JP6321026B2 - 画像テクスチャ特徴を用いる統合表現型解析 - Google Patents

Description

以下の説明は、遺伝子解析技術及び医療技術に関すると共に、腫瘍学技術を含む医療技術及び獣医学技術等の斯かる技術の応用に関する。

種々の人の組織のゲノム解析は、細胞経路及び生体分子レベルでの種々の病理学的状態の一層良好な理解につながっている。正常な組織のサンプルに対する異なる癌性組織の分析は、発癌過程の一層良好な理解を可能にすると共に、種々の悪性腫瘍の改善された段階化（ステージング）及び副分類に役立っている。多数の研究が、１つ、数個の、数十の又は数百の遺伝子を含み得る遺伝子発現印章が、癌の診断分類、予知及び治療反応（治療効果）の予測を大幅に改善することができることを示している。

臨床環境では、病変を特徴付けるためにゲノム解析を用いることができる。しかしながら、そのようにするには、侵襲的生検を介して病変から組織を採取することを要する。斯かる手順は、しばしば弱い身体的状況にある癌患者にとっては適切ではない。該手順は身体的及び心理的ストレスを招き、生検現場での感染の可能性を招くからである。

ゲノム調査とは対照的に、撮像（画像化）調査は通例の臨床診療の一部である。磁気共鳴（ＭＲ）、コンピュータトモグラフィ（ＣＴ）等の技術を用いる医療撮像は、一般的に非侵襲的（静脈内造影剤は投与され得るが）であり、医療実行者及び患者の両方の間で広く受け入れられている。画像化は重要な解剖学的及び形態学的情報をもたらすことができる。ポジトロン放射トモグラフィ（ＰＥＴ）等の方式においては、機能的情報も得ることができる。

統合表現型解析（integrated phenotyping）は、Ｘ線データ（即ち、医療画像）がゲノムデータ（例えば、遺伝子配列データ、マイクロアレイデータ等）と相関される技術を指す。例えば、Gevaert他による文献“Non-small cell lung cancer: identifying prognostic imaging biomarkers by leveraging public gene expression microarray data--methods and preliminary results”, Radiology vol. 264(2)頁387-96 (2012年８月); Rutman他による文献“Radiogenomics: creating a link between molecular diagnostics and diagnostic imaging”Eur J Radiol. Vol.70(2)頁 232-41 (2009);及びSegal他による文献“Decoding global gene expression programs in liver cancer by noninvasive imaging”, Nat Biotechnol. vol. 25(6)頁675-80 (2007)を参照されたい。統合表現型解析技術においては、固有の腫瘍撮像表現型（phenotypes）が、遺伝子発現印章の代理として働き、腫瘍サブタイプ（亜型）及び分子生物学に関して非侵襲的であるが、それでいて、正確な診断の情報を提供する。

下記は、上述した制限及びその他を克服する改善された装置及び方法を考察する。

一態様によれば、非一時的記憶媒体が、方法を実行するために電子データ処理装置により実行することが可能な命令を記憶し、上記方法は、被検体における関心の解剖学的特徴の画像から一群の画像テクスチャ特徴（image texture features）に関する画像テクスチャ特徴値を計算するステップと、前記被検体を、関心の分子的特徴（molecular feature）に関して、前記一群の画像テクスチャ特徴に関して計算された前記画像テクスチャ特徴値に基づいて分類するステップとを有する。上記画像テクスチャ特徴値を計算するステップは、前記被検体における前記関心の解剖学的特徴の画像に関して１以上のグレイレベル同時生起行列（ＧＬＣＭ）を計算するステップと、前記画像テクスチャ特徴値を該１以上のＧＬＣＭに基づいて計算するステップとを含むことができる。前記一群の画像テクスチャ特徴は、ハラリック（Haralick）及び／又はタムラ画像テクスチャ特徴、ガボール（Gabor）特徴、又はウェーブレットサブバンド特徴を含むことができる。前記方法は、基準母集団の基準被検体における関心の解剖学的特徴の画像から少なくとも１群の画像テクスチャ特徴に関する基準画像テクスチャ特徴値を計算するステップと、前記基準画像テクスチャ特徴値を、関心の分子的特徴の異なる値を表す異なる母集団群に、前記基準被検体に関する前記関心の分子的特徴の既知の値に基づいて分割するステップと、分類するステップにおいて前記異なる母集団群の間で区別するために使用される分類器を、前記基準画像テクスチャ特徴値に基づいて訓練するステップとを更に有することができる。

他の態様によれば、装置が、直前の段落に記載した非一時的記憶媒体と、該非一時的記憶媒体に記憶された命令を実行するように構成された電子データ処理装置とを有する。

他の態様によれば、方法（電子データ処理装置により適切に実行される）が、基準母集団の基準被検体における関心の解剖学的特徴の画像から複数の画像テクスチャ特徴に関する基準画像テクスチャ特徴値を計算するステップと、前記基準画像テクスチャ特徴値を、関心の分子的特徴の異なる値を表す異なる母集団群に、前記基準被検体に関する前記関心の分子的特徴の既知の値に基づいて分割するステップと、前記異なる母集団群の間で区別するための分類器を、前記基準画像テクスチャ特徴値に基づいて訓練するステップとを有する。前記基準画像テクスチャ特徴値を計算するステップは、各画像に関して１以上のグレイレベル同時生起行列（ＧＬＣＭ）を計算するステップと、前記基準画像テクスチャ特徴値を該１以上のＧＬＣＭに基づいて計算するステップとを有することができる。前記複数の画像テクスチャ特徴は、ハラリック画像テクスチャ特徴及びタムラ画像テクスチャ特徴のうちの少なくとも一方を含むことができる。前記訓練するステップは、前記異なる母集団群の間で区別すべく各画像テクスチャ特徴の統計的有意性を定量化するために前記複数の画像テクスチャ特徴の各画像テクスチャ特徴に関して単変量解析を実行するステップと、前記複数の画像テクスチャ特徴のうちの、最高の統計的有意性を持つ画像テクスチャ特徴の有意部分集合を選択するステップと、前記分類器を、該有意部分集合の画像テクスチャ特徴のみを用いて訓練するステップとを含むことができる。当該方法は、被検体における前記関心の解剖学的特徴の画像から前記複数の画像テクスチャ特徴の少なくとも幾つかに関する画像テクスチャ特徴値を計算するステップと、前記訓練された分類器を用いて前記被検体を前記関心の分子的特徴に関して分類するステップとを更に有することができる。

上述した態様において、前記関心の解剖学的特徴は病変、例えば乳房病変とすることができ、前記関心の分子的特徴はホルモン受容体マーカ、例えばエストロゲン受容体（ＥＲ）又はプロゲステロン受容体（ＰＲ）マーカとすることができる。前記態様において、前記画像は磁気共鳴（ＭＲ）画像とすることができる。前記態様において、前記被検体は、人の被検体（例えば、患者）、又は獣医的被検体（例えば、犬又は猫）とすることができる。

１つの利点は、組織内の分子的特徴をテクスチャ特徴の組み合わせに基づいて非侵襲的に識別することにある。

他の利点は、組織を分子的特徴に関して撮像データに基づいて分類する分類器を開発するための包括的方法を提供することにある。

多数の更なる利点及び利益は、当業者によれば、後述する詳細の説明を精読することにより明らかとなるであろう。

本発明は、種々の構成要素及び構成要素の配置、並びに種々の処理演算及び処理演算の配置の形をとることができる。尚、図面は好ましい実施態様の解説の目的のためだけのものであり、本発明を限定するものと見做してはならない。

図１は、撮像データに基づき分子的特徴に関して組織を分類する分類器を開発するためのシステムを概略的に示す。

図２は、テクスチャ特徴の組み合わせに基づいて組織内の分子的特徴を識別するためのシステムを概略的に示す。

ここに開示されるものは、例えば当該病変の画像又は該病変の画像の一部から発生されたグレイレベル同時生起行列（ＧＬＣＭ）から算出されるテクスチャ特徴（texture features）を採用した統合表現型解析（integrated phenotyping）技術である。テクスチャ特徴は非常に強い特性（通常は、面積又は体積にわたって平均された）であり、従って当該画像内の病変の寸法及び形状には依存しない（統計的変化は除く）。多数の異なるテクスチャ特徴を、高速で算出することができる。医療画像のテクスチャは、磁気共鳴（ＭＲ）、コンピュータトモグラフィ（ＣＴ）又は他の従来の医療撮像技術により取得される医療画像においては典型的にミリメートル程度である画像解像度（ピクセル又はボクセル寸法）より大きな寸法規模での空間的変化を表す。このように、画像テクスチャの空間尺度は関心のある遺伝子、タンパク質又は他の分子的特徴（分子構造：molecular features）の寸法より数桁大きい。

しかしながら、驚くべきことに、発明者は幾つかの画像テクスチャ特徴が分子的特徴に対して空間的に著しい相関を示すことを見出した。更に、発明者は、画像テクスチャ特徴と所与の分子的特徴との間の統計的相関の強さは、異なる画像テクスチャ特徴の間で広く変化することも見出した。発明者により実施された実験においては、統計的有意性（ウイルコクソンの順位和検定を用いて計算されるｐ値）により測定された分子的特徴／画像テクスチャ特徴の相関は、ハラリックテクスチャ特徴集合の種々の特徴の間で１桁より大きく変化する。如何なる特定の動作原理に限定されることなく、このテクスチャ／分子の特徴の相関は、病変組織の小規模な空間的特徴（局部環境）に対する分子的特徴の影響の結果であると信じられる。この小規模な空間構造は特定の分子的特徴に依存して種々の特徴（例えば、対称性、異方性、周期性、模様、寸法尺度等）を有し得るので、分子的特徴と種々の画像テクスチャ特徴との間の相関強度は変化する。

上記に鑑みて、一群の弁別可能な画像テクスチャ特徴の値に基づいて病変を分子的特徴に関して分類する分類器（classifier）を開発し、医療診断において利用することを開示するものである。

図１を参照すると、上記のような分類器を開発するための例示的システムが記載されている。基準被検体の母集団１０における基準被検体が磁気共鳴（ＭＲ）スキャナ１２（オランダ国、アインドーフェンのコーニンクレッカ・フィリップス・エレクトロニクスＮＶから入手可能なフィリップス・アチーバ１.５ ＭＲスキャナが図示されているが、他のＭＲスキャナも適している）を用いて撮像される。母集団１０の基準被検体は、各基準被検体が分子的特徴を有するか又は分子的特徴を有さないかを決定するための適切な診断テストを受けている。（もっと一般的には、母集団１０の各基準被検体に関して関心の分子的特徴は分かっている）。例示として、上記基準被検体は生検を受けた乳房病変を持つ女性とすることができ、上記関心の分子的特徴は、生検（手術）サンプルに対して実行されるマイクロアレイ分析、ポリメラーゼ連鎖反応（ＰＣＲ）に基づく検査、遺伝子（ＤＮＡ又はＲＮＡ）配列解析、組織病理分析等により直接的に評価されるエストロゲン受容体マーカ等の乳癌マーカとすることができる。一般的に、関心のある分子的特徴は、個々の遺伝子、一群の遺伝子、遺伝子経路活性（gene pathway activation）、ノンコーディングＲＮＡ（noncoding RNA）、複数のＲＮＡ（multiple RNAs）、一塩基多型（single nucleotide polymorphism）若しくはコピー数多型（copy number polymorphism）又はエピジェネティック多型（epigenetic polymorphism）等であり得る。医療的応用において、母集団１０の基準被検体は人の被検体である。しかしながら、開示される技術は代わりに獣医学診療にも適用可能であり、その場合、基準被検体は適切な基準犬又は基準猫等である。

母集団１０の各基準被検体に対し、ＭＲスキャナ１２の出力は当該病変の（もっと一般的には、当該基準被検体における関心の解剖学的特徴の）医療画像（又は一群の医療画像）である。当該例示的ＭＲスキャナ１２は、医療画像を発生するための“生の”取得撮像データ（例えば、典型的なＭＲ撮像の場合はｋ空間サンプル、又はコンピュータトモグラフィの場合は投影データ等）を再構築する電子回路を含み、これら電子回路は再構築後画像処理も実行することができると理解されるべきである。ここに記載された解説例はＭＲ撮像又は動的にコントラスト増強されたＭＲＩを採用しているが、コンピュータトモグラフィ（ＣＴ）撮像等の他の撮像方式を採用することも考えられる。オプションとして、当該撮像は投与される外因性造影剤と共に実行することができる。幾つかの実施態様では、母集団１０の種々の基準被検体の医療画像を２以上の異なるＭＲスキャナにより取得することができることも分かる。

図１を続けて参照すると、結果としての上記画像は、ここに説明されると共に図１に略図的に示されるような処理を実行するコンピュータ又は他の電子データ処理装置１４に入力される。該コンピュータ又は他の電子データ処理装置１４は、上記ＭＲスキャナ１２の一体的構成要素（例えば、前記画像再構築を実行するのと同一のハードウェア）とすることができる。他の例として、該コンピュータ又は電子データ処理装置１４はＭＲスキャナ１２とは別個のものとすることもできる。オプションとして実行される当該処理は、種々の前処理及び／又は画像区分化処理２０でもって開始する。典型的に、当該画像における病変に対応する領域は、自動区分化アルゴリズムを用いて、及び／又は該病変の手動輪郭付けにより識別又は輪郭付けすることができる。後続の処理は、当該病変に対応する上記識別された／輪郭付けされた画像部分に対してのみ適切に実行することができる。追加の前処理は、オプションとして、グレイレベルの合計数を低減するためのグレイレベルの量子化（例えば、０〜65,534の範囲の値を持つ１６ビットのグレイレベルは、０〜２５５の範囲の値を持つ８ビットのグレイレベルに量子化することができる）を含む。この処理２０は、母集団１０の各画像に対して実行される。各画像には、当該撮像された人の分子的特徴の値もタグ付けされ又はそれ以外で関連付けられる。

図示した実施態様において、当該病変に対応する各画像部分に関するテクスチャ特徴は、処理２２において計算されるグレイレベル同時生起行列（ＧＬＣＭ）に基づいて算出される。該ＧＬＣＭは、各要素がピクセル（又はボクセル）値の対応する空間的組み合わせの発生回数のカウントを記憶する行列（マトリクス）である。例えば、８ビットピクセル値（０〜２５５の範囲）の二次元画像に関する適切なＧＬＣＭは２５６ｘ２５６の行列であり、ここで、要素（i,j）は値ｊのピクセルに“隣接する”値ｉのピクセルの空間的組み合わせ発生回数を記憶する。（ここでは、量子化を実行することの価値が明白である。何故なら、量子化された画像又は副画像の２５６ｘ２５６のＧＬＣＭに対する65,536固の要素と比較して、１６ビットのグレイレベルのオリジナルの画像は４０億個の要素を持つ65,536ｘ65,536のＧＬＣＭを使用するからである）。“隣接する”に関する空間的関係（例えば、直ぐ右、直ぐ上、対角的等）の選択に依存して、及び値ｉ及びｊのピクセルの間の距離（直に隣接する、又は１、２、３もしくはそれ以上の介在ピクセルにより分離された等）の選択に依存して、種々のＧＬＣＭを定義することができる。幾つかの命名法において、ピクセルｉは基準ピクセルと称され、ピクセルｊは隣接ピクセルと称され、ピクセルｉとピクセルｊとの間の距離はオフセットと称される（例えば、直に隣接する場合は１ピクセルオフセット、１つの介在ピクセルが存在する場合は２ピクセルオフセット、等々となる）。行列要素が、もっと複雑な空間的配置のカウントを記憶するようなＧＬＣＭを採用することも考えられる。

テクスチャ計算のために、上記ＧＬＣＭは、典型的に、例えば行列要素（i,j）に値（i,j）及び値（j,i）を持つ全要素のカウントを記憶し、且つ、同一のカウントを行列要素（j,i）に記憶することにより対称にされる。他の対称化方法も考えられ、該対称化の結果は行列要素（i,j）の値が行列要素（j,i）の値に等しくなることである。テクスチャ計算のために、該ＧＬＣＭは典型的に正規化もされ、各行列要素（i,j）の値が、対応する組み合わせ（i,j）（又は、その対称化されたバージョン（i,j）又は（j,i））が当該ＧＬＣＭが算出された画像に発生する確率を表すようにする。

処理２２は、単一のＧＬＣＭを計算することができるか、又は２以上のＧＬＣＭを計算することができる。例えば、一実施態様においては４つの対称化され且つ正規化されたＧＬＣＭが計算され、ここで、１つはオフセット＝１での水平の配列のためであり、１つはオフセット＝１での垂直の配列のためであり、１つはオフセット＝１での対角的配列“／”のためであり、１つはオフセット＝１での対角的配列
のためである。加えて又は代わりに、ＧＬＣＭは、異なるオフセット（例えば、オフセット＝２）に関して、及び／又は追加の空間的配列のために計算することもできる。一般的に、少なくとも３つの異なる分類（カテゴリ）のテクスチャ特徴、即ち、確率密度関数モデル、全体形状モデル（gross shape models）及び部分モデルが存在する（Nicu Sebe及びMichael S. Lewの文献“Texture Features for Content-based Retrieval”chapter in: Principles of Visual Information Retrieval, Springer, ISBN 1-852333-381-2, pp. 51-86, January, 2001, http://staff.science.uva.nl/~nicu/publications/texture_chapter.pdf参照）。上記確率密度関数モデルは、１）ガウス・マルコフ確率場、小集団マルコフ確率場、ウォルド特徴（Wold features）等のパラメトリック法、及び２）ピクセルの対の輝度値の局部的相互作用を測定するグレイレベル同時生起法等の非パラメトリック法を含む。全体形状法は、例えば調和的（周期性を測定するフーリエパワースペクトル及び自己相関）又は初期的（初期の、ガボール及び数理形態学）方法を含む。部分的方法はテクスチャを評価するためにフラクタル及びラインを具象化する一方、初期的方法はライン、エッジ及び輝度極値等の一群の空間的に詰まった知覚的特徴を検出する。図示した例は、特定の例示的テクスチャ特徴を採用するが、同様の技法は上述した様な全ての分類のテクスチャモデルに当てはまる。処理２４において、一群の画像テクスチャ特徴に対する画像テクスチャ特徴値が１以上のＧＬＣＭに基づいて計算される。種々のテクスチャ特徴を計算することができる。幾つかの実施態様において、上記一群のテクスチャ特徴は、ハラリックテクスチャ特徴群（例えばHaralick他による文献“Textural Features for Image Classification”, IEEE Transactions on Systems, Man and Cybernetics vol. SMC-3 No. 6 pp. 610-621 (1973) 参照）の１以上のテクスチャ特徴を含み、処理２４において計算される。他の例として、タムラのテクスチャ特徴群の１以上のテクスチャ特徴を計算することができる。例えば、Howarth他による文献“Evaluation of Texture Features for Content-Based Image Retrieval”, P. Enser他 (Eds.): CIVR 2004, LNCS 3115, pp. 326-334 (2004) を参照されたい。上記ＧＬＣＭから計算される他のテクスチャ特徴も考えられる。処理２２において２以上のＧＬＣＭが算出される実施態様においては、各ＧＬＣＭに対して同一のテクスチャ特徴を計算することができ、これにより、異なるＧＬＣＭに対してであるが同一のタイプの異なるテクスチャ特徴を実効的に発生する。解説的例示として、４つの異なるＧＬＣＭ（例えば、水平、垂直及び２つの相対する対角配列）の各々に対して１２のハラリック特徴が計算される場合、これは全部で４８個のテクスチャ特徴を提供することになる。

これらのテクスチャ特徴は、病変画像の示強的特性（intensive properties）であり、当該医療画像における病変の寸法又は形状に依存しない。上記ＧＬＣＭは、当該画像にわたる空間的配列の発生をカウントし、従って、該画像にわたって実効的に平均化することにより計算される。異なる空間的配列のＧＬＣＭを使用して計算されたテクスチャ的特徴は、異なる異方性又は対称方向を有する小規模な空間的構造を捕捉する能力を提供する。異なるオフセット値のＧＬＣＭを用いて計算されたテクスチャ的特徴は、異なる空間的規模（尺度）を持つ小規模の空間的構造を捕捉する能力を提供する。更に、異なるテクスチャ特徴タイプ（例えば、ハラリック群の異なるテクスチャ特徴）は、当該テクスチャの種々の視覚的、統計的、情報的及び／又は相関的側面を捕らえる。このように、処理２２、２４により出力される一群のテクスチャ的特徴は、当該病変の小規模は空間的構造に関する豊富な情報を含んでいる。

一方、当該画像により捕捉された特定の小規模な空間的構造を導入するために所与の分子的特徴を除外する明確な理由は存在せず、何らかの特定の分子的特徴と相関させるために如何なる特定のテクスチャ特徴を除外する先験的な理由も存在しない。確かなことに、乳癌に関連する分子的特徴等の所与の関心の分子的特徴が小規模な空間的構造に少しでも何らかの影響を有するはずであることは明らかではない。ここで開示されるように、幾つかの分子的特徴の場合及び幾つかの画像テクスチャ特徴に関して、幾らかの分子的特徴／画像テクスチャ特徴の相関が存在することが実験的に見付かった。

図１を続けて参照すると、前記一群の画像テクスチャ特徴に関して処理２２、２４により発生された画像テクスチャ特徴値は、従って、判別可能なテクスチャ特徴を経験的に発見すると共に、テクスチャ特徴の判別可能な組み合わせを用いて関心の分子的特徴に対応する組織を分類する分類器を生成するために使用される。この目的のために、前記母集団１０の基準被検体に関するタグ付けされた又はそれ以外で分かっている分子特徴値が、処理２２、２４により発生された画像テクスチャ特徴値を２つの母集団の群に、即ち、（１）当該関心の分子的特徴（例えば、乳癌患者の一解説例におけるＥＲ＋）を持つ基準被検体に関する画像テクスチャ特徴値を含む母集団群３０；及び（２）該関心の分子的特徴を持たない（例えば、ＥＲ−）基準被検体に関する画像テクスチャ特徴値を含む母集団群３２に分割する。

２つの母集団群３０、３２を区別するのに有効な判別可能なテクスチャ特徴を識別するために、単変量解析３４が採用される。適切な方法においては、各画像テクスチャ特徴に対して統計的有意性テストが実行される。解析中のテクスチャ特徴は判別可能ではないという帰無仮説が仮定される一方、ウイルコクソンの順位和検定又はスチューデントのｔ検定等の統計的仮説検定が実行されて、この帰無仮説が真であったら、解析中の画像テクスチャ特徴の値が母集団３０、３２で示された分布を有する確率を示すｐ値を発生する。ｐ値の一層小さな値は、当該テクスチャ特徴が分子的特徴（前記例におけるＥＲ＋対ＥＲ−）と相関されないなら母集団３０、３２の値の分布を観察する可能性が一層低いことを示し、逆に言えば、ｐ値の小さな値は、解析中の画像テクスチャ特徴が関心の分子的特徴に関して判別可能であることを示す。

多変量解析３６は、分子的特徴のための画像に基づく分類器４０を生成するために使用される。該多変量解析３６は、前記単変量解析３４により識別された一群の統計的に有意な画像テクスチャ特徴を適切に使用する。例えば、サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク、遺伝的アルゴリズム等の、分類器を訓練するための種々の方法を採用することができる。多変量解析３６の出力は、一群の統計的に有意な画像テクスチャ特徴に対して作用する分類器である。多変量解析３６は分類器４０を生成し、該分類器は、基準被検体が関心の分子的特徴に対して異なる各値を有する母集団群３０、３２の間を区別する。分子的特徴（即ち、表現型）は、単一の遺伝子の発現状態により（例えば、ＥＲの陽性を決定するためのＥＳＲ１）又は特定の経路（pathway）の活性状態により（例えば、エストロゲン受容体（ＥＲ）経路活性の読み出しとしてのＥＳＲ１遺伝子の全目標遺伝子）特徴付けることができる。生物学的経路は、一群のノード（例えば、遺伝子）と、これらノードの間の機能的関係を示す相互作用とにより表すことができる。分子的特徴は、ノンコーディングＲＮＡ又はＲＮＡの全ネットワーク等の活性の状態により特徴付けることもできる。

多変量解析３６の幾つかの例示的構成は下記の通りである。

１方法において、多変量解析３６は単変量３４からの上位の有意特徴の組み合わせに基づくものである。階層的な又は非階層的な（即ち、平らな）クラスタ化を、全ての算出されたテクスチャ特徴を用いて、最良なｐ値を持つ単一の有意特徴を用いて、又は“上位のＮ個の”ｐ値を持つ一群の有意特徴（例えば、上位の３〜４個の有意特徴）を用いて実行することができる。クラスタ内分散を最小にするために、ギャップ統計（gap statistics）を用いることができる。幾つかの実施態様において、上記クラスタ化は当該データのための最適なクラスタ数を決定する。代わりに、先験的に固定された数のクラスタを有するクラスタ化方法を使用することもできる。患者のクラスタ内の特定の類の富化を決定するために、超幾何テスト（hyper-geometric test）を用いることができる。

他の方法において、前記多変量解析３６は、分類器を用いた特徴順位付け及び選択を伴う教師あり学習（supervised learning）法を採用する（例えば、ＳＭＶ又はニューラルネットワーク等）。上記類は、遺伝子発現により、例えば、ＥＲ＋及びＥＲ−に又はCDKN2A+及びCDKNA2-等に決定される。この分類内のサンプルのラベルに基づき、オプションとしてクロス検証を用いて（例えば、三重クロス確認を用いて）、画像特徴は順位付けされる。最高の順位の特徴を用いて、分類器４０は画像データを類ＥＲ＋及びＥＲ−（又はCDKNA+及びCDKNA-等）に分類するよう訓練される。クロス検証（もし使用されるなら）は、分類器の性能の変動性を低減する。該検証結果はクロス検証の巡回にまたがって平均される。単一の巡回のクロス検証は、データセットを相補的な部分集合に分割し、次いで該部分集合のうちの一方（訓練集合）に分類を実行すると共に、他方の部分集合（試験集合）に対する分類を検証する処理を含む。当該データの斯様な各分割に対して、モデルが訓練データに適合され、次いで予測精度が訓練データを用いて評価される。当該データの検証のための部分集合を取っておく外側ループを採用することも考えられる。

他の方法において、前記多変量解析３６は遺伝的アルゴリズム又はＳＶＭ法による特徴選択を採用する。遺伝的アルゴリズム（ＧＡ）ベースのツールは、サンプルのグラウンドトルースラベル付けを最良に予測する特徴の部分集合を自動的に進化させる。（この場合、単変量解析３４は省略することができることに注意されたい）。

更に他の方法では、前記多変量解析３６は分子的特徴と画像特徴との間の相関を使用する。分類器４０として使用するための画像及びゲノム特徴の最高に相関する対又は複数の対を選択するために、各画像テクスチャ特徴は分子的特徴の各々と相関される。

これらは単なる解説的な例であり、訓練されるべき分類器のタイプ（例えば、二進分類器又はマルチクラス分類器；フラット分類器又は階層的分類器；等々）及び分類処理（図２参照）に使用するために望ましい画像テクスチャ特徴の（最大）数等の他の設計要因に依存して、他の多変量解析方法も使用することができる。処理３４、３６の特徴選択を、分類フェーズの間に計算されるＧＬＣＭの合計数を最小にする方向にバイアスすることも考えられる。例えば、１つの方法は、上位のＮ個の最も統計的に有意な画像テクスチャ特徴を、何のＧＬＣＭが該上位Ｎ個のテクスチャ特徴の源であるかに関係なく計算し、次いで、該上位Ｎ個の特徴のうちの上位Ｋ個の部分組であって（ここで、Ｋ＜Ｎであり、例えばＫ＝０.５Ｎ又はＫ＝０.２５Ｎである）、該上位Ｋ個の特徴を発生するのに要するＧＬＣＭの数を最小にするような上位Ｋ個の部分組を選択することである。

図２を参照すると、当該分子的特徴（図示の例では、ＥＲ＋及びＥＲ−）に対応する患者４４を分類するために二進分類器４０を用いることができる。ＭＲスキャナ１２（又は他のＭＲスキャナ）は患者４４を撮像して医療画像を発生し、これら医療画像は、前記訓練母集団１０の医療画像に対して使用されたのと同一の処理（又は複数の処理）２０（図１参照）を用いて前処理されると共に関心の病変が輪郭付けされる。訓練母集団１０の処理と並行して、処理２２、２４を用いてテクスチャ特徴が計算される。オプションとして、処理２４は二進分類器４０に対する入力として働く統計的に有意なテクスチャ特徴のみを計算することに限定される。同様に、処理２２を、二進分類器４０に対する入力として働く統計的に有意なテクスチャ特徴が計算されるＧＬＣＭのみを計算することに限定することもできる。このことは、当該分類フェーズの計算的な複雑さを減少させることができる。

被検体４４の画像から計算された上記統計的に有意な特徴は分類器４０に入力され、該分類器は該被検体４４に関する分子的特徴の分類値４６を出力する。典型的に、この値４６は最終の医療的結果ではない。例えば、患者４４は該分子的特徴の分類値４６のみに基づいて診断されるものではない。むしろ、該値４６は、患者４４に関する診断を行うために、医師又は他の医療職員により調査された他の情報（患者４４の生検から直接的に決定された分子データを含む（斯様なデータが利用可能である場合））と一緒に使用される。

図１及び図２の実施態様において、分子的特徴は二進的特徴（例えば、ＥＲ＋又はＥＲ−）である。同一の処理を、３以上の可能性のある値を有する分子的特徴に関して患者を分類する分類器を生成するために使用することも考えられる。他の変形例として、当該分子的特徴は性質が階層的なもの（例えば、種々の亜型を持つ乳癌）とすることもできる。この場合、多変量解析３６は階層的分類器を適切に訓練する。更に他の変形例において、単変量解析３４を省略し、処理２２、２４により発生された全ての画像テクスチャ特徴に関して多変量解析３６を実行することも考えられる。

図２の分類作業は、オプションとして、同一の患者の異なる病変に対して実行することもできる。このことは、医師が例えば同一の患者の悪性病変対良性病変を区別することを可能にする（通常は、各病変から組織サンプルを採取するために複数の生検を実行することになる作業である）。

例示としての図２において、分類作業は訓練フェーズに使用されたものと同一のコンピュータ１４（図１）により実行される。他の例として、分類作業は別のコンピュータにより実行することもできる。例えば、１つの考えられる構成例において、訓練作業（図１）は商業調査研究室で実行され、結果としての分類作業は、処理演算２０、２２、２４及び分類器４０を実施するためにコンピュータにより実行可能な命令を記憶する非一時的記憶媒体として構成される。訓練システム（図１）も、同様に、非一時的記憶媒体として構成することができる。該非一時的記憶媒体は、例えば、ハードディスクドライブ若しくは他の磁気記憶媒体；ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、フラッシュメモリ若しくは他の電子記憶媒体；光ディスク若しくは他の光記憶媒体；又はこれらの種々の組み合わせ等を含むことができる。コンピュータ１４を、コンピュータのネットワークを有する“クラウド”コンピュータとして構成することができることも分かる。

開示された統合表現型解析処理は、画像特徴（例えば、テクスチャに基づく）を抽出及び順位付けすると共に、これら特徴を分子的特徴に関連付けて、１）分子的特徴がなくても、特定の分子的特徴の確率を推定することができるようにし、２）生検データからの分子的特徴に関する情報が利用可能なら、当該画像化及び生検が一緒になって当該腫瘍の亜型を一層完全に描くと共に治療効果（response to therapy）を予測することができるようにする。開示された統合表現型解析処理は、腫瘍生物学及び疾病の分子的性質を特徴付けると共に臨床管理を導くために、通例の臨床撮像作業から導出される非侵襲的画像テクスチャ特徴を用いる。該処理は、生体内臨床表現型解析及び全ゲノムレベルでの疾病の分子的根拠の両方を分析するための方法を提供する。

以下では、開示された統合表現型解析処理の実際に実行された例を説明する。

訓練フェーズ（図１に対応する）において、訓練母集団１０の被検体の撮像データは、当該画像の輝度の減少された数の離散グレイレベルへの量子化を含み、前処理された（処理２０）。ＧＬＣＭ計算２２は、以下のように実行された。病変の副画像の各々に対する二次元（２Ｄ）解析のために、４つの異なる方向のＧＬＣＭが計算された。病変の副ボリュームの各々に対する三次元（３Ｄ）解析のために、１３の異なる方向のＧＬＣＭが計算された。

テクスチャ特徴計算２４は以下のように実行された。２Ｄ解析のために、ハラリックテクスチャ特徴群及びタムラテクスチャ特徴群の両方が計算された。３Ｄ解析のためには、ハラリックテクスチャ特徴群のみが計算された。この例で使用されたハラリック及びタムラの特徴は表１及び２に掲載されている。Haralick 他による文献“Textural Features for Image Classification”, IEEE Transactions on Systems, Man and Cybernetics vol. SMC-3 No. 6 pp. 610-621 (1973); 及び Howarth 他による文献“Evaluation of Texture Features for Content-Based Image Retrieval”, P. Enser 他 (Eds.): CIVR 2004, LNCS 3115, pp. 326-334 (2004) を参照されたい。

患者の注釈（例えば、組織病理学的データ、ＲＮＡ配列データを用いた亜型ラベル付け、治療効果等）に基づいて、患者の２つの部分群が作成された。即ち、ＥＲ＋（分子的特徴を持つ群３０に対応する）及びＥＲ−（分子的特徴を持つ群３２に対応する）である。

単変量解析３４は、下記のように実行された。画像の２つの類３０、３２の間を統計的に有意な態様で区別するＭＲ画像テクスチャ特徴を検出するために、ウイルコクソン順位和検定が統計的有意性検定として使用された。表３〜６は、ホルモン受容体、亜型及び反応状態（response status）を判別する識別された有意特徴のためのｐ値を提示する。これらの表において、ｐ値は、解析中の画像テクスチャ特徴はＥＲ状態に対して相関を有さないという帰無仮説の下で、ＥＲ＋及びＥＲ−群が解析中の画像テクスチャ特徴に観測される（統計的な）差を示す確率であると大凡理解することができる。このように、小さなｐ値は上記帰無仮説が余りありそうにないことを示し、逆に言えば、解析中の画像テクスチャ特徴における観測される（統計的な）差が、実際に統計的に有意であることが一層ありそうであることを示す。要約すれば、より小さなｐ値を持つ画像テクスチャ特徴は、より大きなｐ値を持つ画像テクスチャ特徴よりも一層統計的に有意であると考えられる。

表４は、エストロゲン受容体値（ＥＲ＋対ＥＲ−）を決定するために乳房病変の画像から発生された有意な画像テクスチャ特徴を掲載している。表４において、ｐ値は、ｐ＝0.001614（総分散範囲画像テクスチャ特徴に対する）なる最も低い値からｐ＝0.04720（総分散平均画像テクスチャ特徴に対する）なる最も高い値までの範囲である。これは、ｐ値の1桁の差より大きく、種々の画像テクスチャ特徴の相関の強い差を示している。更に、殆どの統計的に有意なテクスチャ特徴に関するｐ値は、全て小さい。表３に掲載した全ての有意な画像テクスチャ特徴のｐ値は有意レベル閾α＝０.０５を満たし（この場合、ｐ＜αが統計的に有意と定義される）、１１個の特徴はα＝０.０１なる一層厳しい閾を満足している。

表５は、プロゲステロン受容体値（ＰＲ＋対ＰＲ−）を決定するために乳房病変の画像から発生された有意画像テクスチャ特徴を掲載している。表５において、ｐ値は、ｐ＝0.0003730（総分散範囲画像テクスチャ特徴に対する）なる最も低い値からｐ＝0.04362（規則性画像テクスチャ特徴に対する）なる最も高い値までの範囲である。これは、ｐ値における２桁の大きさの差より大きく、ここでも、殆どの統計的に有意なテクスチャ特徴に関するｐ値は、全て有意レベル閾α＝０.０５を満たし、２０個の特徴は一層厳しい閾α＝０.０１を満足している。

表６には、有意画像テクスチャ特徴が、治療効果（治療反応）に関係する分子的特徴に相関され得ることが示されている。

更に、画像特徴は、突然変異、コピー数多型、エピジェネティック・マーク、遺伝子転写及びノンコーディング転写により評価される生体分子経路脱調節（deregulation）に関連付けることができる。一例において、分子解析はＴＧＦ−β経路活性に関する遺伝子サインを識別している。単変量解析が、このサインの発生に使用されたのと同じ群の患者のテクスチャ特徴に対して実行され、テクスチャ特徴“角度的二次モーメント範囲（angular second moment range）”がＴＧＦ−β経路活性上昇又は低下を持つ患者について判別的であると特定した。これは、テクスチャ特徴が、如何にして、経路ベースの分子的特徴の代理として働くか、及び臨床的決定に影響を与えるかの一実施態様である。例えば、ホスファチジルイノシトール・３キナーゼ（ＰＩ−３Ｋ）／Ａｋｔ経路、Ｊａｋ−ＳＴＡＴ経路等の他の経路も考えることができる。

実際に実行された例において、ＧＬＣＭ（図１の処理２０、２２）を発生するための適切な数のグレイレベル量子化及びＧＬＣＭ距離（即ち、オフセット）を決定するために、異なる値のアレイが異なるＧＬＣＭ行列を発生するために使用され、有意な特徴の数の整合性が評価された。前記他の方法で、幾つかの実施態様では、処理演算２０、２２、２４、３４は十分な統計的有意性を備えた画像テクスチャ特徴を発生させるべく上記グレイレベル量子化及びＧＬＣＭオフセット（及び、オプションとして、ＧＬＣＭ空間配列）を最適化するために反復される。

前記単変量解析３４は分子的特徴と画像テクスチャ特徴との間の統計的に有意な相関を識別するが、何故斯様な相関が特定の分子的特徴／画像テクスチャ特徴対に対して存在するかの第１原理的理解は提供していない。これら相関の第１原理的根拠の調査は相当の価値があるかも知れないが、開示された統合表現型解析は実験的に好適に動作し、斯様な相関の基となる根源の第１原理的理解に依存しない。このような相関が存在することを認識し（ここに開示されているように）、斯様な相関を識別するために適切な統計的有意性解析（又は遺伝的アルゴリズム等の他のツール）を利用し、該識別された相関に基づいて分子的特徴分類器４０を生成するだけで十分である。

相関の多重仮説検定も実行することができる。更に、有意的特徴の正確さ及び強さを確立するために、画像テクスチャ特徴を非病変領域に対して計算し、これらの非病変領域において統計的有意特徴が観察されないことを検証することができる。他の性能証明処理として、有意画像テクスチャ特徴を、当該病変を経る異なる画像スライスに関して計算し、該有意画像テクスチャ特徴の観測が該病変を経るスライスの向き及び／又は位置に依存するかを決定することができる。当該病変全体で観察されない統計的有意特徴は、一般的に、分類器４０で使用するには好ましくない。しかしながら、当該病変全体で一貫して観察されるが、特定のスライスの向きに対してだけである（例えば、コロナル又はサジタルスライスに対してではなくアキシャルスライスに対してだけである）有意特徴は、当該特徴は観察されたスライスの向きに関してのみ（例えば、アキシャルスライスのみ）分類器４０に対する入力とするという制限で使用することができる。

開示された統合表現型解析技術は、ゲノム亜型との関連性、個々の遺伝子（個々に有意的に異なって出現される各遺伝子に関して）との関連性、全体の遺伝子経路活性（例えば超幾何検定により異なって出現された遺伝子の統計的に有意な富化を示す各経路に関して）との関連性、及びノンコーディングＲＮＡ（マイクロＲＮＡ及び長鎖ノンコーディングＲＮＡ）との関連性等の、画像テクスチャ特徴と種々の分子的特徴との間の関連性を発生させることができる。例えば、関連性はＴＧＦベータ経路、PI3K/AKT/mTOR経路に対して形成することができる。

次に、分類フェーズ（図２）の他の例を説明する。患者４４に関して、コントラスト後で、脂肪が圧縮され、動きが補正された磁気共鳴（ＭＲ）画像が取得される。（ここでも、もっと一般的には、開示された統合表現型解析技術は獣医学の前後関係で用いることもでき、その場合、患者４４は代わりに犬、猫又は他の獣医的被検体であると理解されるべきである）。処理２２において、１以上のＧＬＣＭが患者の画像に基づいて計算され、画像テクスチャ特徴値が処理２４により計算される。１つの好適な分類処理（例えば、分類器４０）において、log2の倍率変化（fold-change）値が、或る分類の部分群の間の（例えば、ＥＲ＋対ＥＲ−の）画像テクスチャ特徴について決定される。該２つの部分群に対する重心（centroid）が、有意性が調整されたlog2倍率変化値に基づいて計算され、患者４４は最も近い重心に関連付けられる群に割り当てられる。

前記実施態様は、患者のＥＲ状態を非侵襲的に決定することに関するものである。もっと一般的には、開示された統合表現型解析技術は、何らかのホルモン受容体の存在／挙動又はゲノムサインに関して検査することができる（例えば、分子亜型、治療効果等を決定するために）。

更に、前記実施態様は磁気共鳴（ＭＲ）撮像を採用しているが、開示された統合表現型解析技術は、コンピュータトモグラフィ（ＣＴ）等の他の方式により取得された画像の画像テクスチャ特徴に分子的特徴を関連付けるためにも適用可能であることが期待される。これは、観察される分子的特徴／ＭＲ画像テクスチャ特徴の相関が、悪性病変はＭＲ撮像により捕捉することができる尺度での小さな規模の空間構造を呈することを示し、ＣＴ等の他の撮像方式は同様の空間解像度を有するが故に、合理的な期待である。異なる撮像方式（例えば、ＭＲ対ＣＴ）の間のコントラストメカニズムの違いは、特定の撮像方式の画像において特定のテクスチャ特徴の（例えば、強調の、又は部分的若しくは全体的抑圧の）違いを生じさせ得、更に、撮像パラメータ及び／又は外因性造影剤の使用も、どのような画像テクスチャ特徴が所与の撮像方式により取得された病変の所与の医療画像に示されるかに影響を与えることが予測される。それにも拘わらず、開示された統合表現型解析方法の実験的及び方式に依存しない性質は、関心の分子的特徴と、所与の撮像方式において所与の撮像条件で現れる何れもの画像テクスチャ特徴との間の相関の識別及び利用を容易にする。

以上、本発明を好ましい実施態様を参照して説明した。明らかなことに、当業者であれば、以上の詳細な説明を精読し理解すれば修正例及び代替例を思いつくであろう。本発明は、添付請求項及び斯かる請求項の均等物の範囲内に入る限り、全ての斯様な修正例及び代替例を含むとみなされることを意図するものである。

Claims (13)

1. 方法を実行するために電子データ処理装置により実行することが可能な命令を記憶する非一時的記憶媒体であって、前記方法が、
   被検体における関心の解剖学的特徴の画像から一群の画像テクスチャ特徴に関する画像テクスチャ特徴値を計算するステップであって、該ステップが、
   前記被検体における前記関心の解剖学的特徴の画像に関して１以上の対称化され且つ正規化されたグレイレベル同時生起行列「ＧＬＣＭ」を計算するステップを含む、前記被検体における前記関心の解剖学的特徴の画像に関して１以上のＧＬＣＭを計算するステップと、
   前記画像テクスチャ特徴値を該１以上のＧＬＣＭに基づいて計算するステップと、
   を有するステップと、
   前記被検体を、関心の分子的特徴に関して、前記一群の画像テクスチャ特徴に関して計算された前記画像テクスチャ特徴値に基づいて分類するステップと、
   を有し、
   前記関心の解剖学的特徴が乳房病変であり、前記関心の分子的特徴がエストロゲン受容体「ＥＲ」マーカ、プロゲステロン受容体「ＰＲ」マーカ、人上皮成長因子受容体２「Her2」マーカ、又はＴＧＦベータ経路の脱調節である、非一時的記憶媒体。
2. 前記画像テクスチャ特徴値を計算するステップが、更に、前記１以上のＧＬＣＭを計算する前に前記被検体における前記関心の解剖学的特徴の画像の前記グレイレベルを量子化するステップを有する、請求項１に記載の非一時的記憶媒体。
3. 前記１以上のＧＬＣＭを計算するステップが、異なるオフセット及び異なる空間配列のうちの少なくとも一方を有する２以上のＧＬＣＭを計算するステップを含む、請求項１又は２に記載の非一時的記憶媒体。
4. 前記一群の画像テクスチャ特徴がハラリック画像テクスチャ特徴を含む、請求項１ないし３の何れか一項に記載の非一時的記憶媒体。
5. 前記一群の画像テクスチャ特徴がタムラ画像テクスチャ特徴を含む、請求項１ないし４の何れか一項に記載の非一時的記憶媒体。
6. 前記方法が、
   基準母集団の基準被検体における前記関心の解剖学的特徴の画像から少なくとも前記一群の画像テクスチャ特徴に関する基準画像テクスチャ特徴値を計算するステップと、
   前記基準画像テクスチャ特徴値を、前記基準被検体に関する前記関心の分子的特徴の既知の値に基づいて該関心の分子的特徴の異なる値を表す異なる母集団群に分割するステップと、
   前記分類するステップにおいて前記異なる母集団群の間で区別するために使用される分類器を、前記基準画像テクスチャ特徴値に基づいて訓練するステップと、
   を更に有する、請求項１ないし５の何れか一項に記載の非一時的記憶媒体。
7. 前記基準画像テクスチャ特徴値が前記一群の画像テクスチャ特徴を含む画像テクスチャ特徴の上位集合に関して計算され、前記訓練するステップが、
   前記異なる母集団群の間で区別すべく前記画像テクスチャ特徴の上位集合の各画像テクスチャ特徴の統計的有意性を定量化するために単変量解析を実行するステップと、
   前記一群の画像テクスチャ特徴を、前記画像テクスチャ特徴の上位集合における最高の統計的有意性を持つ部分集合として選択するステップと、
   を有する、請求項６に記載の非一時的記憶媒体。
8. 前記単変量解析が、前記統計的有意性を定量化するためにウイルコクソンの順位和検定又はスチューデントのｔ検定を実行するステップを有する、請求項７に記載の非一時的記憶媒体。
9. 前記被検体における関心の解剖学的特徴の画像が磁気共鳴（ＭＲ）画像である、請求項１ないし８の何れか一項に記載の非一時的記憶媒体。
10. 請求項１ないし９の何れか一項に記載の非一時的記憶媒体と、
    該非一時的記憶媒体に記憶された命令を実行する電子データ処理装置と、
    を有する、装置。
11. 被検体における関心の解剖学的特徴の画像から一群の画像テクスチャ特徴に関する画像テクスチャ特徴値を計算するステップであって、該ステップが、
    前記被検体における前記関心の解剖学的特徴の画像に関して１以上の対称化され且つ正規化されたグレイレベル同時生起行列「ＧＬＣＭ」を計算するステップを含む、前記被検体における前記関心の解剖学的特徴の画像に関して１以上のＧＬＣＭを計算するステップと、
    前記画像テクスチャ特徴値を該１以上のＧＬＣＭに基づいて計算するステップと、
    を有するステップと、
    前記被検体を、関心の分子的特徴に関して、前記一群の画像テクスチャ特徴に関して計算された前記画像テクスチャ特徴値に基づいて分類するステップと、
    を有する方法であって、
    前記計算するステップ及び前記分類するステップが電子データ処理装置により実行され、
    前記関心の解剖学的特徴が乳房病変であり、前記関心の分子的特徴がエストロゲン受容体「ＥＲ」マーカ、プロゲステロン受容体「ＰＲ」マーカ、人上皮成長因子受容体２「Her2」マーカ、又はＴＧＦベータ経路の脱調節である、方法。
12. 基準母集団の基準被検体における関心の解剖学的特徴の画像から複数の画像テクスチャ特徴に関する基準画像テクスチャ特徴値を計算するステップと、
    前記基準画像テクスチャ特徴値を、関心の分子的特徴の異なる値を表す異なる母集団群に、前記基準被検体に関する前記関心の分子的特徴の既知の値に基づいて分割するステップと、
    前記異なる母集団群の間で区別するための分類器を、前記基準画像テクスチャ特徴値に基づいて訓練するステップと、
    を更に有し、
    前記計算するステップ、前記分割するステップ及び前記訓練するステップが電子データ処理装置により実行される、請求項１１に記載の方法。
13. 被検体における前記関心の解剖学的特徴の画像から前記複数の画像テクスチャ特徴の少なくとも幾つかに関する画像テクスチャ特徴値を計算するステップと、
    前記訓練された分類器を用いて前記被検体を前記関心の分子的特徴に関して分類するステップと、
    を更に有し、
    前記計算するステップ及び前記分類するステップの動作が、前記電子データ処理装置により実行される、請求項１２に記載の方法。