
Si las intensidades del fotón primario y las
intensidades del fotón secundario son medidas simultáneamente por
filtración óptica, la reconstrucción de densidad de alta resolución
de las intensidades del fotón primario puede ser superpuesta o
fusionada con la reconstrucción de la fuente secundaria de modo que
la morfología de la imagen junto con la concentración de la sonda
localizada esté disponible en una sola imagen reconstruida. Puede
ser ventajoso utilizar múltiples fuentes secundarias cada una
correspondiendo a una sonda molecular etiquetada de modo diferente,
dependiendo de la intensidad, la señal-ruido y de la
habilidad para filtrar o producir anchos de banda estrechos de
fotones en la fuente y/o los sensores.
La Patente de Estados Unidos No. 6 201 628
titulada "High Throughput Optical Scanner", publicada el 13 de
marzo de 2001, a nombre de Basiji et al., revela un aparato
escaneador provisto para obtener tomografías automatizadas, rápidas
y sensitivas de fluorescencia del substrato, densidad óptica o
fosforescencia. El escáner usa un tren óptico de longitud de camino
constante, lo cual habilita la combinación de un haz en movimiento
para escanear a alta velocidad con la detección
fase-sensitiva para la reducción de ruido,
comprendiendo una fuente de luz, un espejo escaneador para recibir
luz de la fuente de luz y pasarla a través de un espejo director, un
espejo director para recibir luz del espejo escaneador y reflejarla
hacia el substrato, por lo cual es pasada a través del substrato a
lo largo de un arco de tomografía, y un fotodetector para recibir
luz emitida o diseminada desde el substrato, en donde la longitud
del camino óptico desde la fuente de luz hasta el fotodetector es
sustancialmente constante a todo lo largo del paso a través del
substrato. El tren óptico puede incluir además un guía de onda o
espejo para coleccionar la luz emitida o diseminada desde el
substrato y dirigirla hacia el fotodetector. Para la detección
fase-sensitiva la fuente de luz es modulada en
intensidad y el detector es conectado a la electrónica de la
detección fase-sensitiva. También es provisto un
escáner que usa un traductor del substrato. Para la visualización
bidimensional el substrato es volcado en una dimensión mientras el
espejo escaneador escanea el haz en una segunda dimensión. Para un
escáner de rendimiento alto, son cargados conjuntos de substratos
sobre una banda transportadora de un alimentador de bandeja. La
Patente de Estados Unidos No. 6 201 628 es incorporada en la
presente solicitud como referencia. Sin embargo, ninguna de estas
patentes permite la generación de imágenes de proyección óptica, y
consecuentemente, la reconstrucción tomográfica no es posible sin
tales imágenes.
Como fue descrito anteriormente, la presente
invención es un sistema para detectar automáticamente CDNs en los
núcleos y CDCs en los citoplasmas a partir de proyecciones ópticas y
reconstrucciones tomográficas de células obtenidas de un paciente.
A partir de la presencia o la ausencia de CDNs y CDCs relacionadas
con enfermedad, puede ser hecha una determinación de si el paciente
tiene un cáncer maligno.
Refiriéndose ahora a la Fig. 9, es mostrado
esquemáticamente un ejemplo de un método de clasificación con
información de reconstrucción de la célula como es contemplado por
una realización de la presente invención. El sistema puede incluir
varios clasificadores que pueden trabajar juntos para determinar si
una muestra de célula particular contiene células de interés y
células de diagnóstico que tienen CDNs y CDCs asociadas con
enfermedad. Un clasificador es un programa de ordenador que analiza
un objeto basado en ciertos valores característicos 94. El sistema
clasificador automatizado de la presente invención puede incluir,
por ejemplo, un clasificador primario 90, el cual realiza una
función básica de exploración, y selecciona objetos de interés. Un
clasificador secundario 92 clasifica objetos celulares como
anormales morfológicamente o normales morfológicamente y que tienen
CDNs y CDCs asociadas con enfermedad, o normales y que no exhiben
CDCs y CDNs relacionadas con enfermedad. Un reporte 93 puede ser
provisto detallando los resultados de la clasificación de
cualesquiera o todos los clasificadores. Se tendrá por entendido
que muchos y varios clasificadores pueden ser empleados. Dependiendo
de la aplicación.
Como fue anotado anteriormente, mientras el
sistema automatizado de la presente invención puede incluir un
clasificador primario y uno secundario, un solo clasificador puede
ser usado para obtener secuencialmente las clasificaciones
obtenidas por la presente invención. Los paquetes de software usados
para generar funciones de clasificación basadas en métodos
estadísticos están generalmente disponibles comercialmente.
El clasificador automatizado de esta invención
preferentemente incluye clasificadores que utilizan decisiones
binarias borrosas o decisiones estadísticas Bayesianas basadas en
CDNs y CDCs calculadas directamente en ejecución de su función de
clasificación. El clasificador puede ser construido para incluir un
gran número de valores característicos, por ejemplo, incluir las
características morfológicas, características fotométricas,
características de textura discreta, características de textura
Markoviana, características de textura no Markoviana,
características de textura fractal y características de textura de
codificación por grupos de longitud variable.
El clasificador primario típicamente puede
funcionar para subcategorizar objetos de interés en tres clases:
(1) células epiteliales incluyendo células de diagnóstico y células
que pueden contener CDNs y CDCs asociadas con enfermedad; (2)
células inflamatorias; y (3) artefactos. El clasificador primario
puede incidir en la clasificación célula a célula a través de un
árbol binario de decisión incorporando una selección de valores
característicos.
Como fue indicado anteriormente, la habilidad
del sistema de la presente invención para distinguir núcleos de
célula de artefactos, células epiteliales de otros tipos de célula,
y células que tienen CDNs y CDCs asociadas con enfermedad de otras
células epiteliales normales depende de la habilidad del
clasificador para hacer distinciones basadas en los valores de las
características computados. Por ejemplo, para distinguir células
epiteliales normales de células epiteliales anormales (o sea,
células de diagnóstico), la presente invención puede aplicar varias
funciones discriminantes diferentes, cada una de las cuales es
entrenada para identificar tipos particulares de objetos y
alteraciones particulares en las CDNs y CDCs.
El clasificador secundario clasifica las células
epiteliales en la muestra de célula seleccionada por el clasificador
primario y también usa un árbol binario de decisión y valores
característicos en la ejecución de su función de clasificación. El
clasificador secundario, que puede ser considerado como un
clasificador muestra a muestra, analiza las células epiteliales
clasificadas por el clasificador primario y clasifica esas células
como CDN o CDC-negativa normales y de enfermedad o
CDN o CDC-positiva normales y de enfermedad. Al
igual que el clasificador primario, el clasificador secundario se
construye para distinguir células basado en un conjunto preferente
característicos CDN y CDC.
Los conjuntos característicos usados por cada
clasificador son desarrollados a partir de funciones discriminantes
analizando las características cuantitativas de densidad de núcleos
y/o citoplasmas de célula y, preferentemente, incluye un número
mínimo de características. Idealmente, la selección de un número
mínimo de características nucleares óptimas resulta en un
clasificador eficiente y robusto. Es decir, un clasificador que es
preferentemente eficiente en clasificar con precisión una célula o
un tipo de célula, y también robusto en clasificar fidedignamente
una variedad de preparaciones de células y de muestras.
El clasificador puede incluir al menos una
función discriminante, en donde la función discriminante usa
características de los gráficos de sombras para clasificar células
de interés en la muestra incluyendo, pero no limitado a,
características densitométricas nucleares (CDNs) 1D y 2D y
características densitométricas citoplásmicas (CDCs) y
características seleccionadas del grupo consistente en área, radio
medio, varianza de la densidad óptica (DO), asimetría de DO, rango
de DO, promedio de DO, máximo de DO, densidad de manchas de luz,
área de ADN bajo, área de ADN alto, cantidad de ADN bajo, cantidad
de ADN alto, distancia promedio alta, distancia promedio
medio/alta, correlación, homogeneidad, entropía, dimensión fractal,
índice de ADN, textura, puntuación, componentes conectados y los
diversos armónicos en el espacio de frecuencias de densidad
espacial.
La muestra de célula puede ser un espécimen de
pulmón humano, un espécimen cervical humano, un espécimen de
sangre, o puede contener células raras. En un ejemplo, la tinción de
una muestra para identificar CDNs y CDCs comprende tintar con una
tintura de ADN y ARN estequiométrica o proporcional. La tintura de
ADN puede ser seleccionada del grupo consistente en tintura de
Feulgen, tintura de Romanowski, tintura de
May-Grunwald-Giemsa, Verde de
Metilo y tionina 9. En otro ejemplo, la muestra puede ser tintada
con un marcador de anticuerpo para identificar CDNs y CDCs. En otro
ejemplo, un marcador de secuencia de ácido nucleico puede ser usado
ventajosamente para tintar la muestra.
El sistema de la invención es útil para analizar
varios tipos de células biológicas. En un ejemplo, la célula de
interés puede ser seleccionada para ser diagnóstico de cáncer, y/o,
la célula de interés puede ser ventajosamente una célula de cáncer
preinvasivo. La célula de interés puede comprender una célula de
cáncer invasivo donde las células de interés son utilizadas para
explorar a un paciente por cáncer. Las células de interés también
pueden ser utilizadas para determinar si un paciente desarrollará
cáncer invasivo. La célula de cáncer invasivo puede ser derivada de
un cáncer epitelial. Alternativamente, o además, la célula de cáncer
preinvasivo puede ser derivada de un cáncer epitelial. El cáncer
epitelial puede ser seleccionado ventajosamente del grupo
consistente en cáncer de pulmón y de garganta, cáncer cervical y
ovárico, cáncer de mama, cáncer de próstata, cáncer de piel y
cáncer del tracto gastrointes-
tinal.
tinal.
En una realización usada para analizar imágenes
multidimensionales, tales como, por ejemplo, imágenes 3D e imágenes
de mayor dimensión (3D+), las características usadas para clasificar
células de interés en la muestra pueden comprender, pero no están
limitadas a, características densitométricas nucleares (CDNs) 1D,
2D, 3D, 3D+ y características densitométricas citoplásmicas (CDCs)
y características seleccionadas del grupo consistente en área,
radio medio, volumen, volumen medio, varianza de densidad óptica
(DO), asimetría de DO, rango de DO, promedio de DO, máximo de DO,
densidad de manchas de luz, volumen de ADN bajo, volumen de ADN
alto, cantidad de ADN bajo, cantidad de ADN alto, distancia
promedio alta, distancia promedio medio/alta, correlación,
homogeneidad, entropía, dimensión fractal, índice de ADN, textura,
puntuación, componentes conectados y los diversos armónicos en el
espacio de frecuencia de densidad espacial. El volumen de ADN alto,
por ejemplo, puede ser de tal manera que esté por encima de una
línea base como es medido en una población de células normales.
La invención ha sido descrita en la presente
solicitud en considerable detalle para cumplir con los Estatutos de
Patente y proporcionar a los expertos en la técnica de la
información necesaria para aplicar los principios nuevos de la
presente invención, y construir y usar tantos componentes ejemplares
y especializados como son requeridos. Sin embargo, debe tenerse por
entendido que la invención puede ser ejecutada por equipamiento y
dispositivos y algoritmos de reconstrucción específicamente
diferentes, y que varias modificaciones, tanto para los detalles
del equipamiento como para los procedimientos operativos, pueden ser
realizadas sin salirse del alcance de la presente invención como se
define en las reivindicaciones anexas.
\vskip1.000000\baselineskip
Esta lista de referencias citadas por el
solicitante es sólo para la conveniencia del lector. No forma parte
del Documento Europeo de Patente. Aun cuando se ha tenido un gran
cuidado en la compilación de las referencias, los errores o las
omisiones no pueden ser excluidas y la EPO desconoce todo adeudo a
este respecto.
- - US 6026174 A, Palcic
- - EP 0539022 A2
- - US 5402460 A, Johnson
- - US 6201628 B
\bulletSHAPIRO, HM. Practical Flow
Cytometry. Wiley-Liss, 1995
\bulletGILBERT, P. Iterative Methods
for the Three-dimensional Reconstruction of an
Object from Projections. Journal of Theoretical Biology,
1972, vol. 36, 105-17
\bulletOPPENHEIM, BE. More Accurate
Algorithms for Iterative 3 dimensional Reconstruction. IEEE
Transactions on Nuclear Science NS, 1974, vol. 21,
72-7
\bulletSINGER, JR; GRUNBAUM,
FA; KOHN, P; ZUBELLI, JP. Image Reconstruction of the
Interior of Bodies that Diffuse Radiation. Science,
1990, vol. 248 (4958), 990-3
\bulletMUELLER, K; YAGE, R.
Rapid 3-D Cone-beam Reconstruction
with the Simultaneous Algebraic Reconstruction Technique (SART)
Using 2-D Texture Mapping Hardware. IEEE
Transactions on Medical imaging, 2001, vol. 19 (12),
1227-37
\bulletBELLMAN, SH; BENDER, R;
GORDON, R; ROWE, JE. ART is Science being A Defense of
Algebraic Reconstruction Techniques for
Three-dimensional Electron Microscopy. Journal of
Theoretical Biology, 1971, vol. 32,
205-16
\bulletMANGLOS, SH; JASZCAK,
RJ; FLOYD, CE. Maximum Likelihood Reconstruction for Cone
Beam SPECT: Development and Initial Tests. Physics in Medicine
and Biology, 1989, vol. 34 (12),
1947-57
\bulletMANGLOS, SH; GAGNE, GM;
KROL A; THOMAS, FD; NARAYANASWAMY, R.
Transmission Maximum-likelihood Reconstruction with
Ordered Subsets for Cone Beam CT. Physics in Medicine and
Biology, 1995, vol. 40 (7), 1225-41
\bullet Handbook of Optics: Fiber Optics and
Nonlinear Optics. Mcgraw-Hill, 2001,
vol. IV
\bulletKAK, AC; SLANEY, M.
Principles of Computerized Tomographic Imaging. IEEE Press,
1988
\bulletHERMAN, G. Image Reconstruction
from Projections: The Fundamentals of Computerized Tomography.
Academic Press, 1980
\bulletPAULSEN, KD; JIANG, H.
Spatially Varying Optical Property Reconstruction Using a Finite
Element Diffusion Equation Approximation. Medical Physics,
1995, vol. 22, 691-701
\bulletHAMPEL, U; FREYER, R.
Fast Image Reconstruction for Optical Absorption Tomography in Media
with Radially Symmetric Boundaries. Medical Physics,
1998, vol. 25 (1), 92-101
\bulletJIANG, H; PAULSEN, KD;
OSTERBERG, UL. Frequency-domain
Near-infrared Photo Diffusion Imaging: Initial
Evaluation in Multitarget Tissuelike Phantoms. Medical
Physics, 1998, vol. 25 (2), 183-93
Claims (30)
1. Un método para detectar células de interés
(1) en una muestra de célula, que comprende los pasos de:
- obtener una muestra de célula y suspender las células (1) en la solución (17);
- preparar las células (1) de la muestra de célula en la solución;
- marcar las células (1) para generar densidades ópticas dentro de cada célula de la muestra;
- iluminar la muestra con al menos una fuente de puntos de luz (21), en donde las células son presentadas una a una para la iluminación;
- obtener al menos dos imágenes de proyección a través de la muestra con un detector (23) de colección digital;
- compensar las al menos dos imágenes de proyección para variaciones en la iluminación de fondo;
- analizar las al menos dos imágenes de proyección para detectar al menos un objeto de interés;
- calcular un conjunto de valores característicos (94) para el al menos un objeto de interés, incluyendo valores característicos unidimensionales (1D) y valores característicos bidimensionales (2D), donde los valores 1D y 2D son calculados usando densidades ópticas generadas en el al menos un objeto de interés;
- proporcionar el conjunto de valores característicos (94) para al menos un clasificador (90);
- usar el conjunto de valores característicos (94) y el al menos un clasificador (90) para identificar el al menos un objeto de interés desde la muestra de célula; Y combinar las al menos dos imágenes de proyección usando métodos para la reconstrucción de imagen computarizada para generar imágenes tomográficas multidimensionales, en donde los métodos de reconstrucción de imagen computarizada incluyen métodos seleccionados del grupo consistente en geometrías de proyección de haz en abanico y geometrías de proyección de haz en cono.
2. El método de la reivindicación 1, en donde el
conjunto de valores característicos (94) usado para clasificar el
al menos un objeto de interés en la muestra es seleccionado del
grupo consistente en características densitométricas nucleares
(CDNs) 1D y 2D, características densitométricas citoplásmicas
(CDCs), área, radio medio, varianza de la densidad óptica (DO),
asimetría de DO, rango de DO, promedio de DO, máximo de DO, densidad
de manchas de luz, área de ADN bajo, área de ADN alto, cantidad de
ADN bajo, cantidad de ADN alto, distancia promedio alta, distancia
promedio medio/alta, correlación, homogeneidad, entropía, dimensión
fractal, índice de ADN, textura, puntuación, componentes conectados
y armónicos en el espacio de frecuencia de densidad espacial.
3. El método de la reivindicación 1, en donde el
paso de usar el al menos un clasificador (90) comprende usar un
clasificador que tiene al menos una función discriminante.
4. El método de la reivindicación 3 en donde la
al menos una función discriminante usa un conjunto característicos
discriminantes seleccionadas del grupo consistente en
características densitométricas nucleares (CDNs) 1D y 2D,
características densitométricas citoplásmicas (CDCs), área, radio
medio, varianza de la densidad óptica (DO), asimetría de DO, rango
de DO, promedio de DO, máximo de DO, densidad de manchas de luz,
área de ADN bajo, área de ADN alto, cantidad de ADN bajo, cantidad
de ADN alto, distancia promedio alta, distancia promedio
medio/alta, correlación, homogeneidad, entropía, dimensión fractal,
índice de ADN, textura, puntuación, componentes conectados y
armónicos en el espacio de frecuencia de densidad espacial.
5. El método de la reivindicación 1 en donde la
muestra de célula comprende un espécimen de pulmón humano.
6. El método de la reivindicación 1 en donde la
muestra de célula comprende un espécimen cervical humano.
7. El método de la reivindicación 1 en donde la
muestra de célula comprende una muestra de sangre humana.
8. El método de la reivindicación 1 en donde la
muestra de célula comprende células raras.
9. El método de la reivindicación 1 en donde el
paso de marcar la muestra comprende entintar con una tintura
seleccionada del grupo consistente en tintura de ADN
estequiométrica, tintura de ARN estequiométrica, tintura de ADN
proporcional, y tintura de ARN proporcional.
10. El método de la reivindicación 9 en donde el
paso de marcar la muestra comprende entintar con una tintura
seleccionada del grupo consistente en tintura de Feulgen, tintura de
Romanowski, tintura de
May-Grunwald-Grunwald-Giemsa,
Verde de Metilo y tionina.
11. El método de la reivindicación 1 en donde el
paso de marcar la muestra comprende entintar con un marcador de
anticuerpo.
12. El método de la reivindicación 1 en donde el
paso de marcar la muestra comprende entintar con un marcador de
secuencia de ácido nucleico.
13. El método de la reivindicación 1 que además
comprende el paso de seleccionar el al menos un objeto de interés
para incluir diagnósticos de cáncer.
14. El método de la reivindicación 1 que además
comprende el paso de seleccionar el al menos un objeto de interés
para incluir una célula de cáncer preinvasivo.
15. El método de la reivindicación 1 que además
comprende el paso de seleccionar el al menos un objeto de interés
para incluir una célula de cáncer invasivo.
16. El método de la reivindicación 1 que además
comprende el paso de usar el al menos un objeto de interés para
explorar a un paciente para cáncer.
17. El método de la reivindicación 1 que además
comprende el paso de usar el al menos un objeto de interés para
determinar si un paciente desarrollará cáncer invasivo.
18. El método de la reivindicación 14 en donde
la célula de cáncer preinvasivo es derivada de un cáncer
epitelial.
19. El método de la reivindicación 18 en donde
el cáncer epitelial es seleccionado del grupo consistente en cáncer
pulmonar, cáncer de garganta, cáncer cervical, cáncer ovárico,
cáncer de mama, cáncer de la próstata, cáncer de piel y cáncer del
tracto gastrointestinal.
20. El método de la reivindicación 15 en donde
la célula de cáncer invasivo es derivada de un cáncer epitelial.
21. El método de la reivindicación 20 en donde
el cáncer epitelial es seleccionado del grupo consistente en cáncer
pulmonar, cáncer de la garganta, cáncer cervical, cáncer ovárico,
cáncer de mama, cáncer de la próstata, cáncer de piel, cáncer del
tracto gastrointestinal, cáncer linfático y cáncer óseo.
22. El método de la reivindicación 14 en donde
la célula de cáncer preinvasivo es derivada de un cáncer
neuroendocrino.
23. El método de la reivindicación 22 en donde
el cáncer neuroendocrino es seleccionado del grupo consistente en
cáncer del pulmón y de la garganta, cáncer cervical, cáncer de mama,
y el cáncer del tracto gastrointestinal, cáncer linfático y cáncer
óseo.
24. El método de la reivindicación 15 en donde
la célula de cáncer invasivo es derivada de un cáncer
neuroendocrino.
25. El método de la reivindicación 24 en donde
el cáncer neuroendocrino es seleccionado del grupo consistente en
cáncer pulmonar, cáncer de la garganta, cáncer cervical, cáncer de
mama, y cáncer del tracto gastrointestinal, cáncer linfático y
cáncer óseo.
26. El método de la reivindicación 1 que además
comprende pasos en donde las imágenes multidimensionales, son
procesadas como sigue:
- (a)
- compensar las imágenes multidimensionales por variaciones en la iluminación de fondo,
- (b)
- analizar las imágenes multidimensionales para detectar al menos un objeto de interés;
- (c)
- calcular una superficie que delimita cada objeto de interés;
- (d)
- calcular un conjunto de valores característicos multidimensionales (94) para cada objeto de interés; y
- (e)
- proporcionar un conjunto de valores característicos multidimensionales (94) para al menos un clasificador (90) que identifica y caracteriza células de interés en la muestra de célula.
\vskip1.000000\baselineskip
27. El método de la reivindicación 26 en donde
los valores característicos multidimensionales (94) usados para
clasificar células de interés en la muestra son seleccionados del
grupo consistente en características densitométricas nucleares
(CDNs) 1D, CDNs 2D, CDNs 3D y CDNs 3D+, características
densitométricas citoplásmicas (CDCs) 1D, CDCs 2D, CDCs 3D y CDCs
3D+, área, radio medio, volumen, volumen medio, varianza de la
densidad óptica (DO), asimetría de DO, rango de DO, promedio de DO,
máximo de DO, densidad de manchas de luz, volumen de ADN bajo,
volumen de ADN alto, cantidad de ADN baja, cantidad de ADN alta,
distancia promedio alta, distancia promedio medio/alta,
correlación, homogeneidad, entropía, dimensión fractal, índice de
ADN, textura, puntuación, componentes conectados y armónicos en el
espacio de frecuencia de densidad espacial.
28. El método de la reivindicación 26 en donde
los valores característicos multidimensionales (94) incluyen
características 1D, 2D, 3D y 3D+ que son utilizadas por un programa
de clasificación para caracterizar células de interés con respecto
al tipo, maduración, estado de enfermedad, presencia y abundancia
relativa de marcadores cuantitativos.
29. El método de la reivindicación 26 en donde
el clasificador detecta y caracteriza células de interés
incluyendo células raras.
30. El método de la reivindicación 26 incluyendo
además el paso de diagnosticar la muestra de célula basado en la
caracterización de células.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US55066 | 2002-01-22 | ||
US10/055,066 US6519355B2 (en) | 2001-03-28 | 2002-01-22 | Optical projection imaging system and method for automatically detecting cells having nuclear and cytoplasmic densitometric features associated with disease |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2316764T3 true ES2316764T3 (es) | 2009-04-16 |
Family
ID=27609191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES03732015T Expired - Lifetime ES2316764T3 (es) | 2002-01-22 | 2003-01-21 | Sistema de imaginologia por proyeccion optica y metodo para la deteccion automatica de celulas. |
Country Status (11)
Country | Link |
---|---|
US (1) | US6519355B2 (es) |
EP (1) | EP1474033B1 (es) |
JP (1) | JP4718777B2 (es) |
CN (1) | CN1294520C (es) |
AT (1) | ATE408868T1 (es) |
AU (1) | AU2003210590B2 (es) |
CA (1) | CA2473678C (es) |
DE (1) | DE60323605D1 (es) |
ES (1) | ES2316764T3 (es) |
HK (1) | HK1072492A1 (es) |
WO (1) | WO2003061454A2 (es) |
Families Citing this family (140)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8406498B2 (en) * | 1999-01-25 | 2013-03-26 | Amnis Corporation | Blood and cell analysis using an imaging flow cytometer |
US8885913B2 (en) | 1999-01-25 | 2014-11-11 | Amnis Corporation | Detection of circulating tumor cells using imaging flow cytometry |
US8131053B2 (en) * | 1999-01-25 | 2012-03-06 | Amnis Corporation | Detection of circulating tumor cells using imaging flow cytometry |
US8005314B2 (en) * | 2005-12-09 | 2011-08-23 | Amnis Corporation | Extended depth of field imaging for high speed object analysis |
US7450229B2 (en) * | 1999-01-25 | 2008-11-11 | Amnis Corporation | Methods for analyzing inter-cellular phenomena |
US7009651B2 (en) * | 2000-10-12 | 2006-03-07 | Amnis Corporation | System and method for high numeric aperture imaging systems |
US6944322B2 (en) * | 2001-03-28 | 2005-09-13 | Visiongate, Inc. | Optical tomography of small objects using parallel ray illumination and post-specimen optical magnification |
US7907765B2 (en) * | 2001-03-28 | 2011-03-15 | University Of Washington | Focal plane tracking for optical microtomography |
US20060023219A1 (en) * | 2001-03-28 | 2006-02-02 | Meyer Michael G | Optical tomography of small objects using parallel ray illumination and post-specimen optical magnification |
US7260253B2 (en) * | 2002-04-19 | 2007-08-21 | Visiongate, Inc. | Method for correction of relative object-detector motion between successive views |
US7738945B2 (en) * | 2002-04-19 | 2010-06-15 | University Of Washington | Method and apparatus for pseudo-projection formation for optical tomography |
US20050085708A1 (en) * | 2002-04-19 | 2005-04-21 | University Of Washington | System and method for preparation of cells for 3D image acquisition |
US7811825B2 (en) * | 2002-04-19 | 2010-10-12 | University Of Washington | System and method for processing specimens and images for optical tomography |
US7613335B2 (en) * | 2003-02-12 | 2009-11-03 | The University Of Iowa Research Foundation | Methods and devices useful for analyzing color medical images |
US7760927B2 (en) * | 2003-09-10 | 2010-07-20 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation |
US7803624B2 (en) * | 2003-09-30 | 2010-09-28 | Cytyc Corporation | Automated cytological sample classification |
US7693318B1 (en) | 2004-01-12 | 2010-04-06 | Pme Ip Australia Pty Ltd | Method and apparatus for reconstruction of 3D image volumes from projection images |
EP1800124B1 (en) * | 2004-03-16 | 2011-12-21 | Amnis Corporation | Image based quantitation of molecular translocation |
US8103080B2 (en) | 2004-03-16 | 2012-01-24 | Amnis Corporation | Method for imaging and differential analysis of cells |
US8953866B2 (en) | 2004-03-16 | 2015-02-10 | Amnis Corporation | Method for imaging and differential analysis of cells |
US20050244953A1 (en) * | 2004-04-30 | 2005-11-03 | Kimberly-Clark Worldwide, Inc. | Techniques for controlling the optical properties of assay devices |
US7815854B2 (en) * | 2004-04-30 | 2010-10-19 | Kimberly-Clark Worldwide, Inc. | Electroluminescent illumination source for optical detection systems |
US7796266B2 (en) * | 2004-04-30 | 2010-09-14 | Kimberly-Clark Worldwide, Inc. | Optical detection system using electromagnetic radiation to detect presence or quantity of analyte |
US20060019265A1 (en) * | 2004-04-30 | 2006-01-26 | Kimberly-Clark Worldwide, Inc. | Transmission-based luminescent detection systems |
US20050270298A1 (en) * | 2004-05-14 | 2005-12-08 | Mercury Computer Systems, Inc. | Daughter card approach to employing multiple graphics cards within a system |
JP2006029921A (ja) * | 2004-07-14 | 2006-02-02 | Institute Of Physical & Chemical Research | フローサイトメーター |
DE102004044626B4 (de) * | 2004-09-13 | 2008-11-20 | Leica Microsystems Cms Gmbh | Verfahren zur Untersuchung von Transportprozessen |
US6991738B1 (en) | 2004-10-13 | 2006-01-31 | University Of Washington | Flow-through drum centrifuge |
US20060096358A1 (en) * | 2004-10-28 | 2006-05-11 | University Of Washington | Optical projection tomography microscope |
US8189002B1 (en) | 2004-10-29 | 2012-05-29 | PME IP Australia Pty, Ltd. | Method and apparatus for visualizing three-dimensional and higher-dimensional image data sets |
US7778392B1 (en) | 2004-11-02 | 2010-08-17 | Pme Ip Australia Pty Ltd | Method of reconstructing computed tomography (CT) volumes suitable for execution on commodity central processing units (CPUs) and graphics processors, and apparatus operating in accord with those methods (rotational X-ray on GPUs) |
US20060106117A1 (en) * | 2004-11-12 | 2006-05-18 | Kimberly-Clark Worldwide, Inc. | Compound and method for prevention and/or treatment of vaginal infections |
US20060217446A1 (en) * | 2005-03-28 | 2006-09-28 | Kimberly-Clark Worldwide, Inc. | Method for preventing and/or treating trichomonas vaginitis |
US7619008B2 (en) * | 2004-11-12 | 2009-11-17 | Kimberly-Clark Worldwide, Inc. | Xylitol for treatment of vaginal infections |
US20070121113A1 (en) * | 2004-12-22 | 2007-05-31 | Cohen David S | Transmission-based optical detection systems |
US7609884B1 (en) | 2004-12-23 | 2009-10-27 | Pme Ip Australia Pty Ltd | Mutual information based registration of 3D-image volumes on GPU using novel accelerated methods of histogram computation |
EP1846163A2 (en) * | 2005-01-13 | 2007-10-24 | Micronics, Inc. | Microfluidic rare cell detection device |
US20060217443A1 (en) * | 2005-03-28 | 2006-09-28 | Kimberly-Clark Worldwide, Inc. | Method for preventing and/or treating vaginal and vulval infections |
US20060223765A1 (en) * | 2005-03-30 | 2006-10-05 | Kimberly-Clark Worldwide, Inc. | Method for inhibiting and/or treating vaginal infection |
US7623732B1 (en) | 2005-04-26 | 2009-11-24 | Mercury Computer Systems, Inc. | Method and apparatus for digital image filtering with discrete filter kernels using graphics hardware |
US7786176B2 (en) | 2005-07-29 | 2010-08-31 | Kimberly-Clark Worldwide, Inc. | Vaginal treatment composition containing xylitol |
US7996188B2 (en) | 2005-08-22 | 2011-08-09 | Accuri Cytometers, Inc. | User interface for a flow cytometer system |
US8017402B2 (en) | 2006-03-08 | 2011-09-13 | Accuri Cytometers, Inc. | Fluidic system for a flow cytometer |
US8303894B2 (en) | 2005-10-13 | 2012-11-06 | Accuri Cytometers, Inc. | Detection and fluidic system of a flow cytometer |
US8149402B2 (en) * | 2006-02-22 | 2012-04-03 | Accuri Cytometers, Inc. | Optical system for a flow cytometer |
US8031340B2 (en) * | 2006-02-22 | 2011-10-04 | Accuri Cytometers, Inc. | Optical system for a flow cytometer |
US7780916B2 (en) * | 2006-03-08 | 2010-08-24 | Accuri Cytometers, Inc. | Flow cytometer system with unclogging feature |
US8283177B2 (en) * | 2006-03-08 | 2012-10-09 | Accuri Cytometers, Inc. | Fluidic system with washing capabilities for a flow cytometer |
US8715573B2 (en) | 2006-10-13 | 2014-05-06 | Accuri Cytometers, Inc. | Fluidic system for a flow cytometer with temporal processing |
US8445286B2 (en) * | 2006-11-07 | 2013-05-21 | Accuri Cytometers, Inc. | Flow cell for a flow cytometer system |
US7739060B2 (en) * | 2006-12-22 | 2010-06-15 | Accuri Cytometers, Inc. | Detection system and user interface for a flow cytometer system |
US7867778B2 (en) * | 2007-02-23 | 2011-01-11 | Visiongate, Inc. | Fluid focusing for positional control of a specimen for 3-D imaging |
EP2126611A2 (en) * | 2007-03-12 | 2009-12-02 | Elta Systems Ltd. | Method and system for detecting motorized objects |
US8959448B2 (en) * | 2007-04-17 | 2015-02-17 | Emd Millipore Corporation | Graphical user interface for analysis and comparison of location-specific multiparameter data sets |
US7835561B2 (en) | 2007-05-18 | 2010-11-16 | Visiongate, Inc. | Method for image processing and reconstruction of images for optical tomography |
US8019151B2 (en) * | 2007-06-11 | 2011-09-13 | Visualization Sciences Group, Inc. | Methods and apparatus for image compression and decompression using graphics processing unit (GPU) |
US8392529B2 (en) | 2007-08-27 | 2013-03-05 | Pme Ip Australia Pty Ltd | Fast file server methods and systems |
US7787112B2 (en) * | 2007-10-22 | 2010-08-31 | Visiongate, Inc. | Depth of field extension for optical tomography |
US8548215B2 (en) | 2007-11-23 | 2013-10-01 | Pme Ip Australia Pty Ltd | Automatic image segmentation of a volume by comparing and correlating slice histograms with an anatomic atlas of average histograms |
US8319781B2 (en) | 2007-11-23 | 2012-11-27 | Pme Ip Australia Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
US9904969B1 (en) | 2007-11-23 | 2018-02-27 | PME IP Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
US10311541B2 (en) | 2007-11-23 | 2019-06-04 | PME IP Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
US9019287B2 (en) | 2007-11-23 | 2015-04-28 | Pme Ip Australia Pty Ltd | Client-server visualization system with hybrid data processing |
US7843561B2 (en) * | 2007-12-17 | 2010-11-30 | Accuri Cytometers, Inc. | Optical system for a flow cytometer with an interrogation zone |
US8432541B2 (en) * | 2007-12-17 | 2013-04-30 | Accuri Cytometers, Inc. | Optical system for a flow cytometer with an interrogation zone |
US8983580B2 (en) | 2008-01-18 | 2015-03-17 | The Board Of Trustees Of The University Of Illinois | Low-coherence interferometry and optical coherence tomography for image-guided surgical treatment of solid tumors |
US8143600B2 (en) | 2008-02-18 | 2012-03-27 | Visiongate, Inc. | 3D imaging of live cells with ultraviolet radiation |
US8090183B2 (en) | 2009-03-12 | 2012-01-03 | Visiongate, Inc. | Pattern noise correction for pseudo projections |
US9602777B2 (en) | 2008-04-25 | 2017-03-21 | Roche Diagnostics Hematology, Inc. | Systems and methods for analyzing body fluids |
US9017610B2 (en) | 2008-04-25 | 2015-04-28 | Roche Diagnostics Hematology, Inc. | Method of determining a complete blood count and a white blood cell differential count |
US20100188739A1 (en) * | 2009-01-19 | 2010-07-29 | Visiongate, Inc. | Tomographic Light Field Microscope |
CN102388305B (zh) * | 2009-02-02 | 2014-11-19 | 罗格斯新泽西州立大学 | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 |
US8254023B2 (en) * | 2009-02-23 | 2012-08-28 | Visiongate, Inc. | Optical tomography system with high-speed scanner |
EP2409133A1 (en) * | 2009-03-20 | 2012-01-25 | Bio-Rad Laboratories, Inc. | Serial-line-scan-encoded multi-color fluorescence microscopy and imaging flow cytometry |
US8155420B2 (en) * | 2009-05-21 | 2012-04-10 | Visiongate, Inc | System and method for detecting poor quality in 3D reconstructions |
US20110061471A1 (en) * | 2009-06-02 | 2011-03-17 | Rich Collin A | System and method of verification of a sample for a flow cytometer |
US8507279B2 (en) | 2009-06-02 | 2013-08-13 | Accuri Cytometers, Inc. | System and method of verification of a prepared sample for a flow cytometer |
US8451524B2 (en) * | 2009-09-29 | 2013-05-28 | Amnis Corporation | Modifying the output of a laser to achieve a flat top in the laser's Gaussian beam intensity profile |
US10311214B2 (en) * | 2010-01-12 | 2019-06-04 | Rigel Pharmaceuticals, Inc. | Mode of action screening method |
US8779387B2 (en) | 2010-02-23 | 2014-07-15 | Accuri Cytometers, Inc. | Method and system for detecting fluorochromes in a flow cytometer |
US8817115B1 (en) | 2010-05-05 | 2014-08-26 | Amnis Corporation | Spatial alignment of image data from a multichannel detector using a reference image |
US9551600B2 (en) | 2010-06-14 | 2017-01-24 | Accuri Cytometers, Inc. | System and method for creating a flow cytometer network |
DE102010024732A1 (de) | 2010-06-23 | 2011-12-29 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Erkennung von tumorbehaftetem Gewebe im Gastrointestinaltrakt mit Hilfe einer Endokapsel |
US9002781B2 (en) | 2010-08-17 | 2015-04-07 | Fujitsu Limited | Annotating environmental data represented by characteristic functions |
US9138143B2 (en) * | 2010-08-17 | 2015-09-22 | Fujitsu Limited | Annotating medical data represented by characteristic functions |
US8874607B2 (en) | 2010-08-17 | 2014-10-28 | Fujitsu Limited | Representing sensor data as binary decision diagrams |
US8583718B2 (en) | 2010-08-17 | 2013-11-12 | Fujitsu Limited | Comparing boolean functions representing sensor data |
US8930394B2 (en) | 2010-08-17 | 2015-01-06 | Fujitsu Limited | Querying sensor data stored as binary decision diagrams |
US8572146B2 (en) | 2010-08-17 | 2013-10-29 | Fujitsu Limited | Comparing data samples represented by characteristic functions |
US8645108B2 (en) | 2010-08-17 | 2014-02-04 | Fujitsu Limited | Annotating binary decision diagrams representing sensor data |
CN103168225B (zh) | 2010-10-25 | 2015-11-25 | 阿库里赛托梅特斯公司 | 用于收集流式细胞仪中的数据集的系统和用户接口 |
US9522396B2 (en) | 2010-12-29 | 2016-12-20 | S.D. Sight Diagnostics Ltd. | Apparatus and method for automatic detection of pathogens |
US8761486B2 (en) | 2011-02-22 | 2014-06-24 | Bio-Rad Laboratories, Inc. | Line scan cytometry systems and methods |
CN104094099B (zh) | 2011-04-15 | 2017-05-03 | 罗氏血液诊断股份有限公司 | 测量细胞体积和成份 |
JP2013015357A (ja) * | 2011-07-01 | 2013-01-24 | Shimadzu Corp | フローサイトメータ |
US9176819B2 (en) | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Detecting sensor malfunctions using compression analysis of binary decision diagrams |
US8781995B2 (en) | 2011-09-23 | 2014-07-15 | Fujitsu Limited | Range queries in binary decision diagrams |
US8838523B2 (en) | 2011-09-23 | 2014-09-16 | Fujitsu Limited | Compression threshold analysis of binary decision diagrams |
US9177247B2 (en) | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Partitioning medical binary decision diagrams for analysis optimization |
US8812943B2 (en) | 2011-09-23 | 2014-08-19 | Fujitsu Limited | Detecting data corruption in medical binary decision diagrams using hashing techniques |
US8909592B2 (en) | 2011-09-23 | 2014-12-09 | Fujitsu Limited | Combining medical binary decision diagrams to determine data correlations |
US9075908B2 (en) | 2011-09-23 | 2015-07-07 | Fujitsu Limited | Partitioning medical binary decision diagrams for size optimization |
US8719214B2 (en) | 2011-09-23 | 2014-05-06 | Fujitsu Limited | Combining medical binary decision diagrams for analysis optimization |
US8620854B2 (en) | 2011-09-23 | 2013-12-31 | Fujitsu Limited | Annotating medical binary decision diagrams with health state information |
WO2013098821A1 (en) | 2011-12-29 | 2013-07-04 | Parasight Ltd. | Methods and systems for detecting a pathogen in a biological sample |
US9091628B2 (en) | 2012-12-21 | 2015-07-28 | L-3 Communications Security And Detection Systems, Inc. | 3D mapping with two orthogonal imaging views |
CN103969169B (zh) * | 2013-01-31 | 2017-11-17 | 西门子公司 | 对样本进行检测检测方法和装置 |
US10540803B2 (en) | 2013-03-15 | 2020-01-21 | PME IP Pty Ltd | Method and system for rule-based display of sets of images |
US11244495B2 (en) | 2013-03-15 | 2022-02-08 | PME IP Pty Ltd | Method and system for rule based display of sets of images using image content derived parameters |
US8976190B1 (en) | 2013-03-15 | 2015-03-10 | Pme Ip Australia Pty Ltd | Method and system for rule based display of sets of images |
US11183292B2 (en) | 2013-03-15 | 2021-11-23 | PME IP Pty Ltd | Method and system for rule-based anonymized display and data export |
US9509802B1 (en) | 2013-03-15 | 2016-11-29 | PME IP Pty Ltd | Method and system FPOR transferring data to improve responsiveness when sending large data sets |
US10070839B2 (en) | 2013-03-15 | 2018-09-11 | PME IP Pty Ltd | Apparatus and system for rule based visualization of digital breast tomosynthesis and other volumetric images |
WO2014188405A1 (en) | 2013-05-23 | 2014-11-27 | Parasight Ltd. | Method and system for imaging a cell sample |
CN105283744B (zh) * | 2013-06-05 | 2018-05-18 | Ev 集团 E·索尔纳有限责任公司 | 用以确定压力地图的测量装置及方法 |
IL227276A0 (en) | 2013-07-01 | 2014-03-06 | Parasight Ltd | A method and system for obtaining a monolayer of cells, for use specifically for diagnosis |
WO2016030897A1 (en) | 2014-08-27 | 2016-03-03 | S.D. Sight Diagnostics Ltd | System and method for calculating focus variation for a digital microscope |
EP2998726B1 (de) * | 2014-09-18 | 2017-01-25 | Siemens Healthcare Diagnostics Products GmbH | Verfahren und Vorrichtung zur nephelometrischen Bestimmung eines Analyten |
US10162162B2 (en) | 2014-09-24 | 2018-12-25 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University | Microfluidic systems and methods for hydrodynamic microvortical cell rotation in live-cell computed tomography |
US10733417B2 (en) | 2015-04-23 | 2020-08-04 | Cedars-Sinai Medical Center | Automated delineation of nuclei for three dimensional (3-D) high content screening |
US9594072B2 (en) * | 2015-06-30 | 2017-03-14 | Visiongate, Inc. | System and method for determining cell adequacy in a cytological analysis system |
US11599672B2 (en) | 2015-07-31 | 2023-03-07 | PME IP Pty Ltd | Method and apparatus for anonymized display and data export |
US9984478B2 (en) | 2015-07-28 | 2018-05-29 | PME IP Pty Ltd | Apparatus and method for visualizing digital breast tomosynthesis and other volumetric images |
AU2016322966B2 (en) | 2015-09-17 | 2021-10-14 | S.D. Sight Diagnostics Ltd | Methods and apparatus for detecting an entity in a bodily sample |
US11069054B2 (en) | 2015-12-30 | 2021-07-20 | Visiongate, Inc. | System and method for automated detection and monitoring of dysplasia and administration of immunotherapy and chemotherapy |
JP2019506602A (ja) * | 2015-12-30 | 2019-03-07 | ヴィジョンゲイト,インコーポレーテッド | 異形成を自動的に検出しモニターし、化学予防を施行するためのシステム及び方法 |
US9928403B2 (en) * | 2016-02-09 | 2018-03-27 | Molecular Devices, Llc | System and method for image analysis of multi-dimensional data |
WO2017168411A1 (en) | 2016-03-30 | 2017-10-05 | S.D. Sight Diagnostics Ltd | Image processing device for identifying blood parasites |
JP6942148B2 (ja) | 2016-05-11 | 2021-09-29 | エス.ディー.サイト ダイアグノスティクス リミテッド | 試料に対する光学測定の実施 |
US11307196B2 (en) | 2016-05-11 | 2022-04-19 | S.D. Sight Diagnostics Ltd. | Sample carrier for optical measurements |
CA3056694C (en) * | 2017-05-18 | 2022-01-18 | Brainlab Ag | Determining a clinical target volume |
US10909679B2 (en) | 2017-09-24 | 2021-02-02 | PME IP Pty Ltd | Method and system for rule based display of sets of images using image content derived parameters |
JP7214729B2 (ja) | 2017-11-14 | 2023-01-30 | エス.ディー.サイト ダイアグノスティクス リミテッド | 光学測定用試料収容器 |
US10893842B2 (en) | 2018-02-08 | 2021-01-19 | Covidien Lp | System and method for pose estimation of an imaging device and for determining the location of a medical device with respect to a target |
WO2019169157A1 (en) | 2018-02-28 | 2019-09-06 | Visiongate, Inc. | Morphometric detection of malignancy associated change |
US11508168B2 (en) * | 2018-10-15 | 2022-11-22 | Upmc | Systems and methods for specimen interpretation |
CN109359694B (zh) * | 2018-10-24 | 2021-07-02 | 中国石油大学(华东) | 一种基于混合协同表示的分类器的图像分类方法和装置 |
CN110287983B (zh) * | 2019-05-10 | 2021-07-09 | 杭州电子科技大学 | 基于最大相关熵深度神经网络单分类器异常检测方法 |
CN111222393A (zh) * | 2019-10-12 | 2020-06-02 | 浙江大学 | 一种基于自学习神经网络的病理切片中印戒细胞检测方法 |
CN117635950B (zh) * | 2024-01-04 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 血管分割矫正处理的方法、装置、电子设备及存储介质 |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3470373A (en) | 1966-10-18 | 1969-09-30 | Litton Systems Inc | Method for analysis and identification of biologic entities by phosphorescence |
US3497690A (en) | 1967-09-21 | 1970-02-24 | Bausch & Lomb | Method and apparatus for classifying biological cells by measuring the size and fluorescent response thereof |
US3657537A (en) | 1970-04-03 | 1972-04-18 | Bausch & Lomb | Computerized slit-scan cyto-fluorometer for automated cell recognition |
US3999047A (en) * | 1972-09-05 | 1976-12-21 | Green James E | Method and apparatus utilizing color algebra for analyzing scene regions |
US3833762A (en) | 1973-06-04 | 1974-09-03 | Rockwell International Corp | Solid state integrating, image motion compensating imager |
US3960449A (en) | 1975-06-05 | 1976-06-01 | The Board Of Trustees Of Leland Stanford Junior University | Measurement of angular dependence of scattered light in a flowing stream |
US4175860A (en) * | 1977-05-31 | 1979-11-27 | Rush-Presbyterian-St. Luke's Medical Center | Dual resolution method and apparatus for use in automated classification of pap smear and other samples |
US4293221A (en) | 1979-04-17 | 1981-10-06 | Research Corporation | Multidimensional slit-scan flow system |
US5281517A (en) * | 1985-11-04 | 1994-01-25 | Cell Analysis Systems, Inc. | Methods for immunoploidy analysis |
JPH0746100B2 (ja) * | 1986-12-30 | 1995-05-17 | 素秀 高浜 | 細胞固定・保存液 |
JPS6468638A (en) * | 1987-09-09 | 1989-03-14 | Yokogawa Electric Corp | Image observing device for particle in reaction tank |
JPH0641909B2 (ja) * | 1988-02-29 | 1994-06-01 | 日本アビオニクス株式会社 | カラー画像解析装置を用いた細胞の核酸量の顕微測光方法 |
JPH0675029B2 (ja) * | 1989-01-31 | 1994-09-21 | 株式会社島津製作所 | 粒度分布測定装置 |
JP2959813B2 (ja) * | 1990-07-13 | 1999-10-06 | シスメックス株式会社 | 粒子画像分析装置 |
JPH04337446A (ja) | 1991-05-15 | 1992-11-25 | Hitachi Ltd | 微粒子計測方法、定量方法および微粒子計測装置 |
JP3102925B2 (ja) * | 1991-09-20 | 2000-10-23 | シスメックス株式会社 | 粒子分析装置 |
JP3102926B2 (ja) * | 1991-09-20 | 2000-10-23 | シスメックス株式会社 | 粒子分析装置 |
US5548395A (en) * | 1991-09-20 | 1996-08-20 | Toa Medical Electronics Co., Ltd. | Particle analyzer |
JP3187129B2 (ja) * | 1992-04-01 | 2001-07-11 | シスメックス株式会社 | 粒子分析装置 |
US6026174A (en) | 1992-10-14 | 2000-02-15 | Accumed International, Inc. | System and method for automatically detecting malignant cells and cells having malignancy-associated changes |
US5402460A (en) | 1993-08-02 | 1995-03-28 | University Of Washington | Three-dimensional microtomographic analysis system |
AU3629295A (en) * | 1994-09-20 | 1996-04-09 | Neopath, Inc. | Apparatus for automated identification of thick cell groupings on a biological specimen |
US6252979B1 (en) | 1995-06-07 | 2001-06-26 | Tripath Imaging, Inc. | Interactive method and apparatus for sorting biological specimens |
US6251586B1 (en) * | 1995-10-02 | 2001-06-26 | The United States Of America As Represented By The Department Of Health And Human Services | Epithelial protein and DNA thereof for use in early cancer detection |
FI97665C (fi) | 1995-11-21 | 1997-01-27 | Planmed Oy | Menetelmät ja laitteet kohteen kuvantamisessa |
US6165734A (en) * | 1995-12-12 | 2000-12-26 | Applied Spectral Imaging Ltd. | In-situ method of analyzing cells |
CN2258617Y (zh) * | 1995-12-22 | 1997-07-30 | 天津中医学院 | 血沉曲线记录分析仪 |
CA2310672A1 (en) | 1997-11-19 | 1999-05-27 | University Of Washington | High throughput optical scanner |
US6251615B1 (en) | 1998-02-20 | 2001-06-26 | Cell Analytics, Inc. | Cell analysis methods |
US6249341B1 (en) | 1999-01-25 | 2001-06-19 | Amnis Corporation | Imaging and analyzing parameters of small moving objects such as cells |
JP2001174456A (ja) * | 1999-12-20 | 2001-06-29 | Toyobo Co Ltd | 白血球細分類装置および白血球の細分類方法 |
-
2002
- 2002-01-22 US US10/055,066 patent/US6519355B2/en not_active Expired - Lifetime
-
2003
- 2003-01-21 CA CA2473678A patent/CA2473678C/en not_active Expired - Fee Related
- 2003-01-21 EP EP03732015A patent/EP1474033B1/en not_active Expired - Lifetime
- 2003-01-21 CN CNB038028204A patent/CN1294520C/zh not_active Expired - Fee Related
- 2003-01-21 DE DE60323605T patent/DE60323605D1/de not_active Expired - Lifetime
- 2003-01-21 AU AU2003210590A patent/AU2003210590B2/en not_active Ceased
- 2003-01-21 ES ES03732015T patent/ES2316764T3/es not_active Expired - Lifetime
- 2003-01-21 AT AT03732015T patent/ATE408868T1/de not_active IP Right Cessation
- 2003-01-21 JP JP2003561404A patent/JP4718777B2/ja not_active Expired - Lifetime
- 2003-01-21 WO PCT/US2003/001761 patent/WO2003061454A2/en active Application Filing
-
2005
- 2005-05-03 HK HK05103748.4A patent/HK1072492A1/xx not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
DE60323605D1 (de) | 2008-10-30 |
AU2003210590B2 (en) | 2008-02-21 |
JP2005539209A (ja) | 2005-12-22 |
WO2003061454A2 (en) | 2003-07-31 |
US20020150285A1 (en) | 2002-10-17 |
EP1474033A2 (en) | 2004-11-10 |
CA2473678A1 (en) | 2003-07-31 |
JP4718777B2 (ja) | 2011-07-06 |
CN1623163A (zh) | 2005-06-01 |
CN1294520C (zh) | 2007-01-10 |
US6519355B2 (en) | 2003-02-11 |
HK1072492A1 (en) | 2005-08-26 |
CA2473678C (en) | 2013-11-05 |
EP1474033B1 (en) | 2008-09-17 |
EP1474033A4 (en) | 2007-04-04 |
WO2003061454A3 (en) | 2003-09-04 |
ATE408868T1 (de) | 2008-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2316764T3 (es) | Sistema de imaginologia por proyeccion optica y metodo para la deteccion automatica de celulas. | |
ES2309319T3 (es) | Metodo para la deteccion automatica de celulas mediante la compartimentacion de marcadores moleculares asociados a enfermedades. | |
US6522775B2 (en) | Apparatus and method for imaging small objects in a flow stream using optical tomography | |
AU2003210590A1 (en) | Automatically detecting cells having nuclear and cytoplasmic densitometric features associated with disease by optical imaging | |
CA2663744C (en) | Focal plane tracking for optical microtomography | |
AU2003234340B2 (en) | Method and apparatus for emission computed tomography using temporal signatures | |
ES2903147T3 (es) | Sistemas y procedimientos para analizar líquidos corporales | |
EP1496797B1 (en) | Variable-motion optical tomography of small objects | |
AU2002303160B2 (en) | Apparatus and method for imaging small objects in a flow stream using optical tomography | |
AU2002303160A1 (en) | Apparatus and method for imaging small objects in a flow stream using optical tomography |