JP2018501581A - 多重化画像における血管解析 - Google Patents
多重化画像における血管解析 Download PDFInfo
- Publication number
- JP2018501581A JP2018501581A JP2017534346A JP2017534346A JP2018501581A JP 2018501581 A JP2018501581 A JP 2018501581A JP 2017534346 A JP2017534346 A JP 2017534346A JP 2017534346 A JP2017534346 A JP 2017534346A JP 2018501581 A JP2018501581 A JP 2018501581A
- Authority
- JP
- Japan
- Prior art keywords
- vessel
- vessels
- intensity
- pixel
- pixels
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20168—Radial search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
Description
[0001]本出願は、2015年12月15日付けの米国仮特許出願第62/267,714号の出願日の利益、及び2014年12月29日付けの米国仮特許出願第62/097,419号の出願日の利益を主張し、それらの開示の全体を参照により本明細書に組み込む。
[0050]微小脈管は、薄い平滑筋を周りに有する、小さい毛細血管又は新しく形成された脈管のどちらかである。微小脈管は、腫瘍の微環境内で新しく形成する脈管構造を構成してもよく、約8〜12ミクロンの平均直径を有し、最小限の平滑筋が周りを取り囲んでいる。
[0053]「リンパ管チャネル画像」は、例えば、そのピクセル強度値がリンパ管又はその一部に選択的に結合された染料の量を示す、デジタル画像である。
[0069]いくつかの実施形態では、当業者には知られている、また本明細書に記載するような方法に従って、多重画像101が獲得される。多重画像101は組織試料から導き出され、組織試料は、1つ又は複数の量子ドット、蛍光体、酵素蒸着蛍光体もしくは発色染料、又はそれらの任意の組み合わせ等を用いて染色されている。
[0076]分離(S212)の前に、任意の領域選択モジュール111によって、多重画像101を1つ又は複数の領域に自動又は手動で定めることが可能になる。これにより、画像の同じ又は異なる領域に対してその後の動作を実施することが可能になって、多重画像を効率的に処理することができる。例えば、グリッドが画像の上に組み付けられてもよく、1つ又は複数のグリッド頂点の距離内にある構造がサンプリングされてもよい。カスタム領域は、画像で観察される構造又は特徴に基づいて定義されてもよく、別個のプロセスが各領域に対して並行して実行される。カスタム領域は、画像解析、組織の異種性などに基づいて自動的に決定されてもよく、又はユーザによって選択されてもよい。例えば、ヘマトキシリン及びエオシン画像など、標本の明視野画像が見られ、腫瘍範囲などの特定の領域を注釈するために使用されてもよい。特定された範囲は、蛍光スキャナに対して視野を提供するために使用されてもよい。換言すれば、明視野画像上で選択された領域は、ソース101によって更に詳細にスキャンされて、選択された領域の多重蛍光画像が生成されてもよい。別個の動作が異なる領域に対して並行して実行され、多数の多重スライド、例えば蛍光スライドの効率的な処理が可能になってもよい。
[0078]最初のステップとして、コンピュータシステムは、本明細書に記載するような1つ又は複数の染料チャネルに対応する信号を含む、多重化画像を入力として受信する(S201)。更なる処理及び解析の前に、この初期画像を最初に、特定の染料又は信号にそれぞれ対応する、その構成成分チャネルに分離しなければならない(S212)。分離された画像は、以下、「チャネル画像」と呼ばれ、本明細書に記載する脈管検出及び核検出モジュールそれぞれの入力として使用されてもよい。
[0085]これを、行列形式でより一般的に表現することができる。
[0086]S(λ)=Σ (λ)又はS=R A
[0087]M個のチャネル画像が獲得され、N個の個々の蛍光体が存在する場合、M×N列の行列Rは、個々の蛍光体の既知の参照スペクトルシグネチャであり、N×1のベクトルAは個々の蛍光体の比率が未知のものであり、M×1のベクトルSは、ピクセルにおける測定された多チャネルスペクトルベクトルである。これらの式では、各ピクセルの信号(S)は多重画像を獲得している間に測定され、また既知の染料に対する参照スペクトルは、通常、同一の機器設定を使用して、単一の染料のみで標識付けられた蛍光標本から、独立したオフライン方法で決定される。それにより、測定されたスペクトルの各点に対する寄与を計算することによって、様々な染料の寄与(Ai)を決定する、単純な線形代数行列問題となる。いくつかの実施形態では、解は、次の一連の方程式の解を求めることによって、測定されたスペクトルと計算されたスペクトルとの間の二乗差を最小限にする、逆最小二乗法を使用して得られる。
[0089]この式において、jは検出チャネルの数を表し、iは染料の数に等しい。一次方程式解は、多くの場合、制約された分離が、サム・トゥ・ユニティ(sum to unity)に強制的に重み(A)を付けられるようにすることを伴う。
[0093]多重画像を分離した(S212)後、複数の脈管チャネル画像それぞれにおいて脈管が検出される(ステップS213、S214、S215)。概して、大脈管、長く狭い脈管、及び小脈管を含む、3つの異なるタイプの脈管が検出されてもよい。大脈管の検出の場合、スポーク特徴検出モジュール113を使用して、高ピクセル強度値の輪郭によって取り囲まれた平滑な低ピクセル強度値の内部領域を有する、「洗面器」様の領域が検出される。長く狭い脈管の検出の場合、ライン検出モジュール114を使用して、長い脈管の局所部分が特定され、次に凝集クラスタ化(本明細書に更に詳細に記載する)によってそれらがグループ化される。小脈管の検出の場合、小脈管検出モジュール115は、ローリングボールフィルタ処理及び二値画像操作を利用して、小脈管及び/又はコンパクトな脈管が特定される。これらのモジュール及びプロセスそれぞれについて、本明細書で詳細に記載する。当然ながら、当業者であれば、全てのタイプの脈管が、全ての組織試料又はその任意の領域に存在するわけではないことを認識するであろう。
[0097]多重画像が入力として受信され(S201)、画像が複数の脈管チャネル画像へと分離された(S212)後、スポーク特徴検出モジュール113を使用して、脈管チャネル画像それぞれにおいて大脈管が検出される。いくつかの実施形態では、スポーク特徴検出モジュール113は、更なる解析のために脈管分類モジュール116に提供される、輪郭の多角形を出力する。概して、スポーク特徴検出モジュールは、高値の輪郭によって取り囲まれた平滑な低密度の内部領域を有する洗面器様の領域を検出することによって、脈管チャネル画像それぞれにおいて大脈管を特定する。
[0103](i)中心位置(x,y)の座標位置。
[0102]いくつかの実施形態では、ライン特徴検出モジュール114を使用して、複数の脈管チャネル画像それぞれの中の長く狭い脈管が検出される。特定された長く狭い脈管は脈管分類モジュール116に出力される。概して、ライン特徴検出モジュール114は、局所的なライン部分、構造、又は特徴を検出し、凝集クラスタ化を使用して、それらのライン部分、構造、又は特徴をグループ化する。本明細書に更に詳述するように、局所的なライン特徴は、脈管チャネル画像の複数の領域それぞれにおいて検出されてもよく、特定の閾値基準を満たす隣接した領域内のラインはグループ化される。グループ内の全てのラインが次に、脈管候補を集合的に画定するために使用されてもよい。長い脈管の多角形表現は、グループ化されたラインの中心を多角形の頂点として接続することによって生成されてもよい。これらのステップはそれぞれ本明細書で更に詳述される。
[0110]X={x1,x2,x3,...,xn}をデータポイントの組とする。
[0112]2)d[(r),(s)]=min d[(i),(j)]に従って、現在のクラスタ化における最小距離のクラスタ対、即ち対(r),(s)を見つける。式中、最小値は現在のクラスタ化における全てのクラスタ対に及ぶ。
[0115]5)全てのデータポイントが1つのクラスタ内にある場合、停止するか、あるいはステップ2)から繰り返す。
[0121]関数エントロピー計算器(引数=ヒストグラム)
[0122]合計=0
[0123]エントロピー=0
[0124]ヒストグラムの各ビンに対して:合計=合計+ビン周波数
[0125]ヒストグラムの各ビンに対して:蓋然性=ビン周波数
[0126]蓋然性>0.99/合計の場合:
[0127]エントロピー=エントロピー+(−1×蓋然性×(log(蓋然性)/log(2.0))
[0128]リターンエントロピー
[0129]いくつかの実施形態では、複数の閾値が定義され、「0」は最小エントロピー及び最高品質を示し、最大値、例えば「100」は、最高エントロピー及び最低品質を示す。他の実施形態では、エントロピー閾値は約11である。当業者であれば認識するように、高エントロピーは、画像領域において無秩序が多いか又は構造が欠落していることを示唆する。エントロピー閾値限界を上回るなど、エントロピー値が高い場合、問題の輪郭の多角形は、長い/狭い脈管ではなく未構造化脈管として分類されてもよい(S549)。他方で、品質の制約を満たす任意の多角形は、同様に、長く狭い脈管として出力されてもよい(S549)。ライン特徴検出モジュール114の動作は、任意の後に続く脈管解析、例えば、数百万ピクセルの画像を複数のラインセグメントへと還元するのを高速化すると考えられる。
[0131]図11は、大脈管検出のワークフローを提供し、大脈管検出スキームの出力を示している。例えば、局所的なエッジラインが、1020で示されており、領域がセグメント化されラインが検出された後の入力画像1010から導き出される。未グループ化ラインを比較した後、閾値要件を満たすものがリンクされ、出力が1030で示されている。リンクされたラインに基づいて、(画像1040に示されるような)多角形が生成される。画像1060は、脈管セグメント化後の脈管境界を示している(1050で示される)。
[0133]いくつかの実施形態では、小脈管検出モジュール115を用いて、脈管チャネル画像それぞれにおいて小脈管が検出されてもよい(S215)。特定された小脈管は、脈管分類モジュール116に出力される。概して、小脈管検出モジュール115は、(平滑な連続した背景を画像から除去する)ローリングボールフィルタ処理及び二値画像操作を実施して、それでなければ大脈管又は長く狭い脈管として分類されないであろう小脈管及びコンパクトな脈管を検出する。ローリングボール背景減算は、S.R.Sternberg,「Biomedical Image Processing(生物医学的画像処理)」,Computer,vol.16,no.1,pp.22−34,Jan.1983に記載されており、その開示の全体を参照により本明細書に組み込む。新規な操作は、所定の半径内にあるピクセルの平均値を決定して平滑化の結果を達成することによって、従来のローリングボール方法を修正し、平滑化の結果が閾値化されて、画像又はその領域の二値マスクが得られる。生成された二値マスクは、接続された成分の標識付けを使用して領域にグループ化され、小脈管閾値サイズよりも大きい各成分が小脈管候補として出力される。
[0139]いくつかの実施形態では、脈管分類モジュール116を使用して、(ステップS213,S214,及びS215から得られた)脈管チャネル画像それぞれにおいて検出される脈管が、血管もしくはリンパ管(又は純粋なリンパ管)の1つに属するものとして分類される。異なる脈管のかかる分類は、本明細書に記載するような、脈管の形状及び場所の特性に加えて、病理医に対して診断値を提供する。
[0142]リンパ管は上述したように交差染色してもよいが、他方で、血管は一般的に、QD565マーカーの存在下では染色しない。したがって、両方のチャネルで重なり合うと特定された脈管(S872)は、交差染色に対する素因を所与として、脈管がリンパ管であるという決定(S874)を誘発してもよい。したがって、少なくとも重なり閾値因子の分重なり合う任意の出力は、「血管」染料で染色されたリンパ管と見なすことができる。いくつかの実施形態では、脈管は、血管チャネル及びリンパ管チャネルの両方における2つの脈管間に0.33を超える類似性がある場合、リンパ管として分類されてもよい。
[0146]いくつかの実施形態では、成熟度決定モジュール117を使用して、特定の脈管(ステップS213、S214、及びS215で特定される)が成熟しているか又は未成熟かが決定されて、進行しているかもしくは新しい腫瘍の精密で詳細な診断が可能にされてもよい。当業者であれば、未成熟の脈管は活動的に成長している腫瘍を示し、したがってそれら未成熟の脈管の特定は、腫瘍診断(及び/又は適切な脈管形成阻害薬を用いた治療)を解明する助けとなってもよいことを理解するであろう。
[0153]いくつかの実施形態では、細胞及び核は、任意選択で、核検出モジュール118を用いて脈管チャネル画像それぞれで検出されて(S218)、特定された脈管及び細胞の共存が可能になる。いくつかの実施形態では、組織試料は、細胞又は核の1つもしくは複数のタイプを特定する染料、例えばKi−67、CD3で処理されており、それらの染料に対する多重画像から導き出された画像チャネルが、細胞及び核の特定で使用されてもよい。
[0159]例として、図12及び13は、本明細書に記載する脈管検出ワークフローの結果(出力)を示している。図13の画像では、「a」は成熟した血管を表し、「b」は未成熟の血管を表し、「c」はリンパ管を表し、「d」は純粋なリンパ管を表し、「e」は未構造化要素を表す。
[0161]本開示のコンピュータシステムは、組織標本に対して1つ又は複数の調製プロセスを実施することができる、標本処理装置に結合されてもよい。調製プロセスとしては、非限定的に、標本の脱パラフィン化、標本の調整(例えば、細胞の調整)、標本の染色、抗原の検索の実施、免疫組織化学的染色(標識付けを含む)もしくは他の反応の実施、及び/又はインシチューでのハイブリダイゼーション(SISH、FISHなど)の染色(標識付けを含む)もしくは他の反応の実施、並びに顕微鏡法、ミクロ解析、質量分析方法、もしくは他の解析方法に対して標本を調製する他のプロセスを挙げることができる。
Claims (53)
- 脈管を特定し分類するコンピュータデバイスであって、1つ又は複数のプロセッサと少なくとも1つのメモリとを備え、前記少なくとも1つのメモリが、前記1つ又は複数のプロセッサによって実行され前記1つ又は複数のプロセッサに、
複数の脈管チャネル画像それぞれにおいて、大脈管、長く狭い脈管、及び小脈管からなる群からそれぞれ選択される、1つ又は複数の脈管を検出させ、
前記検出された1つ又は複数の脈管を血管もしくはリンパ管として分類させ、
前記1つ又は複数の検出された脈管それぞれの成熟度を特定させる非一時的コンピュータ可読命令を記憶する、コンピュータデバイス。 - 大脈管の前記検出が、高ピクセル強度値の輪郭によって取り囲まれた低ピクセル強度値の内部領域を有する管腔を特定することを含む、請求項1に記載のコンピュータデバイス。
- 高ピクセル強度値の輪郭によって取り囲まれた低ピクセル強度値の内部領域を有する管腔の前記特定が、前記脈管チャネル画像の暗い領域と前記脈管チャネル画像の比較的明るい領域とのコントラストを評価することを含む、請求項2に記載のコンピュータデバイス。
- 大脈管の前記検出が、前記特定された管腔の境界を決定することを含み、前記特定された管腔の前記境界が、(a)前記特定された管腔のほぼ中心に、スポークの中心から径方向で延在する複数のアームをそれぞれ有するスポークを配置し、(b)各アームに沿ったピクセル強度及び前記スポーク中心におけるピクセル強度を評価し、(c)コントラスト閾値を満たす前記スポークを保持し、(d)前記保持されたスポークに基づいて輪郭の多角形を生成することによって決定される、請求項2に記載のコンピュータデバイス。
- 長く狭い脈管の前記検出が、(i)脈管チャネル画像の複数の重なり合う画像領域において、局所的なラインを検出することと、(ii)親和性閾値を満たす前記重なり合う画像領域からの前記検出された局所的なラインをグループ化することとを含む、請求項1から4のいずれか一項に記載のコンピュータデバイス。
- 前記親和性閾値を満たす前記重なり合う領域からの前記検出された局所的なラインの前記グループ化が、(i)2つの隣接した局所的なライン間の距離及び角度を評価することによって、前記重なり合う領域における前記2つの隣接した局所的なライン間の親和性を計算することと、(ii)前記計算された親和性を親和性閾値と比較することとを含む、請求項5に記載のコンピュータデバイス。
- 輪郭の多角形が前記グループ化された局所的なラインから生成される、請求項6に記載のコンピュータデバイス。
- 小脈管の前記検出が、(i)周囲の背景のピクセル強度よりも高強度であるピクセルを含む二値マスクを生成することと、(ii)前記生成された二値マスク内のピクセルを接続することと、(iii)前記接続されたピクセルのサイズが小脈管の閾値サイズを満たすか否かを評価することとを含む、請求項1から7のいずれか一項に記載のコンピュータデバイス。
- 前記二値マスクの前記生成が、(i)複数のピクセルの中からピクセルを選択することと、(ii)前記選択されたピクセルそれぞれを取り囲むピクセルの強度の平均値を測定することと、(iii)前記選択されたピクセルを取り囲むピクセルの強度の前記測定された平均値それぞれを、前記選択されたピクセルそれぞれの強度値から減算することと、(iv)前記減算された値を背景強度閾値と比較することと、(v)減算された値の強度が前記背景強度を上回っているピクセルを前記二値マスクに追加することとを含む、請求項8に記載のコンピュータデバイス。
- 前記生成された二値マスク内の前記ピクセルが、接続された成分の標識付けプロセスを使用して接続される、請求項8に記載のコンピュータデバイス。
- 前記検出された1つ又は複数の脈管の前記分類が、複数の脈管チャネル画像それぞれにおいて重なり合う脈管を特定することを含む、請求項1から10のいずれか一項に記載のコンピュータデバイス。
- 重なり合わない検出された脈管が染料信号に基づいて分類される、請求項11に記載のコンピュータデバイス。
- 検出された脈管の成熟度を推定する命令が提供される、請求項1から12のいずれか一項に記載のコンピュータデバイス。
- 検出された脈管の前記成熟度の前記推定が、前記検出された脈管の周りに位置する内環と外環との平均ピクセル強度の差を評価することを含む、請求項13に記載のコンピュータデバイス。
- 前記内環及び外環が、抗平滑筋抗体で染色された組織の信号にその強度が対応するピクセルを含む、請求項14に記載のコンピュータデバイス。
- 核を検出する命令が提供される、請求項1から15のいずれか一項に記載のコンピュータデバイス。
- 脈管を検出し解析するコンピュータ実装方法であって、
複数の脈管チャネル画像それぞれにおいて、大脈管、長く狭い脈管、及び小脈管からなる群からそれぞれ選択される1つ又は複数の脈管を検出するステップと、
前記検出された1つ又は複数の脈管を血管もしくはリンパ管として分類するステップと、
前記1つ又は複数の特定された脈管それぞれの成熟度を特定するステップとを含む、コンピュータ実装方法。 - 大脈管を検出する前記ステップが、高ピクセル強度値の輪郭によって取り囲まれた低ピクセル強度値の内部領域を有する管腔を特定するステップを含む、請求項17に記載のコンピュータ実装方法。
- 高ピクセル強度値の輪郭によって取り囲まれた低ピクセル強度値の内部領域を有する管腔を特定する前記ステップが、前記脈管チャネル画像の暗い領域と前記脈管チャネル画像の比較的明るい領域とのコントラストを評価するステップを含む、請求項18に記載のコンピュータ実装方法。
- 大脈管を検出する前記ステップが、前記特定された管腔の境界を検出するステップを含む、請求項19に記載のコンピュータ実装方法。
- 前記特定された管腔の前記境界が、(a)前記特定された管腔のほぼ中心に、スポークの中心から径方向で延在する複数のアームをそれぞれ有する前記スポークを配置し、(b)各アームに沿ったピクセル強度及び前記スポーク中心におけるピクセル強度を評価し、(c)コントラスト閾値を満たしている前記スポークを保持し、(d)前記保持されたスポークに基づいて輪郭の多角形を生成することによって決定される、請求項20に記載のコンピュータ実装方法。
- 長く狭い脈管を検出する前記ステップが、(i)脈管チャネル画像の複数の重なり合う領域において、局所的なラインを検出するステップと、(ii)親和性閾値を満たす前記重なり合う領域からの前記検出された局所的なラインをグループ化するステップとを含む、請求項17から21のいずれか一項に記載のコンピュータ実装方法。
- 前記親和性閾値を満たす前記重なり合う領域からの前記検出された局所的なラインをグループ化する前記ステップが、(i)2つの隣接した局所的なライン間の距離及び角度を評価することによって、前記重なり合う領域における前記2つの隣接した局所的なライン間の親和性を計算するステップと、(ii)前記計算された親和性を親和性閾値と比較するステップとを含む、請求項22に記載のコンピュータ実装方法。
- 輪郭の多角形が前記グループ化されたラインから生成される、請求項42に記載のコンピュータ実装方法。
- 小脈管を検出する前記ステップが、(i)周囲の背景の強度よりも高強度であるピクセルを含む二値マスクを生成するステップと、(ii)前記生成された二値マスク内のピクセルを接続するステップと、(iii)前記接続されたピクセルのサイズが小脈管の閾値サイズを満たすか否かを評価するステップとを含む、請求項17から24のいずれか一項に記載のコンピュータ実装方法。
- 前記二値マスクを生成する前記ステップが、(i)複数のピクセルの中からピクセルを選択するステップと、(ii)前記選択されたピクセルそれぞれを取り囲むピクセルの強度の平均値を測定するステップと、(iii)前記選択されたピクセルを取り囲むピクセルの強度の前記測定された平均値それぞれを、前記選択されたピクセルそれぞれの強度値から減算するステップと、(iv)前記減算された値を背景強度閾値と比較するステップと、(v)減算された値の強度が前記背景強度を上回っているピクセルを前記二値マスクに追加するステップとを含む、請求項25に記載のコンピュータ実装方法。
- 前記生成された二値マスク内の前記ピクセルが、接続された成分の標識付けプロセスを使用して接続される、請求項26に記載のコンピュータ実装方法。
- 前記検出された1つ又は複数の脈管を分類する前記ステップが、前記複数の脈管チャネル画像それぞれにおいて重なり合う脈管を特定するステップを含む、請求項17から27のいずれか一項に記載のコンピュータ実装方法。
- 重なり合わない検出された脈管が、染料信号に基づいて分類される、請求項28に記載のコンピュータ実装方法。
- 検出された脈管の成熟度を推定するステップを更に含む、請求項17から29のいずれか一項に記載のコンピュータ実装方法。
- 検出された脈管の前記成熟度を推定する前記ステップが、前記検出された脈管の周りに位置する内環と外環との平均ピクセル強度の差を評価するステップを含む、請求項30に記載のコンピュータ実装方法。
- 前記内環及び外環が、抗平滑筋抗体で染色された組織の信号にその強度が対応するピクセルを含む、請求項31に記載のコンピュータ実装方法。
- 核を検出するステップを更に含む、請求項17から32のいずれか一項に記載のコンピュータ実装方法。
- 脈管を特定し分類するコンピュータデバイスであって、1つ又は複数のプロセッサと少なくとも1つのメモリとを備え、前記少なくとも1つのメモリが、前記1つ又は複数のプロセッサに、(i)スポーク特徴検出モジュール、ライン特徴検出モジュール、及び小脈管検出モジュールの少なくとも1つで、複数の脈管チャネル画像それぞれから1つ又は複数の脈管を検出する命令を実行させ、(ii)脈管分類モジュールで、前記検出された1つ又は複数の脈管を血管もしくはリンパ管として分類する命令を実行させ、(iii)成熟度決定モジュールで、前記1つ又は複数の検出された脈管の成熟度を決定する命令を実行させるように前記1つ又は複数のプロセッサによって実行される非一時的コンピュータ可読命令を記憶する、コンピュータデバイス。
- 核検出モジュールで、核を特定する命令を更に実行する、請求項34に記載のコンピュータデバイス。
- 請求項1から16又は34から35のいずれか一項に記載のコンピュータシステムと、画像獲得システムとを備える、標本アナライザ。
- 脈管を特定し分類するコンピュータデバイスであって、1つ又は複数のプロセッサと少なくとも1つのメモリとから本質的に成り、前記少なくとも1つのメモリが、前記1つ又は複数のプロセッサによって実行され前記1つ又は複数のプロセッサに、複数の脈管チャネル画像それぞれにおいて、大脈管、長く狭い脈管、及び小脈管からなる群からそれぞれ選択される、1つ又は複数の脈管を検出させ、前記検出された1つ又は複数の脈管を血管もしくはリンパ管として分類させ、前記1つ又は複数の検出された脈管それぞれの成熟度を特定させる非一時的コンピュータ可読命令を記憶する、コンピュータデバイス。
- 脈管を特定し分類するコンピュータデバイスであって、1つ又は複数のプロセッサと少なくとも1つのメモリとからなり、前記少なくとも1つのメモリが、前記1つ又は複数のプロセッサによって実行され前記1つ又は複数のプロセッサに、複数の脈管チャネル画像それぞれにおいて、大脈管、長く狭い脈管、及び小脈管からなる群からそれぞれ選択される、1つ又は複数の脈管を検出させ、前記検出された1つ又は複数の脈管を血管もしくはリンパ管として分類させ、前記1つ又は複数の検出された脈管それぞれの成熟度を特定させる非一時的コンピュータ可読命令を記憶する、コンピュータデバイス。
- 脈管を特定するコンピュータ実装方法であって、
二次的な動脈樹構造及び毛細管を形成する脈管を含む、大脈管と呼ばれる第1のタイプ、
毛細血管又は新しく形成された脈管を含む、長く狭い脈管と呼ばれる第2のタイプ、
成熟した動脈及び静脈を含む、小脈管と呼ばれる第3のタイプ、
という、3つの異なるタイプのうち少なくとも1つの脈管を特定するため、組織試料の複数のデジタル画像それぞれを解析するステップと、
前記特定された脈管を血管もしくはリンパ管として分類するため、前記特定された脈管を解析するステップと、
前記1つ又は複数の検出された脈管それぞれの成熟度を特定するステップとを含む、コンピュータ実装方法。 - 前記第1のタイプの脈管を検出する前記ステップが、
管腔ピクセル領域(431)及び境界ピクセル領域を特定するため、
前記管腔ピクセル領域が、ピクセル強度が前記境界領域のピクセル強度を下回るピクセル領域であり、
前記管腔及び前記境界ピクセル領域が前記複数のデジタル画像のうち同じ画像もしくは異なる画像内にあり、
前記管腔ピクセル領域が前記境界ピクセル領域によって取り囲まれる
という条件を満たす、前記複数のデジタル画像のうち1つ又は複数の強度コントラストを評価するステップと、
境界ピクセル領域によって取り囲まれる特定された管腔ピクセル領域を、特定された大脈管として返すステップとを含む、請求項39に記載のコンピュータ実装方法。 - 前記特定された管腔の前記境界を検出する前記ステップが、
(a)前記特定された管腔のほぼ中心に、スポークの中心から径方向で延在する複数のアーム(434、437)をそれぞれ有するスポーク(433)を配置し、
(b)各アームに沿ったピクセル強度及び前記スポーク中心におけるピクセル強度を評価し、
(c)コントラスト閾値を満たしている場合に選択的に前記スポークを保持し、
(d)前記保持されたスポークから輪郭の多角形(435)を生成することによって決定される、請求項40に記載のコンピュータ実装方法。 - コントラスト閾値を満たす前記スポークを保持する前記ステップが、前記デジタル画像の少なくとも1つに関して、
前記スポーク中心の前記強度値を特定するステップと、
全ての前記アームからの最大強度値及び前記スポーク中心の強度値の中央値を特定するステップと、
全ての前記アームからの最小強度値及び前記スポーク中心の強度値の中央値を特定するステップと、
i)全ての最大強度値の中央値が前記スポーク中心の強度値よりも大きい少なくとも第1の閾値(T1)であるかを決定するステップと、
ii)全ての最小強度値の中央値が前記スポーク中心の強度値よりも小さい第2の閾値(T2)以下であるかを決定するステップと、
前記i)及びii)の前記決定が真を返した場合に、選択的に前記スポークを保持し、前記輪郭の多角形を生成するために使用するステップとを含む、請求項41に記載のコンピュータ実装方法。 - 前記輪郭の多角形を生成するのに前記スポークを使用するステップが、
前記スポークの前記アームそれぞれにおいて、最高強度値を有する前記ピクセルを特定するステップと、
前記特定されたピクセルを接続して前記多角形を形成するステップとを含む、請求項41又は42に記載のコンピュータ実装方法。 - 前記第2のタイプの脈管を検出する前記ステップが、
(i)前記デジタル画像の少なくとも1つの複数の重なり合う領域(652)におけるライン部分(656、655)を検出するステップと、
(ii)互いに対する親和性閾値を満たす前記重なり合う画像領域からの前記検出されたライン部分をグループ化するステップであって、前記グループ化が凝集クラスタ化処置において行われる、ステップと、
(iii)前記グループ化されたラインを前記第2のタイプの検出された脈管として返すステップとを含む、請求項39に記載のコンピュータ実装方法。 - 前記グループ化が、
(i)2つの隣接したライン部分間の距離及び角度を評価することによって、前記重なり合う領域における前記2つの隣接したライン部分間の親和性を計算するステップと、
(ii)前記ライン部分のうち互いに対する親和性が前記親和性閾値を上回るものを1つのグループに選択的にグループ化するため、前記計算された親和性を親和性閾値と比較するステップとを含む、請求項44に記載のコンピュータ実装方法。 - 前記グループ化されたラインセグメントから輪郭の多角形を生成するステップを更に含む請求項44又は45に記載のコンピュータ実装方法。
- 前記第2のタイプの前記特定された脈管に含まれるピクセルのエントロピーを特定し、前記決定されたエントロピーをエントロピー閾値と比較し、前記決定されたエントロピーが前記エントロピー閾値よりも高い場合に前記第2の脈管タイプの前記特定された脈管を廃棄するステップ、あるいは、
前記特定された脈管から距離閾値よりも遠くにある画像範囲に含まれるピクセルの平均強度を特定し、前記決定された平均強度を強度閾値と比較し、前記決定された平均強度が前記強度閾値よりも高い場合に前記第2の脈管タイプの前記特定された脈管を廃棄するステップを更に含む、請求項44から46のいずれか一項に記載のコンピュータ実装方法。 - 前記第3のタイプの脈管を検出する前記ステップが、
(i)周囲の背景のピクセル強度よりも高強度のピクセルを含む二値マスクを生成するステップと、
(ii)前記生成された二値マスク内のピクセルを接続するステップと、
(iii)前記接続されたピクセルのサイズが小脈管の閾値サイズを満たすか否かを評価するステップとを含む、請求項39に記載のコンピュータ実装方法。 - 前記二値マスクを生成する前記ステップが、前記デジタル画像の少なくとも1つに関して、
(i)前記少なくとも1つのデジタル画像における複数のピクセルの中からピクセルを選択するステップと、
(ii)前記選択されたピクセルそれぞれを取り囲むピクセルの強度の平均値を測定するステップと、
(iii)前記選択されたピクセルを取り囲むピクセルの強度の前記測定された平均値それぞれを、前記選択されたピクセルそれぞれの強度値から減算するステップと、
(iv)前記減算された値を背景強度閾値と比較するステップと、
(v)減算された値の強度が前記背景強度閾値を上回っているピクセルを前記二値マスクに追加するステップとを含む、請求項48に記載のコンピュータ実装方法。 - 前記生成された二値マスク内の前記ピクセルが、接続された成分の標識付けプロセスを使用して接続される、請求項49に記載のコンピュータ実装方法。
- 前記検出された1つ又は複数の脈管を分類する前記ステップが、
前記複数の脈管チャネル画像それぞれにおける重なり合う脈管を特定するステップと、
前記脈管を血管もしくはリンパ管として分類するため、重なり合わない検出された脈管のピクセル強度値を解析するステップであって、前記ピクセル強度が、血管もしくはリンパ管のどちらかに特異的である生物マーカーを選択的に染色する染料の染色強度と相関する、ステップとを含む、請求項39から50のいずれか一項に記載のコンピュータ実装方法。 - 前記1つ又は複数の検出された脈管それぞれの前記成熟度を特定する前記ステップが、
特定された脈管(1051)それぞれを、内環(1058)及び外環(1057)を備える同心環構造と重ね合わせるステップであって、前記内環が前記外環に隣接し、前記内環が成熟した脈管の予測される半径を有する円の内環であり、前記外環が前記円の外環である、ステップと、
前記同心環構造を前記デジタル画像の1つにマッピングするステップであって、前記1つのデジタル画像の前記ピクセル強度が、平滑筋組織に特異的である生物マーカーを選択的に染色する染料の染色強度と相関する、ステップと、
前記1つのデジタル画像における前記マッピングされた内環のピクセルの平均強度値を特定するステップと、
前記1つのデジタル画像における前記マッピングされた外環のピクセルの平均強度値を特定するステップと、
前記内環と前記外環との平均ピクセル強度値の差を決定するステップと、
前記決定された差が脈管成熟度閾値を上回る場合、前記脈管が成熟していることを返すステップとを含む、請求項39から51のいずれか一項に記載のコンピュータ実装方法。 - 脈管を特定し分類する画像解析システムであって、1つ又は複数のプロセッサ(105)と少なくとも1つのメモリとを備え、前記少なくとも1つのメモリが、前記1つ又は複数のプロセッサによって実行され前記1つ又は複数のプロセッサに、請求項39から52のいずれか一項に記載の方法を実施させる非一時的コンピュータ可読命令を記憶する、画像解析システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462097419P | 2014-12-29 | 2014-12-29 | |
US62/097,419 | 2014-12-29 | ||
US201562267714P | 2015-12-15 | 2015-12-15 | |
US62/267,714 | 2015-12-15 | ||
PCT/US2015/000331 WO2016108933A1 (en) | 2014-12-29 | 2015-12-24 | Vessel analysis in multiplexed images |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018501581A true JP2018501581A (ja) | 2018-01-18 |
JP6757320B2 JP6757320B2 (ja) | 2020-09-16 |
Family
ID=55237890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017534346A Active JP6757320B2 (ja) | 2014-12-29 | 2015-12-24 | 多重化画像における血管解析 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10388014B2 (ja) |
EP (1) | EP3241181B1 (ja) |
JP (1) | JP6757320B2 (ja) |
AU (1) | AU2015372563A1 (ja) |
CA (1) | CA2969327C (ja) |
ES (1) | ES2804770T3 (ja) |
WO (1) | WO2016108933A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3060060B1 (en) * | 2013-10-25 | 2019-07-03 | TeVido BioDevices | Tissue engineered devices and methods for making same |
US10019796B2 (en) * | 2015-10-16 | 2018-07-10 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
US10572996B2 (en) * | 2016-06-28 | 2020-02-25 | Contextvision Ab | Method and system for detecting pathological anomalies in a digital pathology image and method for annotating a tissue slide |
WO2018091486A1 (en) | 2016-11-16 | 2018-05-24 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
WO2018109764A1 (en) * | 2016-12-14 | 2018-06-21 | Eyes Ltd | System and methods for fully automated data analysis, reporting and quantification for medical and general diagnosis, and for edge detection in digitized images |
US20200065706A1 (en) * | 2018-08-24 | 2020-02-27 | Htc Corporation | Method for verifying training data, training system, and computer program product |
EP3924722A1 (en) | 2019-02-13 | 2021-12-22 | Ventana Medical Systems, Inc. | Systems and methods for computing the contributions of autofluorescence in multichannel images |
US20220067807A1 (en) * | 2020-09-02 | 2022-03-03 | Fero Tech Global Holdings Inc | System and method for facilitating one or more freight transactions |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002076282A2 (en) * | 2001-01-05 | 2002-10-03 | Tissueinformatics, Inc. | Method for quantitative analysis of blood vessel structure |
JP2005157902A (ja) * | 2003-11-27 | 2005-06-16 | Olympus Corp | 画像解析方法 |
JP2011063520A (ja) * | 2009-09-15 | 2011-03-31 | Shiseido Co Ltd | ヘパラナーゼ阻害剤による美白方法及び美白効果を有する物質の評価方法 |
US20140121512A1 (en) * | 2012-10-31 | 2014-05-01 | The Regents Of The University Of California | In vivo visualization of lymphatic tissue |
-
2015
- 2015-12-24 WO PCT/US2015/000331 patent/WO2016108933A1/en active Application Filing
- 2015-12-24 JP JP2017534346A patent/JP6757320B2/ja active Active
- 2015-12-24 CA CA2969327A patent/CA2969327C/en active Active
- 2015-12-24 EP EP15828788.8A patent/EP3241181B1/en active Active
- 2015-12-24 ES ES15828788T patent/ES2804770T3/es active Active
- 2015-12-24 AU AU2015372563A patent/AU2015372563A1/en not_active Abandoned
-
2017
- 2017-06-27 US US15/633,945 patent/US10388014B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002076282A2 (en) * | 2001-01-05 | 2002-10-03 | Tissueinformatics, Inc. | Method for quantitative analysis of blood vessel structure |
JP2005157902A (ja) * | 2003-11-27 | 2005-06-16 | Olympus Corp | 画像解析方法 |
JP2011063520A (ja) * | 2009-09-15 | 2011-03-31 | Shiseido Co Ltd | ヘパラナーゼ阻害剤による美白方法及び美白効果を有する物質の評価方法 |
US20140121512A1 (en) * | 2012-10-31 | 2014-05-01 | The Regents Of The University Of California | In vivo visualization of lymphatic tissue |
Also Published As
Publication number | Publication date |
---|---|
WO2016108933A1 (en) | 2016-07-07 |
JP6757320B2 (ja) | 2020-09-16 |
US20170294017A1 (en) | 2017-10-12 |
CA2969327A1 (en) | 2016-07-07 |
ES2804770T3 (es) | 2021-02-09 |
US10388014B2 (en) | 2019-08-20 |
EP3241181A1 (en) | 2017-11-08 |
AU2015372563A1 (en) | 2017-06-22 |
EP3241181B1 (en) | 2020-05-06 |
CA2969327C (en) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836950B2 (en) | Quality metrics for automatic evaluation of dual ISH images | |
JP7092503B2 (ja) | 共発現解析のためのシステム及び方法 | |
US11526984B2 (en) | Method of computing tumor spatial and inter-marker heterogeneity | |
US20200342597A1 (en) | Deep-learning systems and methods for joint cell and region classification in biological images | |
US11842483B2 (en) | Systems for cell shape estimation | |
JP7047059B2 (ja) | 画像処理のための自動アッセイ評価および正規化 | |
JP6757320B2 (ja) | 多重化画像における血管解析 | |
JP6800152B2 (ja) | 組織学画像中の核の分類 | |
JP7197584B2 (ja) | デジタル病理学分析結果の格納および読み出し方法 | |
EP3729369A2 (en) | Computational pathology approach for retrospective analysis of tissue-based companion diagnostic driven clinical trial studies | |
JP7214756B2 (ja) | ステイン集合体における信号の定量 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181203 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191212 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200324 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200407 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200508 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200612 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200731 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200813 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200828 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6757320 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |