FR3029671B1 - Procede pour l'analyse assistee par ordinateur d'une ou plusieurs coupes de tissu du corps humain ou animal - Google Patents
Procede pour l'analyse assistee par ordinateur d'une ou plusieurs coupes de tissu du corps humain ou animal Download PDFInfo
- Publication number
- FR3029671B1 FR3029671B1 FR1561774A FR1561774A FR3029671B1 FR 3029671 B1 FR3029671 B1 FR 3029671B1 FR 1561774 A FR1561774 A FR 1561774A FR 1561774 A FR1561774 A FR 1561774A FR 3029671 B1 FR3029671 B1 FR 3029671B1
- Authority
- FR
- France
- Prior art keywords
- tissue
- spectra
- predetermined
- determined
- hyperspectral data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 241001465754 Metazoa Species 0.000 title claims description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 132
- 238000005259 measurement Methods 0.000 claims abstract description 107
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 208000024891 symptom Diseases 0.000 claims abstract description 58
- 238000010186 staining Methods 0.000 claims abstract description 55
- 230000002596 correlated effect Effects 0.000 claims abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 138
- 230000000875 corresponding effect Effects 0.000 claims description 46
- 239000000203 mixture Substances 0.000 claims description 44
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 102000004877 Insulin Human genes 0.000 claims description 9
- 108090001061 Insulin Proteins 0.000 claims description 9
- 229940125396 insulin Drugs 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000029087 digestion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000002055 immunohistochemical effect Effects 0.000 claims description 3
- 210000004881 tumor cell Anatomy 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- 238000000688 desorption electrospray ionisation Methods 0.000 claims description 2
- 241000283986 Lepus Species 0.000 claims 2
- 241001125929 Trisopterus luscus Species 0.000 claims 1
- 238000000816 matrix-assisted laser desorption--ionisation Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 125
- 238000004949 mass spectrometry Methods 0.000 description 19
- 108090000765 processed proteins & peptides Proteins 0.000 description 16
- 102000004196 processed proteins & peptides Human genes 0.000 description 8
- 239000000090 biomarker Substances 0.000 description 7
- 239000004744 fabric Substances 0.000 description 7
- 238000004040 coloring Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011532 immunohistochemical staining Methods 0.000 description 4
- 238000001819 mass spectrum Methods 0.000 description 4
- 238000001069 Raman spectroscopy Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000003795 desorption Methods 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 210000000496 pancreas Anatomy 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002493 microarray Methods 0.000 description 2
- 210000004923 pancreatic tissue Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102000004142 Trypsin Human genes 0.000 description 1
- 108090000631 Trypsin Proteins 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000012588 trypsin Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
- H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
- G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
- G01N33/5082—Supracellular entities, e.g. tissue, organisms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0004—Imaging particle spectrometry
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/02—Details
- H01J49/10—Ion sources; Ion guns
- H01J49/16—Ion sources; Ion guns using surface ionisation, e.g. field-, thermionic- or photo-emission
- H01J49/161—Ion sources; Ion guns using surface ionisation, e.g. field-, thermionic- or photo-emission using photoionisation, e.g. by laser
- H01J49/164—Laser desorption/ionisation, e.g. matrix-assisted laser desorption/ionisation [MALDI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
- G01N1/31—Apparatus therefor
- G01N1/312—Apparatus therefor for samples mounted on planar substrates
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Urology & Nephrology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Cell Biology (AREA)
- Plasma & Fusion (AREA)
- Toxicology (AREA)
- Microbiology (AREA)
- Tropical Medicine & Parasitology (AREA)
Abstract
Description
Claims (14)
- REVENDICATIONS1. Procédé pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (ΤΓ) testée, lesquelles présentent un symptôme clinique prédéterminé, procédé dans lequel : a) des données hyperspectrales à résolution spatiale d’une ou plusieurs coupe(s) de tissu (TI) prédéterminée(s) à analyser qui présentent des zones de tissu avec le symptôme clinique prédéterminé sont importées, dans lequel les données hyperspectrales contiennent des spectres (Sy) respectifs pour une pluralité de positions de mesure (x) dans la ou les coupe(s) de tissu prédéterminée(s), dans lequel un spectre (Sÿ) respectif représente la composition de la ou des coupe(s) de tissu prédéterminée(s) (TI) au niveau d’une position de mesure (x) sous la forme d’un vecteur de valeurs d’intensité (I) pour une pluralité de canaux (m/z), dans lequel une valeur d’intensité (I) est une grandeur physique détectée pour le canal (m/z) correspondant; b) un masque (Mÿ) de la ou des coupe(s) de tissu prédéterminée(s) (TI) étant importé, lequel contient des valeurs d’échelle respectives pour la pluralité des positions de mesure (x), dans lequel des zones de la ou des coupe(s) de tissu prédéterminée(s) (TI) avec des valeurs d’échelle divergentes par rapport à la zone restante de la ou des coupe(s) de tissu (TI) sont des zones de tissu avec le symptôme clinique prédéterminé; c) grâce à une méthode pour la détermination de vecteurs de base, plusieurs spectres de base (BSb BS2, ..., BS5) dans l’espace des vecteurs des données hyperspectrales ou dans un espace de vecteurs dérivés, lesquels sont calculés à partir des données hyperspectrales pour chaque position de mesure (x), étant déterminés ; d) les spectres de base (BSi, BS2, ..., BS5) avec les vecteurs des données hyperspectrales ou les vecteurs dérivés étant mis en corrélation au niveau de chaque position de mesure (x), moyennant quoi on obtient, pour chaque position de mesure (x), une pluralité de valeurs de corrélation (Piik) pour des spectres de base (BSb BS2, ..BS5) respectifs; e) un modèle de régression (RAI) étant déterminé à l’aide d’un procédé de régression, lequel décrit le masque (Mÿ) sur la base de la pluralité des valeurs de corrélation (Ρψ..) pour les positions de mesure (x) respectives, dans lequel le modèle de régression (RAI) et les spectres de base (BSb BS2, BS5) sont enregistrés pour la réalisation du test de coloration numérique, et dans lequel les données hyperspectrales sont des données spectrométriques de masse MALDI ou DESI, où les canaux (m/z) représentent des rapports masse/charge et la grandeur physique détectée pour le canal (m/z) correspondant représentant le nombre de molécules détectées pour le rapport masse/charge correspondant.
- 2. Procédé pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (TI’) testée, lesquelles présentent un symptôme clinique prédéterminé, procédé dans lequel ; a) des données hyperspectrales à résolution spatiale d’une ou plusieurs coupe(s) de tissu (TI) prédétermmée(s) à analyser qui présentent des zones de tissu avec le symptôme clinique prédéterminé sont importées, dans lequel les domiées hyperspectrales contiennent des spectres (Sjj) respectifs pour une pluralité de positions de mesure (x) dans la ou les coupe(s) de tissu prédéterminée(s), dans lequel un spectre (SH) respectif représente la composition de la ou des coupe(s) de tissu prédéterminée(s) (TI) au niveau d’une position de mesure (x) sous la forme d’un vecteur de valeurs d’intensité (I) pour une pluralité de canaux (m/z), dans lequel une valeur d’intensité (I) est une grandeur physique détectée pour le canal (m/z) correspondant; b) un masque (Mjj) de la ou des coupe(s) de tissu prédéterminée(s) (TI) étant importé, lequel contient des valeurs d’échelle respectives pour la pluralité des positions de mesure (x), dans lequel des zones de la ou des coupe(s) de tissu prédéterminée(s) (TI) avec des valeurs d’échelle divergentes par rapport à la zone restante de la ou des coupe(s) de tissu (TI) sont des zones de tissu avec le symptôme clinique prédéterminé; c) grâce à une méthode pour la détermination de vecteurs de base, plusieurs spectres de base (BSi, BS2, BS5) dans l’espace des vecteurs des doimées hyperspectrales ou dans un espace de vecteurs dérivés, lesquels sont calculés à partir des données hyperspectrales pour chaque position de mesure (x), étant déterminés ; d) les spectres de hase (BSb BS2, BS5) avec les vecteurs des données hyperspectrales ou les vecteurs dérivés étant mis en corrélation au niveau de chaque position de mesure (x), moyennant quoi on obtient, pour chaque position de mesure (x), une pluralité de valeurs de corrélation (Pijk) pour des spectres de hase (BSb BS2, ..BS5) respectifs; e) un modèle de régression (RM) étant déterminé à l’aide d’un procédé de régression, lequel décrit le masque (Mb) sur la base de la pluralité des valeurs de corrélation (Pÿk) pour les positions de mesure (x) respectives, dans lequel le modèle de régression (RM) et les spectres de base (BSb BS2, BS5) sont enregistrés pour la réalisation du test de coloration numérique, et dans lequel la ou les coupe(s) de tissu à analyser sont des coupes de tissu respectives avec digestion.
- 3. Procédé pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (TP) testée, lesquelles présentent un symptôme clinique prédéterminé, procédé dans lequel : a) des données hyperspectrales à résolution spatiale d’une ou plusieurs coupe(s) de tissu (TI) prédéterminée(s) à analyser qui présentent des zones de tissu avec le symptôme clinique prédéterminé sont importées, dans lequel les données hyperspectrales contiennent des spectres (Sy) respectifs pour une pluralité de positions de mesure (x) dans la ou les coupe(s) de tissu prédéterminée(s), dans lequel un spectre (Sÿ) respectif représente la composition de la on des coupe(s) de tissu prédéterminée(s) (TI) au niveau d’une position de mesure (x) sous la forme d’un vecteur de valeurs d’intensité (I) pour une pluralité de canaux (m/z), dans lequel une valeur d’intensité (I) est une grandeur physique détectée pour le canal (m/z) correspondant; b) un masque (Mÿ) de la ou des coupe(s) de tissu prédéterminée(s) (TI) étant importé, lequel contient des valeurs d’échelle respectives pour la pluralité des positions de mesure (x), dans lequel des zones de la ou des coupe(s) de tissu prédéterminée(s) (TI) avec des valeurs d’échelle divergentes par rapport à la zone restante de la ou des coupe(s) de tissu (TI) sont des zones de tissu avec le symptôme clinique prédéterminé; c) grâce à une méthode pour la détermination de vecteurs de base, plusieurs spectres de base (BS], BS2, BS5) dans l’espace des vecteurs des données hyperspectrales ou dans un espace de vecteurs dérivés, lesquels sont calculés à partir des données hyperspectrales pour chaque position de mesure (x), étant déterminés ; d) les spectres de base (BSb BS2, ..., BS5) avec les vecteurs des données hyperspectrales ou les vecteurs dérivés étant mis en corrélation au niveau de chaque position de mesure (x), moyennant quoi on obtient, pour chaque position de mesure (x), une pluralité de valeurs de corrélation (Pÿk) pour des spectres de base (BSb BS2, ..BS5) respectifs; e) un modèle de régression (RM) étant déterminé à l’aide d’un procédé de régression, lequel décrit le masque (Mÿ) sur la base de la pluralité des valeurs de corrélation (Pÿk) pour les positions de mesure (x) respectives, dans lequel le modèle de régression (RM) et les spectres de base (BSb BS2, ..., BS5) sont enregistrés pour la réalisation du test de coloration numérique, et dans lequel la méthode utilisée à l’étape c) pour la détermination de vecteurs de base est une factorisation matricielle non négative ou une analyse PCA, la factorisation matricielle non négative comprenant la condition de l’occupation éparse des matrices déterminées par la factorisation matricielle non négative.
- 4. Procédé pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (TP) testée, lesquelles présentent un symptôme clinique prédéterminé, procédé dans lequel : a) des données hyperspectrales à résolution spatiale d’une ou plusieurs coupe(s) de tissu (TI) prédéterminée(s) à analyser qui présentent des zones de tissu avec le symptôme clinique prédéterminé sont importées, dans lequel les données hyperspectrales contiennent des spectres (Sÿ) respectifs pour une pluralité de positions de mesure (x) dans la ou les coupe(s) de tissu prédéterminée(s), dans lequel un spectre (Sÿ) respectif représente la composition de la ou des coupe(s) de tissu prédéterminée(s) (TI) au niveau d’une position de mesure (x) sous la forme d’un vecteur de valeurs d’intensité (I) pour une pluralité de canaux (m/z), dans lequel une valeur d’intensité (I) est une grandeur physique détectée pour le canal (m/z) correspondant; h) un masque (Mÿ) de la ou des coupe(s) de tissu prédéterminée(s) (TI) étant importé, lequel contient des valeurs d’échelle respectives pour la pluralité des positions de mesure (x), dans lequel des zones de la ou des coupe(s) de tissu prédéterminée(s) (TI) avec des valeurs d’échelle divergentes par rapport à la zone restante de la ou des coupe(s) de tissu (TI) sont des zones de tissu avec le symptôme clinique prédéterminé; c) grâce à une méthode pour la détermination de vecteurs de base, plusieurs spectres de base (BSb BS2, .BS5) dans l’espace des vecteurs des données hyperspectrales ou dans un espace de vecteurs dérivés, lesquels sont calculés à partir des données hyperspectrales pour chaque position de mesure (x), étant déterminés ; d) les spectres de base (BSb BS2, BS5) avec les vecteurs des données hyperspectrales ou les vecteurs dérivés étant mis en corrélation au niveau de chaque position de mesure (x), moyennant quoi on obtient, pour chaque position de mesure (x), une pluralité de valeurs de corrélation (Pÿk) pour des spectres de base (BSb BS2, ..BS5) respectifs; e) un modèle de régression (RM) étant déterminé à l’aide d’un procédé de régression, lequel décrit le masque (Mÿ) sur la base de la pluralité des valeurs de corrélation (Pÿk) pour les positions de mesure (x) respectives, dans lequel le modèle de régression (RM) et les spectres de base (BS3, BS2, BS5) sont enregistrés pour la réalisation du test de coloration numérique, et dans lequel le symptôme clinique prédéterminé représente la présence de cellules tumorales prédéterminées ou la présence d’îlots d’insuline dans la ou les coupe(s) de tissu prédéterminée(s) (TI).
- 5. Procédé selon l’une des revendications 1 à 4, caractérisé en ce que, à l’étape c), les spectres de base (BSb BS2, ..BS5) sont déterminés dans l’espace des vecteurs dérivés, dans lequel un vecteur dérivé est calculé pour chaque position de mesure (x) de telle sorte que pour le symptôme clinique prédéterminé, des données hyperspectrales pour une pluralité de compositions moléculaires sont prescrites, dans lequel les données hyperspectrales pour une composition moléculaire contiennent un vecteur sous la forme d’un spectre caractéristique de la composition moléculaire de valeurs d’intensité (I) pour un nombre prescrit de canaux (m/z) parmi une pluralité de canaux (m/z); les spectres caractéristiques des compositions moléculaires étant mis en corrélation avec les spectres (Sy) des doimées hyperspectrales importées au niveau des positions de mesure (x) respectives, moyennant quoi on détermine, en guise de vecteur dérivé pour chaque position de mesure (x), un vecteur à partir de plusieurs coefficients de corrélation.
- 6. Procédé selon l’une des revendications précédentes, caractérisé en ce que le procédé de régression utilisé à l’étape e) est un procédé de régression linéaire ou un procédé de régression SVM.
- 7. Procédé selon l’une des revendications précédentes, caractérisé en ce qu’à l’étape b), le masque (My) est déterminé à partir d’un test de coloration histologique, et en particulier immunohistochimique, de la ou des coupe(s) de tissu prédéterminée(s).
- 8. Procédé pour la réalisation assistée par ordinateur d’un test de coloration numérique en utilisant des spectres de base (BSb BS2, BS5) et un modèle de régression (RM), lesquels ont été déterminés avec un procédé pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (ΤΓ) testée, lesquelles présentent un symptôme clinique prédéterminé, procédé dans lequel : a) des domiées hyperspectrales à résolution spatiale d’une ou plusieurs coupe(s) de tissu (TI) prédéterminée(s) à analyser qui présentent des zones de tissu avec le symptôme clinique prédéterminé sont importées, dans lequel les données hyperspectrales contiennent des spectres (Sy) respectifs pour une pluralité de positions de mesure (x) dans la ou les coupe(s) de tissu prédéterminée(s), dans lequel un spectre (Sy) respectif représente la composition de la ou des coupe(s) de tissu prédéterminée(s) (TI) au niveau d’une position de mesure (x) sous la forme d’un vecteur de valeurs d’intensité (I) pour une pluralité de canaux (m/z), dans lequel une valeur d’intensité (I) est une grandeur physique détectée pour le canal (m/z) correspondant; b) un masque (My) de la ou des coupe(s) de tissu prédéterminée(s) (TI) étant importé, lequel contient des valeurs d’échelle respectives pour la pluralité des positions de mesure (x), dans lequel des zones de la ou des coupe(s) de tissu prédéterminée(s) (TI) avec des valeurs d’échelle divergentes par rapport à la zone restante de la ou des coupe(s) de tissu (TI) sont des zones de tissu avec le symptôme clinique prédéterminé; c) grâce à une méthode pour la détermination de vecteurs de base, plusieurs spectres de base (BSb BS2, BS5) dans l’espace des vecteurs des données hyperspectrales ou dans un espace de vecteurs dérivés, lesquels sont calculés à partir des données hyperspectrales pour chaque position de mesure (x), étant déterminés ; d) les spectres de base (BSb BS2, ..., BS5) avec les vecteurs des données hyperspectrales ou les vecteurs dérivés étant mis en corrélation au niveau de chaque position de mesure (x), moyennant quoi on obtient, pour chaque position de mesure (x), une pluralité de valeurs de corrélation (Pût) pour des spectres de base (BSb BS2, ..., BS5) respectifs; e) un modèle de régression (RM) étant déterminé à l’aide d’un procédé de régression, lequel décrit le masque (Mÿ) sur la base de la pluralité des valeurs de corrélation (Pÿk) pour les positions de mesure (x) respectives, dans lequel le modèle de régression (RM) et les spectres de base (BSb BS2, ..BS5) sont enregistrés numériquement pour la réalisation du test de coloration numérique, ce pour un symptôme clinique prédéterminé, procédé dans lequel : i) des données hyperspectrales à résolution spatiale d’une coupe de tissu (ΤΓ) prescrite à tester sont importées, dans lequel les données hyperspectrales contiennent des spectres (SPÿ) respectifs pour une pluralité de positions de mesure (y) dans la coupe de tissu (ΊΤ) prescrite, dans lequel un spectre (SPÿ) respectif représente la composition de la coupe de tissu (ΤΓ) prescrite au niveau d’une position de mesure (y) sous la forme d’un vecteur de valeurs d’intensité (I) pour des canaux (m/z) parmi une pluralité de canaux (m/z), dans lequel une valeur d’intensité (1) est une grandeur physique détectée pour le canal (m/z) correspondant; ii) les vecteurs des données hyperspectrales ou des vecteurs dérivés, lesquels ont été calculés à partir des données hyperspectrales, étant mis en corrélation au niveau de chaque position de mesure (x) avec les spectres de base (BSb BS2, .BS5) ayant été déterminés dans l’étape c), moyennant quoi on obtient, pour chaque position de mesure (y), une pluralité de valeurs de corrélation ÎNÿk) pour des spectres de base (BSj, BS2, BS5) respectifs; iii) le modèle de régression (RM), lequel a été déterminé dans l’étape e), étant appliqué aux valeurs de corrélation (Njjk) et un masque ( Μ Λ y ) étant ainsi obtenu, lequel contient, pour la pluralité de positions de mesure (y), des valeurs d’échelle respectives, dans lequel des zones de la coupe de tissu (TT) prescrite avec des valeurs d’échelle divergentes par rapport à la coupe de tissu (ΤΓ) restante, sont des zones de tissu avec le symptôme clinique prédéterminé,
- 9. Procédé selon la revendication 8, caractérisé en ce qu’une visualisation est générée sur un afficheur de telle sorte qu’une image est générée à partir de points d’image représentant les positions de mesure (y), dans lequel un point d’image respectif assure le codage de la valeur d’échelle du masque (MAÿ) déterminé à l’étape iii) pour la position de mesure (y) représentée par le point d’image (BP) respectif.
- 10. Procédé selon la revendication 8 ou 9, caractérisé en ce que des vecteurs dérivés à l’étape ii) sont mis en corrélation avec les spectres de base (BSb BS2, ··, BS5), dans lequel les vecteurs dérivés sont calculés de telle sorte que, pour le symptôme clinique prédéterminé, des données hyperspectrales pour une pluralité de compositions moléculaires sont prescrites, dans lequel les données hyperspectrales pour une composition moléculaire contiennent un vecteur sous la forme d’un spectre caractéristique pour la composition moléculaire de valeurs d’intensités (I) pour un nombre prescrit de canaux (m/z) parmi la pluralité de canaux (m/z); les spectres caractéristiques pour les compositions moléculaires étant mis en corrélation avec les spectres (Sy) des données hyperspectrales importées à l’étape i) au niveau des positions de mesure (y) respectives, moyennant quoi on détermine, en guise de vecteur dérivé pour chaque position de mesure (y), un vecteur à partir de plusieurs coefficients de corrélation.
- 11. Dispositif pour l’analyse assistée par ordinateur d’une ou plusieurs coupe(s) de tissu (TI) du corps humain ou animal pour la préparation d’un test de coloration numérique, dans lequel, dans le test de coloration numérique, on détermine de manière assistée par ordinateur des zones de tissu dans une coupe de tissu (ΤΓ) testée, lesquelles présentent un symptôme clinique prédéterminé, caractérisé en ce que le dispositif est conçu pour la réalisation d’un procédé selon l’une des revendications 1 à 7.
- 12. Dispositif pour la réalisation assistée par ordinateur d’un test de coloration numérique en utilisant des spectres de base (BSb BS2, .. BS5) et un modèle de régression (RAI), lesquels ont été déterminés avec un procédé selon l’une des revendications 1 à 7 pour un symptôme clinique prédéterminé et enregistrés numériquement, caractérisé en ce que le dispositif est conçu pour la réalisation d’un procédé selon l’une des revendications 8 à 10.
- 13. Produit de programme informatique avec un code de programme enregistré sur un support lisible par machine pour la réalisation d’un procédé selon l’une des revendications 1 à 10 lorsque le code de programme est exécuté sur un ordinateur.
- 14. Programme informatique avec un code de programme pour la réalisation d’un procédé selon l’une des revendications 1 à 10 lorsque le code de programme est exécuté sur un ordinateur.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014224916.3 | 2014-12-04 | ||
DE102014224916.3A DE102014224916B4 (de) | 2014-12-04 | 2014-12-04 | Verfahren zur rechnergestützten Analyse eines oder mehrerer Gewebeschnitte des menschlichen oder tierischen Körpers |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3029671A1 FR3029671A1 (fr) | 2016-06-10 |
FR3029671B1 true FR3029671B1 (fr) | 2019-07-12 |
Family
ID=55177420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1561774A Active FR3029671B1 (fr) | 2014-12-04 | 2015-12-03 | Procede pour l'analyse assistee par ordinateur d'une ou plusieurs coupes de tissu du corps humain ou animal |
Country Status (4)
Country | Link |
---|---|
US (1) | US10304671B2 (fr) |
DE (1) | DE102014224916B4 (fr) |
FR (1) | FR3029671B1 (fr) |
GB (1) | GB2535586B (fr) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
DE102019114829A1 (de) * | 2019-06-03 | 2020-12-03 | Bruker Daltonik Gmbh | Massenspektrometrische Bestimmung von Gewebezuständen |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6451611B1 (en) | 2000-07-28 | 2002-09-17 | Statens Serum Institute | Quantitative analysis of hexose-monophosphates from biological samples |
GB0704764D0 (en) | 2007-03-12 | 2007-04-18 | Electrophoretics Ltd | Isobarically labelled reagents and methods of their use |
US8208698B2 (en) | 2007-12-14 | 2012-06-26 | Mela Sciences, Inc. | Characterizing a texture of an image |
FR2960062B1 (fr) | 2010-05-12 | 2012-12-28 | Univ Compiegne Tech | Procede d'evaluation toxicologique, procede de criblage toxicologique et systeme associe |
US8705833B2 (en) * | 2011-04-25 | 2014-04-22 | The General Hospital Corporation | Computer-aided staining of multispectral images |
WO2013086516A1 (fr) | 2011-12-09 | 2013-06-13 | Regents Of The University Of Minnesota | Radiométrie spectrale imageante pour détection précoce de la maladie d'alzheimer |
US9201044B2 (en) | 2011-12-21 | 2015-12-01 | Integrated Diagnostics, Inc. | Compositions, methods and kits for diagnosis of lung cancer |
GB201305171D0 (en) * | 2013-03-21 | 2013-05-01 | Univ Nottingham | Measurement of tissue structures |
DE102013207402A1 (de) | 2013-04-24 | 2014-10-30 | SCiLS GmbH | Verfahren zum rechnergestützten Verarbeiten von räumlich aufgelösten Hyperspektraldaten, insbesondere von Massenspektrometriedaten |
-
2014
- 2014-12-04 DE DE102014224916.3A patent/DE102014224916B4/de active Active
-
2015
- 2015-11-30 GB GB1521058.6A patent/GB2535586B/en active Active
- 2015-12-03 FR FR1561774A patent/FR3029671B1/fr active Active
- 2015-12-04 US US14/959,967 patent/US10304671B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
GB2535586B (en) | 2020-11-04 |
US10304671B2 (en) | 2019-05-28 |
US20160163523A1 (en) | 2016-06-09 |
FR3029671A1 (fr) | 2016-06-10 |
DE102014224916A1 (de) | 2016-06-09 |
DE102014224916B4 (de) | 2024-01-18 |
GB2535586A (en) | 2016-08-24 |
GB201521058D0 (en) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7344568B2 (ja) | ディープラーニングを使用して無標識蛍光画像をデジタル染色する方法及びシステム | |
JP6235886B2 (ja) | 生体組織画像の再構成方法及び装置並びに該生体組織画像を用いた画像表示装置 | |
EP2494520A1 (fr) | Procede et dispositif d'analyse d'images hyper-spectrales. | |
EP2966492A1 (fr) | Procédé et appareil de localisation de particules uniques au moyen d'une analyse d'ondelettes | |
EP2171687B1 (fr) | Procédé et dispositif de traitement d'image, notamment pour le traitement d'images médicales | |
JP6144916B2 (ja) | 生体組織画像のノイズ低減処理方法及び装置 | |
MX2007000064A (es) | Eliminacion automatica del fondo para los datos de entrada. | |
You et al. | Real-time intraoperative diagnosis by deep neural network driven multiphoton virtual histology | |
EP2277143A2 (fr) | Procede et systeme automatise d'assistance au pronostic de la maladie d'alzheimer, et procede d'apprentissage d'un tel systeme | |
JP2011180134A (ja) | 質量信号のノイズ低減処理方法及び装置 | |
FR3029671B1 (fr) | Procede pour l'analyse assistee par ordinateur d'une ou plusieurs coupes de tissu du corps humain ou animal | |
Bedia et al. | Application of chemometric methods to the analysis of multimodal chemical images of biological tissues | |
Lavancier et al. | Testing independence between two random sets for the analysis of colocalization in bioimaging | |
EP2406745B1 (fr) | Procédé d'élaboration d'un dispositif de prédiction, utilisation, support de stockage d'information et appareil correspondants | |
JP5305618B2 (ja) | 画像処理装置および画像処理プログラム | |
WO2011051383A1 (fr) | Dispositif et procede de compensation de relief d'images hyper-spectrales | |
WO2023107844A1 (fr) | Coloration immunohistochimique virtuelle sans étiquette de tissu à l'aide d'un apprentissage profond | |
JP5210571B2 (ja) | 画像処理装置、画像処理プログラムおよび画像処理方法 | |
EP4053842A1 (fr) | Procédé d'analyse d'une substance de test, analyseur, analyseur, procédé d'entraînement, système d'analyseur et programme d'analyse | |
Haaland et al. | Experimental and data analytical approaches to automating multivariate curve resolution in the analysis of hyperspectral images | |
JP5866287B2 (ja) | 複雑な混合物における小分子成分分析のための装置及び関連する方法 | |
Milillo et al. | Spatial statistics and interpolation methods for TOF SIMS imaging | |
EP4166931A1 (fr) | Méthode de cartographie multi-espèces d'une zone à partir de données spectrales | |
Elad et al. | Check for updates Diffusion Models for Generative | |
Vignoli et al. | NMR-based metabolomics in Alzheimer’s disease research: a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
TP | Transmission of property |
Owner name: BRUKER DALTONIK GMBH, DE Effective date: 20180118 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20181005 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |
|
TP | Transmission of property |
Owner name: BRUKER DALTONICS GMBH & CO. KG, DE Effective date: 20210914 |
|
PLFP | Fee payment |
Year of fee payment: 7 |
|
PLFP | Fee payment |
Year of fee payment: 8 |
|
PLFP | Fee payment |
Year of fee payment: 9 |