JP2005530138A - 組織標本の中の重要な構造のコンピュータを利用した画像捕捉 - Google Patents
組織標本の中の重要な構造のコンピュータを利用した画像捕捉 Download PDFInfo
- Publication number
- JP2005530138A JP2005530138A JP2004512591A JP2004512591A JP2005530138A JP 2005530138 A JP2005530138 A JP 2005530138A JP 2004512591 A JP2004512591 A JP 2004512591A JP 2004512591 A JP2004512591 A JP 2004512591A JP 2005530138 A JP2005530138 A JP 2005530138A
- Authority
- JP
- Japan
- Prior art keywords
- tissue
- image
- region
- identification algorithm
- important
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
組織標本において重要な構造の画像を自動的に捕捉するコンピュータ処理された方法。コンピュータメモリは、低解像度で組織標本の画像を表す第1のピクセルデータセット及び該組織標本の組織タイプの識別を受け取り、少なくとも2つが異なる組織種類に対応する複数の構造−識別アルゴリズムから組織タイプに応じて少なくとも1つの構造−識別アルゴリズムを選択する。各構造−識別アルゴリズムは、指定された組織タイプの重要な構造の存在に、指定された組織タイプの少なくとも1つの細胞パターンを相互に関連付ける。該方法は、選択された構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定することと、高解像度で第2のピクセルデータセットを捕捉することを含む。
Description
本発明は組織標本の重要な構造の画像を自動的に捕捉するコンピュータを利用する装置及び方法に関する。
関連発明
本願は、2002年6月18日に出願された仮想組織学アルゴリズム開発(VIRTUAL HISTOLOGY ALGORITHM DEVELOPMENT)と題される米国仮特許出願番号第60/389,859号の優先順位を主張する。本参考資料及び他のすべての参考資料は、該参考資料が本願のどこに記載されるのかに関係なく、ここに述べられ、全体としてすべての教示及び開示に関する参照として本明細書に組み込まれる。
本願は、2002年6月18日に出願された仮想組織学アルゴリズム開発(VIRTUAL HISTOLOGY ALGORITHM DEVELOPMENT)と題される米国仮特許出願番号第60/389,859号の優先順位を主張する。本参考資料及び他のすべての参考資料は、該参考資料が本願のどこに記載されるのかに関係なく、ここに述べられ、全体としてすべての教示及び開示に関する参照として本明細書に組み込まれる。
医療の研究及び治療は組織の種類、組織の構造、組織の下部構造、及び細胞の種類の迅速且つ正確な識別を必要とする。識別は、人間のゲノム、薬と組織の相互作用を理解し、病気を治療するために使用される。歴史的に、病理学者は、それぞれの組織標本の中の重要な構造の位置を突き止めるために顕微鏡を通して個々の組織標本を調べ、位置が突き止められた重要な構造の特徴に部分的に基づいて識別の決定を下してきた。しかしながら、病理学者は識別を必要とする現在の量の組織を処理することはできない。さらに、病理学者は人間であるため、多大な時間を要する視覚的な組織分析に頼る現在のプロセスは本質的に低速で、高価であり、通常の人間にありがちな変化と一貫性のなさに悩まされている。
識別を必要とする組織標本の量を増大させているのは、ただ1枚の顕微鏡スライド上の数百の組織標本の高スループットのスクリーニング及び分析のための組織マイクロアレイを使用する最近の改革である。組織マイクロアレイは、多数の標本を1枚のマスタ顕微鏡スライド上で処理できるため、数百の顕微鏡スライドを処理し、染色することを必要とする従来の方法に優る利点を提供する。この手法は時間、費用及び実験エラーを著しく削減する。高スループットのスクリーニング及び分析における組織マイクロアレイの完全な可能性を実現するために、顕微鏡で作業する病理学者の実績に匹敵する、あるいは超えることもできる完全に自動化されたシステムが必要とされている。組織識別のための既存のシステムは、それらが意味のあるアウトプットを出すようになるまでに組織標本全体の高倍率または高解像度の画像を必要とする。高解像度の画像に対する要件は画像の捕捉を低速化し、多大なメモリ及び記憶域を必要とし、識別のプロセスを遅らせる。完全に自動化されたシステムに対する有利な要素は、組織標本の関連のある部分の構造に制限された各組織標本の高解像度画像を捕捉するための装置及び方法である。完全に自動化されたシステムの別の有利な要素は、スループットの汎用性及び速度を制限する特殊な染色または特殊な抗体マーカの使用を必要とせずに作業することができる能力である。
前記を考慮して、組織標本の中の重要な構造の自動化された識別のため、及びそれらの構造に実質的に制限される高解像度画像を捕捉するための新規の改善された装置及び方法に対するニーズがある。本発明は、装置、システム及び方法を目的としている。
識別を必要とする組織標本の量を増大させているのは、ただ1枚の顕微鏡スライド上の数百の組織標本の高スループットのスクリーニング及び分析のための組織マイクロアレイを使用する最近の改革である。組織マイクロアレイは、多数の標本を1枚のマスタ顕微鏡スライド上で処理できるため、数百の顕微鏡スライドを処理し、染色することを必要とする従来の方法に優る利点を提供する。この手法は時間、費用及び実験エラーを著しく削減する。高スループットのスクリーニング及び分析における組織マイクロアレイの完全な可能性を実現するために、顕微鏡で作業する病理学者の実績に匹敵する、あるいは超えることもできる完全に自動化されたシステムが必要とされている。組織識別のための既存のシステムは、それらが意味のあるアウトプットを出すようになるまでに組織標本全体の高倍率または高解像度の画像を必要とする。高解像度の画像に対する要件は画像の捕捉を低速化し、多大なメモリ及び記憶域を必要とし、識別のプロセスを遅らせる。完全に自動化されたシステムに対する有利な要素は、組織標本の関連のある部分の構造に制限された各組織標本の高解像度画像を捕捉するための装置及び方法である。完全に自動化されたシステムの別の有利な要素は、スループットの汎用性及び速度を制限する特殊な染色または特殊な抗体マーカの使用を必要とせずに作業することができる能力である。
前記を考慮して、組織標本の中の重要な構造の自動化された識別のため、及びそれらの構造に実質的に制限される高解像度画像を捕捉するための新規の改善された装置及び方法に対するニーズがある。本発明は、装置、システム及び方法を目的としている。
本発明の実施形態は組織標本の重要な構造の画像を自動的に捕捉するコンピュータを利用する装置及び方法を提供する。方法は、コンピュータメモリの中に低解像度で組織標本の画像を表現する第1のピクセルデータセット及び組織標本の組織タイプの識別を受け入れることと、複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択することを含み、複数のアルゴリズムの内の構造−識別アルゴリズムの少なくとも2つが異なる組織タイプに対応し、それぞれの構造−識別アルゴリズムは指定された組織タイプの少なくとも1つの細胞パターンを、該指定された組織のための重要な構造の存在と相関に関連付ける。方法は、選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定することと、さらに高い解像度で第2のピクセルデータセットを捕捉することも含む。
このコンピュータを利用した装置及び方法は、重要な構造の高解像度画像の自動化された捕捉を提供する。高解像度画像は、人間のゲノム、薬と組織の相互作用を理解し、病気を治療するために自動システムでさらに使用されてよい、あるいは追加の処理なしに使用されてよい。
本発明の優位点だけではなくこれらの多様な他の特徴も、以下の詳細な説明を読み、関連図面を検討することから明らかになるであろう。
本発明の例示的な実施形態の以下の詳細な説明では、この一部を形成する添付図面が参照される。詳細な説明及び図面は、本発明が実践されてよい特定の例示的な実施形態を描く。本発明の精神または範囲から逸脱することなく、他の実施形態が活用されてよく、他の変更が加えられてよいことが理解される。したがって、以下の詳細な説明はこれに制限されるものではなく、本発明の範囲は添付請求項により定義される。単数に対する参照は、特に指定のない、あるいはここの開示と矛盾しない限り複数に対する参照を含む。
続く説明のいくつかの部分は、アルゴリズム及び計算機の中のデータビットの動作の記号表現という点で提示されている。アルゴリズムはここにあり、一般的には所望される結果につながる首尾一貫したステップのシーケンスであると想像される。これらのステップは、物理的な量の物理的な操作を必要とする。必ずではないが通常、これらの量は記憶、転送、結合、比較、及びそれ以外の場合操作できる電気信号または磁気信号の形を取る。おもに一般的な使用の理由からビット、値、要素、記号、文字、用語、数等としてこれらの信号を参照することが便利であることがときおり証明されている。しかしながら、これらの及び類似した用語のすべてが適切な物理量と関連付けられなければならず、これらの量に適用される単に便宜的なラベルにすぎないことを念頭におく必要がある。以下の説明から明白と特に指定のない限り、本発明全体で、「処理する」または「算出する」または「計算する」または「決定する」または「表示する」等の用語を活用する説明が、コンピュータシステムのレジスタ及びメモリの中の物理的な(電子)量として表現されるデータを操作し、コンピュータシステムのメモリまたはレジスタあるいは他のこのような情報記憶装置、伝送装置または表示装置の中の物理的な量として表現される類似のデータに変換する、コンピュータシステムまたは類似する装置のような電子計算機のアクション及びプロセスを指すことが理解される。
続く説明のいくつかの部分は、アルゴリズム及び計算機の中のデータビットの動作の記号表現という点で提示されている。アルゴリズムはここにあり、一般的には所望される結果につながる首尾一貫したステップのシーケンスであると想像される。これらのステップは、物理的な量の物理的な操作を必要とする。必ずではないが通常、これらの量は記憶、転送、結合、比較、及びそれ以外の場合操作できる電気信号または磁気信号の形を取る。おもに一般的な使用の理由からビット、値、要素、記号、文字、用語、数等としてこれらの信号を参照することが便利であることがときおり証明されている。しかしながら、これらの及び類似した用語のすべてが適切な物理量と関連付けられなければならず、これらの量に適用される単に便宜的なラベルにすぎないことを念頭におく必要がある。以下の説明から明白と特に指定のない限り、本発明全体で、「処理する」または「算出する」または「計算する」または「決定する」または「表示する」等の用語を活用する説明が、コンピュータシステムのレジスタ及びメモリの中の物理的な(電子)量として表現されるデータを操作し、コンピュータシステムのメモリまたはレジスタあるいは他のこのような情報記憶装置、伝送装置または表示装置の中の物理的な量として表現される類似のデータに変換する、コンピュータシステムまたは類似する装置のような電子計算機のアクション及びプロセスを指すことが理解される。
組織学者及び病理学者により使用されるプロセスは、互いに固定した関係性を有する細胞を含む組織標本を視覚的に検査すること、及び組織内で発生するパターンを識別することを含む。さまざまな組織タイプは、検査者にとって重要なさまざまな構造及び下部構造(集合的に「重要な構造」)を有し、重要な構造は、通常、細胞の中(細胞内)、単一のタイプの細胞の成分を含む、あるいは複数の細胞、細胞のグループ、及び/または複数の細胞タイプ(細胞間)の成分を含む独特のパターンを有する。
独特の細胞パターンは、組織タイプ、組織構造、組織下部構造及び組織内の細胞種類を特定するために使用される。識別はこのような方法を使用することにより支援できるが、これらの特性の認識は、個々の核、細胞、または標本内の細胞タイプの識別を必要としない。組織標本の中の個々の細胞のタイプは、多くの細胞全体でのそれらの互いとの関係性から、他のタイプの細胞とのそれらの関係性から、それらの核の外観から、あるいは他の細胞内成分から特定できる。
独特の細胞パターンは、組織タイプ、組織構造、組織下部構造及び組織内の細胞種類を特定するために使用される。識別はこのような方法を使用することにより支援できるが、これらの特性の認識は、個々の核、細胞、または標本内の細胞タイプの識別を必要としない。組織標本の中の個々の細胞のタイプは、多くの細胞全体でのそれらの互いとの関係性から、他のタイプの細胞とのそれらの関係性から、それらの核の外観から、あるいは他の細胞内成分から特定できる。
組織は、特徴的な形態素性、機能及び/またはそれらの遺伝的プログラミングのおかげで他の細胞との配列を示す特定の細胞タイプを含む。通常の組織は、互いに関して予測可能な空間的な関係性のある、特定の数または比率の特定の細胞タイプを含む。これらの特徴は異なる個体間の同じ正常な組織内のきわめて狭い範囲内にある傾向がある。特定の臓器または組織にその独特の機能に役立つ能力を与える細胞タイプ(例えば上皮細胞または実質細胞)に加えて、通常の組織は、血液系細胞を含む血管、ニューロン及びシュワン細胞を含む神経、中枢神経系の外部の繊維芽細胞(ストロマ細胞)などの構造細胞、いくつかの炎症細胞、及び臓器の運動または収縮のための能力を与える細胞(例えば平滑筋)などの臓器全体で共通である機能を実行する細胞も有する。これらの細胞は、特定の臓器または組織等のためのさまざまな固体の間できわめて狭い範囲内で再生される傾向があるパターンも形成する。
組織学者及び病理学者は、その構造が組織標本の中で異常な状態を含む可能性が高いため、通常、それぞれの組織タイプの中の特定の重要な構造を検査する。重要な構造は、通常、その独特な機能をある特定の臓器または組織に与える細胞タイプを含む。重要な構造は、薬の治療のためのターゲットとなる可能性が高い組織の部分、及び遺伝子発現のパターンについて検査されるであろう部分も含む場合がある。さまざまな組織タイプは、通常さまざまな重要な構造を有する。しかしながら、重要な構造は検査者にとって重要である組織の任意の構造または下部構造であってよい。
本書に使用されているように、「固定関係にある細胞」に対する参照は、通常、組織塊などの生体内で固定関係にある細胞を意味する。血餅や塗抹組織などの刺激に反応して凝集する細胞は、固定関係にあるとは見なされない。
図1Aから図1Dは、本発明の実施形態に従って、組織マイクロアレイの組織標本の画像を表す第1の解像度での第1のピクセルデータセットを捕捉し、第1のピクセルデータセットを計算機100に提供する画像捕捉システム20を描いている。図1Aは、顕微鏡スライド28の上に取り付けられる組織マイクロアレイ24の組織標本部分26にレンズ22の焦点が合わせられているロボット病理学顕微鏡21を描いている。ロボット顕微鏡21はロボット顕微鏡を操作するコンピュータ(図示せず)も含んでいる。顕微鏡スライド28には、市販されているバーコードラベルなどのスライドの識別のためにラベルがそれ(図示せず)に付けられている。便宜上ここではバーコードラベルと呼ばれるラベルは、スライド上の組織標本にデータベースを対応させるために使用される。
組織標本26などの組織標本は、顕微鏡スライド28上に任意の方法により取り付けることができる。組織は、未処理または組織及び組織抗原を保つために、及び培検劣化を回避するために固定液の中に浸すことができる。例えば、未処理で凍結されたまたは固定液に浸されてから凍結された組織はクライオスタットまたはスライド式ミクロトーム上で切断し、顕微鏡スライドに載せることができる。固定液に浸されていた組織は、ビブラトーム上で切断し、顕微鏡スライドに載せることができる。固定液に浸され、パラフィン、プラスチック、エポキシ樹脂またはセロイジン等の物質に包埋されていた組織は、マイクロトームで切断し、顕微鏡スライドに載せることができる。
典型的な顕微鏡スライドは約1250mm2という組織表面積を有する。その面積をカバーするために必要とされるデジタル画像の概数は20×対象物を用いて12,500であり、約50ギガバイトのデータ記憶空間を必要とするであろう。組織スライドの分析に自動化をもたらし、経済的に実現可能とするためには、決定を下すために必要とされる画像数を削減することが必要になる。
本発明の態様は、生きているソース、特に動物の組織から固定された関連構造の中の多細胞性の細胞の組織標本から選択された画像を捕捉するのに非常に適している。これらの組織標本は、外科手術、バイオプシー、または組織の塊が獲得される類似した状況から獲得されてよい。さらに、本発明の態様は、スミア、細胞塗抹標本、及び体液の組織標本から選択された画像を捕捉するのにも適している。
ロボット顕微鏡21は高解像度変換段(図示せず)を含んでいる。組織マイクロアレイ24を含む顕微鏡スライド28は自動的にロボット顕微鏡21の段に装填される。画像捕捉システム20の補助的な画像化システムは完全な顕微鏡スライド28の単一の補助的なデジタル画像を獲得し、該補助的なデジタル画像をマッピングし、顕微鏡スライド28上の組織マイクロアレイ24の個々の組織標本試験品の位置を突き止める。
図1Bは、組織標本26及びバーコードの補助的な組織標本画像36を含む、組織マイクロアレイ24内の各組織標本の補助レベル画像を含む組織マイクロアレイ24の補助的なデジタル画像30を描いている。画像30は、顕微鏡スライド28内の組織断面の位置を突き止めるためにロボット顕微鏡21によりマッピングされる。バーコード画像は、市販されているバーコードソフトウェアによって分析され、スライド識別情報が解読される。
システム20は、第1の解像度で各組織標本の顕微鏡画像の収集を可能にする段位置のシーケンスを自動的に生成する。必要な場合、組織標本の複数の重複画像が収集され、つなぎ合わせ、組織標本全体をカバーする単一の画像を形成することができる。組織標本の各顕微鏡画像は、コンピュータシステムで処理できる第1の解像度で組織標本の画像を表現する第1のピクセルデータセットにデジタル化される。各画像の第1のピクセルデータセットは、次に分析のために専用コンピュータシステムに転送される。組織標本を含む顕微鏡スライド28のそれらの領域だけを撮像することによって、システムはスループットを大幅に高める。ある時点で、システム20は組織標本の組織タイプの識別を獲得するであろう。識別は、組織マイクロアレイ24と関連付けられたデータによって提供され、この説明の範囲を超えている方法または他の手段を使用してシステム20によって決定されてよい。
システム20は、第1の解像度で各組織標本の顕微鏡画像の収集を可能にする段位置のシーケンスを自動的に生成する。必要な場合、組織標本の複数の重複画像が収集され、つなぎ合わせ、組織標本全体をカバーする単一の画像を形成することができる。組織標本の各顕微鏡画像は、コンピュータシステムで処理できる第1の解像度で組織標本の画像を表現する第1のピクセルデータセットにデジタル化される。各画像の第1のピクセルデータセットは、次に分析のために専用コンピュータシステムに転送される。組織標本を含む顕微鏡スライド28のそれらの領域だけを撮像することによって、システムはスループットを大幅に高める。ある時点で、システム20は組織標本の組織タイプの識別を獲得するであろう。識別は、組織マイクロアレイ24と関連付けられたデータによって提供され、この説明の範囲を超えている方法または他の手段を使用してシステム20によって決定されてよい。
図1Cは、第1の解像度でロボット顕微鏡21により獲得される組織標本26の組織標本画像46を描いている。繰り返す多細胞パターンに基づいて組織成分を認識するためのコンピュータシステム及び方法の場合、組織標本の画像は、特徴が、それらが組織内で発生するにつれて多くの細胞に渡り、画像で検出可能となるように十分な倍率、または解像度を有さなければならない。典型的なロボット病理学顕微鏡21は5xから60xの範囲の倍率でカラーデジタル画像を生成する。画像はデジタル電荷結合素子(CCD)カメラによって補足され、24ビットのタグ付き画像ファイルフォーマット(TIFF)ファイルとして記憶されてよい。各ピクセルの色及び明るさは、それぞれ、赤チャネル、緑チャネル及び青チャネルの輝度(RGB)に対応する0から255(8ビット)の範囲で3つの整数値により指定されてよい。組織標本画像46は、システム20及び組織標本26内の重要な構造を識別するために選択されるアルゴリズムとともに使用するのに適した任意の倍率及びピクセル密度で捕捉されてよい。倍率及びピクセル密度は関連していると見なされてよい。例えば、相対的に低い倍率及び相対的に高いピクセル密度は、相対的に高い倍率及び相対的に低いピクセル密度として密接に離間されたオブジェクトを区別する類似する能力を生じさせることができる。本発明の実施形態は、5x倍率及び1024行x1280列の単一画像というピクセル寸法を使用して試験された。これは、構造−識別アルゴリズムを実行している計算機に対して過剰なメモリ及び記憶要求を課さずに、重要な構造を識別するために第1の解像度で有用な第1ピクセルデータセットを提供する。前述されたように、組織標本画像46は、処理のための単一の組織標本画像46を形成するために、複数の重複画像(タイル)を収集し、タイルをつなぎ合わせることによって組織標本26から獲得されてよい。
代わりに、組織標本画像46は、如何なる方法または装置を使用して獲得されてよい。可視光以外の電磁放射線の他の周波数を活用する方法、またはX線ビームや電子顕微鏡検査法などの高度に収束されたビームを使用するスキャニング技法を含む、高い十分な解像度で画像を捕捉するプロセスが使用できる。例えば、代替実施形態では、組織標本の中の複数の細胞の画像が、生体から組織を除去することなく捕捉されてよい。皮膚組織を除去することなく人間の皮膚の細胞構造を示すことができる顕微鏡がある。組織標本画像46は、人の皮膚のデジタル写真を撮影するために携帯デジタルカメラを使用して獲得されてよい。内視鏡的な技法での連続する進歩は、消化管、肺、血管及びこのような内視鏡が接近できる他の体内領域の壁の細胞構造を示す、組織標本画像の内視鏡的な獲得を可能にしてよい。同様に、侵襲性のプローブを人間の組織に差し込み、生体内組織標本画像化のために使用することができる。画像分析の同じ方法はこれらの方法を使用して収集される画像にも適用できる。多細胞画像で特徴を区別できる、あるいは適切な解像度で核の表面上のパターンを区別できるのであれば、他の生体内画像生成方法も使用できる。これらはCTスキャン、MRI、超音波またはPET走査などの画像生成方法を含む。
図1Dは、第1の解像度での第1のピクセルデータセットの形で計算機100に組織画像46を提供するシステム20を描いている。計算機100は通信リンク118上でメモリの中に第1のピクセルデータセットを受け入れる。システム20はバーコードラベルを使用して組織画像46と対応したデータベースから組織タイプの識別も提供してよい。
計算機100で実行しているアプリケーションは、複数の構造−識別アルゴリズムを含む。複数のアルゴリズムの内の構造−識別アルゴリズムの少なくとも2つが異なった組織タイプに対応し、それぞれの構造−識別アルゴリズムは指定された組織タイプの少なくとも1つの細胞パターンを、指定された組織タイプのための重要な構造の存在に相互に関連付ける。アプリケーションは、組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択し、選択されたアルゴリズムを適用し、組織タイプのために重要な構造の存在を決定する。
計算機100上で実行中のアプリケーション及びシステム20は通信リンク118で通信し、第2の解像度で第2のピクセルデータセットを捕捉するためにロボット顕微鏡21を協力して調整する。第2のピクセルデータセットは、重要な構造の画像50を表す。第2の解像度は、画像内の密に離間されたオブジェクトが第1の解像度上で互いと区別できる程度の上昇を実現する。調整は、ロボット顕微鏡21の高解像度変換段を重要な構造の画像捕捉のための位置に移動することを含む。調整は適切な倍率を有するレンズ22を選択することと、適切なピクセル密度を有するCCDカメラを選択することと、あるいはさらに高い第2の解像度で第2のピクセルデータセットを獲得するために両方も含んでよい。
計算機100上で実行中のアプリケーション及びシステム20は第2のデータセットを協力して捕捉する。重要な複数の構造が組織標本26に存在する場合は、複数の第2のピクセルデータセットが組織画像46から捕捉されてよい。第2のピクセルデータセットは、システム20によって通信リンク118上で計算機100に提供される。第2のピクセルデータセットは、重要な構造の位置選定のために構造−識別アルゴリズムをそれに適用させる、あるいは組織タイプと構造−識別アルゴリズムにより生成される情報とともに計算機100に記憶させることができる。代わりに、重要な構造50を表す第2のピクセルデータセットはカメラまたはコンピュータモニタ内の写真感度フィルムなどの有形の視覚媒体上で捕捉されるか、あるいはモニタまたはインクプリンタなどの任意の種類の視覚ディスプレイの計算機100から印刷される、あるいは任意の他の適切な方法で提供されてよい。第1のピクセルデータセットはそれから処分されてよい。捕捉画像は正常な組織と病気にかかった組織の中の遺伝子発現の位置を突き止め、進行の多様な段階の病気を特定する完全に自動化されたプロセスでさらに使用できる。このように捕捉された画像を追加で使用することは本説明の範囲を超えている。
計算機100上で実行中のアプリケーション及びシステム20は第2のデータセットを協力して捕捉する。重要な複数の構造が組織標本26に存在する場合は、複数の第2のピクセルデータセットが組織画像46から捕捉されてよい。第2のピクセルデータセットは、システム20によって通信リンク118上で計算機100に提供される。第2のピクセルデータセットは、重要な構造の位置選定のために構造−識別アルゴリズムをそれに適用させる、あるいは組織タイプと構造−識別アルゴリズムにより生成される情報とともに計算機100に記憶させることができる。代わりに、重要な構造50を表す第2のピクセルデータセットはカメラまたはコンピュータモニタ内の写真感度フィルムなどの有形の視覚媒体上で捕捉されるか、あるいはモニタまたはインクプリンタなどの任意の種類の視覚ディスプレイの計算機100から印刷される、あるいは任意の他の適切な方法で提供されてよい。第1のピクセルデータセットはそれから処分されてよい。捕捉画像は正常な組織と病気にかかった組織の中の遺伝子発現の位置を突き止め、進行の多様な段階の病気を特定する完全に自動化されたプロセスでさらに使用できる。このように捕捉された画像を追加で使用することは本説明の範囲を超えている。
重要な構造50(第2のピクセルデータセット)の高解像画像を捕捉し、低解像度画像(第1のピクセルデータセット)を処分すると、自動化処理のために必要とされる記憶域の量が最小限に抑えられる。重要な構造を有する組織標本26のそれらの部分が記憶される。高解像度画像(第2のピクセルデータセット)で関連する重要な構造が捕捉されるため、低解像度画像(第1のピクセルデータセット)を保存する必要はない。
図2は、本発明の実施形態に従って、組織標本の中の重要な構造の画像を自動的に捕捉する画像捕捉アプリケーション内の複数のオブジェクトクラスファミリ150を描くクラス図である。オブジェクトクラスファミリ150は、組織クラス160、ユーティリティクラス170、及びフィルタクラス180を含む。フィルタクラス180はここでは「複数構造−識別アルゴリズム」とも呼ばれる。重要な構造の画像の自動的な捕捉を実行するアプリケーション及び方法の態様はオブジェクト指向用語で説明されてよいが、態様は図1Dの計算機100などの計算機で実行できるように実現されてもよい。オブジェクトクラスファミリ150に加えて、図2は構築され、試験されたインプリメンテーションの一部であるオブジェクトクラスCVPObjectとCLSBImageも示している。代わりに、構造識別アルゴリズムは、2002年4月9日に出願された、有機物での画像パターン認識のためのコンピュータ方法(Computer Methods for Image Pattern Recognition in Organic Material)と題される米国出願番号第10/120,206号に開示されるようなニューラルネットワークなどの人工知能方法を使用してコンピュータシステムによって自動的に作成されてもよい。
図2は、組織タイプ、つまり表1に一覧表示されている組織サブクラスについて構築され、試験された本発明の実施形態を示している。組織クラス160は複数の組織タイプサブクラスを含み、組織タイプごとに1つのサブクラスが画像捕捉アプリケーションにより処理される。図2に描かれている組織タイプのサブクラスの一部は胸部61、結腸162、心臓163及び腎臓皮質164である。
表1:組織タイプ
表1の組織タイプの場合、組織タイプごとの重要な構造は真中の列に一覧表示されている組織構成要素の少なくとも1つから構成され、組織構成要素のいくつかまたはすべてを含むことがある。本発明の態様により、ユーザは、どの組織構成要素が重要な構造を構成するのかを指定できるようになる。さらに、表1の組織タイプごとに、右側列は、指定された組織タイプに対応するフィルタクラス180(複数の構造−識別アルゴリズム)の1つまたは複数のメンバー(構造−識別アルゴリズム)を一覧表示している。例えば、結腸162組織タイプの重要な構造は、上皮細胞、筋性粘膜、平滑筋、及び粘膜下組織という組織構成要素の少なくとも1つを含み、対応するフィルタクラスはFilterColonZoneである。表1によって示されているように、アプリケーションはFilterColonZoneを呼び出し、上皮細胞、筋性粘膜、平滑筋及び粘膜下組織という組織構成要素により形成される少なくとも1つの細胞パターンを相互に関連付け、結腸組織162内での重要な構造の存在を決定する。
表1の組織タイプの場合、組織タイプごとの重要な構造は真中の列に一覧表示されている組織構成要素の少なくとも1つから構成され、組織構成要素のいくつかまたはすべてを含むことがある。本発明の態様により、ユーザは、どの組織構成要素が重要な構造を構成するのかを指定できるようになる。さらに、表1の組織タイプごとに、右側列は、指定された組織タイプに対応するフィルタクラス180(複数の構造−識別アルゴリズム)の1つまたは複数のメンバー(構造−識別アルゴリズム)を一覧表示している。例えば、結腸162組織タイプの重要な構造は、上皮細胞、筋性粘膜、平滑筋、及び粘膜下組織という組織構成要素の少なくとも1つを含み、対応するフィルタクラスはFilterColonZoneである。表1によって示されているように、アプリケーションはFilterColonZoneを呼び出し、上皮細胞、筋性粘膜、平滑筋及び粘膜下組織という組織構成要素により形成される少なくとも1つの細胞パターンを相互に関連付け、結腸組織162内での重要な構造の存在を決定する。
フィルタクラス180のフィルタサブクラスの一部は、FilterMedian181、FilterNucle182、FilterGlomDetector183、及びFilterBreastMap184として図2に示されている。表2はフィルタクラス180のフィルタサブクラスのさらに完全な説明を提供し、各フィルタサブクラスの複数の特性を説明している。フィルタクラス180は、特定の組織タイプフィルタと汎用フィルタの両方を含む。「フィルタ中間マスクフォーマット」列は、演算子(複数の場合がある)がバイナリ構造マスクを生成するために適用される前の中間マスクを説明している。
表2:フィルタサブクラス
例えば、結腸162組織タイプについて重要な構造の存在を決定するとき、アプリケーションは対応するフィルタクラスFilterColonZoneを呼び出す。表2はFilterColonZoneが5Xという解像度画像倍率での組織標本を表す第1のピクセルデータセットを使用する32bppで結腸の領域をマッピングし、グレイレベルでコード化される32bpp(R=G=B)で中間マスクを計算することを示す。本発明の態様は、フィルタクラス180のサブフィルタが各組織タイプに固有である特徴を活用し、特殊な染色または特定の抗体マーカの使用を必要としない点である。
例えば、結腸162組織タイプについて重要な構造の存在を決定するとき、アプリケーションは対応するフィルタクラスFilterColonZoneを呼び出す。表2はFilterColonZoneが5Xという解像度画像倍率での組織標本を表す第1のピクセルデータセットを使用する32bppで結腸の領域をマッピングし、グレイレベルでコード化される32bpp(R=G=B)で中間マスクを計算することを示す。本発明の態様は、フィルタクラス180のサブフィルタが各組織タイプに固有である特徴を活用し、特殊な染色または特定の抗体マーカの使用を必要としない点である。
表3及び4は、フィルタクラス180のフィルタサブクラスの追加特性を説明している。
表3、組織に特殊なフィルタ/構造−識別アルゴリズム
FilterAdrenalMap
このプログラムは、基本的な基準として核密度を使用し、腺状の組織(皮質及び髄質)、及び被膜組織を認識する。皮質のケースでは、核密度はアーチファクトを取り除くためにフィルタリングされた核マスクから計算され、結果は形態的に処理される。被膜検出の場合、腺状の組織領域が全体的な組織画像から削除され、組織の残りの領域が正しい核密度について試験され、その後形態的な処理が続く。結果として生じるマップは腺状の組織について青、被膜組織について緑を使ってコード化される。
FilterAdrenalMap
このプログラムは、基本的な基準として核密度を使用し、腺状の組織(皮質及び髄質)、及び被膜組織を認識する。皮質のケースでは、核密度はアーチファクトを取り除くためにフィルタリングされた核マスクから計算され、結果は形態的に処理される。被膜検出の場合、腺状の組織領域が全体的な組織画像から削除され、組織の残りの領域が正しい核密度について試験され、その後形態的な処理が続く。結果として生じるマップは腺状の組織について青、被膜組織について緑を使ってコード化される。
FilterBladderZone
プログラムは3つのゾーン、つまり表面上皮細胞、平滑筋及び粘膜固有層を認識する。アルゴリズムは最初に入力画像を3つのクラスの領域、つまり核、細胞形質、及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算され、ターゲットゾーンの潜在的な位置を検出するために使用される。ゾーンは以下のグレイレベルで標識化される。つまり表面上皮細胞――50、平滑筋−100、及び粘膜固有層――150である。
プログラムは3つのゾーン、つまり表面上皮細胞、平滑筋及び粘膜固有層を認識する。アルゴリズムは最初に入力画像を3つのクラスの領域、つまり核、細胞形質、及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算され、ターゲットゾーンの潜在的な位置を検出するために使用される。ゾーンは以下のグレイレベルで標識化される。つまり表面上皮細胞――50、平滑筋−100、及び粘膜固有層――150である。
FilterBreastDucts
入力は胸部画像である、出力は管路を示すバイナリマスクである。ルーチンは核を連続してフィルタリングすることにより胸部の上皮細胞を検出する。重要な観察は、上皮が分離するには非常に硬く、やや大きいという点である。その観察を基礎として、核は最初に大きさごとに破棄される。つまり、最小の核が排除される。より大きな核は、それらが細長すぎる場合には破棄される。隔離された核も破棄される。残った核は次にFilterJoinComponentsの質量中心オプションを使用して結合される。第2のパスが薄い構成要素を排除する。残った構成要素が管路として分類される。
入力は胸部画像である、出力は管路を示すバイナリマスクである。ルーチンは核を連続してフィルタリングすることにより胸部の上皮細胞を検出する。重要な観察は、上皮が分離するには非常に硬く、やや大きいという点である。その観察を基礎として、核は最初に大きさごとに破棄される。つまり、最小の核が排除される。より大きな核は、それらが細長すぎる場合には破棄される。隔離された核も破棄される。残った核は次にFilterJoinComponentsの質量中心オプションを使用して結合される。第2のパスが薄い構成要素を排除する。残った構成要素が管路として分類される。
FilterBreastMap
入力は胸部画像であり、出力はカラーマップであり、青が管路を示し、緑がストロマを示し、黒が脂肪またはルーメンを示している。管路はFilterBreastDuctsを使用して検出される。残った領域はストロマ、ルーメン(ホワイトスペース)または脂肪である場合がある。脂肪は美しい「格子状」の構造を有している。その補完物は多くの小さいルーメン領域である。したがって、このような領域を成長させると、脂肪が包まれる。この領域が(FilterSegmentプログラムによって与えられる)ホワイトスペースとともに成長した結果、ストロマと管路の補完物が生じる。したがってストロマが決定される。
入力は胸部画像であり、出力はカラーマップであり、青が管路を示し、緑がストロマを示し、黒が脂肪またはルーメンを示している。管路はFilterBreastDuctsを使用して検出される。残った領域はストロマ、ルーメン(ホワイトスペース)または脂肪である場合がある。脂肪は美しい「格子状」の構造を有している。その補完物は多くの小さいルーメン領域である。したがって、このような領域を成長させると、脂肪が包まれる。この領域が(FilterSegmentプログラムによって与えられる)ホワイトスペースとともに成長した結果、ストロマと管路の補完物が生じる。したがってストロマが決定される。
FilterColonZone
このプログラムは、入力画像を核、細胞形質、及びホワイトスペースという3つのクラスの領域に分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記に作成された密度マップを使用して、「ターゲット」ゾーン、つまり、上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。それぞれの潜在的なターゲットゾーンは、次に、その位置と境界のより正確な推定を得るために、局所的な統計及び形態的な演算のためのいくつかのツールを使って分析される。領域は、以下のグレイレベルで標識化される。つまり、上皮細胞――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
このプログラムは、入力画像を核、細胞形質、及びホワイトスペースという3つのクラスの領域に分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記に作成された密度マップを使用して、「ターゲット」ゾーン、つまり、上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。それぞれの潜在的なターゲットゾーンは、次に、その位置と境界のより正確な推定を得るために、局所的な統計及び形態的な演算のためのいくつかのツールを使って分析される。領域は、以下のグレイレベルで標識化される。つまり、上皮細胞――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
FilterDuctDetector
このフィルタは、腎臓髄質の中の候補集合管を検出、特定するように設計される。それは、3つの主要な部分、つまり画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的に、管路を特定するための分析試験で完成される。分割は小さな領域の削除、次に核検出によりホワイトスペースを検出することを必要とする。距離フィルタは候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は核とルーメンの間の距離、及び核対ルーメン比についての特定の基準に一致する管路を特定する。
このフィルタは、腎臓髄質の中の候補集合管を検出、特定するように設計される。それは、3つの主要な部分、つまり画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的に、管路を特定するための分析試験で完成される。分割は小さな領域の削除、次に核検出によりホワイトスペースを検出することを必要とする。距離フィルタは候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は核とルーメンの間の距離、及び核対ルーメン比についての特定の基準に一致する管路を特定する。
FilterGlomDetector
このフィルタは、候補糸球体とその対応するボーマン嚢を検出、特定するように設計されている。それは、3つの主要な部分、つまり画像層分割、候補オブジェクトの特性を測定するために適用される形状フィルタ、及び最後に糸球体を特定するための分析試験で完成される。分割は小さな領域の削除によるホワイトスペースの検出、核、及びベクタ赤検出(画像に存在する場合)を必要とする。次に、緊密さと形状因子などの形状フィルタは、ルーメンごとにこれらの特性を測定するために適用される。放射状のリングが各ルーメンの回りに設置され、次に核密度とベクタ赤密度のスコアが計算される。最終分析は緊密さ、形状因子、核密度、及びベクタ赤密度の基準を使用し、候補糸球体領域を特定する。
このフィルタは、候補糸球体とその対応するボーマン嚢を検出、特定するように設計されている。それは、3つの主要な部分、つまり画像層分割、候補オブジェクトの特性を測定するために適用される形状フィルタ、及び最後に糸球体を特定するための分析試験で完成される。分割は小さな領域の削除によるホワイトスペースの検出、核、及びベクタ赤検出(画像に存在する場合)を必要とする。次に、緊密さと形状因子などの形状フィルタは、ルーメンごとにこれらの特性を測定するために適用される。放射状のリングが各ルーメンの回りに設置され、次に核密度とベクタ赤密度のスコアが計算される。最終分析は緊密さ、形状因子、核密度、及びベクタ赤密度の基準を使用し、候補糸球体領域を特定する。
FilterKidneyCortexMap
このフィルタは、糸球体、末端及び近端の腎臓皮質の曲尿細管をマッピングするように設計されている。それはFilterTubeDetectorとFilterGlomDetectorを呼び出し、結果を結合し、糸球体が青、ボーマン嚢が赤紫、末端曲尿細管が緑、近端曲尿細管が赤となる1つの構造マッピング済みのRGB画像を作成する。
このフィルタは、糸球体、末端及び近端の腎臓皮質の曲尿細管をマッピングするように設計されている。それはFilterTubeDetectorとFilterGlomDetectorを呼び出し、結果を結合し、糸球体が青、ボーマン嚢が赤紫、末端曲尿細管が緑、近端曲尿細管が赤となる1つの構造マッピング済みのRGB画像を作成する。
FilterKidneyMedullaMap
このフィルタは腎臓髄質の集合管をマッピングするように設計されている。それはFilterDuctDetectorを呼び出し、管路及びヘンレルーメンを緑として、管路ルーメンを赤とする1つの構造マッピング済みRGB画像を作成する。
このフィルタは腎臓髄質の集合管をマッピングするように設計されている。それはFilterDuctDetectorを呼び出し、管路及びヘンレルーメンを緑として、管路ルーメンを赤とする1つの構造マッピング済みRGB画像を作成する。
FilterLiverMap
管路の存在及び核の欠如により門脈トライアッドの位置を特定する。門脈トライアッドはすべての経路の中にコード化される。
管路の存在及び核の欠如により門脈トライアッドの位置を特定する。門脈トライアッドはすべての経路の中にコード化される。
FilterLungMap
肺胞及び呼吸上皮細胞に対応する組織領域をマッピングする。肺胞検出は組織マスクの形態的なフィルタリングにより行われる。呼吸上皮細胞は、核密度に二重閾値を適用し、間違った形状の小塊を濾過して除くことによって検出される。結果は、肺胞に青、上皮細胞に緑でコード化される。
肺胞及び呼吸上皮細胞に対応する組織領域をマッピングする。肺胞検出は組織マスクの形態的なフィルタリングにより行われる。呼吸上皮細胞は、核密度に二重閾値を適用し、間違った形状の小塊を濾過して除くことによって検出される。結果は、肺胞に青、上皮細胞に緑でコード化される。
FilterLymphnodeMap
濃く染色された外套帯により取り囲まれた、薄く染色された球状のリンパ濾胞に一致する組織領域をマッピングする。小胞の外套帯は高核密度の領域に形態的に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。外套帯の検出を改善するために、低核密度領域に一致する領域(例えば、胚芽中心及び取り囲む皮質組織)は元の画像では抑制される。第2の分割及び閾値は抑制された画像に適用され、最終ゾーンを作成する。マップは外套帯について青でコード化される。
濃く染色された外套帯により取り囲まれた、薄く染色された球状のリンパ濾胞に一致する組織領域をマッピングする。小胞の外套帯は高核密度の領域に形態的に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。外套帯の検出を改善するために、低核密度領域に一致する領域(例えば、胚芽中心及び取り囲む皮質組織)は元の画像では抑制される。第2の分割及び閾値は抑制された画像に適用され、最終ゾーンを作成する。マップは外套帯について青でコード化される。
FilterNasalMucosaZone
鼻粘膜組織の三種類の下部構造、つまり呼吸上皮細胞、粘膜下組織腺、及び炎症細胞が重要である。後者は5x倍率では検出できない。上皮細胞及び腺を検出するために、画像は最初に3つのクラスの領域、つまり核、細胞形質、及びホワイトスペースに分割され、「密度マップ」がそれぞれに計算され、後に形態的な演算が続く。領域は、以下のグレイレベルで標識化される。つまり、上皮細胞――50、腺――100である。
鼻粘膜組織の三種類の下部構造、つまり呼吸上皮細胞、粘膜下組織腺、及び炎症細胞が重要である。後者は5x倍率では検出できない。上皮細胞及び腺を検出するために、画像は最初に3つのクラスの領域、つまり核、細胞形質、及びホワイトスペースに分割され、「密度マップ」がそれぞれに計算され、後に形態的な演算が続く。領域は、以下のグレイレベルで標識化される。つまり、上皮細胞――50、腺――100である。
FilterPlacenta
この関数は、ベクタ赤抑制画像(FilterSuppressVRを参照すること)上のテクスチャベースのホワイトスペースマスクの補完物を計算することによりすべての組織の位置をマッピングする。出力は8bppマスク画像である。
この関数は、ベクタ赤抑制画像(FilterSuppressVRを参照すること)上のテクスチャベースのホワイトスペースマスクの補完物を計算することによりすべての組織の位置をマッピングする。出力は8bppマスク画像である。
FilterProstateMap
入力は前立腺画像であり、出力は腺を青として、ストロマを緑として、上皮細胞を赤として示すカラーマップである。腺は上皮細胞で区切られている。上皮細胞は胸部においてとほぼ同じに検出される。隔離され、細長く、より小さな核が排除される。画像残りの上皮の補完物は複数の構成要素から構成されている。構成要素は、核密度が十分に低い場合には腺であると考えられる。それ以外の場合、それはストロマ/平滑筋構成要素と分類され、ストロマを示すためにFilterTissueMaskから組織マスクで二分される。
入力は前立腺画像であり、出力は腺を青として、ストロマを緑として、上皮細胞を赤として示すカラーマップである。腺は上皮細胞で区切られている。上皮細胞は胸部においてとほぼ同じに検出される。隔離され、細長く、より小さな核が排除される。画像残りの上皮の補完物は複数の構成要素から構成されている。構成要素は、核密度が十分に低い場合には腺であると考えられる。それ以外の場合、それはストロマ/平滑筋構成要素と分類され、ストロマを示すためにFilterTissueMaskから組織マスクで二分される。
FilterSkeletalMuscle
この関数は、1.25xという同等の倍率までダウンサンプルした後で、ベクタ赤抑制画像(FilterSuppressVRを参照すること)上のテクスチャベースのホワイトスペースマスクの補完物を計算することによりすべての組織の位置をマッピングする。出力は8bppマスク画像である。
この関数は、1.25xという同等の倍率までダウンサンプルした後で、ベクタ赤抑制画像(FilterSuppressVRを参照すること)上のテクスチャベースのホワイトスペースマスクの補完物を計算することによりすべての組織の位置をマッピングする。出力は8bppマスク画像である。
FilterSkinMap
このプログラムは、「カリカリした(crispy)」結合組織領域を回避するために低分散テクスチャを有する核の組織領域を選択することにより表皮層を認識する。分散ベースの分割の後には形態的な処理が続く。次に核がほとんどない領域が破棄され、表皮を示す。結果として生じるマスクはすべての経路に書き込まれる。
このプログラムは、「カリカリした(crispy)」結合組織領域を回避するために低分散テクスチャを有する核の組織領域を選択することにより表皮層を認識する。分散ベースの分割の後には形態的な処理が続く。次に核がほとんどない領域が破棄され、表皮を示す。結果として生じるマスクはすべての経路に書き込まれる。
FilterSmintZone
このプログラムは入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用し、「ターゲットゾーン」つまり細胞上皮、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。次に、それぞれの潜在的なターゲットゾーンが、その位置及び境界のより正確な推定を得るために、局所的な統計、及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり細胞上皮――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
このプログラムは入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用し、「ターゲットゾーン」つまり細胞上皮、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。次に、それぞれの潜在的なターゲットゾーンが、その位置及び境界のより正確な推定を得るために、局所的な統計、及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり細胞上皮――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
FilterSpleenMap
リンパ濾胞を含む白色脾髄に一致する組織領域をマッピングする。脾臓の小胞の外套帯は形態的にリンパ組織内で共通の高い核密度の領域に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。外套帯の検出を改善するために、低核密度領域(例えば、胚芽中心及び取り囲む赤色脾髄、及び他の扁平組織)に一致する領域は、元の画像で抑制される。第2の分割及び閾値は抑制された画像に適用され、最終的なゾーンを作成する。マップは、白色脾髄について青でコード化される。
リンパ濾胞を含む白色脾髄に一致する組織領域をマッピングする。脾臓の小胞の外套帯は形態的にリンパ組織内で共通の高い核密度の領域に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。外套帯の検出を改善するために、低核密度領域(例えば、胚芽中心及び取り囲む赤色脾髄、及び他の扁平組織)に一致する領域は、元の画像で抑制される。第2の分割及び閾値は抑制された画像に適用され、最終的なゾーンを作成する。マップは、白色脾髄について青でコード化される。
FilterStomachZone
入力画像を3つのクラスの領域、つまり、核、細胞形質、及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用して、「ターゲットゾーン」、つまり上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。次に、それぞれの潜在的なターゲットゾーンが、その位置及び境界のさらに正確な推定を得るために、局所的な統計及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり上皮細胞――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
入力画像を3つのクラスの領域、つまり、核、細胞形質、及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用して、「ターゲットゾーン」、つまり上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。次に、それぞれの潜在的なターゲットゾーンが、その位置及び境界のさらに正確な推定を得るために、局所的な統計及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり上皮細胞――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
FilterTestisMap
このフィルタは、精巣の組織間腔領域及びライディヒ細胞をマッピングするように設計されている。初期ステップは、画像を核とホワイトスペース/組織層画像に分割することである。次に、核密度が核画像から計算され、次に閾値とされる。初期の組織間腔領域は、組織/ホワイトスペース画像及び核密度画像の「排他的論理和」(つまり絶対差)を取ることにより検出される。
このフィルタは、精巣の組織間腔領域及びライディヒ細胞をマッピングするように設計されている。初期ステップは、画像を核とホワイトスペース/組織層画像に分割することである。次に、核密度が核画像から計算され、次に閾値とされる。初期の組織間腔領域は、組織/ホワイトスペース画像及び核密度画像の「排他的論理和」(つまり絶対差)を取ることにより検出される。
候補ライディヒ細胞領域は、元の画像と組織間腔領域の積を取ることにより検出される。候補ライディヒ細胞は過去のライディヒ細胞領域の画像と核密度画像の積を取ることにより検出される。最終的な細胞は、サイズ基準を使用して閾値とすることにより特定される。結果として生じる構造マップは、組織間腔領域を青として、ライディヒ細胞を緑として示す。
FilterThymusMap
皮質及びハッサル小体に一致する組織領域をマッピングする。皮質領域は高核密度の領域であり、リンパ球を検出するために使用できる。5x倍率でのハッサル小体の確実な識別は現在不可能であるため、プログラムはROI選択のために潜在的な小体のマップを作成する。潜在的な小体はホワイトスペースではなく、髄質(中間核密度の領域)で取り囲まれている低核密度の領域である。偽警報を削減するために、サイズ及び形状フィルタリングが行われる。結果はリンパ球について青、ハッサル小体について緑でコード化される。
皮質及びハッサル小体に一致する組織領域をマッピングする。皮質領域は高核密度の領域であり、リンパ球を検出するために使用できる。5x倍率でのハッサル小体の確実な識別は現在不可能であるため、プログラムはROI選択のために潜在的な小体のマップを作成する。潜在的な小体はホワイトスペースではなく、髄質(中間核密度の領域)で取り囲まれている低核密度の領域である。偽警報を削減するために、サイズ及び形状フィルタリングが行われる。結果はリンパ球について青、ハッサル小体について緑でコード化される。
FilterThyroldMap
核を欠いており、適切な大きさ及び形状の範囲内にある領域を取り囲む核構造を選択することにより甲状腺内の小胞をマッピングする。8bpp小胞マスクが作成される。
核を欠いており、適切な大きさ及び形状の範囲内にある領域を取り囲む核構造を選択することにより甲状腺内の小胞をマッピングする。8bpp小胞マスクが作成される。
FilterTonsilMap
濃く染色された外套帯で取り囲まれている薄く染色された球形のリンパ濾砲に一致する組織領域をマッピングする。小胞の外套帯は、形態的にリンパ組織内で共通の高核密度の領域に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。ベクタ赤抑制は、核分割を改善するための前処理ステップとして適用される。外套帯の検出を改善するために、低核密度領域(例えば、胚芽中心及び取り囲む皮質組織)に一致する領域が元の画像で抑制される。第2の分裂及び閾値は抑制された画像に適用され、最終的なゾーンを作成する。マップは、外套帯について青でコード化される。
濃く染色された外套帯で取り囲まれている薄く染色された球形のリンパ濾砲に一致する組織領域をマッピングする。小胞の外套帯は、形態的にリンパ組織内で共通の高核密度の領域に一致する。核密度マップを閾値とするのは、ゾーンを近似するために適用される一次フィルタである。ベクタ赤抑制は、核分割を改善するための前処理ステップとして適用される。外套帯の検出を改善するために、低核密度領域(例えば、胚芽中心及び取り囲む皮質組織)に一致する領域が元の画像で抑制される。第2の分裂及び閾値は抑制された画像に適用され、最終的なゾーンを作成する。マップは、外套帯について青でコード化される。
FilterTubeDetector
このフィルタは、腎臓皮質の中の候補末端曲尿細管及び近端曲尿細管を検出、特定するように設計されている。それは、3つの主要な部分、つまり画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的には管路を特定するための分析試験で完成される。分割は、小さな領域の削除及び核検出によるホワイトスペース検出を含む。距離フィルタは、候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は、核とルーメンの間の距離及び核対ルーメン比のための特定の基準に一致する末端曲尿細管を特定する。拒絶された候補細管は、近端曲尿細管として特定される。
このフィルタは、腎臓皮質の中の候補末端曲尿細管及び近端曲尿細管を検出、特定するように設計されている。それは、3つの主要な部分、つまり画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的には管路を特定するための分析試験で完成される。分割は、小さな領域の削除及び核検出によるホワイトスペース検出を含む。距離フィルタは、候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は、核とルーメンの間の距離及び核対ルーメン比のための特定の基準に一致する末端曲尿細管を特定する。拒絶された候補細管は、近端曲尿細管として特定される。
FilterUterusZone
このプログラムは、入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づいて、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用して、「ターゲットゾーン」、つまりストロマ、腺、及び筋肉の潜在的な位置を検出する。次に、その位置及び境界のより正確な推定を得るために、それぞれの潜在的なターゲットゾーンが局所的な統計及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり、ストロマ――50、腺――100、及び筋肉――150である。
表3の最後
このプログラムは、入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づいて、それぞれのクラスの「密度マップ」が計算される。前記で作成された密度マップを使用して、「ターゲットゾーン」、つまりストロマ、腺、及び筋肉の潜在的な位置を検出する。次に、その位置及び境界のより正確な推定を得るために、それぞれの潜在的なターゲットゾーンが局所的な統計及び形態的な演算のためのいくつかのツールを使用して分析される。領域は以下のグレイレベルで標識化される。つまり、ストロマ――50、腺――100、及び筋肉――150である。
表3の最後
表4、汎用フィルタ/アルゴリズム
FilterDistanceMap
形態的な侵食作用を使用して距離変換を計算する関数。8bpp画像または32bpp画像と連動する。32bppのケースでは、BLUE(青)経路が使用される。出力は[0,255]範囲までスケーリングされる。真の最大距離値はCLSBImageオブジェクトに保存される。
FilterDistanceMap
形態的な侵食作用を使用して距離変換を計算する関数。8bpp画像または32bpp画像と連動する。32bppのケースでは、BLUE(青)経路が使用される。出力は[0,255]範囲までスケーリングされる。真の最大距離値はCLSBImageオブジェクトに保存される。
FilterDownSample
この関数は、ピクセルブロック上で平均化することにより定数因子によりソース画像をダウンサンプルする。位置合わせの約束事は左上である。1というサンプリング係数はダウンサンプリングなしの結果となる。ソースビットマップがサンプリング係数の整数倍数ではない寸法を有する場合は、残りの列または行が平均化され、宛先ビットマップで最後の列または行を作成する。ソースビットマップはピクセルあたり8ビットまたは32ビットである場合がある。結果は、ソースビットマップと同じピクセル深度及びアルファ経路設定値の新しいビットマップに格納される。サンプリング係数はコンストラクタの中で、あるいは関数SetSamplingによって設定できる。デフォルトは2である。
この関数は、ピクセルブロック上で平均化することにより定数因子によりソース画像をダウンサンプルする。位置合わせの約束事は左上である。1というサンプリング係数はダウンサンプリングなしの結果となる。ソースビットマップがサンプリング係数の整数倍数ではない寸法を有する場合は、残りの列または行が平均化され、宛先ビットマップで最後の列または行を作成する。ソースビットマップはピクセルあたり8ビットまたは32ビットである場合がある。結果は、ソースビットマップと同じピクセル深度及びアルファ経路設定値の新しいビットマップに格納される。サンプリング係数はコンストラクタの中で、あるいは関数SetSamplingによって設定できる。デフォルトは2である。
FilterDSintensity
この関数は、赤、緑及び青の平均でグレイスケールイメージを計算する。結果は、ピクセルあたり8ビット、及びソースと同じアルファ設定値の新しいビットマップに格納される。定数因数(FilterDownSampleを参照すること)による同時ダウンサンプリングも提供する。サンプリング係数は、コンストラクタ内、または関数SetSamplingで設定できる。デフォルトは1である(ダウンサンプリングなし)。
この関数は、赤、緑及び青の平均でグレイスケールイメージを計算する。結果は、ピクセルあたり8ビット、及びソースと同じアルファ設定値の新しいビットマップに格納される。定数因数(FilterDownSampleを参照すること)による同時ダウンサンプリングも提供する。サンプリング係数は、コンストラクタ内、または関数SetSamplingで設定できる。デフォルトは1である(ダウンサンプリングなし)。
FilterEnhance
この関数は、FilterZoomで拡大された画像を強化する。それはIPL(インテル(Intel)の画像処理ライブラリ)を使用して、端縁を滑らかにする。
FilterEpithelium
この関数は、上皮の領域を分割するために汎用アルゴリズムを適用する。多様なパラメータは組織ごとに経験的に求められる。出力は上皮細胞をマーキングする8bppマスクである。
この関数は、FilterZoomで拡大された画像を強化する。それはIPL(インテル(Intel)の画像処理ライブラリ)を使用して、端縁を滑らかにする。
FilterEpithelium
この関数は、上皮の領域を分割するために汎用アルゴリズムを適用する。多様なパラメータは組織ごとに経験的に求められる。出力は上皮細胞をマーキングする8bppマスクである。
FilterErodeNuclei
指定された大きさの正方形の構造要素は、閾値にさらされる核マスクを侵食するために使用される。ON(オン)ピクセルの数が閾値未満である場合、該要素の内側のすべてのピクセルはOFF(オフ)にされる。それ以外の場合、それらは以前のままである。構造上の要素の大きさ及び閾値は、コンストラクタに渡されるか、あるいはアクセス関数を通して設定される。8bppまたは32bppのビットマップと連動する。32bppの場合、青の経路が使用される。
指定された大きさの正方形の構造要素は、閾値にさらされる核マスクを侵食するために使用される。ON(オン)ピクセルの数が閾値未満である場合、該要素の内側のすべてのピクセルはOFF(オフ)にされる。それ以外の場合、それらは以前のままである。構造上の要素の大きさ及び閾値は、コンストラクタに渡されるか、あるいはアクセス関数を通して設定される。8bppまたは32bppのビットマップと連動する。32bppの場合、青の経路が使用される。
FilterExpandNuclei
指定される大きさの正方形の構造上の要素は、閾値にさらされる核マスクを広げるために使用される。ONピクセルの数が閾値より多い場合、該要素の内側のすべてのピクセルはONにされる。それ以外の場合、それらは以前のままである。構造上の要素の大きさ及び閾値は、コンストラクタに渡す、あるいはアクセス関数を通して設定できる。8bppビットマップまたは32bppビットマップと連動する。32bppの場合、青の経路が使用される。
指定される大きさの正方形の構造上の要素は、閾値にさらされる核マスクを広げるために使用される。ONピクセルの数が閾値より多い場合、該要素の内側のすべてのピクセルはONにされる。それ以外の場合、それらは以前のままである。構造上の要素の大きさ及び閾値は、コンストラクタに渡す、あるいはアクセス関数を通して設定できる。8bppビットマップまたは32bppビットマップと連動する。32bppの場合、青の経路が使用される。
FilterFastAverage
大きさ2*S+1の正方形平均化マスクを使用して画像をフィルタリングする機能。正規化がONに設定されている場合、入力画像はバイナリとして処理され、出力は[0,255]の範囲内にあるようにスケーリングされ、値255はウィンドウ全体で1.0というピクセル密度に相当する。ウィンドウサイズ及び正規化はコンストラクタで設定できる、あるいはアクセス関数で設定できる。8bppまたは32bppビットマップと連動する。32bppのケースでは、グレイスケール画像が3つのカラー経路の平均平方平均をとることにより獲得される。
大きさ2*S+1の正方形平均化マスクを使用して画像をフィルタリングする機能。正規化がONに設定されている場合、入力画像はバイナリとして処理され、出力は[0,255]の範囲内にあるようにスケーリングされ、値255はウィンドウ全体で1.0というピクセル密度に相当する。ウィンドウサイズ及び正規化はコンストラクタで設定できる、あるいはアクセス関数で設定できる。8bppまたは32bppビットマップと連動する。32bppのケースでは、グレイスケール画像が3つのカラー経路の平均平方平均をとることにより獲得される。
FilterFractalDensity
フラクタル記述子はさまざまな秤全体で自己相似構造の複雑さを測定する。フラクタル密度(FD)マッピングは核分散の局所的な不均一性を測定し、多くの場合フラクタル寸法と呼ばれる。FDを実現するための1つの方法は、ボックスカウント手法である。画像を、大きさがLxLの正方形のボックスの中に仕切り、形状の少なくとも一部を含むボックスのN(L)の数をカウントすることによりこの手法の1つの変形を実現する。FDはlog(N(L))xlog(L)プロットに補間される線の傾きの絶対値として計算できる。
フラクタル記述子はさまざまな秤全体で自己相似構造の複雑さを測定する。フラクタル密度(FD)マッピングは核分散の局所的な不均一性を測定し、多くの場合フラクタル寸法と呼ばれる。FDを実現するための1つの方法は、ボックスカウント手法である。画像を、大きさがLxLの正方形のボックスの中に仕切り、形状の少なくとも一部を含むボックスのN(L)の数をカウントすることによりこの手法の1つの変形を実現する。FDはlog(N(L))xlog(L)プロットに補間される線の傾きの絶対値として計算できる。
ボックスの大きさのシーケンスは、画像内の指定パターン上の指定サイズLから始めて、通常、あるレベルから次のレベルに1/2分縮小される。FD測定値2>FD>1は、通常最もフラクタル領域に一致し、さらに複雑な形状情報を暗示する。
FilterPLRotate
この関数は、立方補間(デフォルト)で画像を回転させる。それはIPL(インテルの画像処理ライブラリ)RotateCenterコールを使用する。
この関数は、立方補間(デフォルト)で画像を回転させる。それはIPL(インテルの画像処理ライブラリ)RotateCenterコールを使用する。
FilterJoinComponents
フィルタは構成要素を結合するための2つの方法を含む。通常、これは核を結合するために使用される。入力はバイナリ画像、大きさ、パスの回数及び出力である。
ライン方法:端縁2*S+1の正方形のウィンドウWが画像内のそれぞれの点に配置される。Wの中心ピクセルがゼロではない場合には、それはW内のそれぞれの非ゼロピクセルに結合される。すなわち、中心ピクセルを結合する直線に沿ったそれぞれのピクセルは1に設定される。
フィルタは構成要素を結合するための2つの方法を含む。通常、これは核を結合するために使用される。入力はバイナリ画像、大きさ、パスの回数及び出力である。
ライン方法:端縁2*S+1の正方形のウィンドウWが画像内のそれぞれの点に配置される。Wの中心ピクセルがゼロではない場合には、それはW内のそれぞれの非ゼロピクセルに結合される。すなわち、中心ピクセルを結合する直線に沿ったそれぞれのピクセルは1に設定される。
セントロイド方法:端縁2*S+1の正方形のウィンドウ、Wが画像内のそれぞれの点に配置される。Wの中心ピクセルがゼロではない場合には、非ゼロピクセルの質量の中心が計算され、1に設定される。
FilterMask
ソースビットマップの指定された経路に閾値を適用することによりビットマップからバイナリ画像(マスク)を抽出するための関数。ソースビットマップは、ピクセルあたり8ビットまたは32ビットである場合がある。宛先ビットマップはピクセルあたり8ビット(単一平面)である。複数のコンストラクタが、さまざまな方法で閾値を適用するために存在する(以下を参照)。宛先マスクはオプションで反転できる。
ソースビットマップの指定された経路に閾値を適用することによりビットマップからバイナリ画像(マスク)を抽出するための関数。ソースビットマップは、ピクセルあたり8ビットまたは32ビットである場合がある。宛先ビットマップはピクセルあたり8ビット(単一平面)である。複数のコンストラクタが、さまざまな方法で閾値を適用するために存在する(以下を参照)。宛先マスクはオプションで反転できる。
FilterMedian
指定されたサイズのメジアンフィルタを適用するための関数。IPLのメジアンフィルタ関数を呼び出す。形式(幅、高さ)のカーネルサイズ、及びコンストラクタに渡すか、あるいはアクセス関数を通して設定できる。デフォルトのサイズは5x5である。5x5のカーネルは大きさ25、中心(3,3)の正方形のウィンドウを生じさせる。8bppビットマップまたは32bppビットマップと連動する。
指定されたサイズのメジアンフィルタを適用するための関数。IPLのメジアンフィルタ関数を呼び出す。形式(幅、高さ)のカーネルサイズ、及びコンストラクタに渡すか、あるいはアクセス関数を通して設定できる。デフォルトのサイズは5x5である。5x5のカーネルは大きさ25、中心(3,3)の正方形のウィンドウを生じさせる。8bppビットマップまたは32bppビットマップと連動する。
FilterNuclei
任意の倍率で組織画像から核を分割するための関数。プログラムは入力画像を3つのグレイレベルに定量化するためにFilterSegmentを呼び出し、核マスクを得るために最低(最も濃い)レベルにカラーテストを適用する。出力は8bppビットマップである。コンストラクタは、アルゴリズムを初期化するためにFilterSegmentに渡される3つの(オプションの)パラメータを取る(説明のためにFilterSegmentを参照すること)。
任意の倍率で組織画像から核を分割するための関数。プログラムは入力画像を3つのグレイレベルに定量化するためにFilterSegmentを呼び出し、核マスクを得るために最低(最も濃い)レベルにカラーテストを適用する。出力は8bppビットマップである。コンストラクタは、アルゴリズムを初期化するためにFilterSegmentに渡される3つの(オプションの)パラメータを取る(説明のためにFilterSegmentを参照すること)。
FilterResizeMask
バイナリマスクの大きさを変更するための関数。大きさは任意に増減できる。ダウンサンプリング時、ビットマップは適切な行と列サンプリング係数でサンプリングされる。アップサンプリング時、新しいビットマップは、各ピクセルを適切な大きさのブロックに拡大してから、同じ大きさのメジアンフィルタを適用し、あらゆるアーチファクトを円滑化することにより作成される。新しいビットマップの寸法は、コンストラクタに提供される、あるいはSetNewSize関数により設定できる。
バイナリマスクの大きさを変更するための関数。大きさは任意に増減できる。ダウンサンプリング時、ビットマップは適切な行と列サンプリング係数でサンプリングされる。アップサンプリング時、新しいビットマップは、各ピクセルを適切な大きさのブロックに拡大してから、同じ大きさのメジアンフィルタを適用し、あらゆるアーチファクトを円滑化することにより作成される。新しいビットマップの寸法は、コンストラクタに提供される、あるいはSetNewSize関数により設定できる。
FilterROISelector
バイナリマスクビットマップから重要な領域(ROI)を選択するための関数。平均化フィルタは、バイナリマスクから性能指数(FOM)画像を生じさせるために使用される。ROIセレクタは、グリッド要素の数が所望されるROIの数よりわずかに大きくなるように画像をグリッドに分割する。各グリッド要素は、次に再分割され、最高の平均FOMの要素がそれ以後、ピクセルレベルに達するまで再分割され、その結果、ROI中心を生じさせる。ROI寸法がゼロより大きい場合、ROIピクセルが画像の外部にならないように中心がシフトされる。ROIは、次にソースバイナリマスクに重複するROIピクセルの断片を計算することにより得点され、スコアを減少させることにより並べ替えられる。ROI寸法のどちらかがゼロである場合、FOM値はスコアとして使用される。最後に、重複するROIが取り除かれ、さらに高いスコアのものを保存する。ROI情報はCLSBImageオブジェクトのROIリストに格納される。
バイナリマスクビットマップから重要な領域(ROI)を選択するための関数。平均化フィルタは、バイナリマスクから性能指数(FOM)画像を生じさせるために使用される。ROIセレクタは、グリッド要素の数が所望されるROIの数よりわずかに大きくなるように画像をグリッドに分割する。各グリッド要素は、次に再分割され、最高の平均FOMの要素がそれ以後、ピクセルレベルに達するまで再分割され、その結果、ROI中心を生じさせる。ROI寸法がゼロより大きい場合、ROIピクセルが画像の外部にならないように中心がシフトされる。ROIは、次にソースバイナリマスクに重複するROIピクセルの断片を計算することにより得点され、スコアを減少させることにより並べ替えられる。ROI寸法のどちらかがゼロである場合、FOM値はスコアとして使用される。最後に、重複するROIが取り除かれ、さらに高いスコアのものを保存する。ROI情報はCLSBImageオブジェクトのROIリストに格納される。
FilterSegment
修正されたk手段クラスタ方法を使用して組織画像を3つのグレイレベルに分割するための関数。初期化はコンストラクタに渡される、あるいはアクセス関数を使用して設定できる3つのパラメータにより制御される。
修正されたk手段クラスタ方法を使用して組織画像を3つのグレイレベルに分割するための関数。初期化はコンストラクタに渡される、あるいはアクセス関数を使用して設定できる3つのパラメータにより制御される。
NucEst−初期の濃い平均を計算するために使用される濃いピクセルの断片である。
WhtEst−初期の明るい平均を計算するために使用される明るいピクセルの断片である。
WhtEst−初期の明るい平均を計算するために使用される明るいピクセルの断片である。
Center−中心平均の位置を歪めるためのパラメータ。0.5という値が、それを暗い手段と明るい手段の間で中心点に入れる。
他の2つのパラメータは、ベクタ赤ピクセルの処理を制御するために使用される。つまり、
他の2つのパラメータは、ベクタ赤ピクセルの処理を制御するために使用される。つまり、
VrEst1−ベクタ赤試験について赤と青の間のグレイレベル差異
VrEst2−初期のベクタ赤マスクのための拡大構造要素の大きさ
デフォルトで、すべての画像ピクセル(GLOBAL)を使用して計算される。プログラムは、画像を重複するブロックに分割し、ブロック単位で分解を実行することによってLOCAL(局所)統計を使用するオプションも有する。関数Local()及びGlobal()は、動作を設定するために使用される。
VrEst2−初期のベクタ赤マスクのための拡大構造要素の大きさ
デフォルトで、すべての画像ピクセル(GLOBAL)を使用して計算される。プログラムは、画像を重複するブロックに分割し、ブロック単位で分解を実行することによってLOCAL(局所)統計を使用するオプションも有する。関数Local()及びGlobal()は、動作を設定するために使用される。
結果は、濃いピクセルが青で、ホワイトスペースピクセルが緑で、ベクタ赤ピクセルが赤のカラーマップとして返される。
FilterSuppressVR
組織画像内でベクタ赤内容を抑制するための機能。範囲[0,1]のオプションのパラメータが、オリジナルを基準にして結果として生じるVRレベルを設定し、0は完全な抑制に対応し、1は抑制なしに対応する。注記:1という値は一般的にはオリジナル画像を正確に作成しない。出力は新しいRGB画像である。
組織画像内でベクタ赤内容を抑制するための機能。範囲[0,1]のオプションのパラメータが、オリジナルを基準にして結果として生じるVRレベルを設定し、0は完全な抑制に対応し、1は抑制なしに対応する。注記:1という値は一般的にはオリジナル画像を正確に作成しない。出力は新しいRGB画像である。
FilterTextureMap
グレイスケールソース画像から分散ベースのテクスチャ画像(マップ)を計算するための関数。入力ビットマップがピクセルあたり32ビット(RGB)である場合には、輝度画像はFilterDSIntensityを使用して得られる。テクスチャマップは、インテルのIPLライブラリを使用して計算される。オプションの整数入力引数が提供される。画像の中の正方形の局所領域の大きさを定義する(つまり、重要なスケール)。正方形の側面の長さとしてピクセルで与えられる。デフォルトは32である。
グレイスケールソース画像から分散ベースのテクスチャ画像(マップ)を計算するための関数。入力ビットマップがピクセルあたり32ビット(RGB)である場合には、輝度画像はFilterDSIntensityを使用して得られる。テクスチャマップは、インテルのIPLライブラリを使用して計算される。オプションの整数入力引数が提供される。画像の中の正方形の局所領域の大きさを定義する(つまり、重要なスケール)。正方形の側面の長さとしてピクセルで与えられる。デフォルトは32である。
FilterTissueMask
組織が画像の中にある場所をマーキングするマスクを計算するための関数。5x倍率のテクスチャマップは、初期のマスクを得るために使用される。初期のマスクで覆われた画像からのピクセル輝度の平均および標準偏差を使用すると、輝度閾値は式:t=mean−gain)(標準偏差)により計算される。輝度画像は次に閾値とされ、第2のマスクを作成する。最終的な組織マスクは、ピクセルが「組織」として記され、両方のテクスチャが高い場合には及び輝度が低い場合にはサンプリングし直されたテクスチャマスク(元の倍率への)と集合マスクを結合することにより得られる。それ以外の場合、それはホワイトスペースである。輝度閾値のための利得は、コンストラクタ(デフォルトは2.0である)内で、あるいは成功関数を通して設定できる。
組織が画像の中にある場所をマーキングするマスクを計算するための関数。5x倍率のテクスチャマップは、初期のマスクを得るために使用される。初期のマスクで覆われた画像からのピクセル輝度の平均および標準偏差を使用すると、輝度閾値は式:t=mean−gain)(標準偏差)により計算される。輝度画像は次に閾値とされ、第2のマスクを作成する。最終的な組織マスクは、ピクセルが「組織」として記され、両方のテクスチャが高い場合には及び輝度が低い場合にはサンプリングし直されたテクスチャマスク(元の倍率への)と集合マスクを結合することにより得られる。それ以外の場合、それはホワイトスペースである。輝度閾値のための利得は、コンストラクタ(デフォルトは2.0である)内で、あるいは成功関数を通して設定できる。
FilterWhiteSpace
組織画像内のホワイトスペースをマスキングするための関数。テクスチャ及び3カラーの2つの機能が提供される。テクスチャ方法はFilterTissueMaskを呼び出し、結果を反転し、ホワイトスペースマスクを提供する。3カラー方法はFilterSegmentを呼び出し、ホワイトスペースと関連付けられた画像平面を抽出する。両方のケースとも、出力はピクセルビットマップあたり8ビットである。方法は、Apply(またはApplyInPlace)を呼び出す前に適切なパラメータでメンバー関数SetMethodTexture()またはSetMethod3Color()を呼び出すことにより選択される。パラメータの説明については、対応するフィルタを参照すること。デフォルトの方法はテクスチャである。
組織画像内のホワイトスペースをマスキングするための関数。テクスチャ及び3カラーの2つの機能が提供される。テクスチャ方法はFilterTissueMaskを呼び出し、結果を反転し、ホワイトスペースマスクを提供する。3カラー方法はFilterSegmentを呼び出し、ホワイトスペースと関連付けられた画像平面を抽出する。両方のケースとも、出力はピクセルビットマップあたり8ビットである。方法は、Apply(またはApplyInPlace)を呼び出す前に適切なパラメータでメンバー関数SetMethodTexture()またはSetMethod3Color()を呼び出すことにより選択される。パラメータの説明については、対応するフィルタを参照すること。デフォルトの方法はテクスチャである。
FilterZoom
この関数はCubic(立方)補間(デフォルト)で画像をズームする。それはIPL(インテルの画像処理ライブラリ)ズームを使用する。
表4の最後
この関数はCubic(立方)補間(デフォルト)で画像をズームする。それはIPL(インテルの画像処理ライブラリ)ズームを使用する。
表4の最後
結腸162組織タイプの重要な構造の存在を決定する例を続行すると、表4で説明したように、フィルタサブクラスFilterColonZoneが入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記に作成された密度マップを使用して、「ターゲットゾーン」、つまり上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。次に、それぞれの潜在的なターゲットゾーンが、その位置及び境界のさらに正確な推定を得るために局所的な統計及び形態的な演算のためのいくつかのツールで分析される。領域は以下のグレイレベルで標識化される。つまり上皮細胞――50、平滑筋――100、粘膜下組織――150、筋性粘膜――200である。
表5は、さらに、組織クラス160の組織タイプごとに対応する構造−識別アルゴリズムを説明する。
表5
上皮細胞
インプリメンテーション:FilterEpithelium
複数の組織は、核の空間配列により認識できる上皮性細胞を含む。上皮性細胞は多くの場合互いに近くに位置している。それらの関連付けられる細胞形質とともに、上皮核がやや「大きな」領域を形成する。総称的な上皮細胞アルゴリズムは、核マップ及び細胞形質マップを得るために最初に画像を分割する。それぞれの「核+細胞形質」領域には、接続された構成要素の標識化アルゴリズムを使用して別のラベルが割り当てられる。このような標識化に基づき、このようにして輪郭が付けられた「潜在的な上皮性」領域で、小さすぎる「核+細胞形質」領域を削除することが可能である。領域サイズ閾値はさまざまな組織について実験的に決定される。「潜在的な上皮性」領域を得た後に、オブジェクト形状演算子が、非常に「突っ立った(spiked)」領域を有するそれらの領域を削除するために適用される。
上皮細胞
インプリメンテーション:FilterEpithelium
複数の組織は、核の空間配列により認識できる上皮性細胞を含む。上皮性細胞は多くの場合互いに近くに位置している。それらの関連付けられる細胞形質とともに、上皮核がやや「大きな」領域を形成する。総称的な上皮細胞アルゴリズムは、核マップ及び細胞形質マップを得るために最初に画像を分割する。それぞれの「核+細胞形質」領域には、接続された構成要素の標識化アルゴリズムを使用して別のラベルが割り当てられる。このような標識化に基づき、このようにして輪郭が付けられた「潜在的な上皮性」領域で、小さすぎる「核+細胞形質」領域を削除することが可能である。領域サイズ閾値はさまざまな組織について実験的に決定される。「潜在的な上皮性」領域を得た後に、オブジェクト形状演算子が、非常に「突っ立った(spiked)」領域を有するそれらの領域を削除するために適用される。
膀胱
インプリメンテーション:FilterBladderZone
膀胱マッピングアルゴリズムは、表面上皮細胞、平滑筋及び粘膜固有層という3つのゾーンを認識する。アルゴリズムは最初に入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算され、ターゲットゾーンの潜在的な位置を検出するために使用される。
インプリメンテーション:FilterBladderZone
膀胱マッピングアルゴリズムは、表面上皮細胞、平滑筋及び粘膜固有層という3つのゾーンを認識する。アルゴリズムは最初に入力画像を3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算され、ターゲットゾーンの潜在的な位置を検出するために使用される。
表面上皮細胞
表面上皮細胞領域を検出するために、ステップは以下の通りである。
1.核密度マップはOtsu方法を使用して閾値とされる。核密度が閾値を超える領域は潜在的な上皮細胞領域と標識化される。背景(非組織)領域も、核密度マップを閾値とし、核密度が閾値未満である領域を保持することによって標識化される。
2.大きさをベースにしたフィルタがスプリアス背景領域を除去するために適用される。
3.形態的な器官拡張動作は、それらが潜在的な上皮細胞と重複するようにそれらを「太らせる」ために背景ブロブに適用される。背景と交差する、つまりそれ以外の場合背景と連結される潜在的な上皮細胞は表面上皮細胞として標識化される。
4.大きさをベースにしたフィルタが表面上非細胞領域を除去するために適用される。
表面上皮細胞領域を検出するために、ステップは以下の通りである。
1.核密度マップはOtsu方法を使用して閾値とされる。核密度が閾値を超える領域は潜在的な上皮細胞領域と標識化される。背景(非組織)領域も、核密度マップを閾値とし、核密度が閾値未満である領域を保持することによって標識化される。
2.大きさをベースにしたフィルタがスプリアス背景領域を除去するために適用される。
3.形態的な器官拡張動作は、それらが潜在的な上皮細胞と重複するようにそれらを「太らせる」ために背景ブロブに適用される。背景と交差する、つまりそれ以外の場合背景と連結される潜在的な上皮細胞は表面上皮細胞として標識化される。
4.大きさをベースにしたフィルタが表面上非細胞領域を除去するために適用される。
平滑筋
筋肉領域を検出するために、ステップは以下の通りである。
1.上皮領域ではないすべての組織領域を潜在的な筋肉領域として標識化する。
2.スプリアス筋肉領域を除去するために大きさをベースにしたフィルタリングを実行する。
3.筋肉領域を「さらに太らせる」ために、形態的な器官拡張演算子を適用する。これは、筋肉領域とその隣接ブロブの間に重複を作成するためである。
4.筋肉領域を表すブロブが上皮細胞の隣にある場合、このブロブは、筋肉が表面上非細胞に隣接してはならないため除去される。結果は筋肉領域の推定である。
筋肉領域を検出するために、ステップは以下の通りである。
1.上皮領域ではないすべての組織領域を潜在的な筋肉領域として標識化する。
2.スプリアス筋肉領域を除去するために大きさをベースにしたフィルタリングを実行する。
3.筋肉領域を「さらに太らせる」ために、形態的な器官拡張演算子を適用する。これは、筋肉領域とその隣接ブロブの間に重複を作成するためである。
4.筋肉領域を表すブロブが上皮細胞の隣にある場合、このブロブは、筋肉が表面上非細胞に隣接してはならないため除去される。結果は筋肉領域の推定である。
粘膜固有層
粘膜固有層領域は、つねに表面上皮細胞と平滑筋の間にある。それらは上皮細胞でも筋肉でもないすべての組織領域を、潜在的な粘膜固有層領域として標識化し、大きさをベースにしたフィルタリングを適用し、スプリアス粘膜固有層を除去することによって位置を見つけられる。残っているのが粘膜固有層のための推定である。
粘膜固有層領域は、つねに表面上皮細胞と平滑筋の間にある。それらは上皮細胞でも筋肉でもないすべての組織領域を、潜在的な粘膜固有層領域として標識化し、大きさをベースにしたフィルタリングを適用し、スプリアス粘膜固有層を除去することによって位置を見つけられる。残っているのが粘膜固有層のための推定である。
胸部
インプリメンテーション:FilterBreastMap
3つの構造が胸部、つまり管路、小葉、及びストロマで認識される。それらの近接さ及び管路と小葉を区別する上での困難のために、それらはROI選択の目的で単一の認識カテゴリにひとまとめにされる。
インプリメンテーション:FilterBreastMap
3つの構造が胸部、つまり管路、小葉、及びストロマで認識される。それらの近接さ及び管路と小葉を区別する上での困難のために、それらはROI選択の目的で単一の認識カテゴリにひとまとめにされる。
管路/小葉
インプリメンテーション:FilterBreastDucts
管路及び小葉は、上皮性細胞のリングで囲まれたホワイトスペース領域から構成される小さな構造である。胸部のすべての上皮細胞は管路または小葉を取り囲むため、それらは上皮性細胞の位置を単に見つけるだけで検出できる。全体的な戦略は、核マスクを計算してから、非上皮性核から上皮性核を分離することである。
重要な観察は、上皮が分離するには非常に硬く、やや大きいという点である。その観察を基礎として、核は最初に大きさごとに破棄される。つまり、最小の核が排除される。より大きな核は、それらが細長すぎる場合には破棄される。隔離された核も破棄される。残った核は次に質量中心法を使用して結合される。第2のパスが薄い構成要素を排除する。残った構成要素が管路として分類される。
インプリメンテーション:FilterBreastDucts
管路及び小葉は、上皮性細胞のリングで囲まれたホワイトスペース領域から構成される小さな構造である。胸部のすべての上皮細胞は管路または小葉を取り囲むため、それらは上皮性細胞の位置を単に見つけるだけで検出できる。全体的な戦略は、核マスクを計算してから、非上皮性核から上皮性核を分離することである。
重要な観察は、上皮が分離するには非常に硬く、やや大きいという点である。その観察を基礎として、核は最初に大きさごとに破棄される。つまり、最小の核が排除される。より大きな核は、それらが細長すぎる場合には破棄される。隔離された核も破棄される。残った核は次に質量中心法を使用して結合される。第2のパスが薄い構成要素を排除する。残った構成要素が管路として分類される。
隔離された核の破棄
胸部または前立腺などの組織の場合、上皮性核と非上皮性核の主要な違いは、後者が隔離されており、その結果非上皮性核の回りの「典型的な」近隣(ウィンドウ)の境界が他の核に遭遇しないという点である。このような状況が直接的にアルゴリズムを生じさせることになる。バイナリ核マスクを考慮すると、ウィンドウはそれぞれの核の回りに配置される。次にウィンドウの境界の値が合計される。その合計が0である(ピクセルが「オン」にされない)場合、核は非上皮性として分類され、合計がゼロではない場合に上皮性と分類される。
胸部または前立腺などの組織の場合、上皮性核と非上皮性核の主要な違いは、後者が隔離されており、その結果非上皮性核の回りの「典型的な」近隣(ウィンドウ)の境界が他の核に遭遇しないという点である。このような状況が直接的にアルゴリズムを生じさせることになる。バイナリ核マスクを考慮すると、ウィンドウはそれぞれの核の回りに配置される。次にウィンドウの境界の値が合計される。その合計が0である(ピクセルが「オン」にされない)場合、核は非上皮性として分類され、合計がゼロではない場合に上皮性と分類される。
ストロマ
いったん管路が検出されると、残りの領域はストロマ、ルーメン(ホワイトスペース)または脂肪である。脂肪は「格子状の」構造を有する。その補完物は多くの小さなホワイトスペース領域である。したがって、このような領域を成長させると、脂肪が包まれる。この領域が(SegmentプログラムAutoColorV2により指定される)ホワイトスペースとともに大きくなるという結果は、ストロマ及び管路の補完物を生じさせる。したがって、ストロマが決定される。
いったん管路が検出されると、残りの領域はストロマ、ルーメン(ホワイトスペース)または脂肪である。脂肪は「格子状の」構造を有する。その補完物は多くの小さなホワイトスペース領域である。したがって、このような領域を成長させると、脂肪が包まれる。この領域が(SegmentプログラムAutoColorV2により指定される)ホワイトスペースとともに大きくなるという結果は、ストロマ及び管路の補完物を生じさせる。したがって、ストロマが決定される。
結腸、小腸及び胃
インプリメンテーション:FilterColonZone、FilterSmintZone、FilterStomachZone
インプリメンテーション:FilterColonZone、FilterSmintZone、FilterStomachZone
結腸、小腸及び胃の構造認識アルゴリズムは、共通キー処理ステップを共用する。それらはパラメータ選択及びいくつかのマイナープロセスで異なるにすぎない。すべてのケースでは、画像は最初に3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割される。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。前記に作成された密度マップを使用して、「ターゲットゾーン」つまり上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。
上皮細胞
上皮細胞領域を得るために、Otsu閾値技法が核密度マップに適用される。核密度がOtsu閾値を越える領域は潜在的な上皮細胞と分類される。潜在的な上皮細胞領域の中では、指定された範囲のサイズについて、及び「空」近隣の特定の範囲内で隔離されたブロブを除去する「隔離ブロブ除去」プロセスを適用する。次のステップは、それらの形状の固有軸に基づいて「細長」過ぎるブロブを除去する形状フィルタを呼び出すことである。形態学上の器官拡張により残りのブロブの端縁が滑らかになる。動作のこのシーケンスの結果が上皮細胞領域である。
上皮細胞領域を得るために、Otsu閾値技法が核密度マップに適用される。核密度がOtsu閾値を越える領域は潜在的な上皮細胞と分類される。潜在的な上皮細胞領域の中では、指定された範囲のサイズについて、及び「空」近隣の特定の範囲内で隔離されたブロブを除去する「隔離ブロブ除去」プロセスを適用する。次のステップは、それらの形状の固有軸に基づいて「細長」過ぎるブロブを除去する形状フィルタを呼び出すことである。形態学上の器官拡張により残りのブロブの端縁が滑らかになる。動作のこのシーケンスの結果が上皮細胞領域である。
粘膜下組織
粘膜下組織領域を検出するために、最初に元の画像のグレイスケールコピーの分散マップが作成される。次にOtsu閾値が分散マップに適用される。それは、分散がOtsu閾値を上回る分散マップの部分だけを保持することによって潜在的な粘膜下組織及び上皮細胞領域を分割する。粘膜下組織領域は上皮細胞とばらばらであるため、後者は除去可能であり、潜在的な粘膜下組織マップがこのようにして作成される。次に、大きさに基づくフィルタが特定の範囲を下回る、または範囲を超えるブロブを除去するために適用される。最終的な粘膜下組織領域はこのようにして得られる。
粘膜下組織領域を検出するために、最初に元の画像のグレイスケールコピーの分散マップが作成される。次にOtsu閾値が分散マップに適用される。それは、分散がOtsu閾値を上回る分散マップの部分だけを保持することによって潜在的な粘膜下組織及び上皮細胞領域を分割する。粘膜下組織領域は上皮細胞とばらばらであるため、後者は除去可能であり、潜在的な粘膜下組織マップがこのようにして作成される。次に、大きさに基づくフィルタが特定の範囲を下回る、または範囲を超えるブロブを除去するために適用される。最終的な粘膜下組織領域はこのようにして得られる。
平滑筋
潜在的な筋肉領域を検出するために、Otsu閾値は細胞形質密度マップに適用される。密度値が閾値を超えたマップの領域は潜在的な筋肉領域の初期推定値として標識化される。潜在的な筋肉領域から上皮細胞及び粘膜下組織を除外した後に、隔離されたブロブリムーバが、大きすぎるあるいは小さすぎて、十分に「空の」近隣領域を持つブロブを濾過して除去するために使用される。動作のこのシーケンスは最終的な筋肉マップを生じさせる。
潜在的な筋肉領域を検出するために、Otsu閾値は細胞形質密度マップに適用される。密度値が閾値を超えたマップの領域は潜在的な筋肉領域の初期推定値として標識化される。潜在的な筋肉領域から上皮細胞及び粘膜下組織を除外した後に、隔離されたブロブリムーバが、大きすぎるあるいは小さすぎて、十分に「空の」近隣領域を持つブロブを濾過して除去するために使用される。動作のこのシーケンスは最終的な筋肉マップを生じさせる。
筋性粘膜
筋性粘膜領域はつねに上皮細胞及び粘膜下組織の領域に隣接している。第1のステップは、上皮細胞の境界を検出し、これらの上皮細胞境界から領域成長動作を実行することである。上皮細胞及び粘膜下組織から成長する領域間の交差が筋性粘膜として標識化される。
筋性粘膜領域はつねに上皮細胞及び粘膜下組織の領域に隣接している。第1のステップは、上皮細胞の境界を検出し、これらの上皮細胞境界から領域成長動作を実行することである。上皮細胞及び粘膜下組織から成長する領域間の交差が筋性粘膜として標識化される。
心臓及び骨格筋
心臓及び骨格筋では特定の構造は検出される必要がない。大きなホワイトスペース領域を回避するために、一般組織ファインダアルゴリズムが使用される。アルゴリズムは以下のステップから構成されている。
1.画像は両方の速度について1.25Xという同等な倍率に、大規模なテクスチャ情報を捕捉するためにダウンサンプルされる。
2.ベクタ赤シグナチャは、ガラスへの特殊な結合がないケースでの偽の警報を回避するために抑制される。
3.ホワイトスペースマスクは、テクスチャ明度方法を使用して計算され、マスクは反転される(ポジがネガになり、ネガがポジになる)。
4.組織内の小さなホワイトスペース穴、及びホワイトスペースの中の材料の小さな染みなどのノイズが多い領域を「取り除く」ためにメジアンフィルタが適用される。これには、ROI選択結果の質を改善する効果がある。
5.結果として生じるマスクは元の画像のサイズと一致するためにサンプリングし直される。
心臓及び骨格筋では特定の構造は検出される必要がない。大きなホワイトスペース領域を回避するために、一般組織ファインダアルゴリズムが使用される。アルゴリズムは以下のステップから構成されている。
1.画像は両方の速度について1.25Xという同等な倍率に、大規模なテクスチャ情報を捕捉するためにダウンサンプルされる。
2.ベクタ赤シグナチャは、ガラスへの特殊な結合がないケースでの偽の警報を回避するために抑制される。
3.ホワイトスペースマスクは、テクスチャ明度方法を使用して計算され、マスクは反転される(ポジがネガになり、ネガがポジになる)。
4.組織内の小さなホワイトスペース穴、及びホワイトスペースの中の材料の小さな染みなどのノイズが多い領域を「取り除く」ためにメジアンフィルタが適用される。これには、ROI選択結果の質を改善する効果がある。
5.結果として生じるマスクは元の画像のサイズと一致するためにサンプリングし直される。
腎臓皮質
インプリメンテーション:FilterKidneyCortexMap
腎臓皮質では糸球体、筋端曲尿細管(PCT)及び末端曲尿細管(DCT)という3つの構造が重要である。糸球体及びDCTは現在認識できる。図4Aから図4Gは、後述されるFilterKidneyCortexMapの態様を図解する。
糸球体は狭いボーマンの空間に囲まれる曲線的な構造として腎臓皮質に出現する。糸球体の認識には、構造全体の大きさと形状の特殊な特性を認識することとともに、ボーマンの空間を構成するルーメンの位置を見つけることが必要になる。糸球体は、通常VRポジを染色する毛細管及び内非細胞を含むため、CD31(ベクタ赤)の定量化に加えて、染色情報を使用することができる。
インプリメンテーション:FilterKidneyCortexMap
腎臓皮質では糸球体、筋端曲尿細管(PCT)及び末端曲尿細管(DCT)という3つの構造が重要である。糸球体及びDCTは現在認識できる。図4Aから図4Gは、後述されるFilterKidneyCortexMapの態様を図解する。
糸球体は狭いボーマンの空間に囲まれる曲線的な構造として腎臓皮質に出現する。糸球体の認識には、構造全体の大きさと形状の特殊な特性を認識することとともに、ボーマンの空間を構成するルーメンの位置を見つけることが必要になる。糸球体は、通常VRポジを染色する毛細管及び内非細胞を含むため、CD31(ベクタ赤)の定量化に加えて、染色情報を使用することができる。
それぞれの糸球体の間の扁平組織の大部分が、直径、大きさ、形状及び染色強度で互いと異なる細管から構成されている。細管は、さらに少ない数の末端曲尿細管及び集合管とともに、おもに近端曲尿細管から構成されている。DCTはさらに大きなより明確に画定されたルーメン、断面あたりのさらに多くの核、及び扁平組織を横切る長さのさらに小さい断面でPCTから区別されてよい。DCTの核はルーメンの近くにあり、ルーメンの中に膨れ上がる傾向がある。
腎臓皮質処理は、以下のステップから構成されている。
1.ホワイトスペース、核、及びベクタ赤の領域の分割。それぞれのマスク画像は、形状記述子を適用し、特定の基準を満たす領域を排除することによって事前に処理される。
2.ホワイトスペースは、糸球体(ボーマンの被膜)の回りに位置するルーメン、DCTとPCTなどの管状構造内に位置するルーメン、及び血管及び毛細管の中の領域から構成されている。大きさ、周縁、近隣オブジェクトまでの距離、及び近隣あたりの密度は、候補ルーメンオブジェクトを選択するために使用される。
3.核密度は、ルーメン検出完了後に候補構造のリストをさらに絞り込むために使用される。それはボーマンの被膜の内側で、及び管状構造の周縁の外側で測定される。
4.CD31染色が適用される場合、VR密度はボーマンの被膜の中で測定され、糸球体の存在を決定するための最終的な区別要因として使用される。
1.ホワイトスペース、核、及びベクタ赤の領域の分割。それぞれのマスク画像は、形状記述子を適用し、特定の基準を満たす領域を排除することによって事前に処理される。
2.ホワイトスペースは、糸球体(ボーマンの被膜)の回りに位置するルーメン、DCTとPCTなどの管状構造内に位置するルーメン、及び血管及び毛細管の中の領域から構成されている。大きさ、周縁、近隣オブジェクトまでの距離、及び近隣あたりの密度は、候補ルーメンオブジェクトを選択するために使用される。
3.核密度は、ルーメン検出完了後に候補構造のリストをさらに絞り込むために使用される。それはボーマンの被膜の内側で、及び管状構造の周縁の外側で測定される。
4.CD31染色が適用される場合、VR密度はボーマンの被膜の中で測定され、糸球体の存在を決定するための最終的な区別要因として使用される。
糸球体
インプリメンテーション:FilterGlomDetector
糸球体認識は、それぞれの候補糸球体上での4回の個別測定を必要とする。分割プロセスで得られるルーメンマスクは、通常血管と関連付けられている小さな領域、管状構造の中の小さな部分、及び糸球体の中を排除することによって前処理される。
1.緊密さの測定は、ルーメンのサイズ対周縁の割合を測定することによりそれぞれのルーメンオブジェクトで実行される。
2.ボーマンのリング形状因子測定値は、ルーメンの回りに置かれる円形のリングのサイズ対ボーマンのリングを交差するルーメンピクセルの数の割合を測定することにより得られる。リングのサイズ及び直径は、候補ルーメンのための計算有界ボックス測定値に基づいている(例えば、幅、高さ及び中心の座標)。次にリングをルーメンの回りで回転し、形状因子測定値がそれぞれの位置について計算される。最高の形状因子測定値の位置が保たれる。
3.リングの核密度は、形状因子リングを交差する核ピクセルのリングの大きさに対する割合として計算される。
4.ベクタ赤密度は、形状因子リングを交差するベクタ赤ピクセルのリングの大きさに対する割合として計算される。
候補ルーメンが糸球体として分類されるかどうかを判断するために、閾値がそれぞれ緊密さ、形状因子、核密度、及びVR密度測定値に適用される。
インプリメンテーション:FilterGlomDetector
糸球体認識は、それぞれの候補糸球体上での4回の個別測定を必要とする。分割プロセスで得られるルーメンマスクは、通常血管と関連付けられている小さな領域、管状構造の中の小さな部分、及び糸球体の中を排除することによって前処理される。
1.緊密さの測定は、ルーメンのサイズ対周縁の割合を測定することによりそれぞれのルーメンオブジェクトで実行される。
2.ボーマンのリング形状因子測定値は、ルーメンの回りに置かれる円形のリングのサイズ対ボーマンのリングを交差するルーメンピクセルの数の割合を測定することにより得られる。リングのサイズ及び直径は、候補ルーメンのための計算有界ボックス測定値に基づいている(例えば、幅、高さ及び中心の座標)。次にリングをルーメンの回りで回転し、形状因子測定値がそれぞれの位置について計算される。最高の形状因子測定値の位置が保たれる。
3.リングの核密度は、形状因子リングを交差する核ピクセルのリングの大きさに対する割合として計算される。
4.ベクタ赤密度は、形状因子リングを交差するベクタ赤ピクセルのリングの大きさに対する割合として計算される。
候補ルーメンが糸球体として分類されるかどうかを判断するために、閾値がそれぞれ緊密さ、形状因子、核密度、及びVR密度測定値に適用される。
末端曲尿細管
インプリメンテーション:FilterTubeDetector
DCT認識は、上皮細胞検出に類似した方法により達成される。各末端曲尿細管(DCT)、集合管(CD)、及び近端曲尿細管(PCT)は、多くの核に取り囲まれているホワイトスペースブロブとしてモデリングできる。DCTに関連するこのような領域の予想されるサイズは実験的に推定される。大きすぎる、あるいは小さすぎる領域は、通常、糸球体認識プロセスの間に破棄される。DCT認識プロセスを完了するためには2つの方法が使用できる。
インプリメンテーション:FilterTubeDetector
DCT認識は、上皮細胞検出に類似した方法により達成される。各末端曲尿細管(DCT)、集合管(CD)、及び近端曲尿細管(PCT)は、多くの核に取り囲まれているホワイトスペースブロブとしてモデリングできる。DCTに関連するこのような領域の予想されるサイズは実験的に推定される。大きすぎる、あるいは小さすぎる領域は、通常、糸球体認識プロセスの間に破棄される。DCT認識プロセスを完了するためには2つの方法が使用できる。
ルーメン領域対核領域の割合
ルーメン領域がDCTと関連しているかどうかを決定するために、その境界の回りの環状の領域の核内容物が検査される。DCTとして分類される環状領域の場合、核領域対合計面積の割合などの核内容物は非常に高くなくてはならない。決定閾値が再び実験的に求められる。
ルーメン領域がDCTと関連しているかどうかを決定するために、その境界の回りの環状の領域の核内容物が検査される。DCTとして分類される環状領域の場合、核領域対合計面積の割合などの核内容物は非常に高くなくてはならない。決定閾値が再び実験的に求められる。
ルーメン対核距離基準
この方法では、各ホワイトスペースオブジェクトと(特定の半径の中の)その近隣核の間の距離行列を計算する。ホワイトスペースオブジェクトの面積とその近隣核の間の割合が閾値を超え、核の総面積が最小要件を超えている場合、それらはDCTとして分類される。この方法は、残りのホワイトスペースオブジェクトに対するさまざまなパラメータで手順を繰り返すことによりPCTを特定するために使用できる。
この方法では、各ホワイトスペースオブジェクトと(特定の半径の中の)その近隣核の間の距離行列を計算する。ホワイトスペースオブジェクトの面積とその近隣核の間の割合が閾値を超え、核の総面積が最小要件を超えている場合、それらはDCTとして分類される。この方法は、残りのホワイトスペースオブジェクトに対するさまざまなパラメータで手順を繰り返すことによりPCTを特定するために使用できる。
腎臓髄質
インプリメンテーション:FilterDuctDetector、FilterKidneyMedullaMap
このアルゴリズムは腎臓髄質内の候補集合管を検出し、特定するように設計されている。それは、画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的には管路を特定するための分析試験という3つの主要な部分で完成される。分割は、小さな領域の除去、次に核の検出によるホワイトスペースの検出を必要とする。距離フィルタは、候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は、核とルーメンの間の距離及び核対ルーメンの割合について特定の基準を満たす管路を特定する。
インプリメンテーション:FilterDuctDetector、FilterKidneyMedullaMap
このアルゴリズムは腎臓髄質内の候補集合管を検出し、特定するように設計されている。それは、画像層分割、候補オブジェクト特性を測定するために適用される形状フィルタ、及び最終的には管路を特定するための分析試験という3つの主要な部分で完成される。分割は、小さな領域の除去、次に核の検出によるホワイトスペースの検出を必要とする。距離フィルタは、候補ルーメンと最も近い取り囲む核の間の距離を計算するために適用される。最終分析は、核とルーメンの間の距離及び核対ルーメンの割合について特定の基準を満たす管路を特定する。
肝臓
インプリメンテーション:FilterLiverMap
肝臓アルゴリズムの目標とは、管路に一致するそれらの領域と、第2に門脈トライアッドを備えるそれらの領域を描写することである。管路は、「良好な」核画像から決定できる。管路(の境界)は核画像の大きな構成要素に一致する。非常に細長い構成要素を浪費することで大きな構成要素の集合がフィルタリングされる。残りの構成要素が管路であると見なされる。
インプリメンテーション:FilterLiverMap
肝臓アルゴリズムの目標とは、管路に一致するそれらの領域と、第2に門脈トライアッドを備えるそれらの領域を描写することである。管路は、「良好な」核画像から決定できる。管路(の境界)は核画像の大きな構成要素に一致する。非常に細長い構成要素を浪費することで大きな構成要素の集合がフィルタリングされる。残りの構成要素が管路であると見なされる。
門脈トライアッドは、多くの場合、動脈は明確ではないが、静脈、動脈及び管路から構成される。一般的には静脈または動脈の中に核を見つけることを期待していないため、アルゴリズムは過去に検出された管路の近くにある核のない適切な大きさの領域を検出する。これらの核のない領域は2つの方法で推定される。明度分割アルゴリズム(FilterSegmentを参照すること)はホワイトスペース画像を生成する。画像は、動脈または静脈であるために適切な大きさ及び形状の領域についてフィルタリングされる。核のない領域は、前立腺内で腺を検出するために説明された方法に類似する方法でも推定される(前立腺――腺を参照すること)。次にばらばらである領域のそれぞれ(管路領域及び核のない領域)が拡大される。拡大された領域の交差点が門脈トライアッドのためのROIの中心と解釈される。
肺
インプリメンテーション:FilterLungMap
インプリメンテーション:FilterLungMap
肺胞
肺胞の検出は、組織マスクの形態的なフィルタリングにより行われる(FilterTissueMaskを参照すること)。アルゴリズムの目標は、処理後にクモの巣状の形状の組織だけが残るように組織マスクをフィルタリングすることである。ステップは以下の通りである。
1.画像は、実行速度を最大化するために2.5xという有効倍率まで初期にダウンサンプルされる。
2.組織マスクは、テクスチャ明度法を使用して計算される。
3.メジアンフィルタが雑音を抑制するために適用される。
4.画像は反転され、形態的な閉鎖演算が円盤構造要素を使用して実行される。これにより画像から脂肪組織が除去される。
5.残った組織の島状構造がサイズフィルタリングにより除去される。
6.ガードバンドが、第2のサイズのフィルタが適用される器官拡大により残りの組織領域の回りに設置される。
7.結果として生じるマスクは初期の組織マスクと結合され、脂肪組織を形成する。
8.画像はその元の大きさにサンプリングし直される。
肺胞の検出は、組織マスクの形態的なフィルタリングにより行われる(FilterTissueMaskを参照すること)。アルゴリズムの目標は、処理後にクモの巣状の形状の組織だけが残るように組織マスクをフィルタリングすることである。ステップは以下の通りである。
1.画像は、実行速度を最大化するために2.5xという有効倍率まで初期にダウンサンプルされる。
2.組織マスクは、テクスチャ明度法を使用して計算される。
3.メジアンフィルタが雑音を抑制するために適用される。
4.画像は反転され、形態的な閉鎖演算が円盤構造要素を使用して実行される。これにより画像から脂肪組織が除去される。
5.残った組織の島状構造がサイズフィルタリングにより除去される。
6.ガードバンドが、第2のサイズのフィルタが適用される器官拡大により残りの組織領域の回りに設置される。
7.結果として生じるマスクは初期の組織マスクと結合され、脂肪組織を形成する。
8.画像はその元の大きさにサンプリングし直される。
呼吸上皮細胞
呼吸上皮細胞は核密度に「二重閾値」を適用し、間違った形状の領域を除去することにより検出される。ステップは以下の通りである。
1.核マスクが計算され(FilterNucleiを参照すること)、脂肪マスクの補完物と交差される。これにより非脂肪組織に対する上皮細胞の検索が削減される。
2.平均化フィルタを使用して核密度マップが計算され、より高い密度の領域を分割するために閾値が適用される。核分割はときおり核の評価を誤ることがあるため、閾値は密度の削減された平均を基準にして求められる。次に手順は(固定閾値を使用して)結果として生じるマスクに対して繰り返され、高い核密度領域の高い濃度を有する領域を検出する。これらは潜在的な上皮領域である。
3.形態的な閉鎖演算は潜在的な上皮領域を結合するために適用される。
4.形状フィルタは、所望されるサイズ範囲外である、あるいは曲線的すぎる領域を削除するために適用される。サイズ範囲の上部により近い領域の場合、さらに厳しい形状基準が使用される。
呼吸上皮細胞は核密度に「二重閾値」を適用し、間違った形状の領域を除去することにより検出される。ステップは以下の通りである。
1.核マスクが計算され(FilterNucleiを参照すること)、脂肪マスクの補完物と交差される。これにより非脂肪組織に対する上皮細胞の検索が削減される。
2.平均化フィルタを使用して核密度マップが計算され、より高い密度の領域を分割するために閾値が適用される。核分割はときおり核の評価を誤ることがあるため、閾値は密度の削減された平均を基準にして求められる。次に手順は(固定閾値を使用して)結果として生じるマスクに対して繰り返され、高い核密度領域の高い濃度を有する領域を検出する。これらは潜在的な上皮領域である。
3.形態的な閉鎖演算は潜在的な上皮領域を結合するために適用される。
4.形状フィルタは、所望されるサイズ範囲外である、あるいは曲線的すぎる領域を削除するために適用される。サイズ範囲の上部により近い領域の場合、さらに厳しい形状基準が使用される。
胎盤
インプリメンテーション:FilterPlacenta
特定の構造が検出される必要はないため、胎盤内の重要な領域を選択するためには、一般組織位置が使用される。基本的な概念は、組織が存在する画像の領域を特定する(つまり、ホワイトスペースの大きな領域を回避する)ことである。したがって、アルゴリズムは以下の2つのステップから構成される。
1.ベクタ赤シグナチャは、ガラスへの非特殊抗体結合の場合に、偽の警報を回避するために抑制される。
2.ホワイトスペースマスクは、テクスチャ−明度法を使用して計算され、マスクは反転される(ポジがネガになり、ネガがポジになる)。
3.組織内の小さなホワイトスペースの穴、及びホワイトスペースの材料の小さなしみなどのノイズの多い領域を「取り除く」ためにメジアンフィルタが適用される。これには、ROI選択結果の質を改善する効果がある。メジアンフィルタウィンドウのサイズは画像倍率に比例し、比例定数は組織ごとに調整できる。
インプリメンテーション:FilterPlacenta
特定の構造が検出される必要はないため、胎盤内の重要な領域を選択するためには、一般組織位置が使用される。基本的な概念は、組織が存在する画像の領域を特定する(つまり、ホワイトスペースの大きな領域を回避する)ことである。したがって、アルゴリズムは以下の2つのステップから構成される。
1.ベクタ赤シグナチャは、ガラスへの非特殊抗体結合の場合に、偽の警報を回避するために抑制される。
2.ホワイトスペースマスクは、テクスチャ−明度法を使用して計算され、マスクは反転される(ポジがネガになり、ネガがポジになる)。
3.組織内の小さなホワイトスペースの穴、及びホワイトスペースの材料の小さなしみなどのノイズの多い領域を「取り除く」ためにメジアンフィルタが適用される。これには、ROI選択結果の質を改善する効果がある。メジアンフィルタウィンドウのサイズは画像倍率に比例し、比例定数は組織ごとに調整できる。
前立腺
インプリメンテーション:FilterProstateMap
前立腺では2つの構造、つまり腺と巣路と間が認識される。
インプリメンテーション:FilterProstateMap
前立腺では2つの構造、つまり腺と巣路と間が認識される。
腺
腺は、それらを取り囲む上皮細胞のリングによって認識される。腺検出のための手順は、形態的な演算のシーケンス後に試験のシーケンスが続く2ステッププロセスを必要とする。第1のステップの場合、核マスクで開始し、アルゴリズム演算の以下のシーケンスにより候補腺領域を得る。
1.核は前述された手順を使用して拡大される。これは、ともに近い核を連結する効果がある。
2.クリーンアップアルゴリズムが、上皮性ではない拡大した核を除去するために実行される。これには、隔離された核が漸次的に除去される反復する一連の試験が必要になる。
3.小さな構成要素は連結された構成要素の標識化により除去され、結果として生じる画像は反転される(つまり、オンであるピクセルはオフにされ、オフであるピクセルはオンである)。
4.円盤状の構造要素を使用して、形態的な開放演算が実行される。この結果、候補腺領域がマーキングされるバイナリマスクが生じる。
5.候補腺領域内の残りの穴は充填され、多くの「形態的な構成要素」を生じさせる。
腺は、それらを取り囲む上皮細胞のリングによって認識される。腺検出のための手順は、形態的な演算のシーケンス後に試験のシーケンスが続く2ステッププロセスを必要とする。第1のステップの場合、核マスクで開始し、アルゴリズム演算の以下のシーケンスにより候補腺領域を得る。
1.核は前述された手順を使用して拡大される。これは、ともに近い核を連結する効果がある。
2.クリーンアップアルゴリズムが、上皮性ではない拡大した核を除去するために実行される。これには、隔離された核が漸次的に除去される反復する一連の試験が必要になる。
3.小さな構成要素は連結された構成要素の標識化により除去され、結果として生じる画像は反転される(つまり、オンであるピクセルはオフにされ、オフであるピクセルはオンである)。
4.円盤状の構造要素を使用して、形態的な開放演算が実行される。この結果、候補腺領域がマーキングされるバイナリマスクが生じる。
5.候補腺領域内の残りの穴は充填され、多くの「形態的な構成要素」を生じさせる。
第2のステップは、形態的な構成要素を標識化し、2つの試験を実行することから構成される。標識化された構成要素ごとに、以下を計算する。
1.(ピクセル単位の)構成要素の領域対核により占有されるその領域の部分の割合
2.構成要素の領域対元の画像の明度分割から生じる真中のグレイレベル値を有するピクセルによって占有されるその領域の部分の割合
割合がともにそれらのそれぞれの閾値を上回る場合、構成要素は腺と標識化される。
1.(ピクセル単位の)構成要素の領域対核により占有されるその領域の部分の割合
2.構成要素の領域対元の画像の明度分割から生じる真中のグレイレベル値を有するピクセルによって占有されるその領域の部分の割合
割合がともにそれらのそれぞれの閾値を上回る場合、構成要素は腺と標識化される。
ストロマ
ストロマ検出は、上皮性細胞を明らかにするために検出された腺を拡大し、画像を反転することにより実行される。原則的には、これによりストロママスクが生じる。しかしながら、前記アルゴリズムが腺を見逃した場合には、領域はストロマとして不正確に標識化され、ROIセレクタに腺内のストロマROIの位置を見つけさせることがある。この問題を緩和するために、初期ストロママスクはホワイトスペース(組織マスク)の補完物と交差する。これによりホワイトスペース及びあらゆる見逃した腺の内部が除去される。
ストロマ検出は、上皮性細胞を明らかにするために検出された腺を拡大し、画像を反転することにより実行される。原則的には、これによりストロママスクが生じる。しかしながら、前記アルゴリズムが腺を見逃した場合には、領域はストロマとして不正確に標識化され、ROIセレクタに腺内のストロマROIの位置を見つけさせることがある。この問題を緩和するために、初期ストロママスクはホワイトスペース(組織マスク)の補完物と交差する。これによりホワイトスペース及びあらゆる見逃した腺の内部が除去される。
精巣
インプリメンテーション:FilterTestisMap
このアルゴリズムは、精巣の組織間腔領域及びライディヒ細胞をマッピングするように設計されている。初期ステップは、画像を核とホワイトスペース/組織層画像に分割することである。次に、核画像から核密度が計算されてから、閾値とされる。初期組織間腔領域は、組織/ホワイトスペース画像と核密度画像の「排他的論理輪」(つまり絶対差)を取ることにより検出される。
インプリメンテーション:FilterTestisMap
このアルゴリズムは、精巣の組織間腔領域及びライディヒ細胞をマッピングするように設計されている。初期ステップは、画像を核とホワイトスペース/組織層画像に分割することである。次に、核画像から核密度が計算されてから、閾値とされる。初期組織間腔領域は、組織/ホワイトスペース画像と核密度画像の「排他的論理輪」(つまり絶対差)を取ることにより検出される。
候補ライディヒ細胞領域は、元の画像と組織間腔領域の積を取ることにより検出される。候補ライディヒ細胞は、過去のライディヒ細胞領域画像と核密度画像の積を取ることにより検出される。最終的な細胞はサイズ基準を使用して閾値とすることにより特定される。
胸腺
インプリメンテーション:FilterThymusMap
胸腺で認識される関連する特徴はリンパ球及びハッサル小体である。これらの特徴の低倍率での直接的な認識は実行できない。しかしながら、両方とも他の情報を使用して間接的に検出できる。
インプリメンテーション:FilterThymusMap
胸腺で認識される関連する特徴はリンパ球及びハッサル小体である。これらの特徴の低倍率での直接的な認識は実行できない。しかしながら、両方とも他の情報を使用して間接的に検出できる。
リンパ球
リンパ球は、胸腺の皮質領域内の高い濃度で検出される。したがって、皮質を特定するアルゴリズムは、リンパ球も高い確率でマーキングする。皮質はその高い核密度により認識される。高密度の領域を得るために密度マップに閾値が適用され、後に、カバレージを改善し、ともに近い領域を結合するために雑音及び形態的な器官拡張ステップを削除するためのメジアンフィルタリングが行われる。この方法は100%のカバレージを保証しないが、一貫して、リンパ球の位置を見つけるのに十分な皮質領域をマーキングする。
リンパ球は、胸腺の皮質領域内の高い濃度で検出される。したがって、皮質を特定するアルゴリズムは、リンパ球も高い確率でマーキングする。皮質はその高い核密度により認識される。高密度の領域を得るために密度マップに閾値が適用され、後に、カバレージを改善し、ともに近い領域を結合するために雑音及び形態的な器官拡張ステップを削除するためのメジアンフィルタリングが行われる。この方法は100%のカバレージを保証しないが、一貫して、リンパ球の位置を見つけるのに十分な皮質領域をマーキングする。
ハッサル小体
(ROI選択のための)潜在的な小体のマップは、胸腺髄質内に「間隙」を検出し、その後小体である可能性が低いオブジェクト排除するために試験を適用することにより得ることができる。潜在的な小体はホワイトスペースではなく、髄質(中程度の核密度の領域)で囲まれている低核密度の領域である。偽の警報を削減するために、サイズ及び形状フィルタリングが行われる。アルゴリズムステップは、以下の通りである。
1.核密度マップを閾値とすることにより低核密度の領域を検出し、雑音を削減するためにメジアンフィルタを適用する。
2.組織領域を検出し(FilterTissueMaskを参照すること)、雑音を削減するためにメジアンフィルタを適用する。
3.ハッサル小体で第1のパスを得るために組織マスクと低核密度領域を交差させる。
4.第1のパスハッサル小体を皮質と結合する。これは、それらを大きさでフィルタリングし除去できるようにそれらをさらに大きくすることにより皮質に連結されるブロブを回避するのに役立つ。
5.間違った大きさ/形状の組み合わせのオブジェクトを除去する。
6.その周縁が十分な数の髄質ピクセルで境界を付けられていないオブジェクトを削除する。
(ROI選択のための)潜在的な小体のマップは、胸腺髄質内に「間隙」を検出し、その後小体である可能性が低いオブジェクト排除するために試験を適用することにより得ることができる。潜在的な小体はホワイトスペースではなく、髄質(中程度の核密度の領域)で囲まれている低核密度の領域である。偽の警報を削減するために、サイズ及び形状フィルタリングが行われる。アルゴリズムステップは、以下の通りである。
1.核密度マップを閾値とすることにより低核密度の領域を検出し、雑音を削減するためにメジアンフィルタを適用する。
2.組織領域を検出し(FilterTissueMaskを参照すること)、雑音を削減するためにメジアンフィルタを適用する。
3.ハッサル小体で第1のパスを得るために組織マスクと低核密度領域を交差させる。
4.第1のパスハッサル小体を皮質と結合する。これは、それらを大きさでフィルタリングし除去できるようにそれらをさらに大きくすることにより皮質に連結されるブロブを回避するのに役立つ。
5.間違った大きさ/形状の組み合わせのオブジェクトを除去する。
6.その周縁が十分な数の髄質ピクセルで境界を付けられていないオブジェクトを削除する。
甲状腺
インプリメンテーション:FilterThyroidMap、FilterThyroidZone
甲状腺の単一の重要な構造は小胞である。このアルゴリズムは、核を欠いており、適切な大きさと形状の範囲内にある領域を取り囲む核構造を選択することにより甲状腺内の卵胞細胞をマッピングする。これは、以下のステップで達成される。
1.核マスクが得られる(FilterNucleiを参照すること)。
2.核は「線」方法(FilterJoinComponentsを参照すること)を使用してともに近い構成要素を連結するアルゴリズムで結合される。結果は、ホワイトスペースまたは小胞の内部のどちらかである領域を隔離することである。
3.画像が反転され、個別オブジェクトを分離するために形態的に大きな構造要素で開放される。結果として生じるオブジェクトは小胞またはホワイトスペースのどちらかである。
4.形状フィルタは、「通常の」外観の小胞であるには十分に曲線的ではないオブジェクトを削除するために適用される。
5.ガードバンドは、形態的な器官拡張演算を使用して残りのオブジェクトの回りに作成され、結果的に生じる画像は排他的和集合演算(XOR)により過去と結合される。これにより、卵胞細胞の位置をマーキングするリングが生じる。
インプリメンテーション:FilterThyroidMap、FilterThyroidZone
甲状腺の単一の重要な構造は小胞である。このアルゴリズムは、核を欠いており、適切な大きさと形状の範囲内にある領域を取り囲む核構造を選択することにより甲状腺内の卵胞細胞をマッピングする。これは、以下のステップで達成される。
1.核マスクが得られる(FilterNucleiを参照すること)。
2.核は「線」方法(FilterJoinComponentsを参照すること)を使用してともに近い構成要素を連結するアルゴリズムで結合される。結果は、ホワイトスペースまたは小胞の内部のどちらかである領域を隔離することである。
3.画像が反転され、個別オブジェクトを分離するために形態的に大きな構造要素で開放される。結果として生じるオブジェクトは小胞またはホワイトスペースのどちらかである。
4.形状フィルタは、「通常の」外観の小胞であるには十分に曲線的ではないオブジェクトを削除するために適用される。
5.ガードバンドは、形態的な器官拡張演算を使用して残りのオブジェクトの回りに作成され、結果的に生じる画像は排他的和集合演算(XOR)により過去と結合される。これにより、卵胞細胞の位置をマーキングするリングが生じる。
子宮
インプリメンテーション:FilterUterusZone
ストロマ、平滑筋及び腺という3つの構造が子宮内で認識される。アルゴリズムは、最初に入力画像を核、細胞形質およびホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。
インプリメンテーション:FilterUterusZone
ストロマ、平滑筋及び腺という3つの構造が子宮内で認識される。アルゴリズムは、最初に入力画像を核、細胞形質およびホワイトスペースに分割する。分割結果に基づき、それぞれのクラスの「密度マップ」が計算される。
ストロマ
潜在的なストロマ領域を決定する場合、核密度マップを分割するためにOtsu閾値を適用する。核密度がOtsu閾値を超える領域は潜在的なストロマ領域として標識化される。次に、大きさをベースにしたフィルタがスプリアスストロマ領域を除去するために使用される。潜在的なストロママップの中の各ブロブの中の穴を充填するために、形態的な閉鎖演算及びフラッドフィル演算が適用される。
潜在的なストロマ領域を決定する場合、核密度マップを分割するためにOtsu閾値を適用する。核密度がOtsu閾値を超える領域は潜在的なストロマ領域として標識化される。次に、大きさをベースにしたフィルタがスプリアスストロマ領域を除去するために使用される。潜在的なストロママップの中の各ブロブの中の穴を充填するために、形態的な閉鎖演算及びフラッドフィル演算が適用される。
平滑筋
潜在的な筋肉領域を決定するために、ストロマとして標識化されておらず、核密度マップが実験的に求められた閾値を超えるすべての領域を検出する。
潜在的な筋肉領域を決定するために、ストロマとして標識化されておらず、核密度マップが実験的に求められた閾値を超えるすべての領域を検出する。
腺
腺を検出するため、以下のステップに従う。
1.核密度が実験的に求められた閾値以下である領域を検出する。大きさをベースにしたフィルタは、結果として生じる領域を除去するために使用される。
2.ストロマ領域と交差していない潜在的な腺を取り除く。ここで潜在的な腺を表すそれぞれのブロブは領域成長演算のためのシードと見なすことができる。
3.成長が如何なる核領域を越えない限り領域の成長を可能にするだけである特殊シード領域成長演算を繰り返し実行する。シード領域生長演算が繰り返される回数は実験的に求められる。スプリアス腺を取り除くために大きさをベースにしたフィルタを適用し、後に腺の中の穴を除去し、それらを追加の分析のために少し「太らせる」ために、形態的な器官拡張演算及びフラッドフィル演算が後に続く。
4.核密度マップを分割し、核密度が閾値を超える(その閾値は実験的に求められる)領域を保持することにより潜在的な腺を囲む上皮細胞を標識化する。これにより、腺の隣の上皮細胞上のピクセルだけが「オン」であるマップが作成される。マップの中のブロブは、それらが過去に推定された潜在的な腺に部分的に重複するように拡張される。
5.潜在的な腺ごとに、周縁(p)及び過去のステップからのマップと重複するpの端数rを計算する。pに閾値を適用し、そのr値が指定される閾値を超える腺を保持する。演算のこのシーケンスの結果は、それらを取り囲む上皮細胞の十分な量を有していない潜在的な腺を取り除くことである。これにより、腺と間違われることのある血管が削除される。
表5の終わり
腺を検出するため、以下のステップに従う。
1.核密度が実験的に求められた閾値以下である領域を検出する。大きさをベースにしたフィルタは、結果として生じる領域を除去するために使用される。
2.ストロマ領域と交差していない潜在的な腺を取り除く。ここで潜在的な腺を表すそれぞれのブロブは領域成長演算のためのシードと見なすことができる。
3.成長が如何なる核領域を越えない限り領域の成長を可能にするだけである特殊シード領域成長演算を繰り返し実行する。シード領域生長演算が繰り返される回数は実験的に求められる。スプリアス腺を取り除くために大きさをベースにしたフィルタを適用し、後に腺の中の穴を除去し、それらを追加の分析のために少し「太らせる」ために、形態的な器官拡張演算及びフラッドフィル演算が後に続く。
4.核密度マップを分割し、核密度が閾値を超える(その閾値は実験的に求められる)領域を保持することにより潜在的な腺を囲む上皮細胞を標識化する。これにより、腺の隣の上皮細胞上のピクセルだけが「オン」であるマップが作成される。マップの中のブロブは、それらが過去に推定された潜在的な腺に部分的に重複するように拡張される。
5.潜在的な腺ごとに、周縁(p)及び過去のステップからのマップと重複するpの端数rを計算する。pに閾値を適用し、そのr値が指定される閾値を超える腺を保持する。演算のこのシーケンスの結果は、それらを取り囲む上皮細胞の十分な量を有していない潜在的な腺を取り除くことである。これにより、腺と間違われることのある血管が削除される。
表5の終わり
結腸162の組織タイプについて重要な構造の存在を決定する例を続行すると、表5は構造−識別アルゴリズムFilterColonZoneが、どのようにして結腸組織の細胞パターンを相互に関連付け、上皮細胞、平滑筋、粘膜下組織、及び筋性粘膜組織構成要素の1つまたは複数の存在を決定するのかの追加説明を行う。
表6は、基本的な組織構成要素特徴の抽出または分割のためのフィルタクラス180の複数のフィルタに関するさらに追加の説明を行う。
表6は、基本的な組織構成要素特徴の抽出または分割のためのフィルタクラス180の複数のフィルタに関するさらに追加の説明を行う。
表6
明度画像分割
インプリメンテーション:Segment、FilterSegment
この基本的なアルゴリズムは、ソースRGB画像から3レベルのグレイスケール画像を生成する。多くの視野タスクにとって、データをバイナリ画像に縮小することが適切である。組織学的な画像における自然の縮小は、一般的には(明度の順序で)核領域、細胞形質領域及びホワイトスペース領域に対応する3つの根本的な領域があるため三重画像である。RGB画像は、二乗平均平方根(RMS)平均画像を撮影することにより、最初にグレイスケールに変換される。次のステップは、すべてのグレイレベル値(濃い方の値がより低く、明るい方の値がより高い)を並べ替えることである。最後に、値は以下のようにクラスタ化される。C1をピクセルの最も濃いD%の平均(ここでDは通常20である)とし、C2を「真中」45%から55%の平均とし、C3を並べ替えられた値の上位T%とする(ここでTは通常10である)。次に、ピクセルは、どのC1がそのグレイ値に最も近いのかに応じて3つのグループの内の1つに格納される。0から20%、45から55%、及び90から100%を上回る領域が多くの組織に効果があり、組織単位で順応して(実験的に)選ぶことができる。照度の変動、特に「バレル歪曲」のために、前記手順が局所的に行われる場合よりさらによくなる場合がある。こうするためには、小さなウィンドウがその中の照度が一様となるように選ばれ、このウィンドウは画像全体を横切って動かされる。
明度画像分割
インプリメンテーション:Segment、FilterSegment
この基本的なアルゴリズムは、ソースRGB画像から3レベルのグレイスケール画像を生成する。多くの視野タスクにとって、データをバイナリ画像に縮小することが適切である。組織学的な画像における自然の縮小は、一般的には(明度の順序で)核領域、細胞形質領域及びホワイトスペース領域に対応する3つの根本的な領域があるため三重画像である。RGB画像は、二乗平均平方根(RMS)平均画像を撮影することにより、最初にグレイスケールに変換される。次のステップは、すべてのグレイレベル値(濃い方の値がより低く、明るい方の値がより高い)を並べ替えることである。最後に、値は以下のようにクラスタ化される。C1をピクセルの最も濃いD%の平均(ここでDは通常20である)とし、C2を「真中」45%から55%の平均とし、C3を並べ替えられた値の上位T%とする(ここでTは通常10である)。次に、ピクセルは、どのC1がそのグレイ値に最も近いのかに応じて3つのグループの内の1つに格納される。0から20%、45から55%、及び90から100%を上回る領域が多くの組織に効果があり、組織単位で順応して(実験的に)選ぶことができる。照度の変動、特に「バレル歪曲」のために、前記手順が局所的に行われる場合よりさらによくなる場合がある。こうするためには、小さなウィンドウがその中の照度が一様となるように選ばれ、このウィンドウは画像全体を横切って動かされる。
アルゴリズムに関する2つの変動は、画像の可変性に対処するために実現された。最初に、C1は下位2%の平均と解釈され、C3は上位2%の平均であり、C2は合計である。
前記方式は、3色画像を生成するためにこれらの値を使用して適用される。値t=.15が多くの組織にきわめて効果がある。残念なことにこの方法は、グレイレベル値の該少なくとも上位2%が実際にはホワイトスペースであることを暗に仮定している。この仮定は(例えば、いくつかの肝臓の画像など)ときおり外れる。第2の変動は、ホワイトスペースに一致するグレイレベルの領域を推定しようとする。使用されている基準は、ホワイトスペースが非常に平坦である、あるいはほとんどテクスチャを有していないという点である。したがって(小さなパッチでは)平均からのグレイ値の変動はゼロに近い。このケースでは、C3は、関連付けられたピクセルがそれについてのウィンドウで小さな標準偏差を有するそれらのグレイ値の平均として解釈される。前記のように、C1とC2が選ばれる。
核分割
明度−カラー方法
インプリメンテーション:FilterNuclei
核分割に対する2つの手法が開発された。第1では、核は、明度と色の情報の組み合わせにより分割される(それらの対応するピクセルが標識化される)。2つのバイナリマスクが計算され、論理ANDブール演算を使用して結合され、考えられる最善の核マスクを作成する。第1のマスクは前述された明度分割により生成された暗い(最低の明度レベル)ピクセルから得られる。第2のマスクは、画像内の各ピクセルに対して以下の試験を実行することにより得られる。
明度−カラー方法
インプリメンテーション:FilterNuclei
核分割に対する2つの手法が開発された。第1では、核は、明度と色の情報の組み合わせにより分割される(それらの対応するピクセルが標識化される)。2つのバイナリマスクが計算され、論理ANDブール演算を使用して結合され、考えられる最善の核マスクを作成する。第1のマスクは前述された明度分割により生成された暗い(最低の明度レベル)ピクセルから得られる。第2のマスクは、画像内の各ピクセルに対して以下の試験を実行することにより得られる。
ホワイトスペース分割
ホワイトスペース分割のための2つの方法が説明される。第1は明度画像分割に基づいている。第2は明度と組み合わせてテクスチャマップを使用する。
ホワイトスペース分割のための2つの方法が説明される。第1は明度画像分割に基づいている。第2は明度と組み合わせてテクスチャマップを使用する。
明度方法
インプリメンテーション:Segment、FilterWhiteSpace
この方法は、前述された明度分割アルゴリズムの結果から上位明度レベルを抽出するにすぎない。この手法は、心臓及び骨格筋などの画像を通して均一に分散される少量のホワイトスペースを有する傾向がある組織タイプで効果がある。
インプリメンテーション:Segment、FilterWhiteSpace
この方法は、前述された明度分割アルゴリズムの結果から上位明度レベルを抽出するにすぎない。この手法は、心臓及び骨格筋などの画像を通して均一に分散される少量のホワイトスペースを有する傾向がある組織タイプで効果がある。
テクスチャ明度方法
インプリメンテーション:FilterTextureMap、FilterTissueMask、FilterWhiteSpace
この方法の前提は、組織領域及び非組織領域が、それらのテクスチャ及び明度の組み合わせによって分離できるという点である。ホワイトスペースは2つのバイナリマスク画像の組み合わせで得られる。第1のマスクはテクスチャ閾値を適用した結果生じる。第1のマスクを使用して、明度閾値が計算され、次に第1と結合される第2のマスクを得るために適用される。
インプリメンテーション:FilterTextureMap、FilterTissueMask、FilterWhiteSpace
この方法の前提は、組織領域及び非組織領域が、それらのテクスチャ及び明度の組み合わせによって分離できるという点である。ホワイトスペースは2つのバイナリマスク画像の組み合わせで得られる。第1のマスクはテクスチャ閾値を適用した結果生じる。第1のマスクを使用して、明度閾値が計算され、次に第1と結合される第2のマスクを得るために適用される。
第1の(テクスチャベースの)マスクを得るために、テクスチャマップは分散ベースの基準を使用して明度画像から計算される(FilterTextureMapを参照すること)。(通常は、0.5から1.0の範囲であるが、前処理ステップに応じて変化する)閾値をテクスチャマップに適用すると、高テクスチャ領域がポジであり、低テクスチャ領域がネガであるバイナリ画像が生じる。テクスチャ画像からネガ(低テクスチャ)ピクセルだけを取り、単純な統計(平均明度から標準偏差の2倍を差し引く)を使用して明度閾値を計算できる。この閾値の適用により、明るい方の領域がポジであり、暗いほうの領域がネガである第2のバイナリ画像が生成される。最終的には、ホワイトスペースマスクは、テクスチャベースのマスクからの対応するピクセルがネガであるか、あるいは明度ベースのマスクからの対応するピクセルがポジである場合にピクセルがポジ(ホワイトスペース)である第3のバイナリマスクを作成することにより得られる。
この手法は、組織テクスチャがホワイトスペースの組織テクスチャと異なるケースで効果がある。このような組織タイプは結腸、脾臓及び肺を含む。
この手法は、組織テクスチャがホワイトスペースの組織テクスチャと異なるケースで効果がある。このような組織タイプは結腸、脾臓及び肺を含む。
ベクタ赤分割
インプリメンテーション:Segment
ベクタ赤(VR)は大部分の組織に一貫して存在すると仮定できないが、VRでタグが付けられた抗体が、血管内皮細胞及び糸球体細胞などの特定の種類の細胞につねに結合するため、他の手段により構造認識から結果を改善するために使用できるケースがある。多くの画像について、VR分割は青いチャネルを基準にした赤いチャネルの明度の比較によって達成できる。指定されたピクセルの赤いチャネル値が対応する青のチャネル値より設定されたマージン分大きい場合には、ピクセルはVRとマーキングされる。
インプリメンテーション:Segment
ベクタ赤(VR)は大部分の組織に一貫して存在すると仮定できないが、VRでタグが付けられた抗体が、血管内皮細胞及び糸球体細胞などの特定の種類の細胞につねに結合するため、他の手段により構造認識から結果を改善するために使用できるケースがある。多くの画像について、VR分割は青いチャネルを基準にした赤いチャネルの明度の比較によって達成できる。指定されたピクセルの赤いチャネル値が対応する青のチャネル値より設定されたマージン分大きい場合には、ピクセルはVRとマーキングされる。
ベクタ赤抑制
インプリメンテーション:FilterSuppressVR
標本の中の高レベルのベクタ赤(VR)が特徴抽出アルゴリズムに大きく影響を及ぼすことがある。抑制されない線形アンミックス(unmixing)として知られている遠隔分光技法を使用して、画像内のVRシグナチャは所望される任意の範囲までデジタル抑制できる。線形アンミックスは、ピクセルのスペクトル光学的深さが線形混合プロセスの結果であるという仮定から始まっており、
インプリメンテーション:FilterSuppressVR
標本の中の高レベルのベクタ赤(VR)が特徴抽出アルゴリズムに大きく影響を及ぼすことがある。抑制されない線形アンミックス(unmixing)として知られている遠隔分光技法を使用して、画像内のVRシグナチャは所望される任意の範囲までデジタル抑制できる。線形アンミックスは、ピクセルのスペクトル光学的深さが線形混合プロセスの結果であるという仮定から始まっており、
ここでdは、赤、緑及び青のピクセル光学的深さのベクタであり、aはピクセルの構成要素の相対存在量のベクタであり、eはモデルエラーであり、Mは、列が構成要素の正規化されたカラーシグナチャを含む行列である。光学的深さ値は、以下の公式で求められ、
現在、混合モデルで使用される構成要素は、VR、ヘマトキシリン、及びホワイトスペースである。後者は、すべての色が等しい重みを有する「グレイ」シグナチャによって表される。VRシグナチャを抑制するために、擬似逆転方法の使用を推定し、
範囲[0,1]の中の係数でVRに対応するの要素を乗算し、0という値は完全VR抑制に相当し、1という値は抑制なしに相当する。最後に、新しい光学的深さのベクタは、第1の式を新しい存在量ベクタに適用することにより得られ、VR抑制済みRGB画像が形成し直される。このアルゴリズムは、ピクセルの色がモデルの中の構成要素からだけ引き出されると仮定している。他の色/染色は予測不可能な結果を生じさせるが、効果は影響を及ぼされたピクセルだけに限定される。
表6の終わり
表6の終わり
表7は、分割された画像から測定される統計のマップを作成するフィルタクラス180の組織マッピングツールの代替実施形態の追加説明を行う。
表7
核マッピング
1つの有益な基準は画像内のある特定の点での核の密度である。単純線密度及びフラクタル密度の2種類の核密度基準が作成された。
核マッピング
1つの有益な基準は画像内のある特定の点での核の密度である。単純線密度及びフラクタル密度の2種類の核密度基準が作成された。
線密度
インプリメンテーション:FilterFastAverage
線密度は、指定された大きさの平均化ウィンドウを使用してバイナリ核マスクを畳み込む(convolving)ことにより計算される。これは、核と呼ばれている画像領域の平均分数の書くピクセルでの基準となる。このような情報は胸腺などの組織内でのマッピングゾーンで有効である。
インプリメンテーション:FilterFastAverage
線密度は、指定された大きさの平均化ウィンドウを使用してバイナリ核マスクを畳み込む(convolving)ことにより計算される。これは、核と呼ばれている画像領域の平均分数の書くピクセルでの基準となる。このような情報は胸腺などの組織内でのマッピングゾーンで有効である。
フラクタル密度
インプリメンテーション:FilterFractalDensity
フラクタル記述子は、さまざまな尺度全体で自己相似構造の複雑さを測定する。フラクタル密度(FD)マッピングは、核分散の局所的な不均一性を測定し、多くの場合フラクタル寸法と呼ばれる。FDを実現する1つの方法は、ボックスカウント手法である。画像を大きさLxLの正方形のボックスに仕切り、核として標識化される少なくとも1個のピクセルを含むボックスのN(L)の数をカウントすることによりこの手法の1つの変動を実現する。FDはlog(N(L))xlog(L)プロットに補間される線の傾きの絶対値として計算できる。画像内の指定されたパターンで指定されたサイズLから開始するボックスサイズのシーケンスは、通常あるレベルから次のレベルまで1/2で削減される。FD測定値2>FD>1は、通常最もフラクタルな領域に相当し、さらに複雑な形状情報を暗示する。
インプリメンテーション:FilterFractalDensity
フラクタル記述子は、さまざまな尺度全体で自己相似構造の複雑さを測定する。フラクタル密度(FD)マッピングは、核分散の局所的な不均一性を測定し、多くの場合フラクタル寸法と呼ばれる。FDを実現する1つの方法は、ボックスカウント手法である。画像を大きさLxLの正方形のボックスに仕切り、核として標識化される少なくとも1個のピクセルを含むボックスのN(L)の数をカウントすることによりこの手法の1つの変動を実現する。FDはlog(N(L))xlog(L)プロットに補間される線の傾きの絶対値として計算できる。画像内の指定されたパターンで指定されたサイズLから開始するボックスサイズのシーケンスは、通常あるレベルから次のレベルまで1/2で削減される。FD測定値2>FD>1は、通常最もフラクタルな領域に相当し、さらに複雑な形状情報を暗示する。
他のツール
核の拡大及び収縮
インプリメンテーション:FilterExpandNuclei、FilterErodeNuclei
核を拡大及び縮小することは、いくつかの構造マスクを計算するプロセスで有効である。概念では形態的な器官拡張及び侵食に類似しているが、インプリメンテーションは著しく異なる。拡大演算では、マスク内の各ピクセルの回りの隣接するピクセルの近隣は、正である(ゼロではない)ピクセルの存在がないかチェックされる。非ゼロピクセルの数が閾値を超える場合には、近隣のすべてのピクセルが「オン」になる(つまり、非ゼロ値を与えられる)。それ以外の場合、それらは「オフ」になる(つまりゼロに設定される)。閾値に応じて、小さな隔離された領域が、フィルタリング機能を提供するアルゴリズムによって除去できることに注意する。
核の拡大及び収縮
インプリメンテーション:FilterExpandNuclei、FilterErodeNuclei
核を拡大及び縮小することは、いくつかの構造マスクを計算するプロセスで有効である。概念では形態的な器官拡張及び侵食に類似しているが、インプリメンテーションは著しく異なる。拡大演算では、マスク内の各ピクセルの回りの隣接するピクセルの近隣は、正である(ゼロではない)ピクセルの存在がないかチェックされる。非ゼロピクセルの数が閾値を超える場合には、近隣のすべてのピクセルが「オン」になる(つまり、非ゼロ値を与えられる)。それ以外の場合、それらは「オフ」になる(つまりゼロに設定される)。閾値に応じて、小さな隔離された領域が、フィルタリング機能を提供するアルゴリズムによって除去できることに注意する。
縮小演算は、拡大と同じ基本手順に従うが、非ゼロピクセルの数が指定された閾値未満である場合には、近隣ピクセルは「オフ」になる。
オブジェクト結合
インプリメンテーション:FilterJoinComponents
2つの方法の1つは、ともに近いオブジェクトの間の背景に記入するために使用される。両方のケースで、ウィンドウサイズが指定され、ウィンドウは入力画像内の各ピクセル上に置かれる。ライン方法では、中心ピクセルが非ゼロ値を有する場合には、それは2個のピクセルを連結する直線セグメントによりそのウィンドウ内のそれぞれの非ゼロピクセルに結合される(つまり、連結線上の各ピクセルがオンになる)。質量中心方法では、ピクセルの質量中心が計算され、オンになる。
インプリメンテーション:FilterJoinComponents
2つの方法の1つは、ともに近いオブジェクトの間の背景に記入するために使用される。両方のケースで、ウィンドウサイズが指定され、ウィンドウは入力画像内の各ピクセル上に置かれる。ライン方法では、中心ピクセルが非ゼロ値を有する場合には、それは2個のピクセルを連結する直線セグメントによりそのウィンドウ内のそれぞれの非ゼロピクセルに結合される(つまり、連結線上の各ピクセルがオンになる)。質量中心方法では、ピクセルの質量中心が計算され、オンになる。
重要な領域の選択
インプリメンテーション:FilterROISelector
ステップは、追加の分析のためにシステムに、高倍率画像が収集されなければならない組織内の位置を与えるために低倍率画像から重要な領域(ROI)を選択することである。組織内の関心をひく領域は重要な構造と関連付けられた領域である。
ROI選択プロセスは、組織断面で腺、管路等のある特定の構造タイプの位置をマーキングするために計算されたバイナリマスクで開始する。このようなマスクを作成するために使用されるアルゴリズムは本書の他の個所で説明されている。ROIの所望されている数を考慮すると、マスク画像はさらに多数のほぼ等しい大きさの断面に分割される。断面ごとに、候補ROIの中心のために最適な位置が選択される。各候補ROIは、次に、マスクが正の値を有するROI内のピクセルの端数を計算することにより「スコアが計算され」、所望される構造がどの程度まで存在するのかを示す。次にROIは重複制約でスコアごとに並べ替えられ、上位スコアのROIが選択される。
インプリメンテーション:FilterROISelector
ステップは、追加の分析のためにシステムに、高倍率画像が収集されなければならない組織内の位置を与えるために低倍率画像から重要な領域(ROI)を選択することである。組織内の関心をひく領域は重要な構造と関連付けられた領域である。
ROI選択プロセスは、組織断面で腺、管路等のある特定の構造タイプの位置をマーキングするために計算されたバイナリマスクで開始する。このようなマスクを作成するために使用されるアルゴリズムは本書の他の個所で説明されている。ROIの所望されている数を考慮すると、マスク画像はさらに多数のほぼ等しい大きさの断面に分割される。断面ごとに、候補ROIの中心のために最適な位置が選択される。各候補ROIは、次に、マスクが正の値を有するROI内のピクセルの端数を計算することにより「スコアが計算され」、所望される構造がどの程度まで存在するのかを示す。次にROIは重複制約でスコアごとに並べ替えられ、上位スコアのROIが選択される。
各画像断面の中で最適な位置を選択するために、画像断面が連続ステップでさらに再分割される多解像度方法が使用される。それぞれのステップで、「最善の」小区分が選択され、プロセスは小区分がピクセルサイズになるまで繰り返される。この方法は、外局的に最適位置が毎回選択されることを保証するのではなく、一貫してよい結果を出している。各ステップで「最善の」小区分を選択するには、各ステップで各小区分について性能指数(FOM)が計算されることを必要とする。FOMは、何かの「長所」を示す値であり、高い方の数はつねに低い方の数より優れている。組織ROI選択の場合、妥当なFOMは、ROIをサイズ一致する平均化ウィンドウとともにバイナリマスクをフィルタリングすることにより得られる。結果として生じるFOM画像はバイナリではなく、むしろ平均化ウィンドウ内の正のマスクピクセルの割合に応じて0から1の範囲となる値を有する。指定された小区分についてFOMを得るためには、FOM画像が小区分内のすべてのピクセル上で単に平均化される。一見したところ冗長であるが、この手順はROI選択が考えられる最も広いマスクカバレージの領域内で集中する。
表7の終わり
表7の終わり
図2のユーティリティクラス170は一般的なツールを含む。ユーティリティクラス170のユーティリティサブクラスの一部がCBlob 171、CLogical 172、及びCMorph 173として図2に描かれている。表8Aはユーティリティクラス170のいくつかのユーティリティサブクラスを説明する。
表8A
図3は、本発明の実施形態に従って、組織標本の重要な構造の画像を自動的に捕捉するコンピュータを利用した方法の論理フロー200を描いている図である。組織標本は、通常、論理フロー200を開始する前には染色されていない。組織標本はヘマトキシリン、DNA/RNAを含む構造のための強い親和力を備える紫−青基本染料などの細胞核を視覚化するための核コントラスト染色で染色される。組織標本は、ベクタラボラトリーズ(Vector Laboratories)のベクタ(Vector)Rレッド(VR)などの「高速赤色」染色として一般的に知られている赤のアルカリホスファターゼ基板で染色される場合もある。高速赤色染色は、重要な蛋白質がどこで表されるのかを視覚化するために既知の抗体の近くで沈殿する。組織内のこのような領域は、「ベクタレッドポジ」または「高速レッドポジ」領域と呼ばれることもある。ある位置での高速赤色信号強度は、その位置でのプローブ結合の量を示している。組織標本は多くの場合重要な構造の存在を決定する以外の組織標本の使用のために高速赤色で染色され、高速赤色シグナチャは、通常本発明の構造−識別アルゴリズムで抑制される。
図3は、本発明の実施形態に従って、組織標本の重要な構造の画像を自動的に捕捉するコンピュータを利用した方法の論理フロー200を描いている図である。組織標本は、通常、論理フロー200を開始する前には染色されていない。組織標本はヘマトキシリン、DNA/RNAを含む構造のための強い親和力を備える紫−青基本染料などの細胞核を視覚化するための核コントラスト染色で染色される。組織標本は、ベクタラボラトリーズ(Vector Laboratories)のベクタ(Vector)Rレッド(VR)などの「高速赤色」染色として一般的に知られている赤のアルカリホスファターゼ基板で染色される場合もある。高速赤色染色は、重要な蛋白質がどこで表されるのかを視覚化するために既知の抗体の近くで沈殿する。組織内のこのような領域は、「ベクタレッドポジ」または「高速レッドポジ」領域と呼ばれることもある。ある位置での高速赤色信号強度は、その位置でのプローブ結合の量を示している。組織標本は多くの場合重要な構造の存在を決定する以外の組織標本の使用のために高速赤色で染色され、高速赤色シグナチャは、通常本発明の構造−識別アルゴリズムで抑制される。
開始ブロックSの後、論理フローはブロック205に移動し、第1の解像度での組織標本26の顕微鏡画像が捕捉される。また、ブロック205では、組織標本の捕捉されたカラー画像を表す第1のピクセルデータセットが生成される。さらに、ブロック205は第1の解像度で第1のピクセルデータセットを捕捉するために画像捕捉装置を調整することを含んでよい。
論理フローはブロック210に移動し、第1のピクセルデータセット及び組織標本の組織タイプの識別が計算機100のメモリ104などの計算機のメモリの中に受け入れられる。次に論理フローは、重要な構造のユーザ指定が受け取られるブロック215に移動する。例えば、ユーザが結腸組織の上皮細胞組織構成要素に関心がある場合がある。ブロック215で、論理フローは、上皮細胞が重要な構造であるというユーザの指定を受け取るであろう。
次に、論理フローはブロック220に移動し、組織タイプに対応する少なくとも1つの構造−識別アルゴリズムが計算機内の複数の記憶されている構造−識別アルゴリズムから選択される。複数のアルゴリズムの構造−識別アルゴリズムの少なくとも2つが、異なる組織タイプに対応し、各構造−識別アルゴリズムは、指定された組織タイプの中の少なくとも1つの細胞パターンを、指定された組織タイプの重要な構造の存在と関連付ける。構造−識別アルゴリズムは、図2のフィルタクラス180などのデータをフィルタリングするためのコンピュータシステムで実行できる任意のタイプのアルゴリズムであってよい。
次に、論理フローはブロック225に移動し、選択された少なくとも1つの構造−識別アルゴリズムが画像を表す第1のピクセルデータセットに適用される。組織タイプが結腸組織である過去の例を使用して、適用された構造−識別アルゴリズムはFilterColonZoneである。表3及び表5は、第1のピクセルデータセットを3つのクラスの領域、つまり核、細胞形質、及びホワイトスペースに分割するとしてこのフィルタの態様を説明する。分割結果に基づき、それぞれのクラスに「密度マップ」が計算される。密度マップを使用して、アルゴリズムは「ターゲットゾーン」、つまり重要な細胞構成要素、つまり上皮細胞、胃の筋肉、粘膜下組織、及び筋性粘膜の潜在的な位置を検出する。それぞれの潜在的なターゲットゾーンは、次に、局所的な統計、及びその位置及び境界のより正確な推定を得るために実行される形態的な演算のためのツールを使用して分析される。中間マスク内の領域は、4つの細胞構成要素について以下のグレイレベルで標識化される。つまり、上皮細胞――50、平滑筋――100、粘膜下組織――150、及び筋性粘膜――200である。
上皮細胞領域を得るために、Otsu閾値技法が核密度マップに適用される。核密度がOtsu閾値を越える領域は潜在的な上皮細胞として分類される。潜在的な上皮細胞領域の中で、指定された大きさの範囲について、及び「空の」近隣の特定の範囲内で隔離されたブロブを削除する「隔離ブロブ削除」プロセスが適用される。次のステップは、それらの形状の固有軸に基づいて「細長」すぎるブロブを削除する形状フィルタを呼び出すことである。次に、形態的な器官拡張が残りのブロブの端縁を滑らかにする。この演算のシーケンスの結果は、上皮細胞領域とさらに密接に相互に関連付けるピクセルの集合である。
粘膜下組織領域を検出するために、最初に元の画像のグレイスケールコピーの分散マップが作成される。Otsu閾値が次に変動マップに適用される。それは、分散がOtsu閾値を超える分散マップの部分を保持することにより潜在的な粘膜下組織領域及び上皮細胞領域を分割する。粘膜下組織領域は上皮細胞とはバラバラにされているため、後者は削除することが可能で、潜在的な粘膜下組織マップはこのようにして作成される。大きさをベースにしたフィルタは、次に特定の範囲を下回る、または特定の範囲を超えるブロブを削除するために適用される。粘膜下組織領域と密接に相互に関連付けるピクセルの集合はこのようにして得られる。
粘膜下組織領域を検出するために、最初に元の画像のグレイスケールコピーの分散マップが作成される。Otsu閾値が次に変動マップに適用される。それは、分散がOtsu閾値を超える分散マップの部分を保持することにより潜在的な粘膜下組織領域及び上皮細胞領域を分割する。粘膜下組織領域は上皮細胞とはバラバラにされているため、後者は削除することが可能で、潜在的な粘膜下組織マップはこのようにして作成される。大きさをベースにしたフィルタは、次に特定の範囲を下回る、または特定の範囲を超えるブロブを削除するために適用される。粘膜下組織領域と密接に相互に関連付けるピクセルの集合はこのようにして得られる。
潜在的な筋肉領域を検出するために、Otsu閾値は細胞形質密度マップに適用される。密度値が閾値を超えるマップの領域は、潜在的な筋肉領域のための初期推定値として標識化される。潜在的な筋肉領域から上皮細胞領域及び粘膜下組織領域を除外した後、隔離ブロブリムーバが使用され、大きすぎるあるいは小さすぎる、及び十分に「空の」近隣領域を備えるブロブを取り除く。この演算のシーケンスは、最終筋肉マップと密接に相互に関連するピクセルの集合を生じさせる。
バイナリ構造マスクは、第1のピクセルデータセットに適用される構造−識別アルゴリズム(複数の場合がある)によって生成されるフィルタ中間マスクから計算される。バイナリ構造マスクは、ピクセルが重要な構造の範囲内にある場合ピクセル値はゼロより大きく、それ以外の場合ゼロであるバイナリ画像である。フィルタ中間マスクがユーザ指定の重要な構造のマップを含む場合、バイナリ構造マスクはフィルタ中間マスクから直接的に生成されてよい。フィルタ中間マスクが、重要な構造、つまり細胞構成要素の存在を決定するために相互関連を必要とする細胞構成要素を含む場合、併置演算子が中間マスクに適用され、中間マスクの細胞構成要素の間に、合致、交差、近接等があるかどうかを突き止める。追加の例によって、結腸組織標本のための指定された重要な構造が表1に一覧表示されている4つすべての組織構成意要素を含んでいた場合には、バイナリ構造マスクは重要な構造を構成する4つの構成要素の少なくとも1つの細胞パターンの位置の交差または合致により重要な構造の存在を説明、決定するであろう。
バイナリ構造マスクは、通常、細胞パターンが合致または交差する第1のデータセット内のそれらのピクセルについて「1」を、他のピクセルについて「0」を含む。バイナリ構造マスク内の最小数のピクセルが「1」を含むとき、重要な構造は存在すると判断される。交差または合致の領域がない場合には、重要な構造は存在せず、論理フローは終了ブロックEに移動する。それ以外の場合、論理フローは、重要な構造を有する少なくとも1つの重要な領域(ROI)が第2の解像度画像の捕捉のために選択されているブロック230に移動する。
表2、表4、及び表7に説明されているFilterROISelectorなどのフィルタは、重要な領域を決定するために、重要な構造を備える細胞構成要素の位置をマーキングするブロック225で生成されるバイナリ構造マスクを使用する。重要な領域は、重要な構造の第2の解像度画像を捕捉するための組織標本内の場所である。重要な領域マスクを作成する方法は、重要な候補領域を定めるために、バイナリ構造マスク画像を、重要な領域の所定数より数が多い、多くのほぼ等しい大きさの断面に分割することを含む。次に、重要なそれぞれの候補領域のための中心の最適位置が選択される。次に、それぞれの重要な候補領域は、マスクが正の値を有する重要な領域内のピクセルの端数を計算することによりスコアが計算され、どの程度まで所望される構造が存在するのかを示す。次に、重要な候補領域は重複制約でスコアごとに並べ替えられる。それから、重要な上位スコアの候補領域が重要な領域として選択される。
ブロック230で重要な領域を選択することは、前記表3及び/表7に説明された性能指数のプロセスに応えて第2のピクセルデータセットの捕捉のために、重要な核領域内の最適位置を選択することも含んでよい。性能指数に対応して最適位置を選択する方法は、複数の小区分の中に重要な各領域を分割することを含む。次に「最善の」小区分は、小区分ごとに性能指数を計算することにより選択される。性能指数は、平均化ウィンドウ内の正のマスクピクセルの割合に応じて、0から1の範囲の値を有する結果として生じる性能指数画像について重要な領域に一致する大きさの平均化ウィンドウを使用してバイナリ構造マスクをフィルタリングし、小区分内のすべてのピクセル上で性能指数画像を平均化することにより指定された小区分の性能指数を得て計算され、高い方の数が低い方の数より優れている。最後に、小区分がピクセルサイズになるまで分割ステップ及び選択ステップを繰り返す。
次に論理フローはブロック235に移動し、画像捕捉装置が、第2の解像度で第2のピクセルデータセットを捕捉するために調整される。画像捕捉装置は図1のロボット顕微鏡21であってよい。調整ステップは、画像捕捉装置を基準にして組織標本を移動し、第2のピクセルデータセットを捕捉するために位置合わせさせることを含んでよい。調整ステップは、第2の解像度を提供するために画像捕捉装置のレンズ倍率を変化させることを含んでよい。調整ステップはさらに第2の解像度を提供するために画像捕捉装置のピクセル密度を変更することも含んでよい。
論理フローはブロック240に移動し、画像捕捉装置は第2の解像度での色で第2のピクセルデータセットを捕捉する。複数の重要な領域が選択されると、論理フローはブロック235と240を繰り返し、画像捕捉装置を調整し、重要な領域ごとに設定されている第2のピクセルデータを捕捉する。論理フローは、第2のピクセルデータセットが、コンピュータメモリまたはハードディスクドライブ内などの記憶装置に保存されるブロック245に進む。代わりに、第2のピクセルデータセットは、紙に印刷する、または写真フィルムに露光するなどの目に見える視覚媒体に保存されてよい。
論理フロー200は、第2のピクセルデータセットが顕微鏡スライド上の組織標本ごとに捕捉されるまで繰り返されてよい。第2のピクセルデータセットの捕捉後、論理フローは終了ブロックEに戻る。
代替実施形態、論理フロー200は、組織タイプに対応する構造−識別アルゴリズムが第1の解像度で重要な構造の存在を決定できないが、重要な構造が位置している可能性がある領域の存在を決定できる状況について第2のピクセルデータセットを捕捉するための反復プロセスを含む。この代替実施形態では、ブロック220、225、及び230で、選択されたアルゴリズムが第1のピクセルデータセットに適用され、重要な構造が位置している可能性がある重要な領域が選択される。画像捕捉装置は、第1の解像度より高い解像度で中間ピクセルデータセットを捕捉するためにブロック235で調整される。プロセスは、中間ピクセルデータセットがメモリ内に受け取られるブロック210に戻り、選択されたアルゴリズムはブロック225で重要な構造の存在を決定するために中間ピクセルデータセットに適用される。この反復プロセスは、重要な構造の第2の解像度画像を捕捉するために、必要に応じて繰り返されてよい。この代替実施形態の反復プロセスは、多くの場合、第1の解像度画像の捕捉のために通常使用される5X倍率では認識できないライディヒ細胞またはハッサル小体を検出する際に使用されてよい。中間ピクセルデータセットは、20X倍率で捕捉されてよく、追加ピクセルデータセットは、重要な構造が存在するかどうかの判断のために40X倍率で捕捉されてよい。
いくつかの状況では、既存の組織画像データベースは、重要な構造の選別、及び重要な構造を含んでいない画像のすべてまたは部分の破棄を必要とする可能性がある。論理フロー200に類似した本発明の実施形態は、重要な構造を有する組織標本の画像を表すピクセルデータセットを自動的に選別するコンピュータを利用した方法を提供する。ピクセルデータセットを選別するための論理フローは、ピクセルデータセットをコンピュータメモリの中に受け入れることと、ブロック205に類似した組織標本の組織タイプを識別することを含む。次に、論理フローは、組織標本の中の重要な構造の存在を判断するためにブロック220、225及び225に移動するであろう。ブロック230の完了時、組織画像はその全体としてブロック245に保存されてよい、あるいは組織標本内の重要な構造の位置が保存されてよい。該位置は、重要な構造を含む画像を表すピクセルデータセットの部分集合である場合があり、保存されてよい。論理フローは、重要な領域を選択するためのブロック230を含んでよく、ピクセルデータセットの部分集合は重要な領域ピクセルデータセットを保存することによって保存されてよい。
本発明の実施形態は、多様な組織タイプの組織標本の中で重要な構造を構成する細胞パターン、つまり下部構造の存在を自動的に決定するための本発明の方法及び装置を確証するために構築された。前記図に関連して説明された本発明の実施形態を組み込み、表2−7にさらに説明されたように図2のフィルタクラス180の構造−識別アルゴリズムを含むアプリケーションが作成された。アプリケーションは計算機で実行され、検認試験結果は以下のとおりに表8Bに記載される。
本発明の特定の態様も、すべてがその全体として参考のためこの明細書に添付される以下の米国仮特許出願に説明される。2001年、1月30日に出願された、PPF特性組織/セルパターン特徴(PPF Characteristic Tissue/Cell Pattern Features)と題される出願番号第60/265,438号、2001年1月30日に出願された、TTFWT特性組織/細胞特徴(TTFWT Characteristic Tissue/Cell Features)と題される出願番号第60/265,448号、2001年1月30日に出願されたIDG特性組織/細胞変換特徴(IDG Characteristic Tissue/Cell Transform Features)と題される出願番号第60/265,449号、2001年1月30日に出願されたPPT特性組織/細胞点投射変換特徴(PPT Characteristic Tissue/Cell Point Projection Transform Features)と題される出願番号第60/265,450号、2001年、1月30日に出願されるSVA、特性信号分散機能(SVA,Characteristic Signal Variace Features)と題される出願番号第60/265,451号、2001年1月30日に出願されたRDPH特性組織/細胞特徴(RDPH Characteristic Tissue/Cell Figures)と題される出願番号第60/265,452号,及び2002年4月9日に出願された有機物内での画像パターン認識のためのコンピュータ方法(Computer Methods for Image Pattern Recognition in Organic Material)と題される出願番号第10/120/206号。
本発明の多様な実施形態は、コンピュータで実現されるステップのシーケンス、またはコンピューティングシステム上で実行するプログラムモジュールとして、及び/または相互接続機械論理回路、またはコンピューティングシステム内の回路モジュールとして実現されてよい。インプリメンテーションは本発明を実現するコンピューティングシステムの性能要件に依存する選択肢の問題である。この開示を鑑みて、開示されている多様な実施形態の関数及び演算が、本発明の精神または範囲から逸脱することなく、ソフトウェア内、ファームウェア内、特殊目的デジタル論理内、あるいはその任意の組み合わせで実現されてよいことが認識されるであろう。
本発明の多様な実施形態は、コンピュータで実現されるステップのシーケンス、またはコンピューティングシステム上で実行するプログラムモジュールとして、及び/または相互接続機械論理回路、またはコンピューティングシステム内の回路モジュールとして実現されてよい。インプリメンテーションは本発明を実現するコンピューティングシステムの性能要件に依存する選択肢の問題である。この開示を鑑みて、開示されている多様な実施形態の関数及び演算が、本発明の精神または範囲から逸脱することなく、ソフトウェア内、ファームウェア内、特殊目的デジタル論理内、あるいはその任意の組み合わせで実現されてよいことが認識されるであろう。
本発明は、特定の好適実施形態に関してかなり詳細に説明されてきたが、他の実施形態も可能である。したがって、添付請求項の精神及び範囲は、ここに記載される実施形態の説明に制限されるべきではない。本発明が以後添付される請求項にあることが意図される。
本発明は、その追加の目的及び優位点とともに、添付図面に関連して解釈される以下の説明を参照することにより最もよく理解されてよく、その内のいくつかの図では類似する参照番号は類似する要素を特定する。
本発明の実施形態に従って、顕微鏡スライド上に取り付けられる組織マイクロアレイの組織標本にレンズの焦点を合わせられたロボット病理学顕微鏡を描く。
本発明の実施形態に従って、組織マイクロアレイの中の各組織標本のアレイレベルのデジタル画像を含む組織マイクロアレイの補助的なデジタル画像を描く。
本発明の実施形態に従って、第1の解像度でロボット顕微鏡により獲得される組織標本のデジタル組織標本画像を描く。
本発明の実施形態に従って、第1の解像度で第1のピクセルデータセットの形で計算機にデジタル組織画像を提供するコンピュータを利用した画像捕捉システムを描く。
本発明の実施形態に従って、組織標本の中の重要な構造の画像を自動的に捕捉する画像捕捉アプリケーションの複数のオブジェクトクラスファミリを描くクラス図である。
本発明の実施形態に従って、組織標本の中の重要な構造の画像を自動的に捕捉するコンピュータを利用する方法の論理的なフローを描く図である。
本発明の実施形態に従って、腎臓皮質の重要な構造を検出する際のステップを描く。
Claims (90)
- (a)第1の解像度で組織標本の画像を表す第1のピクセルデータセット、及び組織標本の組織タイプの識別をコンピュータメモリの中に受け入れることと、
(b)複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別を選択し、複数のアルゴリズムの構造−識別アルゴリズムの内の少なくとも2つが異なる組織タイプに対応し、各構造−識別アルゴリズムが指定された組織タイプの中の少なくとも1つの細胞パターンを指定された組織タイプの重要な構造の存在と相互に関連付けることと、
(c)該選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定することと、
(d)第2の解像度で第2のピクセルデータセットを捕捉し、第2のピクセルデータセットが重要な構造の画像を表し、第2の解像度が、画像内で密接に離間されているオブジェクトが第1の解像度で互いから区別できる程度の上昇を実現することと、
を備えることを特徴とする、組織標本の中で重要な構造の画像を自動的に捕捉するコンピュータを利用した方法。 - 各構造−識別アルゴリズムが組織標本の中の重要な構造の位置をさらに決定することを特徴とする請求項1の方法。
- (e)第2のピクセルデータセットの中への包含のために、重要な構造を含む第1のピクセルデータセット内の少なくとも1つの重要な領域を選択することと、
をさらに含むことを特徴とする請求項2の方法。 - 該少なくとも1つの重要な領域を選択することが、
(a)バイナリ構造マスクを計算することと、
(b)重要な候補領域を画定するために、バイナリ構造マスクを、該少なくとも1つの重要な領域より数が多い、たくさんのほぼ等しい大きさの部分に分割することと、
(c)マスクが正の値を有する重要な領域内でピクセルの端数を計算することによりそれぞれの重要な候補領域のスコアを計算することと、
(d)スコア及び重複制約で重要な候補領域を並べ替えることと、
(e)重要な領域として上位スコアの重要な候補領域を選択することと、
をさらに含むことを特徴とする請求項3の方法。 - 重要な領域を選択することが、性能指数に基づいた画像の捕捉のためにそれぞれの重要な領域内の最適位置を選択することをさらに含むことを特徴とする請求項4の方法。
- 画像の捕捉のためにそれぞれの重要な領域内で最適位置を選択することが、
(a)重要な領域を複数の小区分に分割することと、
(b)小区分ごとに性能指数を計算することにより「最善の」小区分を選択し、性能指数が、
(i)平均化ウィンドウ内のポジマスクピクセルの割合に応じて、0から1の範囲の値を有する性能指数画像について重要な領域に一致する大きさの平均化ウィンドウでマスクをフィルタリングする、
(ii)小区分の中のすべてのピクセルで性能指数の画像を平均化することにより指定される小区分の性能指数を取得し、高い数が低い数より優れていることによって計算されることと、
をさらに含むことを特徴とする請求項5の方法。 - (c)小区分がピクセルのサイズになるまで分割ステップと選択ステップを繰り返すことをさらに含むことを特徴とする請求項6の方法。
- 複数の構造−識別アルゴリズムが、膀胱、胸部、結腸、心臓、腎臓皮質、腎臓隋質、肝臓、肺、リンパ節、鼻粘膜、胎盤、前立腺、骨格筋、皮膚、小腸、脾臓、胃、精巣、胸腺、甲状腺、扁桃腺及び子宮の組織タイプの内の少なくとも2つに対応する構造−識別アルゴリズムを含むことを特徴とする請求項1の方法。
- 複数の構造−識別アルゴリズムが組織タイプの少なくとも5つに対応することを特徴とする請求項8の方法。
- 複数の構造−識別アルゴリズムが組織タイプの少なくとも8つに対応することを特徴とする請求項8の方法。
- (a)第1の解像度で組織標本の画像を表現する第1のピクセルデータセット、及び組織標本の組織タイプの識別をコンピュータメモリの中に受け入れることと、
(b)複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択し、該複数のアルゴリズムの構造−識別アルゴリズムの内の少なくとも2つがさまざまな組織タイプに対応し、各構造−識別アルゴリズムが指定される組織タイプの少なくとも1つの細胞パターンを、指定組織タイプの重要な構造の存在と相互に関連付けることと、
(c)該選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織サンプルの中の重要な構造の存在を決定することと、
(d)第2の解像度で第2のピクセルデータセットを捕捉するために画像捕捉装置を調整し、第2のピクセルデータセットが重要な構造の画像を表し、第2の解像度が、画像内で密接に離間されているオブジェクトを第1の解像度で互いに区別できる程度の上昇を実現することと、
(e)第2の解像度で第2のピクセルデータセットを捕捉し、第2のピクセルデータセットが重要な構造の画像を表し、第2の解像度が、画像内の密接に離間されているオブジェクトが第1の解像度で互いに区別できる程度の上昇を実現することと、
を備えることを特徴とする、組織標本の中の重要な構造の画像を自動的に捕捉するコンピュータを利用した方法。 - 組織標本が動物の組織を含むことを特徴とする請求項11の方法。
- 組織標本が固定関係で細胞を含むことを特徴とする請求項11の方法。
- 細胞パターンが細胞内パターンであることを特徴とする請求項11の方法。
- 細胞パターンが細胞間パターンであることを特徴とする請求項11の方法。
- 該調整するステップが、第2の解像度を提供するためにレンズ倍率を変更することをさらに含むことを特徴とする請求項11の方法。
- 該調整するステップが、第2の解像度を提供するためにピクセル密度を変更することをさらに含むことを特徴とする請求項11の方法。
- 該調整するステップが、組織標本を基準として画像捕捉装置を動かすことをさらに含むことを特徴とする請求項11の方法。
- 該捕捉するステップが、記憶装置に第2のピクセルデータセットを保存することをさらに含むことを特徴とする請求項11の方法。
- 該捕捉するステップが、目に見える視覚媒体上に第2のピクセルデータセットを保存することをさらに含むことを特徴とする請求項11の方法。
- 該捕捉するステップが、メモリの中に第2のピクセルデータセットを受け入れることをさらに含むことを特徴とする請求項11の方法。
- 第1の解像度で第1のピクセルデータセットを捕捉するために画像捕捉装置を調整するステップをさらに含むことを特徴とする請求項11の方法。
- 該適用するステップが複数の重要な構造を識別する場合に、該適用するステップが、少なくとも1つの他の重要な構造で少なくとも1つの重要な構造を選択するステップをさらに含むことを特徴とする請求項11の方法。
- 該捕捉するステップが、長所を有するそれぞれの重要な構造のために第2のピクセルデータセットを捕捉することをさらに含むことを特徴とする請求項23の方法。
- 第1のピクセルデータセットが画像の色表現を含むことを特徴とする請求項11の方法。
- コンピュータで実行時に、コンピュータに請求項11の方法を実行させるコンピュータプログラムを含むコンピュータ読み取り可能データキャリヤ。
- (a)ピクセルデータセット、及び組織標本の組織タイプの識別をコンピュータメモリの中に受け入れることと、
(b)複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択し、該複数のアルゴリズムの構造−識別アルゴリズムの少なくとも2つがさまざまな組織タイプに対応し、各構造−識別アルゴリズムが指定される組織タイプの中の少なくとも1つの細胞パターンを指定組織タイプの重要な構造の存在と相互に関連付けることと、
(c)選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定することと、
(d)重要な構造を含むピクセルデータセットの部分集合を捕捉することと、
を備えることを特徴とする重要な構造を有する組織標本の画像を表現するピクセルデータセットを自動的に選別するコンピュータを利用した方法。 - 該捕捉するステップが、画像内の重要な構造の位置を保存することを含むことを特徴とする請求項27の方法。
- 該捕捉するステップが、画像内の重要な領域を保存することを含むことを特徴とする請求項27の方法。
- 第1のピクセルデータセットが画像の色表現を含むことを特徴とする請求項27の方法。
- コンピュータで実行時に、コンピュータに請求項27の方法を実行させるコンピュータプログラムを含むコンピュータ読み取り可能データキャリヤ。
- (a)組織標本の画像を表す第1のピクセルデータセット、及び組織標本の組織タイプの識別をコンピュータの中に受け入れることと、
(b)複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択し、該複数のアルゴリズムの構造識別アルゴリズムの少なくとも2つが異なる組織タイプに対応し、各構造−識別アルゴリズムが指定される組織タイプの中の少なくとも1つの細胞パターンを、指定細胞タイプの重要な構造の存在と相互に関連付けることと、
該選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定することと、
を備えることを特徴とする組織標本の中の重要な構造の存在を自動的に決定するコンピュータを利用した方法。 - 膀胱組織に対応する構造−識別アルゴリズムが、表面上皮細胞、平滑筋及び粘膜固有層の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)画像を核領域、細胞形質領域及びホワイトスペース領域に分割するステップと、
(b)細胞ゾーンの潜在的な位置を検出するために領域ごとに密度マップを計算するステップと、
(c)表面上皮細胞のための第1のグレイレベル、平滑筋のための第1のグレイレベルより高い第2のグレイレベル、及び粘膜固有層のための第2のグレイレベルより高い第3のグレイレベルでゾーンを標識化するステップと、
を含むことを特徴とする請求項33の方法。 - 胸部組織に対応する構造−識別アルゴリズムが、管路及び/または小葉、及びストロマの少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)核を検出することと、
(b)最小の核を排除することと、
(c)細長い場合には最大の核を排除することと、
(d)隔離された核を排除することと、
(e)残った核を結合することと、
(f)薄い構成要素を排除することと、
を備える胸部管路を検出する方法を含むことを特徴とする請求項35の方法。 - 構造−識別アルゴリズムが、
(a)胸部管路を検出することと、
(b)脂肪を決定することと、
(c)非胸部管路領域を成長させ、脂肪領域を包むことによりストロマを決定することと、
(d)第1の色で管路を、第2の色でストロマを、第3の色で脂肪をマッピングすることと、
を備える胸部組織のカラーマッピングの方法を含むことを特徴とする請求項35の方法。 - 結腸組織に対応する構造−識別アルゴリズムが、上皮細胞、筋性粘膜、平滑筋、及び粘膜下組織の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の画像を3つの領域、つまり核、細胞形質及びホワイトスペースに分割するステップと、
(b)領域ごとに密度マップを計算するステップと、
(c)核密度マップから上皮細胞領域を検出するステップと、
(d)粘膜下組織領域を検出するステップと、
(e)細胞形質密度マップから平滑筋領域を検出するステップと、
(f)上皮細胞領域及び粘膜下組織領域に隣接する筋性粘膜領域を検出するステップと、
を含むことを特徴とする請求項38の方法。 - さらに、
(g)第1のグレイレベルを有する上皮細胞、該第1のグレイレベルより高い第2のグレイレベルを有する平滑筋、第2のグレイレベルより高い第3のグレイレベルを有する粘膜下組織、及び第3のグレイレベルより高い第4のグレイレベルを有する筋性粘膜で組織標本をマッピングすることと、
を含むことを特徴とする請求項39の方法。 - 心臓組織に対応する構造−識別アルゴリズムが、組織の細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)ガラスに対する非特殊結合のケースでは偽検出を回避するために高速赤シグナチャを抑制するステップと、
(b)ホワイトスペースマスクを計算し、該マスクを反転させるステップと、
(c)組織の中の小さなホワイトスペース穴及びホワイトスペースの中の材料の小さなしみなどのノイズの多い領域を取り除くステップと、
を含むことを特徴とする請求項42の方法。 - 腎臓皮質組織に対応する構造−識別アルゴリズムが、糸球体、近端曲尿細管及び末端曲尿細管の少なくとも1つの細胞パターンを相互に関連つけることによって重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、組織標本のカラーマップを出力することと、第1の色で糸球体を、第2の色でボーマンの被膜と、第3の色で末端曲尿細管を、及び第4の色で近端曲尿細管をマッピングすることを含むことを特徴とする請求項43の方法。
- 腎臓髄質組織に対応する構造−識別アルゴリズムが、管路の細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)小さな領域の除去によるホワイトスペース検出を含む画像層分割と、
(b)核の検出と、
(c)候補オブジェクト特性を測定するための形状フィルタの適用と、
(d)核とルーメンの間の距離、及び核対ルーメンの割合の距離の基準に一致する管路を特定することと、
を備える方法を含むことを特徴とする請求項45の方法。 - 肝臓組織に対応する構造−識別アルゴリズムが、細胞パターン管路及び門脈トライアッドを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の中の核の画像を作成することと、
(b)非常に細長い構成要素を排除した後に管路を核画像内の大きな構成要素に対応するとして識別することと、
を備える、管路を識別する方法を含むことを特徴とする請求項47の方法。 - 構造−識別アルゴリズムが、管路の存在及び所定の領域内での核の不在により門脈トライアッドを識別する方法を含むことを特徴とする請求項47の方法。
- (a)肺組織標本の画像を表す細胞セットのピクセルデータをコンピュータメモリの中に受け入れることと、
(b)肺組織内で重要な構造を識別する少なくとも1つの構造−識別アルゴリズムをピクセルデータセットに適用し、重要な構造が肺胞及び呼吸上皮細胞の少なくとも1つを含むことと、
(c)重要な識別された構造を捕捉することと、
を備えることを特徴とする、重要な構造が肺組織標本内に存在するかどうかを判断するコンピュータを利用した画像処理システムにおける方法。 - 肺組織に対応する構造−識別アルゴリズムが、肺胞及び呼吸上皮細胞の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11、32または50の方法。
- 肺胞を識別する構造−識別アルゴリズムが、
(a)組織マスクを計算することと、
(b)画像を反転し、肺胞組織を画像から削除する円盤構造要素を使用して形態的な閉鎖演算を実行することと、
(c)組織の島状構造を取り除くことと、
(d)残りの組織領域の回りにガードバンドを設置することと、
(e)肺胞組織を含む組織の領域を特定するために、結果として生じるマスクを組織マスクと結合することと、
を備えることを特徴とする請求項51の方法。 - (a)分割技法を使用して核マスクを計算することと、
(b)非肺胞組織に対する上皮細胞検索を削減するために、核マスクを肺胞マスクと交差させることと、
(c)平均化フィルタを使用して核密度マップを計算し、領域をさらに高い密度で分割するために選択された閾値を適用し、閾値が核の誤った評価を最小限に抑えるために密度の削減された平均を基準にして選択されることと、
(d)高核密度領域の高濃度を有する領域を検出する固定閾値を使用して別の核密度マップを計算し、これらの領域が潜在的な上皮領域であることと、
(e)潜在的な上皮領域を結合する形態的な閉鎖演算を適用することと、
(f)所望されるサイズの範囲外の領域を取り除く、または曲線的過ぎる形状フィルタを適用し、形状フィルタがサイズ範囲の上位により近い領域のためにさらに厳しい形状基準を呼び出すことと、
を備える、構造−識別アルゴリズムが呼吸上皮細胞を特定することを特徴とする請求項51の方法。 - リンパ節組織に対応する構造−識別アルゴリズムが、リンパ濾胞の外套帯の細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、濃く染色された外套帯に囲まれる、薄く染色された球形のリンパ濾胞に対応する組織領域をマッピングすることにより外套帯を特定する方法を含むことを特徴とする請求項54の方法。
- (a)ゾーンを近似するために核密度を閾値とすることと、
(b)元の画像の中で(例えば、胚芽中心及び取り囲む皮質組織などの)低核密度領域に対応する領域を抑制することと、
(c)最終ゾーンを作成するために第2の分割及び閾値を抑制された画像に適用することと、
を備えることを特徴とする請求項54の方法。 - 鼻粘膜組織に対応する構造−識別アルゴリズムが、呼吸上皮細胞及び粘膜下組織腺の少なくとも1つの細胞パターンを相互に関連付けることで重要な構造を識別することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)第1のピクセルデータセットを、3つのクラスの領域、つまり核、細胞形質及びホワイトスペースに分割することと、
(b)領域ごとに密度マップを計算することと、
(c)上皮細胞及び腺を検出するために形態的演算を実施することと、
(d)第1のグレイレベルで上皮細胞を、第1のグレイレベルより高い第2のグレイレベルで腺をマッピングすることと、
を備える、上皮細胞腺及び粘膜下組織腺を特定する方法を含むことを特徴とする請求項57の方法。 - 胎盤組織に対応する構造−識別アルゴリズムが、組織の細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造―識別アルゴリズムが、
(a)顕微鏡スライドに対する非特殊抗体結合のケースで偽警報を回避するために高速赤シグナチャを抑制することと、
(b)ホワイトスペースマスクを計算することと、
(c)マスクを反転することと、
を備えることを特徴とする、胎盤組織を識別する方法を含むことを特徴とする請求項59の方法。 - 前立腺組織に対応する構造−識別アルゴリズムが、腺、ストロマ及び上皮細胞の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)核をマッピングすることと、
(b)隔離された細長く、より小さな核をマッピングされた核から排除することと、
(c)核マップの補間物を計算することと、
(d)補間物の構成要素を特定し核密度が十分に低い、ストロマ/平滑筋として残りの構成要素を特定することと、
(e)組織マスクと残りの構成要素を交差させ、ストロマを特定することと、
を備える、腺を特定する方法を含むことを特徴とする請求項61の方法。 - 骨格筋に対応する構造−識別アルゴリズムが、細胞のパターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)高速赤シグナチャを抑制することと、
(b)ホワイトマスクを計算し、該マスクを反転することと、
(c)ノイズが多い領域を取り除くことと、
を備える、骨格組織を特定する方法を含むことを特徴とする請求項63の方法。 - 皮膚組織に対応する構造−識別アルゴリズムが、表皮細胞パターンを相互に関連付けることにより重要な構造を識別することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)低分散テクスチャを有する核のある組織領域を選択することと、
(b)分散ベースの分裂を実行することと、
(c)形態的処理を実行することと、
(d)核がほとんどない領域を破棄することと、
を備える、表皮を識別する方法を含むことを特徴とする請求項65の方法。 - 小腸組織に対応する構造−識別アルゴリズムが、上皮細胞、筋性粘膜、平滑筋及び粘膜下組織の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)第1のピクセルデータセットを、3つの領域、つまり核、細胞形質、及びホワイトスペースに分割することと、
(b)領域ごとに密度マップを計算することと、
(c)核密度マップに対してOtsu閾値技法を適用することにより上皮細胞を特定することと、
(i)粘膜下組織を特定することと、
(ii)平滑筋を特定することと、
を備える、上皮細胞、筋性粘膜、平滑筋及び粘膜下組織を特定する方法を含むことを特徴とする請求項67の方法。 - 粘膜下組織を特定することが、
(a)第1のピクセルデータセットのグレイスケールマップの分散マップを作成することと、
(b)分散マップにOtsu閾値技法を適用することと、
(c)分散がOtsu閾値を超える分散マップのそれらの部分だけを保持することと、
(d)上皮細胞を取り除くことと、
を含むことを特徴とする請求項68の方法。 - 平滑筋を特定することが、
(a)細胞形質密度マップにOtsu閾値技法を適用することと、
(b)密度値が閾値を上回る領域を潜在的な筋肉領域として標識化することと、
(c)潜在的な領域から上皮細胞及び粘膜下組織を除外することと、
を含むことを特徴とする請求項68の方法。 - 脾臓組織に対応する構造−識別アルゴリズムが、白色脾髄を含む重要な領域を特定することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが
(a)組織標本の画像の核密度マップを計算することと、
(b)外套帯に近似するために核密度マップを閾値とすることと、
(c)閾値とed画像の中の低核密度の領域を抑制することと、
(d)抑制された画像を分割し、閾値とし直し、白色脾髄を特定することと、
を備える、白色脾髄を特定する方法を含むことを特徴とする請求項71の方法。 - 胃組織に対応する構造−識別アルゴリズムが、上皮細胞、筋性粘膜、平滑筋、及び粘膜下組織の少なくとも1つの細胞のパターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の画像を3つの領域、つまり核、細胞形質及びホワイトスペースに分割することと、
(b)領域ごとに密度マップを計算することと、
(c)核密度マップから上皮細胞領域を検出することと、
(d)粘膜下組織領域を検出することと、
(e)細胞形質密度マップから平滑筋領域を検出することと、
(f)上皮細胞領域及び粘膜下組織領域に隣接する筋性粘膜領域を検出することと、
を備える、上皮細胞、筋性粘膜、平滑筋及び粘膜下組織を特定する方法を含むことを特徴とする請求項73の方法。 - (a)第1のグレイレベルを有する上皮細胞と、第1のグレイレベルより高い第2のグレイレベルを有する平滑筋と、第2のグレイレベルより高い第3のグレイレベルを有する粘膜下組織と、第3のグレイレベルより高い第4のグレイレベルを有する筋性粘膜とで組織標本をマッピングするステップと、
をさらに含むことを特徴とする請求項74の方法。 - 精巣に対応する構造−識別アルゴリズムが、ライディヒ細胞を含む重要な領域を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の画像を核とホワイトスペース/組織層の画像に分割することと、
(b)核画像から核密度画像を計算してから、核密度を閾値とすることと、
(c)組織/ホワイトスペース画像及び核密度画像の排他的論理輪により組織間腔領域画像を計算することと、
(d)組織標本の画像及び組織間腔領域画像の積を取ることにより候補ライディヒ領域画像を計算することと、
(e)ライディヒ領域画像と核密度画像の積画像を取ることにより候補ライディヒ細胞領域画像を計算することと、
(f)サイズ基準を使用して候補ライディヒ細胞領域画像を閾値とすることによってライディヒ細胞を特定することと、
を備えるライディヒ細胞を特定する方法を含むことを特徴とする請求項76の方法。 - (g)結果として生じる画像で第1の色として組織間腔領域を、第2の色としてライディヒ細胞を特定することと、
をさらに含むことを特徴とする請求項77の方法。 - 胸腺組織に対応する構造−識別アルゴリズムが、リンパ球及びハッサル小体の細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)核密度マップを計算することと、
(b)核密度マップに閾値を適用することにより高密度核マップを計算することと、
(c)メジアンフィルタを適用することにより高密度核マップから雑音を取り除くことと、
(d)ともに近い領域を結合するためにフィルタリングされた高密度/核マップを形態的に器官拡張することと、
を備える、潜在的なリンパ球領域を特定する方法を含むことを特徴とする請求項79の方法。 - 構造−識別アルゴリズムが、
(a)核密度マップを閾値とし、雑音を削減するためにメジアンフィルタを適用することにより低核密度の領域を検出することと、
(b)組織領域を検出し、雑音削減するためにメジアンフィルタを適用することと、
(c)ハッサル小体で第1のパスを得るために組織マスクと低核密度領域を交差させることと、
(d)第1パスハッサル小体を皮質と結合することと、
(e)間違ったサイズ/形状の組み合わせのオブジェクトを取り除くことと、
(f)周縁の境界が十分な数の髄質ピクセルで境界付けられていないオブジェクトを削除することと、
を備える、ハッサル小体を特定する方法を含むことを特徴とする請求項79の方法。 - 甲状腺組織に対応する構造−識別アルゴリズムが、小胞の細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の画像の核マップを計算することと、
(b)ホワイトスペースであるか、あるいは小胞の内部であるかのどちらかの領域を隔離するために「ライン」方法を使用してともに近い構成要素を連結することにより核を結合することと、
(c)画像を反転させ、個々のオブジェクト分離するために大きな構造要素で画像を形態的に開放することと、
(d)通常の外観の小胞となるほど十分に曲線的ではないオブジェクトを削除するために形状フィルタを適用し、形態的な器官拡張演算を使用して残りのオブジェクトの回りにガードバンドを作成し、排他的和集合演算(XOR)により結果として生じる画像を過去の画像と結合し、胞状細胞の位置をマーキングするリングを作成することと、
を備える、小胞を特定する方法を含むことを特徴とする請求項82の方法。 - 扁桃腺組織に対応する構造−識別アルゴリズムが、リンパ濾胞及び上皮細胞の外套帯の少なくとも1つを含む重要な領域を特定することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本の画像の中に高速赤シグナチャ及び低核密度領域を抑制することと、
(b)該抑制された画像の核密度マップを計算することと、
(c)外套帯に近似するために核密度マップを閾値とすることと、
を含むことを特徴とする請求項84の方法。 - 子宮組織に対応する構造−識別アルゴリズムが、腺、ストロマ及び平滑筋の少なくとも1つの細胞パターンを相互に関連付けることにより重要な構造を特定することを特徴とする請求項1、11、または32の方法。
- 構造−識別アルゴリズムが、
(a)組織標本画像を核マップ、細胞形質マップ、及びホワイトスペースマップに分割することと、
(b)ストロマ領域をマッピングするために核マップにOtsu閾値を適用することと、
(c)核密度マップが、ストロマとしてマッピングされない、平滑筋領域をマッピングするために実験的に求められた閾値を超えるすべての領域を検出することと、
(d)(i)核密度が実験的に求められた閾値を下回る領域を検出し、潜在的な腺としてマッピングする、
(ii)領域成長演算のためのシードを生成するためにストロマ領域と交差しない潜在的な腺をフィルタリングし取り除く、
(iii)成長が如何なる核領域をも越えない限り、領域成長を可能にするにすぎないシード領域成長演算を実行する、
(iv)該潜在的な腺を囲む上皮細胞をマッピングし、核密度が閾値を上回る領域を保持し、該潜在的な腺に部分的に重複するために上皮細胞を器官拡張する、
(v)腺に間違えられるであろう血管を取り除く、
ことにより腺領域をマッピングすることと、
を含むことを特徴とする請求項88の方法。 - コンピュータを利用した画像捕捉システムであって、
(a)組織標本のデジタル画像を捕捉する働きをする制御可能な画像捕捉装置と、
(b)画像捕獲装置を制御し、組織標本の該捕捉されたデジタル画像を受け入れる働きをするコンピュータであって、メモリ、記憶装置、プロセッサ、及び画像捕捉アプリケーションを含む該コンピュータと、
(C)組織標本の中の重要な構造の画像を自動的に捕捉する、コンピュータ実行可能命令を含み、該命令が、
(i)第1の解像度の組織標本の画像を表す第1のピクセルデータセット、及び組織標本の組織タイプの識別をコンピュータメモリの中に受け入れるステップと、
(ii)複数の構造−識別アルゴリズムから組織タイプに対応する少なくとも1つの構造−識別アルゴリズムを選択し、該複数のアルゴリズムの構造−識別アルゴリズムの少なくとも2つがさまざまな組織タイプに対応し、各構造−識別アルゴリズムが指定された組織タイプの中の少なくとも1つの細胞パターンを、指定組織タイプの重要な構造の存在と相互に関連付けるステップと、
(iii)該選択された少なくとも1つの構造−識別アルゴリズムを第1のピクセルデータセットに適用し、組織標本の中の重要な構造の存在を決定するステップと、
(iv)第2の解像度で第2のピクセルデータセットを捕捉し、第2のピクセルデータセットが重要な構造の画像を表し、第2の解像度が、画像内の密接に離間されているオブジェクトが第1の解像度で互いを区別できる程度の上昇を実現するステップと、
を含む画像捕捉アプリケーションと、
を備えるシステム。 - 画像捕捉アプリケーションが、
(v)第2の解像度で第2のピクセルデータセットを捕捉するために画像捕捉装置を調整し、第2のピクセルデータセットが重要な構造の画像を表し、第2の解像度が、画像内の密接に離間されているオブジェクトが第1の解像度で互いを区別できる程度の上昇を実現するステップと、
をさらに含むことを特徴とする請求項88のシステム。 - 該アプリケーションが複数の構造−識別アルゴリズムを含むことを特徴とする請求項88のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US38985902P | 2002-06-18 | 2002-06-18 | |
PCT/US2003/019206 WO2003105675A2 (en) | 2002-06-18 | 2003-06-17 | Computerized image capture of structures of interest within a tissue sample |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005530138A true JP2005530138A (ja) | 2005-10-06 |
Family
ID=29736681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004512591A Withdrawn JP2005530138A (ja) | 2002-06-18 | 2003-06-17 | 組織標本の中の重要な構造のコンピュータを利用した画像捕捉 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP1534114A2 (ja) |
JP (1) | JP2005530138A (ja) |
AU (1) | AU2003245561A1 (ja) |
CA (1) | CA2492071A1 (ja) |
WO (1) | WO2003105675A2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010100704A1 (ja) * | 2009-03-04 | 2010-09-10 | 日本電気株式会社 | 画像診断支援装置、画像診断支援方法、及び記憶媒体 |
JP2012073179A (ja) * | 2010-09-29 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 |
WO2013161155A1 (ja) * | 2012-04-23 | 2013-10-31 | 日本電気株式会社 | 画像計測装置、画像計測方法、および、画像計測用プログラム |
JP2014002166A (ja) * | 2007-09-21 | 2014-01-09 | Aperio Technologies Inc | デジタルスライド画像を表示する方法 |
JP2017521779A (ja) * | 2014-06-30 | 2017-08-03 | ベンタナ メディカル システムズ, インコーポレイテッド | 画像解析を用いた核のエッジの検出 |
KR20170134359A (ko) * | 2015-02-06 | 2017-12-06 | 라이프 테크놀로지스 코포레이션 | 생물학적 장비 보정을 위한 방법 및 시스템 |
JP2018511847A (ja) * | 2015-01-31 | 2018-04-26 | ベンタナ メディカル システムズ, インコーポレイテッド | スライドサムネイル画像を使用する関心範囲検出のためのシステム及び方法 |
JP2018529103A (ja) * | 2015-09-23 | 2018-10-04 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組織認識のための方法および装置 |
JP2018535470A (ja) * | 2015-09-23 | 2018-11-29 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組織認識のための方法および装置 |
KR20200006863A (ko) * | 2018-07-11 | 2020-01-21 | 한국생산기술연구원 | 광학 현미경 이미지를 이용한 금속 제품의 밀도 측정 장치 및 방법 |
JPWO2021014557A1 (ja) * | 2019-07-23 | 2021-01-28 | ||
WO2023195405A1 (ja) * | 2022-04-04 | 2023-10-12 | 京セラコミュニケーションシステム株式会社 | 細胞検出装置、細胞診断支援装置、細胞検出方法、及び細胞検出プログラム |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8068988B2 (en) | 2003-09-08 | 2011-11-29 | Ventana Medical Systems, Inc. | Method for automated processing of digital images of tissue micro-arrays (TMA) |
WO2005027015A2 (en) | 2003-09-10 | 2005-03-24 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
WO2005096225A1 (en) * | 2004-03-27 | 2005-10-13 | Bioimagene, Inc. | Method and system for automated detection of immunohistochemical (ihc) patterns |
DE102004022484B4 (de) | 2004-05-07 | 2007-12-20 | P.A.L.M. Microlaser Technologies Ag | Mikroskoptisch |
DE102004023262B8 (de) | 2004-05-11 | 2013-01-17 | Carl Zeiss Microimaging Gmbh | Verfahren zur Bearbeitung einer Masse mittels Laserbestrahlung und Steuersystem |
JP4053032B2 (ja) * | 2004-08-30 | 2008-02-27 | アンリツ産機システム株式会社 | 異物検出方法、異物検出プログラム及び異物検出装置 |
WO2006122251A2 (en) * | 2005-05-10 | 2006-11-16 | Bioimagene, Inc. | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns |
WO2007110827A2 (en) * | 2006-03-28 | 2007-10-04 | Koninklijke Philips Electronics N.V. | Identification and visualization of regions of interest in medical imaging |
EP2143043A4 (en) * | 2007-05-07 | 2011-01-12 | Ge Healthcare Bio Sciences | SYSTEM AND METHOD FOR THE AUTOMATED ANALYSIS OF CELLULAR ASSAYS AND TISSUE |
DE102007033793A1 (de) | 2007-07-19 | 2009-01-22 | Carl Zeiss Imaging Solutions Gmbh | Verfahren und Vorrichtung zum mikroskopischen Untersuchen einer Probe, Computerprogramm und Computerprogrammprodukt |
JP5734588B2 (ja) * | 2010-07-15 | 2015-06-17 | オリンパス株式会社 | 細胞観察装置および観察方法 |
DE102011084286A1 (de) * | 2011-10-11 | 2013-04-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und vorrichtung zur quantifizierung einer schädigung eines hautgewebeschnittes |
DE102012218382B4 (de) * | 2012-10-09 | 2015-04-23 | Leica Microsystems Cms Gmbh | Verfahren zum Festlegen eines Lasermikrodissektionsbereichs und zugehöriges Lasermikrodissektionssystem |
US9842391B2 (en) | 2013-05-14 | 2017-12-12 | Pathxl Limited | Method and apparatus for processing an image of a tissue sample |
GB201308664D0 (en) * | 2013-05-14 | 2013-06-26 | Pathxl Ltd | Method and apparatus |
US9799113B2 (en) | 2015-05-21 | 2017-10-24 | Invicro Llc | Multi-spectral three dimensional imaging system and method |
EP3428262B1 (en) * | 2016-03-11 | 2022-09-21 | Nikon Corporation | Image processing device |
US11227403B2 (en) | 2017-04-24 | 2022-01-18 | The Trustees Of Princeton University | Anisotropic twicing for single particle reconstruction using autocorrelation analysis |
US11557034B2 (en) | 2017-06-13 | 2023-01-17 | The Trustees Of Princeton University | Fully automatic, template-free particle picking for electron microscopy |
US10607047B2 (en) * | 2017-12-06 | 2020-03-31 | Cognex Corporation | Local tone mapping for symbol reading |
JP7137935B2 (ja) * | 2018-02-27 | 2022-09-15 | シスメックス株式会社 | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム |
DE102018206406B3 (de) | 2018-04-25 | 2019-09-12 | Carl Zeiss Meditec Ag | Mikroskopiesystem und Verfahren zum Betrieb eines Mikroskopiesystems |
EP3914953A4 (en) * | 2019-01-22 | 2022-12-07 | Applied Materials, Inc. | CAPTURE AND SAVE ENLARGED IMAGES |
WO2020186029A1 (en) | 2019-03-14 | 2020-09-17 | Applied Materials, Inc. | Identifying fiducial markers in microscope images |
US11255785B2 (en) | 2019-03-14 | 2022-02-22 | Applied Materials, Inc. | Identifying fiducial markers in fluorescence microscope images |
CN110210308B (zh) * | 2019-04-30 | 2023-05-02 | 南方医科大学南方医院 | 生物组织图像的识别方法及装置 |
TWI828109B (zh) | 2019-09-24 | 2024-01-01 | 美商應用材料股份有限公司 | 用於組織分割之機器學習模型的交互式訓練 |
CN111008461B (zh) * | 2019-11-20 | 2023-11-14 | 中国辐射防护研究院 | 一种用于辐射防护的人体数字模型设计方法、系统及模型 |
JP7420950B2 (ja) | 2019-12-17 | 2024-01-23 | アプライド マテリアルズ インコーポレイテッド | 多重蛍光インシトゥハイブリダイゼーション画像を獲得し、処理するためのシステム及び方法 |
CN111458835A (zh) * | 2020-04-16 | 2020-07-28 | 东南大学 | 一种显微镜多视野自动对焦系统及其使用方法 |
CN111583235B (zh) * | 2020-05-09 | 2023-04-18 | 中南大学 | 蜂窝规整度检测的分支点识别顶点提取方法及其系统 |
EP4196767A1 (en) * | 2020-08-12 | 2023-06-21 | ODS Medical Inc. | Automated raman signal collection device |
CN112102311B (zh) * | 2020-09-27 | 2023-07-18 | 平安科技(深圳)有限公司 | 甲状腺结节图像的处理方法、装置和计算机设备 |
CN113975660B (zh) * | 2021-10-29 | 2024-04-30 | 中国科学院合肥物质科学研究院 | 一种肿瘤靶区位移监测方法及设备 |
CN114812450B (zh) * | 2022-04-25 | 2023-10-20 | 山东省路桥集团有限公司 | 一种基于机器视觉的沥青路面施工均匀性检测及评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5931780A (en) * | 1993-11-29 | 1999-08-03 | Arch Development Corporation | Method and system for the computerized radiographic analysis of bone |
US5740266A (en) * | 1994-04-15 | 1998-04-14 | Base Ten Systems, Inc. | Image processing system and method |
-
2003
- 2003-06-17 JP JP2004512591A patent/JP2005530138A/ja not_active Withdrawn
- 2003-06-17 WO PCT/US2003/019206 patent/WO2003105675A2/en not_active Application Discontinuation
- 2003-06-17 EP EP03739187A patent/EP1534114A2/en not_active Withdrawn
- 2003-06-17 AU AU2003245561A patent/AU2003245561A1/en not_active Abandoned
- 2003-06-17 CA CA002492071A patent/CA2492071A1/en not_active Abandoned
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014002166A (ja) * | 2007-09-21 | 2014-01-09 | Aperio Technologies Inc | デジタルスライド画像を表示する方法 |
US9098736B2 (en) | 2007-09-21 | 2015-08-04 | Leica Biosystems Imaging, Inc. | Image quality for diagnostic resolution digital slide images |
US9710694B2 (en) | 2007-09-21 | 2017-07-18 | Leica Biosystems Imaging, Inc. | Image quality for diagnostic resolution digital slide images |
WO2010100704A1 (ja) * | 2009-03-04 | 2010-09-10 | 日本電気株式会社 | 画像診断支援装置、画像診断支援方法、及び記憶媒体 |
JP2010203949A (ja) * | 2009-03-04 | 2010-09-16 | Nec Corp | 画像診断支援装置、画像診断支援方法、画像診断支援プログラム、及びその記憶媒体 |
US8787636B2 (en) | 2009-03-04 | 2014-07-22 | Nec Corporation | Diagnostic imaging support in which image data of high magnification is generated to image data of low magnification for classification thereof |
JP2012073179A (ja) * | 2010-09-29 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 |
WO2013161155A1 (ja) * | 2012-04-23 | 2013-10-31 | 日本電気株式会社 | 画像計測装置、画像計測方法、および、画像計測用プログラム |
JPWO2013161155A1 (ja) * | 2012-04-23 | 2015-12-21 | 日本電気株式会社 | 画像計測装置、画像計測方法、および、画像計測用プログラム |
US9390313B2 (en) | 2012-04-23 | 2016-07-12 | Nec Corporation | Image measurement apparatus and image measurment method measuring the cell neclei count |
JP2017521779A (ja) * | 2014-06-30 | 2017-08-03 | ベンタナ メディカル システムズ, インコーポレイテッド | 画像解析を用いた核のエッジの検出 |
JP2018511847A (ja) * | 2015-01-31 | 2018-04-26 | ベンタナ メディカル システムズ, インコーポレイテッド | スライドサムネイル画像を使用する関心範囲検出のためのシステム及び方法 |
KR20170134359A (ko) * | 2015-02-06 | 2017-12-06 | 라이프 테크놀로지스 코포레이션 | 생물학적 장비 보정을 위한 방법 및 시스템 |
JP2018507405A (ja) * | 2015-02-06 | 2018-03-15 | ライフ テクノロジーズ コーポレーション | 生物学的機器校正のための方法及びシステム |
JP2020095051A (ja) * | 2015-02-06 | 2020-06-18 | ライフ テクノロジーズ コーポレーション | 生物学的機器校正のための方法及びシステム |
KR102360726B1 (ko) | 2015-02-06 | 2022-02-10 | 라이프 테크놀로지스 코포레이션 | 생물학적 장비 보정을 위한 방법 및 시스템 |
JP2018529103A (ja) * | 2015-09-23 | 2018-10-04 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組織認識のための方法および装置 |
JP2018535470A (ja) * | 2015-09-23 | 2018-11-29 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組織認識のための方法および装置 |
KR20200006863A (ko) * | 2018-07-11 | 2020-01-21 | 한국생산기술연구원 | 광학 현미경 이미지를 이용한 금속 제품의 밀도 측정 장치 및 방법 |
JPWO2021014557A1 (ja) * | 2019-07-23 | 2021-01-28 | ||
JP7231036B2 (ja) | 2019-07-23 | 2023-03-01 | 日本電信電話株式会社 | メッシュ構造設備検出装置、メッシュ構造設備検出方法、及びプログラム |
US11887387B2 (en) | 2019-07-23 | 2024-01-30 | Nippon Telegraph And Telephone Corporation | Mesh structure equipment detection apparatus, mesh structure equipment detection method and program |
WO2023195405A1 (ja) * | 2022-04-04 | 2023-10-12 | 京セラコミュニケーションシステム株式会社 | 細胞検出装置、細胞診断支援装置、細胞検出方法、及び細胞検出プログラム |
Also Published As
Publication number | Publication date |
---|---|
CA2492071A1 (en) | 2003-12-24 |
WO2003105675A3 (en) | 2004-03-11 |
AU2003245561A8 (en) | 2003-12-31 |
WO2003105675A2 (en) | 2003-12-24 |
EP1534114A2 (en) | 2005-06-01 |
AU2003245561A1 (en) | 2003-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2005530138A (ja) | 組織標本の中の重要な構造のコンピュータを利用した画像捕捉 | |
US20060127880A1 (en) | Computerized image capture of structures of interest within a tissue sample | |
Kowal et al. | Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images | |
CN108140249B (zh) | 用于显示生物标本的多个图像的图像处理系统和方法 | |
US5627907A (en) | Computerized detection of masses and microcalcifications in digital mammograms | |
Belsare et al. | Histopathological image analysis using image processing techniques: An overview | |
TWI412949B (zh) | 影像區域的自動選擇裝置及方法 | |
Temerinac-Ott et al. | Detection of glomeruli in renal pathology by mutual comparison of multiple staining modalities | |
US20050123181A1 (en) | Automated microscope slide tissue sample mapping and image acquisition | |
George et al. | Automated cell nuclei segmentation for breast fine needle aspiration cytology | |
US20110286654A1 (en) | Segmentation of Biological Image Data | |
KR20220015368A (ko) | 조직학적 이미지 내의 종양 및 수술 후 종양 마진 평가에 대한 컴퓨터 지원 검토 | |
US20040264749A1 (en) | Boundary finding in dermatological examination | |
KR102140385B1 (ko) | 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템 | |
CN112712522A (zh) | 一种病理学图像的口腔癌上皮组织区域自动分割方法 | |
US10818015B2 (en) | Automatic region of interest selection in centrosome analysis | |
Parvaze et al. | Extraction of multiple cellular objects in HEp-2 images using LS segmentation | |
Vidal et al. | A fully automated approach to prostate biopsy segmentation based on level-set and mean filtering | |
Schönmeyer et al. | Automated whole slide analysis of differently stained and co-registered tissue sections | |
Les et al. | Automatic reconstruction of overlapped cells in breast cancer FISH images | |
Fernandez-Gonzalez et al. | Quantitative image analysis in mammary gland biology | |
Pławiak-Mowna et al. | On effectiveness of human cell nuclei detection depending on digital image color representation | |
Brindha et al. | Cell segmentation of histopathological images of glioma using voronoi tessellation and quadtree representation | |
Han et al. | Multi-resolution tile-based follicle detection using color and textural information of follicular lymphoma IHC slides | |
Umesh Adiga et al. | Deformable models for segmentation of CLSM tissue images and its application in FISH signal analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060609 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20060912 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20060912 |