JP2023510915A - 腫瘍検出および分析を支援するための非腫瘍セグメンテーション - Google Patents
腫瘍検出および分析を支援するための非腫瘍セグメンテーション Download PDFInfo
- Publication number
- JP2023510915A JP2023510915A JP2022543485A JP2022543485A JP2023510915A JP 2023510915 A JP2023510915 A JP 2023510915A JP 2022543485 A JP2022543485 A JP 2022543485A JP 2022543485 A JP2022543485 A JP 2022543485A JP 2023510915 A JP2023510915 A JP 2023510915A
- Authority
- JP
- Japan
- Prior art keywords
- image
- images
- segmentation
- target region
- model
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 143
- 206010028980 Neoplasm Diseases 0.000 title abstract description 86
- 238000004458 analytical method Methods 0.000 title abstract description 31
- 238000001514 detection method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 130
- 239000000126 substance Substances 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 68
- 238000010191 image analysis Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 57
- 210000004881 tumor cell Anatomy 0.000 claims description 55
- 239000012620 biological material Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 32
- 239000000090 biomarker Substances 0.000 claims description 31
- 210000003855 cell nucleus Anatomy 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003124 biologic agent Substances 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 12
- 210000004940 nucleus Anatomy 0.000 description 125
- 210000001519 tissue Anatomy 0.000 description 80
- 230000008569 process Effects 0.000 description 43
- 238000010186 staining Methods 0.000 description 38
- 230000000875 corresponding effect Effects 0.000 description 30
- 238000003384 imaging method Methods 0.000 description 29
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000014509 gene expression Effects 0.000 description 21
- 210000002865 immune cell Anatomy 0.000 description 17
- 210000004698 lymphocyte Anatomy 0.000 description 16
- 239000000523 sample Substances 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 239000012472 biological sample Substances 0.000 description 12
- 238000003364 immunohistochemistry Methods 0.000 description 12
- 238000003556 assay Methods 0.000 description 11
- 238000003709 image segmentation Methods 0.000 description 11
- 238000007637 random forest analysis Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 11
- 238000011282 treatment Methods 0.000 description 11
- 238000010200 validation analysis Methods 0.000 description 11
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 10
- 230000001086 cytosolic effect Effects 0.000 description 10
- 239000003550 marker Substances 0.000 description 9
- 230000000873 masking effect Effects 0.000 description 9
- 210000004379 membrane Anatomy 0.000 description 9
- 239000012528 membrane Substances 0.000 description 9
- 230000007170 pathology Effects 0.000 description 8
- 210000000170 cell membrane Anatomy 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004393 prognosis Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 210000004882 non-tumor cell Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 102000004169 proteins and genes Human genes 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 210000002536 stromal cell Anatomy 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 239000000427 antigen Substances 0.000 description 4
- 102000036639 antigens Human genes 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- 210000000805 cytoplasm Anatomy 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000007901 in situ hybridization Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 210000005265 lung cell Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000013188 needle biopsy Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 241000243818 Annelida Species 0.000 description 1
- 241000239223 Arachnida Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 108010001857 Cell Surface Receptors Proteins 0.000 description 1
- 241000938605 Crocodylia Species 0.000 description 1
- 102000018651 Epithelial Cell Adhesion Molecule Human genes 0.000 description 1
- 108010066687 Epithelial Cell Adhesion Molecule Proteins 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241000289419 Metatheria Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 241000288906 Primates Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 210000002939 cerumen Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 208000030499 combat disease Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012632 fluorescent imaging Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 108091008039 hormone receptors Proteins 0.000 description 1
- 238000001794 hormone therapy Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000012744 immunostaining Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000002934 lysing effect Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 102000006240 membrane receptors Human genes 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000001531 micro-dissection Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004915 pus Anatomy 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 210000001138 tear Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000005751 tumor progression Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
【選択図】図1
Description
本開示は、デジタル病理学に関し、特に、腫瘍の検出および分析を支援または改善するために検体画像内の非腫瘍領域をセグメント化するための機械学習技術に関する。
デジタル病理は、組織および/または細胞を含む病理スライド(例えば、組織病理または細胞病理ガラススライド)をデジタル画像にスキャンすることを含む。デジタル画像内の組織および/または細胞は、その後、疾患の診断、治療に対する応答の評価、および疾患と戦うための薬剤の開発を含む様々な理由のために、デジタル病理画像分析によって検査され、および/または病理学者によって解釈されることができる。デジタル画像(実質的に透明である)内の組織および/または細胞を検査するために、病理スライドは、組織および/または細胞成分に選択的に結合する着色染色(例えば、免疫染色)を使用して調製されることができる。免疫組織化学(IHC)は、免疫染色の一般的な用途であり、生体組織中の抗原に特異的に結合する抗体および他の化合物(または物質)の原理を利用することによって、組織切片の細胞中の抗原(タンパク質)を選択的に識別するプロセスを含む。いくつかのアッセイでは、検体中の染色剤に対する標的抗原は、バイオマーカーと呼ばれることがある。その後、染色された組織および/または細胞のデジタル画像に対してデジタル病理画像分析を実施して、生体組織中の抗原(例えば、腫瘍細胞を示すバイオマーカー)に対する染色を識別および定量することができる。
様々な実施形態では、検体についての複数の画像にアクセスすることであって、複数の画像のうちの1つ以上の画像が非標的領域および標的領域を含む、複数の画像にアクセスすることと、二次元セグメンテーションモデルによって、1つ以上の画像から符号化された識別特徴に基づいて非標的領域のセグメンテーションマップを予測することであって、識別特徴が第1の生物学的物質または構造体に関連付けられている、非標的領域のセグメンテーションマップを予測することと、セグメンテーションマップに基づいて1つ以上の画像についてのセグメンテーションマスクを生成することと、1つ以上の画像にセグメンテーションマスクを適用して、1つ以上の画像から非標的領域を除外する非標的領域マスク画像を生成することと、画像分析モデルによって、非標的領域マスク画像から抽出された特徴のセットに基づいて、標的領域内の第2の生物学的物質または構造体を細胞または細胞核のタイプに分類することと、標的領域に対して、第2の生物学的物質または構造体について分類された細胞または細胞核のタイプを提供することと、を含む、コンピュータ実装方法が提供される。
I.概要
本開示は、自動化された非腫瘍セグメンテーションのための技術を記載する。より具体的には、本開示のいくつかの実施形態は、腫瘍の検出および分析を支援または改善するために、検体画像内の非腫瘍領域をセグメント化するための機械学習技術を提供する。
本明細書で使用される場合、動作が何かに「基づく」場合、これは、動作が何かの少なくとも一部に少なくとも部分的に基づくことを意味する。
画像セグメンテーションは、形状、サイズ、色などの異なる特徴の類似性を示す画像の類似部分を分離する手順である。腫瘍および腫瘍細胞のセグメンテーションは、身体の領域(例えば、脳または肺)内の腫瘍または腫瘍細胞のサイズ、量、および位置の視覚化を可能にし、デジタル画像における染色取り込みの分析の基礎を提供することもできる。腫瘍および腫瘍細胞のセグメンテーションのゴールドスタンダードは、長い間手動のセグメンテーションであり、これは時間がかかり、労働集約的であり、したがって臨床使用および大規模な研究開発努力には適さない。かなりの調査が、腫瘍セグメンテーションのプロセスを完全にまたは部分的に自動化しようとする試みに専念してきた。例えば、閾値化、領域拡大、ファジークラスタリング、ウォーターシェッドアルゴリズムの使用などの画像セグメンテーション技術は、脳の白質(WM)、灰白質(GM)、および脳脊髄液(CSF)などの正常組織から異常組織(例えば、腫瘍塊)を分離するために使用されてきた。それにもかかわらず、腫瘍または腫瘍細胞を含む標的領域の多様性のためだけでなく、標的領域を非標的領域から区別することが困難であるため(例えば、正常組織またはブランクスライド領域)、セグメンテーションのプロセスは、依然として困難である。
図2は、様々な実施形態にかかる深層畳み込みニューラルネットワークを使用した非腫瘍セグメンテーションおよび画像分析のためのコンピューティング環境200を示すブロック図を示している。コンピューティング環境200は、予測モデル、例えば二次元CNNモデルを訓練して実行するための分析システム205を含むことができる。より具体的には、分析システム205は、コンピューティング環境200の他の構成要素によって使用されるそれぞれの予測モデル215a~n(本明細書では個別に予測モデル215として、またはまとめて予測モデル215として参照されることができる)を構築および訓練する訓練サブシステム210a~n(「a」および「n」は任意の自然数を表す)を含むことができる。予測モデル215は、深層畳み込みニューラルネットワーク(CNN)、例えば、初期ニューラルネットワーク、残差ニューラルネットワーク(「Resnet」)、またはリカレントニューラルネットワーク、例えば、長期短期記憶(「LSTM」)モデルまたはゲーテッド回帰型ユニット(「GRU」)モデルなどの機械学習(「ML」)モデルとすることができる。予測モデル215はまた、非標的領域(例えば、リンパ系凝集体領域)をセグメント化し、標的領域をセグメント化し、または標的領域の画像分析を提供するように訓練された任意の他の適切なMLモデル、例えば、二次元CNN(「2DCNN」)、マスクR-CNN、特徴ピラミッドネットワーク(FPN)、動的時間伸縮(「DTW」)技術、隠れマルコフモデル(「HMM」)など、またはそのような技術のうちの1つ以上の組み合わせ、例えば、CNN-HMMもしくはMCNN(マルチスケール畳み込みニューラルネットワーク)とすることができる。コンピューティング環境200は、非標的領域をセグメント化し、標的領域をセグメント化し、または標的領域の画像分析を提供するように訓練された同じタイプの予測モデルまたは異なるタイプの予測モデルを使用することができる。例えば、コンピューティング環境200は、非標的領域(例えば、リンパ系凝集体領域)をセグメント化するための第1の予測モデル(例えば、U-Net)を含むことができる。コンピューティング環境200はまた、標的領域(例えば、腫瘍細胞の領域)をセグメント化するための第2の予測モデル(例えば、2DCNN)を含むことができる。コンピューティング環境200はまた、標的領域の画像分析のための第3のモデル(例えば、CNN)を含むことができる。コンピューティング環境200はまた、患者などの被験者の処置または予後診断のための疾患の診断のための第4のモデル(例えば、HMM)を含むことができる。本開示にかかる他の例では、さらに他のタイプの予測モデルが実装されてもよい。
図3は、様々な実施形態にかかる、非標的領域セグメンテーションのためのモデルアーキテクチャ(例えば、図2に関して説明した分析システム205の一部)を表す例示的な概略図300を示している。モデルアーキテクチャは、単一画像データ(例えば、それぞれが単一の染色を有する画像)および/または多重画像データ(例えば、複数の染色を有する画像)を含む入力画像を生成または取得するための画像取得モジュール310と、さらなる分析のための部分、例えば腫瘍領域または免疫細胞領域を示す部分などの入力画像の一部に電子的に注釈を付けるための任意の画像注釈モジュール315と、1つ以上の染色チャネルに対応する画像チャネル画像を生成するための任意の混合解除モジュール320とを備える前処理段階305を備えることができる。モデルアーキテクチャは、入力画像内(例えば、ヘマトキシリンおよびエオシン染色画像、バイオマーカー画像、または非混合画像チャネル画像内)の特徴に基づいて細胞または核(例えば、腫瘍細胞、間質細胞、リンパ球など)を含む生物学的物質または構造体を検出および/または分類するための画像分析モジュール330を備える処理段階325をさらに備えることができる。
二次元セグメンテーションは、修正U-Netを用いてタイルベースの方法を使用して入力画像(例えば、検体スライドの1つ以上の画像)から個別に特徴を抽出し、高解像度の二次元非標的領域マップを生成する。図4に示すように、タイル画像400(例えば、IHC画像)は、非標的領域(例えば、リンパ系凝集体)および標的領域(例えば、腫瘍および他の細胞)を識別するために、手動注釈405を有する修正Uネットを訓練する際に使用されることができる。例えば、修正U-Netは、グラウンドトゥルースセグメンテーションマスク410を使用して訓練されてもよく、出力は、U-Netを使用して予測された画素あたりの前景/背景確率とグラウンドトゥルースセグメンテーションマスク410との間の差を測定するために損失関数が構築される画素あたりの前景/背景確率である。グラウンドトゥルースセグメンテーションマスク410は、タイル画像400上の手動注釈405を有するタイル画像400から生成されることができる。タイル画像400は、対応するグラウンドトゥルースセグメンテーションマスク410を生成するために、元の白黒画像またはカラー画像の双方について、256×256のサイズなどの所定のサイズの比較的小さいパッチ415にセグメント化されることができる。白黒またはカラー画像の一対の小さいパッチ415、または対応するグラウンドトゥルースセグメンテーションマスク410が修正U-Netに入力される。特定の例では、データは、訓練セットの80%および試験セットまたは検証セットの20%に分割されることができる。いくつかの例では、学習率スケジュールは、所定のスケジュールにしたがって学習率を減少させることによって、訓練中に修正U-Netの学習率を調整するために使用される。特定の例では、学習率スケジュールは、損失関数を最適化するために数エポックごとに学習率を所定の係数だけ低下させるステップ減衰スケジュールである。例えば、ステップ減衰スケジュールが使用されて、学習率を15エポックごとに1/4だけ下げることができる。特定の例では、バイナリ交差エントロピー損失関数が使用されて、以下のように設定されたハイパーパラメータを使用して修正U-Netを訓練する。50エポック、バッチサイズ2、学習率1×10-5。訓練は、最適な修正U-Netを見つけるために、例えば20xおよび10xなどの2つの異なる倍率を使用して実行されてもよい。図5Aは、バッチに関する修正U-Net訓練中の損失を示している。図5Bは、最適な性能を達成するための修正U-Net訓練中の精度を示している。
図7は、様々な実施形態にかかる予測モデルを訓練するためのプロセス700を示している。
本開示のいくつかの実施形態は、1つ以上のデータプロセッサを含むシステムを含む。いくつかの実施形態では、システムは、1つ以上のデータプロセッサ上で実行されると、1つ以上のデータプロセッサに、本明細書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体を含む。本開示のいくつかの実施形態は、1つ以上のデータプロセッサに、本明細書に開示された1つ以上の方法の一部または全部および/または1つ以上のプロセスの一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品を含む。
Claims (21)
- 検体についての複数の画像にアクセスすることであって、前記複数の画像のうちの1つ以上の画像が非標的領域および標的領域を含む、複数の画像にアクセスすることと、
二次元セグメンテーションモデルによって、前記1つ以上の画像から符号化された識別特徴に基づいて前記非標的領域のセグメンテーションマップを予測することであって、前記識別特徴が第1の生物学的物質または構造体に関連付けられている、非標的領域のセグメンテーションマップを予測することと、
前記セグメンテーションマップに基づいて前記1つ以上の画像についてのセグメンテーションマスクを生成することと、
前記1つ以上の画像に前記セグメンテーションマスクを適用して、前記1つ以上の画像から前記非標的領域を除外する非標的領域マスク画像を生成することと、
画像分析モデルによって、前記非標的領域マスク画像から抽出された特徴のセットに基づいて、前記標的領域内の第2の生物学的物質または構造体を細胞または細胞核のタイプに分類することと、
前記標的領域について、前記第2の生物学的物質または構造体について分類された前記細胞または細胞核のタイプを提供することと
を含む、コンピュータ実装方法。 - 前記検体が1つ以上のバイオマーカーについて染色され、前記第1の生物学的物質または構造体がリンパ系凝集体であり、前記第2の生物学的物質または構造体が腫瘍細胞または腫瘍細胞のクラスターである、請求項1に記載のコンピュータ実装方法。
- 前記1つ以上の画像を所定のサイズを有する画像パッチに分割することと、
前記二次元セグメンテーションモデルによって、前記画像パッチを前記識別特徴に符号化することと、
前記二次元セグメンテーションモデルによって、前記識別特徴を画素空間上に投影することと、
前記二次元セグメンテーションモデルによって、所定の閾値に基づいて各画素空間について前記第1の生物学的物質または構造体の分類を決定することと、をさらに含む、請求項1または2に記載のコンピュータ実装方法。 - 前記画像分析モデルによって、前記非標的領域マスク画像から前記特徴のセットを抽出することと、
前記特徴のセットに基づいて前記第2の生物学的物質または構造体についての1つ以上のメトリックを計算することと
をさらに含み、
前記第2の生物学的物質または構造体について分類された前記細胞または細胞核のタイプを提供することが、前記第2の生物学的物質または構造体についての前記1つ以上のメトリックを提供することをさらに含む、請求項1、2、または3に記載のコンピュータ実装方法。 - 前記二次元セグメンテーションモデルが、縮小経路および拡張経路を含む修正U-Netモデルであり、前記縮小経路および前記拡張経路のそれぞれが、最大256チャネルを有し、前記縮小経路の1つ以上の層が、空間ドロップアウトを実施する、請求項1、2、3、または4に記載のコンピュータ実装方法。
- コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに請求項1~5のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、非一時的コンピュータ可読記憶媒体。
- プロセッサと非一時的メモリとを備えるコンピュータシステムであって、前記メモリが、前記プロセッサによって実行されると、前記プロセッサに請求項1~5のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、コンピュータシステム。
- 検体についての複数の画像にアクセスすることであって、前記複数の画像のうちの1つ以上の画像が非標的領域および標的領域を含む、複数の画像にアクセスすることと、
二次元セグメンテーションモデルによって、前記1つ以上の画像から符号化された識別特徴に基づいて前記非標的領域のセグメンテーションマップを予測することであって、前記識別特徴が第1の生物学的物質または構造体に関連付けられている、非標的領域のセグメンテーションマップを予測することと、
前記非標的領域の前記セグメンテーションマップに基づいて、前記1つ以上の画像についての第1のセグメンテーションマスクを生成することと、
画像分析モデルによって、前記1つ以上の画像から抽出された特徴の第2のセットに基づいて、前記標的領域内の第2の生物学的物質または構造体を細胞または細胞核のタイプに分類することと、
前記標的領域内の前記第2の生物学的物質または構造体の前記分類に基づいて、前記1つ以上の画像についての第2のセグメンテーションマスクを生成することと、
前記1つ以上の画像に前記第1のセグメンテーションマスクおよび前記第2のセグメンテーションマスクを適用して、前記1つ以上の画像から前記非標的領域を除外する標的領域および非標的領域マスク画像を生成することと、
前記標的領域および非標的領域マスク画像ならびに前記第2の生物学的物質または構造体について分類された前記細胞または細胞核のタイプを提供することと
を含む、コンピュータ実装方法。 - 前記検体が1つ以上のバイオマーカーについて染色され、前記第1の生物学的物質または構造体がリンパ系凝集体であり、前記第2の生物学的物質または構造体が腫瘍細胞または腫瘍細胞のクラスターである、請求項8に記載のコンピュータ実装方法。
- 前記1つ以上の画像を所定のサイズを有する画像パッチに分割することと、
前記二次元セグメンテーションモデルによって、前記画像パッチを前記識別特徴に符号化することと、
前記二次元セグメンテーションモデルによって、前記識別特徴を画素空間上に投影することと、
前記二次元セグメンテーションモデルによって、所定の閾値に基づいて各画素空間について前記第1の生物学的物質または構造体の分類を決定することと、をさらに含む、請求項8または9に記載のコンピュータ実装方法。 - 前記画像分析モデルによって、前記1つ以上の画像から前記特徴のセットを抽出することと、
前記特徴のセットに基づいて前記第2の生物学的物質または構造体についての1つ以上のメトリックを計算することと
をさらに含み、
前記標的領域および非標的領域マスク画像ならびに前記第2の生物学的物質または構造体について分類された前記細胞または細胞核のタイプを提供することが、前記第2の生物学的物質または構造体についての前記1つ以上のメトリックを提供することをさらに含む、請求項8、9、または10に記載のコンピュータ実装方法。 - 前記二次元セグメンテーションモデルが、縮小経路および拡張経路を含む修正U-Netモデルであり、前記縮小経路および前記拡張経路のそれぞれが、最大256チャネルを有し、前記縮小経路の1つ以上の層が、空間ドロップアウトを実施する、請求項8、9、10、または11に記載のコンピュータ実装方法。
- コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに請求項8~12のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、非一時的コンピュータ可読記憶媒体。
- プロセッサと非一時的メモリとを備えるコンピュータシステムであって、前記メモリが、前記プロセッサによって実行されると、前記プロセッサに請求項8~12のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、コンピュータシステム。
- 検体についての複数のタイル画像にアクセスすることであって、前記複数のタイル画像のうちの1つ以上のタイル画像が、非標的領域および標的領域をセグメント化するための注釈を含む、複数のタイル画像にアクセスすることと、
前記1つ以上のタイル画像で二次元セグメンテーションモデルを訓練することであって、前記訓練が、反復演算を実行して、前記二次元セグメンテーションモデルの損失関数を最小化する前記二次元セグメンテーションモデルのパラメータのセットを見つけることを含み、各反復が、前記パラメータのセットを使用する前記損失関数の値が前の反復における別のパラメータのセットを使用する前記損失関数の値よりも小さくなるように、前記二次元セグメンテーションモデルの前記パラメータのセットを見つけることを含み、前記損失関数が、前記二次元セグメンテーションモデルを使用して予測された出力と前記1つ以上のタイル画像に含まれる前記注釈との間の差を測定するように構築される、二次元セグメンテーションモデルを訓練することと、
訓練された前記二次元セグメンテーションモデルを提供することと
を含む、コンピュータ実装方法。 - 前記1つ以上のタイル画像をパッチに分割することをさらに含み、前記二次元セグメンテーションモデルが前記パッチで訓練される、請求項15に記載のコンピュータ実装方法。
- 前記二次元セグメンテーションモデルが、縮小経路および拡張経路を含む修正U-Netモデルであり、前記縮小経路および前記拡張経路のそれぞれが、最大256個のチャネルを有し、前記縮小経路の1つ以上の層が、空間ドロップアウトを実施する、請求項15または16に記載のコンピュータ実装方法。
- 前記訓練が、所定のスケジュールにしたがって学習率を低減することによって前記修正U-Netの前記学習率を調整することをさらに含む、請求項15、16、または17に記載のコンピュータ実装方法。
- 前記所定のスケジュールが、前記損失関数を最適化するために所定数のエポックごとに前記学習率を所定の係数だけ低下させるステップ減衰スケジュールであり、前記損失関数が、バイナリ交差エントロピー損失関数である、請求項18に記載の方法。
- コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに請求項15~19のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、非一時的コンピュータ可読記憶媒体。
- プロセッサと非一時的メモリとを備えるコンピュータシステムであって、前記メモリが、前記プロセッサによって実行されると、前記プロセッサに請求項15~19のいずれか一項に記載のアクションまたは動作を実行させるコンピュータプログラム命令を含む、コンピュータシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062963145P | 2020-01-19 | 2020-01-19 | |
US62/963,145 | 2020-01-19 | ||
PCT/US2021/013947 WO2021146705A1 (en) | 2020-01-19 | 2021-01-19 | Non-tumor segmentation to support tumor detection and analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023510915A true JP2023510915A (ja) | 2023-03-15 |
JP7422235B2 JP7422235B2 (ja) | 2024-01-25 |
Family
ID=74595407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022543485A Active JP7422235B2 (ja) | 2020-01-19 | 2021-01-19 | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220351379A1 (ja) |
EP (1) | EP4091135A1 (ja) |
JP (1) | JP7422235B2 (ja) |
CN (1) | CN114945941A (ja) |
WO (1) | WO2021146705A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11810291B2 (en) | 2020-04-15 | 2023-11-07 | Siemens Healthcare Gmbh | Medical image synthesis of abnormality patterns associated with COVID-19 |
US20210398654A1 (en) * | 2020-06-22 | 2021-12-23 | Siemens Healthcare Gmbh | Automatic detection of covid-19 in chest ct images |
US20230237620A1 (en) * | 2022-01-27 | 2023-07-27 | Sonic Star Global Limited | Image processing system and method for processing image |
US11978185B1 (en) * | 2022-11-22 | 2024-05-07 | Pramana, Inc. | System and methods for color gamut normalization for pathology slides |
CN117058014B (zh) * | 2023-07-14 | 2024-03-29 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化系统及方法 |
CN116630358B (zh) * | 2023-07-25 | 2023-09-26 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
CN117408998B (zh) * | 2023-12-13 | 2024-03-12 | 真健康(广东横琴)医疗科技有限公司 | 一种体表定位标记物的分割方法及设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2398379A (en) | 2003-02-11 | 2004-08-18 | Qinetiq Ltd | Automated digital image analysis |
US7760927B2 (en) | 2003-09-10 | 2010-07-20 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation |
ES2639559T3 (es) | 2012-12-28 | 2017-10-27 | Ventana Medical Systems, Inc. | Análisis de imágenes para el pronóstico de cáncer de mama |
CN105027165B (zh) | 2013-03-15 | 2021-02-19 | 文塔纳医疗系统公司 | 用于数字完整载片的自动化评分的基于组织对象的机器学习系统 |
JP6499643B2 (ja) | 2013-10-01 | 2019-04-10 | ベンタナ メディカル システムズ, インコーポレイテッド | ラインベースの画像位置合わせ及び交差画像注釈デバイス、システム、及び方法 |
JP6604960B2 (ja) | 2014-02-21 | 2019-11-13 | ベンタナ メディカル システムズ, インコーポレイテッド | バイオマーカー陽性の腫瘍細胞を識別するための医用画像解析 |
WO2016016125A1 (en) | 2014-07-28 | 2016-02-04 | Ventana Medical Systems, Inc. | Automatic glandular and tubule detection in histological grading of breast cancer |
WO2016120442A1 (en) | 2015-01-30 | 2016-08-04 | Ventana Medical Systems, Inc. | Foreground segmentation and nucleus ranking for scoring dual ish images |
CN110088804B (zh) | 2016-12-22 | 2023-06-27 | 文塔纳医疗系统公司 | 基于原色和免疫组织化学图像的计算机评分 |
JP7231631B2 (ja) | 2017-12-05 | 2023-03-01 | ベンタナ メディカル システムズ, インコーポレイテッド | 腫瘍空間異質性およびインターマーカ異質性の計算方法 |
-
2021
- 2021-01-19 CN CN202180008998.8A patent/CN114945941A/zh active Pending
- 2021-01-19 EP EP21705335.4A patent/EP4091135A1/en active Pending
- 2021-01-19 WO PCT/US2021/013947 patent/WO2021146705A1/en active Application Filing
- 2021-01-19 JP JP2022543485A patent/JP7422235B2/ja active Active
-
2022
- 2022-07-12 US US17/862,973 patent/US20220351379A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP7422235B2 (ja) | 2024-01-25 |
CN114945941A (zh) | 2022-08-26 |
US20220351379A1 (en) | 2022-11-03 |
EP4091135A1 (en) | 2022-11-23 |
WO2021146705A1 (en) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11682192B2 (en) | Deep-learning systems and methods for joint cell and region classification in biological images | |
JP7233506B2 (ja) | 一次染色および免疫組織化学画像に基づくコンピュータ採点 | |
JP7422235B2 (ja) | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション | |
US20220351860A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
CN111448569B (zh) | 存储和检索数字病理学分析结果的方法 | |
CN112868024A (zh) | 用于细胞分类的系统和方法 | |
US20230186659A1 (en) | Machine learning models for cell localization and classification learned using repel coding | |
US20240079116A1 (en) | Automated segmentation of artifacts in histopathology images | |
US11959848B2 (en) | Method of storing and retrieving digital pathology analysis results | |
WO2022035943A1 (en) | Automated identification of necrotic regions in digital images of multiplex immunofluorescence stained tissue |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220909 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230815 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230818 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231113 |
|
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: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7422235 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |