JP2023528218A - 分子化学イメージングを用いた腫瘍のサブタイプ分類のためのシステムおよび方法 - Google Patents
分子化学イメージングを用いた腫瘍のサブタイプ分類のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2023528218A JP2023528218A JP2022569142A JP2022569142A JP2023528218A JP 2023528218 A JP2023528218 A JP 2023528218A JP 2022569142 A JP2022569142 A JP 2022569142A JP 2022569142 A JP2022569142 A JP 2022569142A JP 2023528218 A JP2023528218 A JP 2023528218A
- Authority
- JP
- Japan
- Prior art keywords
- cancer
- analysis
- image
- biological tissue
- hyperspectral
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 53
- 238000000701 chemical imaging Methods 0.000 title description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 230000002962 histologic effect Effects 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 35
- 210000001519 tissue Anatomy 0.000 claims description 152
- 238000004458 analytical method Methods 0.000 claims description 79
- 230000003595 spectral effect Effects 0.000 claims description 36
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 25
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 208000008839 Kidney Neoplasms Diseases 0.000 claims description 13
- 206010038389 Renal cancer Diseases 0.000 claims description 11
- 201000010982 kidney cancer Diseases 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000010238 partial least squares regression Methods 0.000 claims description 8
- 210000001685 thyroid gland Anatomy 0.000 claims description 8
- 206010005003 Bladder cancer Diseases 0.000 claims description 7
- 206010005949 Bone cancer Diseases 0.000 claims description 7
- 208000018084 Bone neoplasm Diseases 0.000 claims description 7
- 208000003174 Brain Neoplasms Diseases 0.000 claims description 7
- 206010006187 Breast cancer Diseases 0.000 claims description 7
- 208000026310 Breast neoplasm Diseases 0.000 claims description 7
- 206010009944 Colon cancer Diseases 0.000 claims description 7
- 208000005016 Intestinal Neoplasms Diseases 0.000 claims description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 7
- 206010033128 Ovarian cancer Diseases 0.000 claims description 7
- 206010061535 Ovarian neoplasm Diseases 0.000 claims description 7
- 206010061902 Pancreatic neoplasm Diseases 0.000 claims description 7
- 206010060862 Prostate cancer Diseases 0.000 claims description 7
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 7
- 208000015634 Rectal Neoplasms Diseases 0.000 claims description 7
- 208000000453 Skin Neoplasms Diseases 0.000 claims description 7
- 208000005718 Stomach Neoplasms Diseases 0.000 claims description 7
- 208000024313 Testicular Neoplasms Diseases 0.000 claims description 7
- 206010057644 Testis cancer Diseases 0.000 claims description 7
- 208000024770 Thyroid neoplasm Diseases 0.000 claims description 7
- 206010046431 Urethral cancer Diseases 0.000 claims description 7
- 206010046458 Urethral neoplasms Diseases 0.000 claims description 7
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 claims description 7
- 208000002495 Uterine Neoplasms Diseases 0.000 claims description 7
- 210000004100 adrenal gland Anatomy 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 7
- 210000001072 colon Anatomy 0.000 claims description 7
- 208000029742 colonic neoplasm Diseases 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 206010017758 gastric cancer Diseases 0.000 claims description 7
- 210000002216 heart Anatomy 0.000 claims description 7
- 201000002313 intestinal cancer Diseases 0.000 claims description 7
- 210000000936 intestine Anatomy 0.000 claims description 7
- 210000003734 kidney Anatomy 0.000 claims description 7
- 210000004185 liver Anatomy 0.000 claims description 7
- 201000007270 liver cancer Diseases 0.000 claims description 7
- 208000014018 liver neoplasm Diseases 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 7
- 201000005202 lung cancer Diseases 0.000 claims description 7
- 208000020816 lung neoplasm Diseases 0.000 claims description 7
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 210000001672 ovary Anatomy 0.000 claims description 7
- 210000000496 pancreas Anatomy 0.000 claims description 7
- 201000002528 pancreatic cancer Diseases 0.000 claims description 7
- 208000008443 pancreatic carcinoma Diseases 0.000 claims description 7
- 210000003899 penis Anatomy 0.000 claims description 7
- 210000002307 prostate Anatomy 0.000 claims description 7
- 206010038038 rectal cancer Diseases 0.000 claims description 7
- 201000001275 rectum cancer Diseases 0.000 claims description 7
- 201000000849 skin cancer Diseases 0.000 claims description 7
- 210000000952 spleen Anatomy 0.000 claims description 7
- 210000002784 stomach Anatomy 0.000 claims description 7
- 201000011549 stomach cancer Diseases 0.000 claims description 7
- 201000003120 testicular cancer Diseases 0.000 claims description 7
- 210000001550 testis Anatomy 0.000 claims description 7
- 201000002510 thyroid cancer Diseases 0.000 claims description 7
- 210000000626 ureter Anatomy 0.000 claims description 7
- 210000003932 urinary bladder Anatomy 0.000 claims description 7
- 201000005112 urinary bladder cancer Diseases 0.000 claims description 7
- 206010046766 uterine cancer Diseases 0.000 claims description 7
- 210000004291 uterus Anatomy 0.000 claims description 7
- 238000001356 surgical procedure Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 14
- 239000000523 sample Substances 0.000 description 12
- 208000006265 Renal cell carcinoma Diseases 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 201000011510 cancer Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 208000030808 Clear cell renal carcinoma Diseases 0.000 description 5
- 206010073251 clear cell renal cell carcinoma Diseases 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 201000011330 nonpapillary renal cell carcinoma Diseases 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 206010044412 transitional cell carcinoma Diseases 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 239000002096 quantum dot Substances 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002271 resection Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 208000035346 Margins of Excision Diseases 0.000 description 2
- 229910000661 Mercury cadmium telluride Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910001507 metal halide Inorganic materials 0.000 description 2
- 150000005309 metal halides Chemical class 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- ZXEYZECDXFPJRJ-UHFFFAOYSA-N $l^{3}-silane;platinum Chemical compound [SiH3].[Pt] ZXEYZECDXFPJRJ-UHFFFAOYSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- MCMSPRNYOJJPIZ-UHFFFAOYSA-N cadmium;mercury;tellurium Chemical compound [Cd]=[Te]=[Hg] MCMSPRNYOJJPIZ-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000005262 ferroelectric liquid crystals (FLCs) Substances 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007489 histopathology method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- WPYVAWXEWQSOGY-UHFFFAOYSA-N indium antimonide Chemical compound [Sb]#[In] WPYVAWXEWQSOGY-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011275 oncology therapy Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002381 testicular Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Hematology (AREA)
- Optics & Photonics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
外科処置をガイドするために腫瘍組織学的サブタイプを決定するために設計されたシステムおよび方法。このシステムおよび方法は、生物学的組織を照明して複数の相互作用光子を生成し、相互作用光子を収集し、複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成し、ハイパースペクトル画像内の場所からスペクトルを抽出することによりハイパースペクトル画像を分析する。この場所は、生物学的組織における目的のエリアに対応しなければならない。
Description
〔関連出願の相互参照〕
本出願は、2020年5月15日に出願された米国仮特許出願第63/025,467号の利益を主張し、その全体が参照により本明細書に組み込まれる。
本出願は、2020年5月15日に出願された米国仮特許出願第63/025,467号の利益を主張し、その全体が参照により本明細書に組み込まれる。
〔分野〕
本開示は、癌の組織学的サブタイプを特定するためのシステムおよび方法に関する。さらに具体的には、本開示は、分子化学イメージングまたはハイパースペクトルイメージングを使用して癌の組織学的サブタイプ間で特定および識別するシステムおよび方法に関する。
本開示は、癌の組織学的サブタイプを特定するためのシステムおよび方法に関する。さらに具体的には、本開示は、分子化学イメージングまたはハイパースペクトルイメージングを使用して癌の組織学的サブタイプ間で特定および識別するシステムおよび方法に関する。
癌は、世界的に大きな健康上の負担であり、世界の死亡の8件に1件の割合を占める。癌治療における重要な問題は、疾患の局所再発であり、これはしばしば腫瘍細胞の不完全な切除の結果である。現在、切除断端における腫瘍細胞の存在は、病理検査室での組織学的評価により特定しなければならない。腫瘍切除手術を受けた患者の約4人に1人は、悪性組織を完全に切除するために再手術を必要する。局所再発の頻度を大幅に減らすことを目的とした最近の取り組みでは、拡散反射、電波分光法、標的蛍光イメージング(targeted fluorescence imaging)が採用されている。
肉眼的解剖病理学(gross anatomic pathology)のための現在の技術は、病理医による検査を必要とし、そのため本質的に主観的である。したがって、病理学的判定の精度を向上させるために、組織サンプルの客観的な分析を可能にするシステムおよび方法が必要とされている。特に、解剖学的特徴を含むサンプルのさまざまな特性を評価し、癌組織を検出し、切除断端における腫瘍の存在を突き止めるために、システムおよび方法を使用することができれば有利であろう。
さらに、従来の外科技術では、外科医は腫瘍の種々の組織学的サブタイプを術中に特定することができない。外科処置をガイドするために腫瘍組織学的サブタイプを術中に判定することが有益であろう。また、腫瘍組織学的サブタイプの判定は、患者のフォローアップ治療を定める際にも有用となり得る。したがって、癌組織の組織学的サブタイプを判定する方法およびシステムに対する必要性が存在する。
臓器または皮膚などの生物学的組織を分析するシステムおよび方法が開示される。
一実施形態では、生物学的組織を分析する方法があり、この方法は、生物学的組織を照明して複数の相互作用光子を生成することと;複数の相互作用光子を収集することと;複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと;少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって少なくとも1つのハイパースペクトル画像を分析することであって、この場所は生物学的組織の目的のエリアに対応する、ことと;抽出されたスペクトルを分析して、生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、を含む。
別の実施形態では、生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む。
別の実施形態では、腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む。
別の実施形態では、方法は、生物学的組織を表す明視野画像を生成することをさらに含む。
別の実施形態では、方法は、明視野画像を分析して、生物学的組織の形態学的特徴および生物学的組織の解剖学的特徴のうちの1つ以上を特定することをさらに含む。
別の実施形態では、抽出されたスペクトルを分析することは、抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較することをさらに含む。
別の実施形態では、比較することは、アルゴリズム技術を適用することを含む。
別の実施形態では、アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析(band target entropy method analysis)、適応部分空間検出器分析(adaptive subspace detector analysis)、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析(spectral mixture resolution analysis)、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む。
別の実施形態では、アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシン(relevance vector machine)のうちの1つ以上を含む。
別の実施形態では、アルゴリズム技術は、少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに適用されて、少なくとも1つのスコア画像を生成する。
別の実施形態では、少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む。
別の実施形態では、方法は、ターゲット画像に閾値を適用して、生物学的組織のクラス画像を生成することをさらに含む。
別の実施形態では、方法は、生物学的組織のRGB画像を生成することをさらに含み、RGB画像の少なくとも1つのチャネルは、ターゲット画像に対応する。
別の実施形態では、方法は、生物学的組織のRGB画像を生成することを含み、RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する。
別の実施形態では、ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む。
別の実施形態では、ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む。
別の実施形態では、方法は、複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって相互作用光子をフィルタリングすることを含む。
一実施形態では、生物学的組織を分析するためのシステムがあり、システムは、非一時的プロセッサ可読媒体に結合された1つ以上のプロセッサを含み、非一時的プロセッサ可読媒体は命令を含み、命令が、1つ以上のプロセッサによって実行されると、システムは:生物学的組織を照明して複数の相互作用光子を生成することと;複数の相互作用光子を収集することと;複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと;少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって少なくとも1つのハイパースペクトル画像を分析することであって、この場所は生物学的組織の目的のエリアに対応する、ことと;抽出されたスペクトルを分析して生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、を行う。
別の実施形態では、生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む。
別の実施形態では、腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、生物学的組織を表す明視野画像を生成する。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、明視野画像を分析して、生物学的組織の形態学的特徴および生物学的組織の解剖学的特徴のうちの1つ以上を特定する。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較する。
別の実施形態では、比較することは、アルゴリズム技術を適用することを含む。
別の実施形態では、アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む。
別の実施形態では、アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルにアルゴリズム技術を適用して、少なくとも1つのスコア画像を生成する。
別の実施形態では、少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、ターゲット画像に閾値を適用して、生物学的組織のクラス画像を生成する。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、生物学的組織のRGB画像を生成し、RGB画像の少なくとも1つのチャネルは、ターゲット画像に対応する。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、生物学的組織のRGB画像を生成し、RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する。
別の実施形態では、ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む。
別の実施形態では、ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む。
別の実施形態では、命令が、1つ以上のプロセッサによって実行されると、さらにシステムは、複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって相互作用光子をフィルタリングする。
本開示のさらなる理解を提供するために含まれ、本明細書に組み込まれ、その一部を構成する添付図面は、本開示の実施形態を示し、説明とともに、本開示の原理を説明するのに役立つ。
本開示は、記載される特定のシステム、デバイス、および方法に限定されるものではない。これらは変化し得るためである。説明で使用される用語は、特定のバージョンまたは実施形態を説明することのみを目的としており、範囲を限定することは意図していない。
本文書で使用される単数形「1つの(a)」、「1つの(an)」、および「その(the)」は、文脈上明らかに別段の規定がない限り、複数形の参照物を含む。特に定義されない限り、本明細書で使用される全ての技術用語および科学用語は、当業者によって一般的に理解されるのと同じ意味を有する。本開示のいかなる内容も、本開示に記載された実施形態が、先行発明によりかかる開示に先行する権利を有しないことを認めるものとして解釈されるべきではない。本文書で使用される用語「含む」は、「含むが、それに限定されない」ことを意味する。
以下に説明する本教示の実施形態は、網羅的であること、または、教示を、以下の詳細な説明に開示される正確な形態に限定することを意図していない。むしろ、実施形態は、当業者が本教示の原理および実践を認識し、理解できるように選択され、説明される。
図1を参照すると、例示的な組織検出コンピューティングデバイスを有する例示的な環境が描かれている。この環境は、組織115(または組織サンプル)を照明するために光子を生成するように構成された光源110と、相互作用光子125を収集するように位置付けられた画像センサ120と、1つ以上の通信ネットワーク130を介して画像センサに結合された組織検出コンピューティングデバイス130と、を含むが、環境は、追加のサーバデバイスなど、他の様式で結合された他のタイプおよび/または数のデバイスまたはシステムを含むことができる。本テクノロジーは、特定の腫瘍の組織学的サブタイプを決定する能力を提供する方法、非一時的コンピュータ可読媒体、および組織検出コンピューティングデバイスを提供することを含む、いくつかの利点を提供する。特に、本テクノロジーの特定の実施態様は、手術計画および術後治療を指示するために、外科処置中に腫瘍組織学的サブタイプを決定するための、リアルタイムで非接触の方法を提供する。
光源
ある実施形態では、少なくとも1つの光源110は、ヒトまたは動物の組織115に向けられる光子を生成する。少なくとも1つの光源110は、本開示によって限定されず、照明を提供するのに有用な任意の光源であり得る。ある実施形態では、少なくとも1つの光源110は、内視鏡と共に使用されてもよいし、内視鏡に取り付けられてもよい。消費電力、放出スペクトル、パッケージング、熱出力などの他の補助的な要件は、少なくとも1つの光源110が使用される特定の用途に基づいて決定され得る。いくつかの実施形態では、少なくとも1つの光源110は、光を放射する個々のデバイスである光素子を含む。光素子のタイプは限定されず、白熱灯、ハロゲンランプ、発光ダイオード(LED)、化学レーザー、固体レーザー、有機発光ダイオード(OLED)、エレクトロルミネセントデバイス、蛍光灯、ガス放電ランプ、メタルハライドランプ、キセノンアークランプ、誘導ランプ、量子ドット、またはこれらの光源の任意の組み合わせを含み得る。他の実施形態では、少なくとも1つの光源110は、互いに近接して配置される複数の光素子のグループまたはアセンブリである、光アレイである。
ある実施形態では、少なくとも1つの光源110は、ヒトまたは動物の組織115に向けられる光子を生成する。少なくとも1つの光源110は、本開示によって限定されず、照明を提供するのに有用な任意の光源であり得る。ある実施形態では、少なくとも1つの光源110は、内視鏡と共に使用されてもよいし、内視鏡に取り付けられてもよい。消費電力、放出スペクトル、パッケージング、熱出力などの他の補助的な要件は、少なくとも1つの光源110が使用される特定の用途に基づいて決定され得る。いくつかの実施形態では、少なくとも1つの光源110は、光を放射する個々のデバイスである光素子を含む。光素子のタイプは限定されず、白熱灯、ハロゲンランプ、発光ダイオード(LED)、化学レーザー、固体レーザー、有機発光ダイオード(OLED)、エレクトロルミネセントデバイス、蛍光灯、ガス放電ランプ、メタルハライドランプ、キセノンアークランプ、誘導ランプ、量子ドット、またはこれらの光源の任意の組み合わせを含み得る。他の実施形態では、少なくとも1つの光源110は、互いに近接して配置される複数の光素子のグループまたはアセンブリである、光アレイである。
いくつかの実施形態では、少なくとも1つの光源110は、光素子または光アレイに固有の特定の波長を有する。他の実施形態では、少なくとも1つの光源110の波長は、光源によって放射される光子をフィルタリングまたはチューニングすることによって変更され得る。さらに他の実施形態では、異なる波長を有する光源110が組み合わせられる。一実施形態では、少なくとも1つの光源110の選択された波長は、可視-近赤外線(VIS-NIR)または短波赤外線(SWIR)範囲にある。これらは、約400nm~約1100nm(VIS-NIR)、または約850nm~約1800nm(SWIR)の波長に相当する。上記の範囲は、単独で用いてもよいし、列挙した範囲または他の波長範囲のいずれかと組み合わせて用いてもよい。このような組み合わせには、隣接する(連続的な)範囲、重複する範囲、および重複しない範囲が含まれる。
いくつかの実施形態では、少なくとも1つの光源110は、変調光源を含む。変調光源110の選択、および光源を変調するための技術は、限定されない。いくつかの実施形態では、変調光源110は、フィルタ付き(filtered)白熱灯、フィルタ付きハロゲンランプ、チューナブルLEDアレイ、チューナブル固体レーザーアレイ、チューナブルOLEDアレイ、チューナブルエレクトロルミネセントデバイス(tunable electroluminescent device)、フィルタ付き蛍光灯、フィルタ付きガス放電ランプ、フィルタ付きメタルハライドランプ、フィルタ付きキセノンアークランプ、フィルタ付き誘導ランプ、量子ドット、またはこれらの光源の任意の組み合わせの1つ以上である。いくつかの実施形態では、チューニングは、個々の光素子110が電力供給される強度または持続時間を増加または減少させることによって達成される。いくつかの実施形態では、チューニングは、個々の光素子によって放射される光をフィルタリングする固定またはチューナブルフィルタ(図示せず)によって達成される。さらに他の実施形態では、少なくとも1つの光源110は、チューニング不可能である。チューニング不可能である光源110は、その放出される光スペクトルを変更することはできないが、適切な制御装置によってオンおよびオフにされ得る。
いくつかの実施形態では、画像センサ120およびフィルタなどの関連する光学系を用いて、ヒトまたは動物患者(もしくは組織サンプル)の組織115から反射される相互作用光子125をフィルタリングおよび検出することによって、イメージングが実行され得る。画像センサ120は、分子化学イメージング(MCI)のための任意の適切な画像センサであり得る。フィルタリングのための技術およびデバイスは、限定されず、固定フィルタ、マルチ共役フィルタ(multi-conjugate filters)、およびコンフォーマルフィルタのいずれかを含む。固定フィルタでは、フィルタの機能性は変更できないが、フィルタリングは、フィルタを機械的に光路内に移動させたり、光路から外したりすることによって、変更することができる。いくつかの実施形態では、マルチ共役フィルタまたはコンフォーマルフィルタのいずれかを用いた二重偏光構成を用いて、リアルタイム画像検出が採用される。いくつかの実施形態では、フィルタは、マルチ共役フィルタを含むチューナブルフィルタである。マルチ共役フィルタは、Solcフィルタ構成における光路に沿ったシリアルステージを有するイメージングフィルタである。このようなフィルタでは、複屈折が等しい角度分布リターダ素子が、ステージ間の偏光子と共に各ステージに積層される。
コンフォーマルフィルタは、広帯域スペクトルを1つ以上の通過帯域にフィルタリングすることができる。例としてのコンフォーマルフィルタは、液晶チューナブルフィルタ、音響光学チューナブルフィルタ、リオ液晶チューナブルフィルタ(Lyot liquid crystal tunable filter)、エバンス分割要素液晶チューナブルフィルタ(Evans Split-Element liquid crystal tunable filter)、Solc液晶チューナブルフィルタ、強誘電性液晶チューナブルフィルタ、ファブリーペロー液晶チューナブルフィルタ(Fabry Perot liquid crystal tunable filter)、およびこれらの組み合わせを含む。
ある実施形態では、画像センサ120は、カメラチップを含む。カメラチップ120は限定されないが、いくつかの実施形態では、カメラチップは、ヒトまたは動物患者の組織から反射される予想スペクトルによって選択される。組織は、皮膚または臓器のうちの1つ以上を含むことができる。いくつかの実施形態では、カメラチップ120は、電荷結合素子(CCD)、相補型金属酸化膜半導体(CMOS)、ひ化ガリウムインジウム(InGaAs)カメラチップ、プラチナシリサイド(PtSi)カメラチップ、アンチモン化インジウム(InSb)カメラチップ、テルル化カドミウム水銀(HgCdTe)カメラチップ、またはコロイド量子ドット(CQD)カメラチップのうちの1つ以上である。いくつかの実施形態では、上記カメラチップ120のそれぞれまたは組み合わせは、焦点面アレイ(FPA)である。いくつかの実施形態では、上記カメラチップ120のいずれかは、そのバンドギャップを調整するために量子ドットを含み、それによって種々の波長に対する感度を変更または拡大することができる。可視化技術は限定されず、VIS、NIR、SWIR、自家蛍光、またはラマン分光のうちの1つ以上を含む。画像センサ120はスタンドアロンデバイスとして図示されているが、画像センサは、組織検出コンピューティングデバイス135に、または光源110と関連付けられたデバイスに組み込まれ得る。
図1~図2を参照すると、本実施例の組織検出コンピューティングデバイス135は、バス220または他の通信リンクによって互いに結合される、1つ以上のプロセッサ205、1つ以上のメモリ210、および/または通信インターフェース215を含むが、組織検出コンピューティングデバイスは、他の構成で他のタイプおよび/または数の要素を含むことができる。組織検出コンピューティングデバイス135の1つ以上のプロセッサ205は、本明細書で説明および例示される任意の数の機能のためにメモリ210に格納されたプログラム命令を実行することができる。組織検出コンピューティングデバイス135の1つ以上のプロセッサ205は、例えば、1つ以上の処理コアを有する1つ以上のCPUまたは汎用プロセッサを含み得るが、他のタイプのプロセッサも使用され得る。
組織検出コンピューティングデバイスのメモリ210は、本明細書で説明および図示されるような本テクノロジーの1つ以上の態様のためのプログラム命令を格納し得るが、プログラム命令の一部または全部が他の場所に格納されてもよい。ランダムアクセスメモリ(RAM)、読み取り専用メモリ(ROM)、ハードディスク、ソリッドステートドライブ、フラッシュメモリ、または1つ以上のプロセッサ205に結合される磁気、光学、もしくは他の読み取りおよび書き込みシステムによって読み取りおよび書き込みが行われる他のコンピュータ可読媒体などの、様々な異なるタイプのメモリ記憶デバイスが、メモリ210に使用され得る。
したがって、組織検出コンピューティングデバイス135のメモリ210は、実行可能命令を含む1つ以上のアプリケーションを格納することができ、実行可能命令は、1つ以上のプロセッサ205によって実行されると、図3を参照して以下に説明および図示される動作を実行するなどの動作を組織検出コンピューティングデバイスに実行させる。1つ以上のアプリケーションは、他のアプリケーションのモジュールまたはコンポーネントとして実装することができる。さらに、1つ以上のアプリケーションは、オペレーティングシステムの拡張機能、モジュール、プラグインなどとして実装することができる。
いくつかの実施形態では、1つ以上のアプリケーションは、クラウドベースのコンピューティング環境において動作可能であってよい。いくつかの実施形態では、1つ以上のアプリケーションは、クラウドベースのコンピューティング環境において管理され得る1つ以上の仮想マシンもしくは1つ以上の仮想サーバ内で、または1つ以上の仮想マシンもしくは1つ以上の仮想サーバとして、実行されてもよい。いくつかの実施形態では、1つ以上のアプリケーション、および組織検出コンピューティングデバイス135自体でさえ、1つ以上の特定の物理ネットワークコンピューティングデバイスに結び付けられるのではなく、クラウドベースのコンピューティング環境内で実行される1つ以上の仮想サーバに位置してもよい。いくつかの実施形態では、1つ以上のアプリケーションは、組織検出コンピューティングデバイス135上で実行される1つ以上の仮想マシン(VM)内で実行されてもよい。さらに、本テクノロジーのいくつかの実施形態では、組織検出コンピューティングデバイス135上で実行される1つ以上の仮想マシンは、ハイパーバイザーによって管理または監督され得る。
この特定の実施例では、組織検出コンピューティングデバイス135のメモリ210は、画像処理モジュール225を含むが、メモリは、例えば、他のポリシー、モジュール、データベース、またはアプリケーションを含むことができる。この実施例の画像処理モジュール225は、画像センサ120からの画像データを分析して、組織115が癌組織を含むかどうかを特定し、かつ/または画像データに基づいて癌組織のタイプを決定するように構成されているが、画像処理モジュールは、これらの動作に加えて他の機能を実行することも可能である。ほんの一例として、画像処理モジュール225は、画像データを処理するために、画像重み付けベイズ関数、ロジスティック回帰、線形回帰、正則化を伴う回帰(regression with regularization)、ナイーブベイズ、分類木および回帰木(CART)、サポートベクターマシン、またはニューラルネットワークなどの1つ以上の機械学習技術を適用し得る。いくつかの実施形態では、画像処理モジュール225は、サポートベクターマシン(SVM)および/または関連ベクターマシン(RVM)などの多変量解析技術を適用してもよい。いくつかの実施形態では、画像処理モジュール225は、少なくとも1つのケモメトリックス法を適用してもよい。画像処理モジュール225が適用し得る例示的なケモメトリックス法は、以下を含むが、これらに限定されるものではない:多変量曲線分解、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング、バンドターゲットエントロピー法(BTEM)、適応部分空間検出器、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰、スペクトル混合解析、スペクトル角マッパーメトリック、スペクトル情報ダイバージェンスメトリック、マハラノビス距離メトリック、およびスペクトルアンミキシング。
組織検出コンピューティングデバイス135の通信インターフェース215は、組織検出コンピューティングデバイス、画像センサ120、追加のセンサ、クライアントデバイス、および/またはサーバデバイスの間を動作的に結合し連絡し、これらはすべて1つ以上の通信ネットワーク130によって互いに結合されているが、他のデバイスおよび/または要素に対する他のタイプおよび/または数の接続および/または構成を有する、他のタイプおよび/または数の通信ネットワークまたはシステムも使用することができる。
ほんの一例として、図1に示される1つ以上の通信ネットワーク130は、1つ以上のローカルエリアネットワーク(LAN)および/または1つ以上の広域ネットワーク(WAN)を含むことができる。いくつかの実施形態では、1つ以上の通信ネットワーク130は、イーサネット上のTCP/IPおよび業界標準のプロトコルを使用することができるが、他のタイプおよび/または数のプロトコルおよび/または通信ネットワークが使用され得る。この実施例における1つ以上の通信ネットワーク130は、例えば、任意の適切な形態の通信トラヒック(例えば、音声、モデムなど)、公衆電話交換網(PSTN)、イーサネットベースのパケットデータネットワーク(PDN)、それらの組み合わせなどを含む、任意の適切なインターフェース機構およびネットワーク通信テクノロジーを採用することができる。
組織検出コンピューティングデバイス135は、スタンドアロンデバイスであるか、あるいは、例えば、画像センサ、またはサーバデバイスもしくはクライアントデバイスのうちの1つ以上などの、1つ以上の他のデバイスまたは装置と統合され得る。1つの特定の実施例では、組織検出コンピューティングデバイス135は、サーバデバイスの1つもしくはクライアントデバイスの1つを含むか、またはそれによってホストされることができ、他の配置もまた可能である。
組織検出コンピューティングデバイス135、少なくとも1つの光源110、画像センサ120、および1つ以上の通信ネットワーク130を有する例示的な環境が本明細書に記載および図示されているが、他のトポロジーにおける他のタイプおよび/または数のシステム、デバイス、コンポーネント、および/もしくは要素を使用することが可能である。関連する技術分野の当業者によって理解されるように、実施例を実装するために使用される特定のハードウェアおよびソフトウェアの多くの変形が可能であるため、本明細書に記載される実施例のシステムは例示的な目的のためのものであることが理解されるであろう。
例えば組織検出コンピューティングデバイス135など、環境内に描かれたデバイスの1つ以上は、同じ物理マシン上の仮想インスタンスとして動作するように構成され得る。言い換えれば、組織検出コンピューティングデバイス135、クライアントデバイス、またはサーバデバイスのうちの1つ以上は、1つ以上の通信ネットワークを通じて通信する別々のデバイスとしてではなく、同じ物理デバイス上で動作してもよい。さらに、組織検出コンピューティングデバイス135は、図1に図示されているよりも多くても少なくてもよい。
さらに、2つ以上のコンピューティングシステムまたはデバイスを、任意の実施例のシステムまたはデバイスのいずれか1つに置き換えることができる。したがって、冗長性および複製などの分散処理の原理および利点も、実施例のデバイスおよびシステムの堅牢性および性能を向上させるために、所望に応じて実装され得る。実施例はまた、ほんの一例として、無線ネットワーク、セルラーネットワーク、PDN、インターネット、イントラネット、およびそれらの組み合わせを含む、任意の適切なインターフェース機構およびトラヒックテクノロジーを使用して任意の適切なネットワークにわたって広がる、1つ以上のコンピュータシステム上で実装され得る。
また、実施例は、本明細書の実施例によって説明および例示されるような本テクノロジーの1つ以上の態様のための命令が格納された、1つ以上の非一時的コンピュータ可読媒体(例えば、メモリ210)として具現化されてもよい。いくつかの実施例における命令は、1つ以上のプロセッサ(例えば、1つ以上のプロセッサ205)によって実行されると、1つ以上のプロセッサに、本明細書で説明および例示される本テクノロジーの実施例の方法を実施するために必要なステップを実行させる、実行可能コードを含んでいる。
次に、腫瘍組織学的サブタイプ検出の例示的な方法を、図3を参照して説明する。組織検出コンピューティングデバイスは、画像センサから画像データを収集する。いくつかの実施形態では、画像データは、ハイパースペクトル画像データであり得る。いくつかの実施形態では、画像センサは、光源を用いた複数の波長での組織サンプルの照明の結果として得られる、相互作用光子を、組織領域から収集するように位置付けられる。一実施例では、光源は、内視鏡デバイス上に位置する。いくつかの実施形態では、光源は、可視近赤外線(VIS-NIR)および/または短波赤外線(SWIR)領域の波長を用いて組織領域を照明する。
本開示はまた、ハイパースペクトルイメージングを使用して、生物学的組織サンプルまたは臓器サンプルなどの組織サンプルを分析するための方法を提供する。本開示は、本明細書で提供されるシステムおよび方法を用いてさまざまな臓器タイプが分析され得ることを企図しており、これには、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣が含まれるがこれらに限定されない。
図3によって例示される一実施形態では、生物学的組織または生物学的組織サンプルの少なくとも一部は、少なくとも1つの複数の相互作用光子を生成するために照明され得る310。いくつかの実施形態では、生物学的組織は、例えば外科処置中に、生体内で照明され得る310。いくつかの実施形態では、生物学的組織サンプルは、生検/組織病理学的分析の一環として生体外で照明され得る310。相互作用光子は、生物学的組織によって吸収された光子、生物学的組織によって反射された光子、生物学的組織によって散乱された光子、および生物学的組織によって放出された光子を含み得る。
相互作用光子は、収集され320、相互作用光子を複数の波長帯域にフィルタリングするために少なくとも1つのフィルタを通過し得る330。いくつかの実施形態では、少なくとも1つのフィルタは、固定フィルタ(薄膜固定バンドパスフィルタなど)および/またはチューナブルフィルタを含み得る。
フィルタリングされた光子は検出され得、少なくとも1つのハイパースペクトル画像が生成され得る340。少なくとも1つのハイパースペクトル画像は、生物学的組織を表すことができる。いくつかの実施形態では、ハイパースペクトル画像は、少なくとも1つのVIS-NIRハイパースペクトル画像を含み得る。いくつかの実施形態では、ハイパースペクトル画像は、少なくとも1つのSWIRハイパースペクトル画像を含み得る。いくつかの実施形態では、画像の各画素は、生物学的組織内のその場所における生体材料を表す少なくとも1つのスペクトルを含み得る。
いくつかの実施形態において、方法は、二重偏光の使用をさらに含み得る。そのような実施形態では、相互作用光子は、2つの直交偏光成分(すなわち、第1の光学成分に対応する光子、および第2の光学成分に対応する光子)に分離され得る。第1の光学成分は、第1のフィルタに伝送され得、第2の光学成分は、第2のフィルタに伝送され得る。各成分と関連付けられた光子は、対応するフィルタによってフィルタリングされ、フィルタリングされた光子を生成することができる。一実施形態では、第1の光学成分に対応するフィルタリングされた光子は、第1の検出器によって検出され得、第2の光学成分に対応するフィルタリングされた光子は、第2の検出器によって検出され得る。いくつかの実施形態では、ハイパースペクトル画像は、ディスプレイ上でオーバーレイされ得る。いくつかの実施形態では、ハイパースペクトル画像は、互いに隣接して、または任意の他の構成で表示され得る。いくつかの実施形態では、フィルタリングされた光子は、同時に検出され得る。いくつかの実施形態では、フィルタリングされた光子は、連続して検出され得る。
一実施形態では、生物学的組織の明視野画像が生成され得る。本開示は、検出器のさらなる構成を必要としないであろう明視野画像を生成するために、いくつかの方法のいずれかが使用され得ることを企図するものである。一実施形態では、反射率ハイパーキューブ(reflectance hypercube)が生成され、収縮され得る。所望の波長範囲に対応する複数のフレームは、ペンシルベニア州ピッツバーグのChemImage Corporationから入手可能なChemImage Xpert(登録商標)ソフトウェアを用いて、このハイパーキューブから抽出され得る。一実施形態では、この範囲は、約400nm~約710nmおよび約380nm~約700nmのうちの少なくとも1つを含み得る。このようなソフトウェアは、波長色変換(Wavelength Color Transform)(WCT)関数を用いて可視ハイパースペクトル画像を明視野画像に変換することができる。WCT関数は、約610nm~約710nm、約505nm~約605nm、および約400nm~約500nmそれぞれの範囲の波長のフレームに、画素強度に比例する赤、緑、および青の色彩を適用することができる。その結果、RGB(WCT)画像が、ハイパーキューブから導出され得る。
明視野画像は、形態学的特徴および/または解剖学的特徴などのさまざまな特徴を評価するために、さらに分析され、かつ/または注釈を付けられ得る。さらに、本開示は、注釈を付けるため、および分析を支援するために、生物学的組織の従来のデジタル画像が入手され得ることも企図している。この注釈付けは、外科医、病理医、または他の臨床医によって行われてもよい。
再び図3を参照すると、生物学的組織の目的の領域に対応する少なくとも1つの場所から、少なくとも1つのスペクトルが抽出され得る360。いくつかの実施形態では、複数の場所からの複数のスペクトルが抽出されてもよく360、各場所は、生物学的組織の目的の領域に対応する。例えば、いくつかの実施形態では、複数のスペクトルが、癌性腫瘍であると疑われる生物学的組織の領域に対応する場所でハイパースペクトル画像から抽出されてもよく360、複数のスペクトルが、非癌性(すなわち、正常組織)であると疑われる生物学的組織の領域に対応する場所でハイパースペクトル画像から抽出されてもよい。別の実施形態では、スペクトルは、さまざまな解剖学的特徴および/または組織断端の特定を助けるために、組織または臓器のさまざまな場所から抽出されてもよい360。いくつかの実施形態では、生物学的組織は、腫瘍組織学的サブタイプに対応し得る。例えば、腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌、または子宮癌の組織学的サブタイプの1つ以上を含み得る。
抽出されたスペクトルは、腫瘍組織学的サブタイプなど、生物学的組織の少なくとも1つの特性を評価するために分析され得る370。一実施形態では、本開示は、少なくとも1つのアルゴリズムを適用することによってスペクトルを分析すること360を企図している。いくつかの実施形態では、データの教師あり分類は、サポートベクターマシン(SVM)および/または関連ベクターマシン(RVM)などの多変量解析技術を適用することによって達成され得る。いくつかの実施形態では、本開示は、アルゴリズムが少なくとも1つのケモメトリックス法を含み得ることを企図する。適用され得る例示的なケモメトリックス法には、以下が含まれるが、これらに限定されるものではない:多変量曲線分解、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング、バンドターゲットエントロピー法(BTEM)、適応部分空間検出器、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰、スペクトル混合解析、スペクトル角マッパーメトリック、スペクトル情報ダイバージェンスメトリック、マハラノビス距離メトリック、およびスペクトルアンミキシング。
PLSDAを適用した実施形態が、以下に記載される。そのような実施形態では、PLSDA予測結果は、0~1の確率値を含んでもよく、ここで、1は、クラス内のメンバーシップを示し、0は、クラス内の非メンバーシップを示す。
いくつかの実施形態では、従来の2クラスモデルを使用して、生物学的組織の2つの特性を評価することができる。2クラスモデルを用いて分析される特性の例としては、腫瘍対非腫瘍、癌対非癌、および特定の解剖学的特徴対生物学的サンプルの残りを構成する特徴が含まれ得るが、これらに限定されるものではない。本明細書で使用されるように、2クラスモデルを使用して分析された特性は、第1の腫瘍組織学的サブタイプ対第2の腫瘍組織学的サブタイプをさらに含み得る。
2クラスモデルでは、抽出されたスペクトルおよび/または基準スペクトルが各クラスについて選択され得る。スペクトルは、スペクトル切断(spectral truncation)(例えば、約560nm~約1035nmの範囲)、ベースライン減算、ゼロオフセット、およびベクトル正規化などの技術を適用することによって、前処理され得る。リーブワンペイシェントアウト(leave one patient out)(LOPO)PLSDA分析が、構築されたスペクトルモデルを用いて適用され、「ターゲット」クラス(例えば、腫瘍)を検出することができる。ここで、モデルが構築されるたびに、ある患者からのすべてのスペクトルは、モデルを構築するために使用されるデータのトレーニングセットから取り残される。取り残された患者のデータは、テストセットとして使用される。
PLSDAモデルの構築と評価において重要なステップは、部分最小二乗(PLS)因子の選択である。過剰なPLS因子を保持すると、系統的なノイズ源を含み得る、クラス/スペクトルデータの過剰適合につながり得る。また、保持するPLS因子が少なすぎると、クラス/スペクトルデータの過少適合(underfitting)につながる。混同行列が、PLS因子を最適に選択するための性能指数(FOM)として採用され得る。PLSDAモデルの誤分類率は、保持するPLS因子の関数として評価することができる。しかし、誤分類率は重要なパラメータではあるが、モデル性能の基礎となる最終的なROC曲線をあまり記述していない場合がある。例えば、誤分類率は、不均一なクラスサイズによって影響を受け、これは他のメトリックを使用する動機である。したがって、いくつかの実施形態では、ROC曲線下面積(AUROC)、ヨーデンの指標、F1スコア、および/または理想的なセンサまでの最小距離(コーナーまでの距離)などの、代替のFOMが、PLS因子の最適な選択のために使用されてもよい。
全患者と最適な数の因子を用いてモデルを構築することができる。ROC曲線を作成し、分析することができる。ROC曲線は、感度(真陽性率)および1特異度(偽陽性率)のプロットを表すことができ、感度および特異度を最大化する閾値スコアを選択するためのテストとして用いられ得る。閾値スコアは、トレーニングデータを処理することによって生成されるROC曲線上の最適な動作点に対応し得る。閾値スコアは、分類器の性能が理想的なセンサにできるだけ近くなるように選択され得る。理想的なセンサは、100%に等しい感度、100%に等しい特異性、1.0のAUROCを有し得、ROCプロットの左上隅によって表され得る。最適な動作点を選択するために、観測された指標にわたって閾値が考慮され得る。真陽性、真陰性、偽陽性、偽陰性の分類が、各閾値において計算され、感度および特異度の結果を得る。最適な動作点は、理想的なセンサからの距離が最小となるROC曲線上の点である。最大感度および最大特異度に対応する閾値は、モデルの閾値として選択され得る。使用され得る追加のメトリックには、ヨーデンの指標およびF1スコアが含まれ得る。あるいは、閾値は、大津の二値化法(Otsu’s method)のようなクラスタ法を用いることによって計算され得る。大津の二値化法を使用すると、トレーニングデータからのスコアを用いてヒストグラムが計算され得、そのヒストグラムを2つの部分またはクラスに細分することができる。画像に閾値を適用した結果は、クラス画像と呼ばれ得る。
2クラスモデルをハイパースペクトル画像の各画素のスペクトルに適用して、1つは目的の特性(ターゲット画像)に対応し、1つは非ターゲット画像に対応する、2つのスコア画像を生成することができる。0~1のスコアが、各画素と関連付けられたスペクトルに割り当てられ、その場所の組織がターゲットである確率を表す。これらの確率は、各サンプルについて生成されるグレースケール(例えば、スコア)画像における各画素の強度に直接的に相関し得る。いくつかの実施形態では、ChemImage Xpert(登録商標)ソフトウェアなどのソフトウェアを使用して、スコア画像にデジタル染色(色付け)を行い、RGB画像(例えば、緑=腫瘍組織学的サブタイプ1、青=非組織学的腫瘍サブタイプ1)を作成することができる。
いくつかの実施形態では、マスク画像が生成され得る。このような実施形態では、目的の領域が、ハイパースペクトル画像から選択され得、二値画像が、目的の領域から生成され得る。生物学的組織に対応する画素には1の強度を使用し、生物学的組織に対応しない画素(例えば、背景画素)には0の強度を使用することができる。腫瘍組織学的サブタイプ1および非腫瘍組織学的サブタイプ1のスコア画像は、マスク画像を乗算されて、非関連画素を排除することができる。非関連画素を除去した後、画像はデジタル染色され得る。
本開示は、2クラスPLSDAモデルを用いた本開示の検出能力に関するいくつかの実施例を提供する。生体外の実施例では、組織サンプルは外科的切除の直後に得られ、ペンシルバニア州ピッツバーグのChemImage Corporationから入手できるCONDOR(商標)イメージングシステムを用いて分析された。照明強度は反射率標準を使用して最適化し、ハイパースペクトル画像は2つのLCTF(1つはVIS領域用で、1つはNIR領域用)を使用して生成された。
代替的な実施形態では、ハイパースペクトル画像は、所望の波長範囲にわたって多数の画像を生成する代わりに、目的の特定の波長においてのみ生成され得る。例えば、薄膜固定バンドパスフィルタを利用する実施形態では、2つの波長が測定される一変量応答が生成され得る。レシオメトリック画像は、少なくとも1つのレシオメトリック技術(波長分割など)を適用することによって生成され得る。このような実施形態では、スペクトルは、ハイパースペクトル画像から抽出されず、分析されない。
いくつかの実施形態では、マルチクラスPLSDAモデルが、複数の腫瘍組織学的サブタイプおよび非腫瘍の間で識別するために使用され得る。
実施例
実施例1:腎腫瘍組織学的サブタイプのMCI識別-2クラスモデル
腎臓癌の4つの組織学的サブタイプ:すなわち、淡明細胞型腎細胞癌(ccRCC)(n=13)、乳頭状RCC(n=2)、嫌色素性RCC(n=1)、移行上皮癌(TCC)(n=2)のいずれかと診断された患者18人からヒトの生体外腫瘍組織サンプルを切除した。組織サンプルは、ペンシルバニア州ピッツバーグのChemImage Corporationから入手可能なCONDOR(商標)イメージングシステムを使用して分析された。各サンプルは複数の視点から分析された。言い換えれば、各腫瘍のスペクトルが、複数の視点(すなわち、視野(FOV))から抽出された。照明強度は反射率標準を使用して最適化され、ハイパースペクトル画像は2つのLCTF(1つはVIS領域用で、1つはNIR領域用)を使用して作成された。要するに、さまざまな視野からの組織サンプルのハイパースペクトル画像が、520nm~1050nmまでのVIS-NIR範囲において、生成された。生成されたハイパーキューブは器具応答について補正された。
実施例1:腎腫瘍組織学的サブタイプのMCI識別-2クラスモデル
腎臓癌の4つの組織学的サブタイプ:すなわち、淡明細胞型腎細胞癌(ccRCC)(n=13)、乳頭状RCC(n=2)、嫌色素性RCC(n=1)、移行上皮癌(TCC)(n=2)のいずれかと診断された患者18人からヒトの生体外腫瘍組織サンプルを切除した。組織サンプルは、ペンシルバニア州ピッツバーグのChemImage Corporationから入手可能なCONDOR(商標)イメージングシステムを使用して分析された。各サンプルは複数の視点から分析された。言い換えれば、各腫瘍のスペクトルが、複数の視点(すなわち、視野(FOV))から抽出された。照明強度は反射率標準を使用して最適化され、ハイパースペクトル画像は2つのLCTF(1つはVIS領域用で、1つはNIR領域用)を使用して作成された。要するに、さまざまな視野からの組織サンプルのハイパースペクトル画像が、520nm~1050nmまでのVIS-NIR範囲において、生成された。生成されたハイパーキューブは器具応答について補正された。
クロスバリデーションのため、1視野を残してPLSDAを実施した。この実施例では、各腫瘍組織学的サブタイプ対他のすべての腫瘍組織学的サブタイプについて、2クラスモデルが構築された。例えば、ccRCC対(乳頭状RCC+嫌色素性RCC+TCC)に対して2クラスモデルが構築された。性能は、2クラスモデルのそれぞれから生成されたROC曲線で評価された。10個のスペクトルが、各組織サンプルについて各視野で生成された。
各組織サンプルの腫瘍組織学的サブタイプに関する事前知識に基づいて、各モデルの感度(真陽性)、特異度(真陰性)、精度、AUROCを決定した。また、各モデルに対するいくつかの因子も決定された。その結果得られた知見を、表1に示す。
表1:2クラスモデルの統計学的分析
実施例2:腎腫瘍組織学的サブタイプのMCI識別-マルチクラスモデル
腎臓癌の4つの組織学的サブタイプ:すなわち、淡明細胞型腎細胞癌(ccRCC)(n=13)、乳頭状RCC(n=2)、嫌色素性RCC(n=1)、移行上皮癌(TCC)(n=2)のいずれかと診断された患者18人からヒトの生体外腫瘍組織サンプルを切除した。組織サンプルは、ペンシルバニア州ピッツバーグのChemImage Corporationから入手可能なCONDOR(商標)イメージングシステムを使用して分析された。各サンプルは複数の視点から分析された。言い換えれば、各腫瘍のスペクトルが、複数の視点(すなわち、視野(FOV))から抽出された。照明強度は反射率標準を使用して最適化され、ハイパースペクトル画像は2つのLCTF(1つはVIS領域用で、1つはNIR領域用)を使用して作成された。要するに、さまざまな視野からの組織サンプルのハイパースペクトル画像が、520nm~1050nmのVIS-NIR範囲において、生成された。生成されたハイパーキューブは器具応答について補正された。
腎臓癌の4つの組織学的サブタイプ:すなわち、淡明細胞型腎細胞癌(ccRCC)(n=13)、乳頭状RCC(n=2)、嫌色素性RCC(n=1)、移行上皮癌(TCC)(n=2)のいずれかと診断された患者18人からヒトの生体外腫瘍組織サンプルを切除した。組織サンプルは、ペンシルバニア州ピッツバーグのChemImage Corporationから入手可能なCONDOR(商標)イメージングシステムを使用して分析された。各サンプルは複数の視点から分析された。言い換えれば、各腫瘍のスペクトルが、複数の視点(すなわち、視野(FOV))から抽出された。照明強度は反射率標準を使用して最適化され、ハイパースペクトル画像は2つのLCTF(1つはVIS領域用で、1つはNIR領域用)を使用して作成された。要するに、さまざまな視野からの組織サンプルのハイパースペクトル画像が、520nm~1050nmのVIS-NIR範囲において、生成された。生成されたハイパーキューブは器具応答について補正された。
クロスバリデーションのため、1視野を残してPLSDAを実施した。この実施例では、各腫瘍組織学的サブタイプがそれ自体のクラスを構成する、1対全分類の手法を使用して、4クラスモデルを構築した。性能は、4クラスモデルについて生成された誤分類率で評価された。各視野について10個のスペクトルが生成された。
各組織サンプルの腫瘍組織学的サブタイプに関する事前知識に基づいて、4クラスモデルがスペクトルを適切なクラスに正しく分類する能力を評価した。その結果得られた、4クラスモデルのPLSベースの混同行列を、表2に示す。
表2:マルチクラスモデルの混同行列
図4は、各クラス(すなわち、腫瘍組織学的サブタイプ)の平均VIS-NIRスペクトルを描写している。図4に示すように、吸光率の特定可能な差異が、4つの腎臓癌腫瘍組織学的サブタイプについて、組織間の複数の波長で存在する。
上記の詳細な説明において、その一部を構成する添付図面が参照される。図面において、同様の符号は、文脈で特に指示しない限り、典型的には、同様の構成要素を特定する。詳細な説明、図面、および特許請求の範囲に記載された例示的な実施形態は、限定することを意図していない。本明細書に提示された主題の趣旨または範囲から逸脱することなく、他の実施形態が使用され得、他の変更が行われ得る。本明細書で一般的に説明され、図に示されるような本開示の様々な特徴は、多種多様な異なる構成で配置、置換、組み合わせ、分離、および設計され得、そのすべてが本明細書で明示的に企図されることが容易に理解されるであろう。
本開示は、様々な特徴の例示として意図されている、本出願に記載された特定の実施形態に関して限定されるものではない。当業者には明らかなように、その趣旨および範囲から逸脱することなく、多くの修正および変形を行うことができる。本明細書に列挙したものに加えて、本開示の範囲内の機能的に等価な方法および装置は、前述の説明から当業者には明らかであろう。そのような修正および変形は、添付の特許請求の範囲に含まれることが意図されている。本開示は、添付の特許請求の範囲の条件と、そのような特許請求の範囲が権利を有する等価物の全範囲によってのみ、制限されることになる。本開示は、特定の方法、試薬、化合物、組成物または生物系に限定されず、それらはもちろん変化し得ることが、理解される。また、本明細書で使用される用語は、特定の実施形態を説明する目的のためだけのものであり、限定することを意図していないことを理解されたい。
本明細書における実質的に任意の複数形および/または単数形の用語の使用に関して、当業者は、文脈および/または用途に適切であるように、複数形から単数形へ、および/または単数形から複数形へ変換することができる。様々な単数形/複数形の入れ換えは、明瞭化のために本明細書に明示的に記載され得る。
一般に、本明細書、特に添付の特許請求の範囲(例えば、添付の特許請求の範囲の本文)において使用される用語は、概して「開放的な」用語として意図されることが当業者には理解されよう(例えば、用語「含む(including)」は「含むが、それに限定されない(including but not limited to)」と解釈されるべきであり、用語「有する」は「少なくとも有する」と解釈されるべきであり、用語「含む(includes)」は「含むが、それに限定されない(includes but is not limited to)」と解釈されるべきである、など)。様々な組成物、方法、およびデバイスは、様々な構成要素またはステップを「含む」という観点から説明されているが(「含むが、それに限定されない」ことを意味すると解釈される)、組成物、方法、およびデバイスは、様々な構成要素およびステップから「本質的になる」または「なる」こともでき、このような用語は、本質的に閉鎖的なメンバーグループを定義するものと解釈されるべきである。特定の数の導入された請求項記載が意図される場合、そのような意図は請求項に明示的に記載され、そのような記載がない場合、そのような意図は存在しないことが当業者にはさらに理解されよう。
例えば、理解を助けるものとして、以下の添付の特許請求の範囲は、請求項記載を導入するための導入句「少なくとも1つ」および「1つ以上」の使用を含むことができる。しかしながら、このような語句の使用は、不定冠詞「a」または「an」による請求項記載の導入が、そのような導入された請求項記載を含む任意の特定の請求項を、1つのみのそのような記載を含む実施形態に制限することを意味すると解釈すべきではなく、これは、たとえ同じ請求項に、導入句「1つ以上」または「少なくとも1つ」および「a」または「an」等の不定冠詞が含まれていた場合であってもそのように解釈すべきでなく(例えば、「a」および/または「an」は「少なくとも1つ」または「1つ以上」を意味すると解釈すべきである);請求項記載の導入に使用される定冠詞の使用についても同様である。
さらに、特定の数の導入された請求項記載が明示的に記載されている場合でも、当業者は、かかる記載は少なくとも記載された数を意味すると解釈すべきであることを認識するであろう(例えば、他の修飾語を伴わない「2つの記載(two recitations)」という単なる記載は、少なくとも2つの記載、または2つ以上の記載を意味する)。さらに、「A、B、およびCなどの少なくとも1つ」に類似する慣例が使用される場合、一般に、そのような構造は、当業者がその慣例を理解するであろう意味で意図されている(例えば、「A、B、およびCの少なくとも1つを有するシステム」は、A単独、B単独、C単独、AおよびBを一緒に、AおよびCを一緒に、BおよびCを一緒に、かつ/またはA、B、およびCを一緒に、などで有するシステムを含むがこれに限定されない)。「A、B、またはCなどの少なくとも1つ」に類似する慣例が使用される場合、一般に、そのような構造は、当業者がその慣例を理解するであろう意味で意図されている(例えば、「A、B、またはCの少なくとも1つを有するシステム」は、A単独、B単独、C単独、AおよびBを一緒に、AおよびCを一緒に、BおよびCを一緒に、かつ/またはA、BおよびCを一緒に、などで有するシステムを含むがこれに限定されない)。説明、特許請求の範囲、または図面のいずれにおいても、2つ以上の代替的な用語を提示する実質的に任意の離接的な単語および/または語句は、用語の一方、用語のいずれか、または用語の両方を含む可能性を企図すると理解されるべきであることは、当業者にはさらに理解されるであろう。例えば、「AまたはB」という語句は、「A」または「B」または「AおよびB」の可能性を含むと理解されるであろう。
さらに、本開示の特徴がマーカッシュ群の観点から説明される場合、当業者は、本開示が、それによってマーカッシュ群の任意の個々のメンバーまたはメンバーのサブグループの観点からも説明されることを認識するであろう。
当業者には理解されるように、書面による説明を提供するという観点など、あらゆる目的のために、本明細書に開示されるすべての範囲は、そのあらゆる可能なサブレンジおよびサブレンジの組み合わせも包含している。任意の列挙された範囲は、同じ範囲が少なくとも等しい半分、3分の1、4分の1、5分の1、10分の1などに分解されることを十分に説明し、可能にすると容易に認識することができる。非限定的な例として、本明細書で議論される各範囲は、下位3分の1、中間3分の1、および上位3分の1、などに容易に分解することができる。また、当業者には理解されるように、「まで」、「少なくとも」などの全ての言語は、記載された数を含み、その後、上述したようにサブレンジに分解され得る範囲を指す。最後に、当業者には理解されるように、範囲は各個別のメンバーを含む。したがって、例えば、1~3つのセルを有するグループは、1つ、2つ、または3つのセルを有するグループを指す。同様に、1~5つのセルを有するグループは、1つ、2つ、3つ、4つ、または5つのセルを有するグループを指す、などである。
上記に開示された特徴および機能、他の特徴および機能、またはその代替物の様々なものは、他の多くの異なるシステムまたはアプリケーションへと組み合わせられ得る。様々な現在予見されないかまたは予期されない代替案、修正、変形または改良が、その後、当業者によってなされ得るが、それらもそれぞれ、開示された実施形態によって包含されることが意図されている。
〔実施の態様〕
(1) 生物学的組織を分析する方法であって、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して、前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を含む、方法。
(2) 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、実施態様1に記載の方法。
(3) 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、実施態様1に記載の方法。
(4) 前記生物学的組織を表す明視野画像を生成することをさらに含む、実施態様1に記載の方法。
(5) 前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定することをさらに含む、実施態様4に記載の方法。
(1) 生物学的組織を分析する方法であって、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して、前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を含む、方法。
(2) 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、実施態様1に記載の方法。
(3) 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、実施態様1に記載の方法。
(4) 前記生物学的組織を表す明視野画像を生成することをさらに含む、実施態様1に記載の方法。
(5) 前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定することをさらに含む、実施態様4に記載の方法。
(6) 前記抽出されたスペクトルを分析することは、前記抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較することをさらに含む、実施態様1に記載の方法。
(7) 前記比較することは、アルゴリズム技術を適用することを含む、実施態様6に記載の方法。
(8) 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、実施態様7に記載の方法。
(9) 前記アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む、実施態様7に記載の方法。
(10) 前記アルゴリズム技術は、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに適用されて、少なくとも1つのスコア画像を生成する、実施態様7に記載の方法。
(7) 前記比較することは、アルゴリズム技術を適用することを含む、実施態様6に記載の方法。
(8) 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、実施態様7に記載の方法。
(9) 前記アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む、実施態様7に記載の方法。
(10) 前記アルゴリズム技術は、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに適用されて、少なくとも1つのスコア画像を生成する、実施態様7に記載の方法。
(11) 前記少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む、実施態様10に記載の方法。
(12) 前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成することをさらに含む、実施態様11に記載の方法。
(13) 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、実施態様10に記載の方法。
(14) 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する、実施態様10に記載の方法。
(15) 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、実施態様1に記載の方法。
(12) 前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成することをさらに含む、実施態様11に記載の方法。
(13) 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、実施態様10に記載の方法。
(14) 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する、実施態様10に記載の方法。
(15) 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、実施態様1に記載の方法。
(16) 前記ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む、実施態様1に記載の方法。
(17) 前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングすることをさらに含む、実施態様1に記載の方法。
(18) 生物学的組織を分析するためのシステムであって、
非一時的プロセッサ可読媒体に結合された1つ以上のプロセッサを含み、前記非一時的プロセッサ可読媒体は命令を含み、前記命令が、前記1つ以上のプロセッサによって実行されると、前記システムは、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を行う、システム。
(19) 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、実施態様18に記載のシステム。
(20) 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、実施態様18に記載のシステム。
(17) 前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングすることをさらに含む、実施態様1に記載の方法。
(18) 生物学的組織を分析するためのシステムであって、
非一時的プロセッサ可読媒体に結合された1つ以上のプロセッサを含み、前記非一時的プロセッサ可読媒体は命令を含み、前記命令が、前記1つ以上のプロセッサによって実行されると、前記システムは、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を行う、システム。
(19) 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、実施態様18に記載のシステム。
(20) 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、実施態様18に記載のシステム。
(21) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織を表す明視野画像を生成する、実施態様18に記載のシステム。
(22) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定する、実施態様21に記載のシステム。
(23) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較する、実施態様18に記載のシステム。
(24) 前記比較することは、アルゴリズム技術を適用することを含む、実施態様23に記載のシステム。
(25) 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、実施態様24に記載のシステム。
(22) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定する、実施態様21に記載のシステム。
(23) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較する、実施態様18に記載のシステム。
(24) 前記比較することは、アルゴリズム技術を適用することを含む、実施態様23に記載のシステム。
(25) 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、実施態様24に記載のシステム。
(26) 前記アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む、実施態様24に記載のシステム。
(27) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに前記アルゴリズム技術を適用して、少なくとも1つのスコア画像を生成する、実施態様24に記載のシステム。
(28) 前記少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む、実施態様27に記載のシステム。
(29) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成する、実施態様28に記載のシステム。
(30) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織のRGB画像を生成し、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、実施態様28に記載のシステム。
(27) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに前記アルゴリズム技術を適用して、少なくとも1つのスコア画像を生成する、実施態様24に記載のシステム。
(28) 前記少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む、実施態様27に記載のシステム。
(29) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成する、実施態様28に記載のシステム。
(30) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織のRGB画像を生成し、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、実施態様28に記載のシステム。
(31) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織のRGB画像を生成し、前記RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する、実施態様28に記載のシステム。
(32) 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、実施態様18に記載のシステム。
(33) 前記ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む、実施態様18に記載のシステム。
(34) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングする、実施態様18に記載のシステム。
(32) 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、実施態様18に記載のシステム。
(33) 前記ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む、実施態様18に記載のシステム。
(34) 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングする、実施態様18に記載のシステム。
Claims (34)
- 生物学的組織を分析する方法であって、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して、前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を含む、方法。 - 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、請求項1に記載の方法。
- 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、請求項1に記載の方法。
- 前記生物学的組織を表す明視野画像を生成することをさらに含む、請求項1に記載の方法。
- 前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定することをさらに含む、請求項4に記載の方法。
- 前記抽出されたスペクトルを分析することは、前記抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較することをさらに含む、請求項1に記載の方法。
- 前記比較することは、アルゴリズム技術を適用することを含む、請求項6に記載の方法。
- 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、請求項7に記載の方法。
- 前記アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む、請求項7に記載の方法。
- 前記アルゴリズム技術は、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに適用されて、少なくとも1つのスコア画像を生成する、請求項7に記載の方法。
- 前記少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む、請求項10に記載の方法。
- 前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成することをさらに含む、請求項11に記載の方法。
- 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、請求項10に記載の方法。
- 前記生物学的組織のRGB画像を生成することをさらに含み、前記RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する、請求項10に記載の方法。
- 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、請求項1に記載の方法。
- 前記ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む、請求項1に記載の方法。
- 前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングすることをさらに含む、請求項1に記載の方法。
- 生物学的組織を分析するためのシステムであって、
非一時的プロセッサ可読媒体に結合された1つ以上のプロセッサを含み、前記非一時的プロセッサ可読媒体は命令を含み、前記命令が、前記1つ以上のプロセッサによって実行されると、前記システムは、
前記生物学的組織を照明して複数の相互作用光子を生成することと、
前記複数の相互作用光子を収集することと、
前記複数の相互作用光子を検出して少なくとも1つのハイパースペクトル画像を生成することと、
前記少なくとも1つのハイパースペクトル画像内の場所からスペクトルを抽出することによって前記少なくとも1つのハイパースペクトル画像を分析することであって、前記場所は前記生物学的組織の目的のエリアに対応する、ことと、
前記抽出されたスペクトルを分析して前記生物学的組織内に存在する腫瘍組織学的サブタイプを識別することと、
を行う、システム。 - 前記生物学的組織は、腎臓、尿管、前立腺、陰茎、精巣、膀胱、心臓、脳、肝臓、肺、結腸、腸、膵臓、甲状腺、副腎、脾臓、胃、子宮、および卵巣のうちの1つ以上からの組織を含む、請求項18に記載のシステム。
- 前記腫瘍組織学的サブタイプは、腎臓癌、膀胱癌、骨癌、脳癌、乳癌、結腸癌、腸癌、肝臓癌、肺癌、卵巣癌、膵臓癌、前立腺癌、直腸癌、皮膚癌、胃癌、精巣癌、甲状腺癌、尿道癌および子宮癌のうちの1つ以上の組織学的サブタイプを含む、請求項18に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織を表す明視野画像を生成する、請求項18に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記明視野画像を分析して、前記生物学的組織の形態学的特徴および前記生物学的組織の解剖学的特徴のうちの1つ以上を特定する、請求項21に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記抽出されたスペクトルを、既知の特性と関連付けられた基準スペクトルと比較する、請求項18に記載のシステム。
- 前記比較することは、アルゴリズム技術を適用することを含む、請求項23に記載のシステム。
- 前記アルゴリズム技術は、多変量曲線分解分析、主成分分析(PCA)、部分最小二乗判別分析(PLSDA)、非負値行列因子分解、k平均クラスタリング分析、バンドターゲットエントロピー法分析、適応部分空間検出器分析、コサイン相関分析、ユークリッド距離分析、部分最小二乗回帰分析、スペクトル混合解析分析、スペクトル角マッパーメトリック分析、スペクトル情報ダイバージェンスメトリック分析、マハラノビス距離メトリック分析、およびスペクトルアンミキシング分析のうちの1つ以上を含む、請求項24に記載のシステム。
- 前記アルゴリズム技術は、サポートベクターマシンおよび関連ベクターマシンのうちの1つ以上を含む、請求項24に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記少なくとも1つのハイパースペクトル画像の各画素に対応するスペクトルに前記アルゴリズム技術を適用して、少なくとも1つのスコア画像を生成する、請求項24に記載のシステム。
- 前記少なくとも1つのスコア画像は、ターゲット画像および非ターゲット画像のうちの1つ以上を含む、請求項27に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記ターゲット画像に閾値を適用して、前記生物学的組織のクラス画像を生成する、請求項28に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織のRGB画像を生成し、前記RGB画像の少なくとも1つのチャネルは、前記ターゲット画像に対応する、請求項28に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記生物学的組織のRGB画像を生成し、前記RGB画像の少なくとも1つのチャネルは、非ターゲット画像に対応する、請求項28に記載のシステム。
- 前記ハイパースペクトル画像は、VIS-NIRハイパースペクトル画像を含む、請求項18に記載のシステム。
- 前記ハイパースペクトル画像は、SWIRハイパースペクトル画像を含む、請求項18に記載のシステム。
- 前記命令が、前記1つ以上のプロセッサによって実行されると、さらに前記システムは、前記複数の相互作用光子をフィルタに通して、複数の波長帯域にわたって前記相互作用光子をフィルタリングする、請求項18に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063025467P | 2020-05-15 | 2020-05-15 | |
US63/025,467 | 2020-05-15 | ||
PCT/US2021/032613 WO2021231967A1 (en) | 2020-05-15 | 2021-05-14 | Systems and methods for tumor subtyping using molecular chemical imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023528218A true JP2023528218A (ja) | 2023-07-04 |
Family
ID=78513269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022569142A Pending JP2023528218A (ja) | 2020-05-15 | 2021-05-14 | 分子化学イメージングを用いた腫瘍のサブタイプ分類のためのシステムおよび方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210356391A1 (ja) |
EP (1) | EP4150323A4 (ja) |
JP (1) | JP2023528218A (ja) |
KR (1) | KR20230011390A (ja) |
CN (1) | CN115715363A (ja) |
BR (1) | BR112022023041A2 (ja) |
WO (1) | WO2021231967A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230152232A1 (en) * | 2021-11-17 | 2023-05-18 | The United States Of America, As Represented By The Secretary Of Agriculture | Active illumination-based multispectral contamination sanitation inspection system |
CN117635612A (zh) * | 2024-01-25 | 2024-03-01 | 天津博思特医疗科技有限责任公司 | 一种肺部ct图像的识别方法 |
CN117649408A (zh) * | 2024-01-29 | 2024-03-05 | 天津博思特医疗科技有限责任公司 | 一种基于肺部ct图像的肺结节识别处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8988680B2 (en) * | 2010-04-30 | 2015-03-24 | Chemimage Technologies Llc | Dual polarization with liquid crystal tunable filters |
MX2014004004A (es) * | 2011-10-05 | 2015-01-14 | Cireca Theranostics Llc | Metodo y sistema para analizar especimenes biologicos por medio de imagenes espectrales. |
US9741112B2 (en) * | 2015-09-10 | 2017-08-22 | Definiens Ag | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images |
US11668653B2 (en) * | 2015-11-16 | 2023-06-06 | Chemimage Corporation | Raman-based immunoassay systems and methods |
-
2021
- 2021-05-14 EP EP21804981.5A patent/EP4150323A4/en active Pending
- 2021-05-14 KR KR1020227044075A patent/KR20230011390A/ko unknown
- 2021-05-14 WO PCT/US2021/032613 patent/WO2021231967A1/en active Application Filing
- 2021-05-14 BR BR112022023041A patent/BR112022023041A2/pt not_active Application Discontinuation
- 2021-05-14 JP JP2022569142A patent/JP2023528218A/ja active Pending
- 2021-05-14 US US17/321,206 patent/US20210356391A1/en active Pending
- 2021-05-14 CN CN202180044381.1A patent/CN115715363A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021231967A1 (en) | 2021-11-18 |
BR112022023041A2 (pt) | 2022-12-20 |
EP4150323A4 (en) | 2024-06-19 |
EP4150323A1 (en) | 2023-03-22 |
CN115715363A (zh) | 2023-02-24 |
KR20230011390A (ko) | 2023-01-20 |
US20210356391A1 (en) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023528218A (ja) | 分子化学イメージングを用いた腫瘍のサブタイプ分類のためのシステムおよび方法 | |
Halicek et al. | Tumor detection of the thyroid and salivary glands using hyperspectral imaging and deep learning | |
EP3164046B1 (en) | Raman spectroscopy system, apparatus, and method for analyzing, characterizing, and/or diagnosing a type or nature of a sample or a tissue such as an abnormal growth | |
Akbari et al. | Hyperspectral imaging and quantitative analysis for prostate cancer detection | |
Habibalahi et al. | Novel automated non invasive detection of ocular surface squamous neoplasia using multispectral autofluorescence imaging | |
US8483454B2 (en) | Methods for tissue classification in cervical imagery | |
US9274046B2 (en) | System and method for gross anatomic pathology using hyperspectral imaging | |
US11257213B2 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Shen et al. | Open-source mobile multispectral imaging system and its applications in biological sample sensing | |
Zheludev et al. | Delineation of malignant skin tumors by hyperspectral imaging using diffusion maps dimensionality reduction | |
Lu et al. | Hyperspectral imaging of neoplastic progression in a mouse model of oral carcinogenesis | |
US11699220B2 (en) | Fusion of molecular chemical imaging with RGB imaging | |
Wu et al. | Review on the application of hyperspectral imaging technology of the exposed cortex in cerebral surgery | |
Stewart et al. | Distinguishing between renal oncocytoma and chromophobe renal cell carcinoma using Raman molecular imaging. | |
Calin et al. | Comparison of spectral angle mapper and support vector machine classification methods for mapping skin burn using hyperspectral imaging | |
Leon et al. | Hyperspectral imaging benchmark based on machine learning for intraoperative brain tumour detection | |
Kong et al. | Hyperspectral fluorescence image analysis for use in medical diagnostics | |
Steiner et al. | Label-free differentiation of human pituitary adenomas by FT-IR spectroscopic imaging | |
Black et al. | A Spectral Library and Method for Sparse Unmixing of Hyperspectral Images in Fluorescence Guided Resection of Brain Tumors | |
Suárez et al. | Non-invasive Melanoma Diagnosis using Multispectral Imaging. | |
US20210192295A1 (en) | Systems and methods of combining imaging modalities for improved tissue detection | |
Xu et al. | Discrimination of nasopharyngeal carcinoma from noncancerous ex vivo tissue using reflectance spectroscopy | |
Bountris et al. | Detection and classification of suspicious areas in autofluorescence bronchoscopy | |
Peng et al. | Identification of near‐infrared characteristic bands of small bowel necrosis based on cellwise detection algorithm | |
Kulas et al. | Numerical analysis of endoscopic autofluorescence imaging for cancerous tissue detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230215 |