NO904341L - System og fremgangsmaate for automatisert, nervenett verkbasert klassifisering av cytologiske proever. - Google Patents

Abstract

Et automatisert sorteringssystem og en fremgangsmåte for klassifisering av cytologiske prøver hvor et nervenettverk (15) utnyttes ved utførelse av klassifiseringsfunksjonen. Systemet omfatter også et automatisert mikroskop (11) og tilhrende bildebehandlingskret-ser (13, 14).

Description

Teknisk område

Oppfinnelsen angår generelt celleklassifisering, og mer spesielt anvendelse av nervenettverk og/eller neurodatamaskiner for økning av hastigheten og nøyaktigheten av celleklassifisering.

Bakgrunn for oppfinnelsen

Det cervikale, mikroskopiske påsmøringspreparat (Pap-prøven) er den eneste massesorterende, cytologiske undersøkelse som krever visuell inspeksjon av praktisk talt hver celle på preparatglasset. Prøven lider av en høy falsk, negativ prosent (negative rate) på grunn av den kjedsommelighet og tretthet som er knyttet til dens någjeldende, manuelle utførelsesmåte. Celleklassifisering utføres typisk på "akkord"-basis av "cyto-teknikere" som er ansatt ved patologiske laboratorier, og i noen tilfeller av lønnede teknikere. På grunn av den klart livs-truende natur av problemet med den falske negative prosent, med dets resulterende mulighet for udiagnostisert halskreft, overveier den Amerikanske Kreftforening (the American Cancer Society.) å fordoble hyppigheten av anbefalte mikroskopiske Pap-påsmøringspreparater. Dette vil imidlertid sikkert overbelaste en allerede overbebyrdet cervikal sorteringsindustri, da stadig færre personer er villige til å gå inn på det kjedsommelige og stressende område med manuell klassifisering av cervikale påsmøringspreparater. En anbefaling fra den Amerikanske Kreftforening om å øke Pap-påsmøringspreparathyppigheten kan bare tjene til å øke den falske negative prosent ved å redusere den mengde tid som brukes på manuell undersøkelse av hvert preparatglass. En grundig manuell undersøkelse burde ta ikke mindre enn femten minutter pr. preparatglass, selv om en cytotekniker, særlig en sådan under en stor arbeidsbyrde, kan bruke mindre enn halvparten av denne tid. Det Amerikanske Patologkollegium (College of American Pathology) er fullt klar over dette problem og ville raskt slutte seg til en automatisert løsning for sortering av cervikale påsmøringspreparater.

På grunn av det klare kommersielle potensial for automatisert analyse av cervikale påsmøringspreparater, er flere forsøk med dette formål blitt gjort i den kjente teknikk. Disse forsøk har vist seg å være mislykkede da de utelukkende har stolt på gjenkjennelsesteknologi etter klassisk mønster (geometrisk, syntaktisk, sjablonbasert, statistisk), eller mønstergjenkjen-nelse basert på kunstig intelligens (AI = artificial intelli-gence), dvs. regelbaserte ekspertsystemer. Det finnes imidlertid ingen klar algoritme eller noe komplett og eksplisitt sett av regler ved hjelp av hvilken/hvilket den menneskelige cytotekniker eller patolog kan benytte sin erfaring til å kombinere et stort antall særtrekk for å foreta en klassifisering på skikket (gestalt) måte. Klassifisering av cervikale påsmøringspreparater er derfor en utmerket applikasjon for nervenettverksbasert mønstergjenkjennelse.

Et eksempel på begrensningene i den kjente teknikk kan finnes i 1987-referansen med tittelen "Automated Cervical Screen Classi-fication" av Tien m.fl. som skal identifiseres nærmere nedenfor.

Bakgrunnsreferanser av interesse er følgende:

David E. Rumelhart og James L. McClelland: "Parallel Distributed Processing", MIT Press, 1986, årgang 1; D. Tien m.fl.: "Automated Cervical Smear Classifica-tion", Proceedings of the IEEE/Ninth Annual Conference of the Engineering in Medicine and Biology Society, 1987, s. 1457-1458;

Robert Hecht-Nielsen: "Neurocomputing: Picking the Human Brain", IEEE Spectrum, mars 1988, s. 36-41; og

Richard P. Lippmann: "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, april 1987, s. 4-22.

Kort sammendrag av oppfinnelsen

Det er derfor et hovedformål med oppfinnelsen å tilveiebringe et automatisert system og en fremgangsmåte for klassifisering av cytologiske prøver i kategorier, for eksempel kategorier av diagnostisk signifikans.

Kort angitt omfatter oppfinnelsen et innledende sorteringsapparat (engelsk: classifier) (iblant omtalt som primært sorteringsapparat) for på foreløpig måte å klassifisere en cytologisk prøve, og et etterfølgende sorteringsapparat (iblant omtalt som sekundært sorteringsapparat) for å klassifisere de deler av den cytologiske prøve som er utvalgt av det innledende sorteringsapparat for etterfølgende klassifisering, hvor det etterfølgende sorteringsapparat inneholder en neurodatamaskin eller et nervenettverk.

I én utførelse kan det primære sorteringsapparat omfatte et kommersielt tilgjengelig, automatisert mikroskop i form av et standard cytologimikroskop med et videokamera eller en CCD-oppstilling, med mikroskoptrinnet styrt for automatisert avsøkning av et preparatglass. Bilder fra kameraet digitaliseres og utmates til det sekundære sorteringsapparat i form av et datamaskinsystem. Datamaskinsystemet omfatter et nervenettverk slik det skal defineres nedenfor, og som også er vist i flere av de her angitte referanser, som benyttes ved utførelsen av cellebilde-identifisering og klassifisering i grupper av diagnostisk interesse. I en alternativ utførelse kan det primære sorteringsapparat omfatte et nervenettverk. Andre alternative utførelser er også vist og beskrevet nedenfor.

Det er et ytterligere formål med oppfinnelsen at den utfører sin klassifisering av en gruppe av prøver innenfor den tidsperiode som typisk går med for denne oppgave ved omhyggelig manuell sortering (dvs. ca. 15 minutter pr. prøve).

Det er et ytterligere formål med oppfinnelsen at den utfører sin klassifisering på cytologiske prøver som inneholder de antall og typer av objekter som er forskjellige fra enkeltlag av celler av interesse som typisk finnes i cervikale, mikroskopiske påsmøringspreparater (f.eks. klumper av celler, overlap-pende celler, etterlatenskaper, leukocytter, bakterier, slim).

Det er et ytterligere formål med oppfinnelsen å utføre den ovennevnte klassifisering på cervikale, mikroskopiske påsmøringspreparater for oppdagelse av før-ondartede og ondartede celler.

Det er et ytterligere formål med oppfinnelsen at den skal utføre sin klassifisering med mindre falske, negative feilprosenter enn det som typisk forekommer ved konvensjonell, manuell sortering av cervikale, mikroskopiske påsmøringsprepara-ter .

En fordel med det cytologiske klassifiseringssystem ifølge den foreliggende oppfinnelse er at klassifisering av cytologiske prøver i medisinsk signifikante, diagnostiske kategorier vil være mer pålitelig, dvs. med lavere falske, negative feilprosenter.

En ytterligere fordel med det cytologiske klassifiseringssystem ifølge oppfinnelsen er at det ikke trenger noen modifikasjon av den prosedyre ved hjelp av hvilken celleprøver oppnås fra pasienten.

En ytterligere fordel med det cytologiske klassifiseringssystem ifølge oppfinnelsen er at det vil tillate pålitelig klassifisering innenfor behandlingstidsbegrensninger som tillater økonomisk gjennomførbar drift.

Disse og andre formål, fordeler og særtrekk ved oppfinnelsen vil bli åpenbare for fagfolk på området etter å ha lest den etterfølgende, nærmere beskrivelse av den foretrukne utførelse.

Det skal her bemerkes at de foran angitte, publiserte artikler spesielt innlemmes ved referanse.

Videre skal det her bemerkes at oppfinnelsen i den foreliggende beskrivelse er beskrevet i hovedsaken med hensyn til klassifisering av cytologiske prøver i form av et cervikalt, påsmurt mikroskopisk preparat, f.eks. slik det typisk gjøres i forbindelse med en Pap-prøve. Det vil imidlertid innses at dette bare er ett eksempel på anvendelsen av prinsippene for oppfinnelsen som er beregnet for anvendelse for klassifisering av mange andre cytologiske prøver.

Kort beskrivelse av tegningene

På de vedlagte tegninger viser fig. 1 et blokkskjerna av en nervenettverksbasert, automatisert innretning for sortering av cytologiske prøver i overensstemmelse med oppfinnelsen, fig. 2 viser en representasjon av et trelags nervenettverk av den type som benyttes i den foretrukne utførelse, fig. 3 viser et blokkskjerna av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, fig. 4 viser et blokkskjerna av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, fig. 5 viser et blokkskjerna av en alternativ utførelse av den automatiserte soteringsinnretning ifølge oppfinnelsen, fig- 6 viser et blokkskjema av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, og fig. 7 viser et blokkskjema av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen.

Beskrivelse av de foretrukne og alternative utførelser

Fig. 1 viser en nervenettverksbasert, automatisert sorteringsinnretning for cytologiske prøver ifølge oppfinnelsen, og som er generelt betegnet med henvisningstallet 10. Klassifiserings- eller sorteringsinnretningen 10 omfatter et automatisert mikroskop 11, et videokamera eller en CCD-anordning 12, en bildedigitalisator 13, og klassifiseringstrinn 14, 15 og 16.

Det automatiserte mikroskop 11 utfører relativ beve-gelse av mikroskopobjektivet og prøven, og "videokameraet eller CCD-anordningen 12 oppnår et bilde av et bestemt parti av den cytologiske prøve. Bildet digitaliseres av bildedigitalisatoren 13, og informasjonen fra denne koples til sorteringsapparatet eller sorteringsinnretningen 14. I den foretrukne utførelse er sorteringsinnretningen 14 en kommersielt tilgjengelig, statistisk sorteringsinnretning (classifier) som identifiserer cellekjerner av interesse ved måling av deres integrerte optiske tetthet (kjerneflekktetthet). Dette er summen av bildeelement-gråver-diene for objektet, korrigert for optiske feil. Sammenliknet med normale celler har ondartede celler en tendens til å ha en større, tettere flekkdannende kjerne.

Objekter som passerer sorteringsinnretningen 14, består av før-ondartede og ondartede eller maligne celler, men omfatter også andre objekter med høy, integrert optisk tetthet, såsom celleklumper, brokker, leukocytter og slim. Oppgaven til den sekundære sorteringsinnretning 15 er å skjelne før-ondartede og ondartede celler fra disse andre objekter.

Et nervenettverk benyttes for å realisere den sekundære sorteringsinnretning 15. Nærmere beskrivelser av konstruksjonen og virkemåten av nervenettverk som er egnet for realisering av den sekundære sorteringsinnretning 15, kan finnes i de her angitte referanser. En kort beskrivelse av denne informasjon er gitt nedenfor.

Basert på de data som oppnås av den primære sorteringsinnretning for den cytologiske prøve, benyttes den sekundære sorteringsinnretning til å kontrollere spesielle områder av prøven som for eksempel er fastslått å kreve ytterligere sortering eller klassifisering. Sådan ytterligere undersøkelse ved hjelp av den sekundære sorteringsinnretning kan utføres ved å stole på de allerede oppnådde, digitaliserte bildedata for de utvalgte områder av prøven, eller ved å ta ytterligere data ved hjelp av komponentene 11-13, eller ved hjelp av annet kommersielt tilgjengelig, optisk eller annet utstyr som ville tilveiebringe akseptable data for benyttelse- og analyse av den sekundære sorteringsinnretning 15.

Et nervenettverk er et i høy grad parallellfordelt system med topologien til et rettet eller styrt diagram (directed graph). Knutepunktene i nervenettverk omtales vanligvis som "behandlingselementer" eller "neuroner", mens bindeleddene er generelt kjent som "sammenkoplinger". Hvert behandlingselement aksepterer flere innganger og genererer et eneste utgangssignal som forgrener seg til flere kopier som på sin side fordeles til de andre behandlingselementer som inngangssignaler. Informasjon lagres i styrken av forbindelsene som er kjent som vekter eller vekttall. På asynkron måte beregner hvert behandlingselement summen av produktene av vekttallet for hver inngangsledning multiplisert med signalnivået (vanligvis 0 eller 1) på denne inngangsledning. Dersom summen av produktene overskrider en forinnstilt aktiveringsterskel, innstilles utgangen fra behand-lingselementet på 1, og dersom den er mindre, innstilles den på 0. Læring oppnås ved justering av verdiene av vekttallene.

For den foreliggende oppfinnelse oppnås den foretrukne utførelse ved utnyttelse av et trelags nervenettverk av den type som er beskrevet i Lippmann-referansen som en "flerlags-persep-tron" og er beskrevet nærmere i Kapittel 8 i Rumelhart-referansen. Andre typer av nervenettverksystemer kan også benyttes.

Et trelags nervenettverk består av et inngangslag, et utgangslag og et mellomliggende, skjult lag. Det mellomliggende lag er nødvendig for å tillate indre representasjon av mønstre inne i nettverket. Slik som vist av Minsky og Papert i deres bok fra 1969 med tittelen "Perceptrons" (MIT Press), er enkle tolags, assosiative nettverk begrensede med hensyn til de typer av problemer som de kan løse. Et tolags nettverk med bare "inngangs"- og "utgangs"-behandlingselementer kan bare representere kartlegginger i hvilke like inngangsmønstre fører til like utgangsmønstre. Hver gang det virkelige ordproblem ikke er av denne type, kreves et trelags nettverk. Det er blitt vist at med et tilstrekkelig stort, skjult lag kan et trelags nervenettverk alltid finne en representasjon som vil kartlegge hvilket som helst inngangsmønster til hvilket som helst ønsket utgangsmøns-ter. Et generisk trelags nervenettverk av denne type som benyttes i den foretrukne utførelse, er vist på fig. 2.

Flere vesentlige særtrekk ved nervenettverksarkitek-turer skjelner disse fra tidligere kjente metoder for implemente-ring av sorteringsinnretningen 15. 1. Der er liten eller ingen administrativ eller utøvende funksjon. Det finnes bare meget enkle enheter som hver utfører sin beregning med sum av produkter. Hvert behandlings-elements oppgave er således begrenset til å motta inngangssigna-lene fra sine naboer, og som en funksjon av disse inngangssignaler å beregne en utgangsverdi som det sender til sine naboer. Hvert behandlingselement utfører denne beregning periodisk, i parallell med, men ikke synkronisert med, aktivitetene til hvilken som helst av dets naboer. 2. All kunnskap ligger i forbindelsene. Bare meget kortsiktig lagring kan forekomme i tilstandene til behandlingselementene. All langsiktig lagring er representert ved verdiene av forbindelsesstyrkene eller "vekttallene" mellom behandlingselementene. Det er de regler som etablerer disse vekttall og modifiserer dem for læring, som primært skjelner én nervenett-verksmodell fra en annen. All kunnskap er således implisitt representert i styrkene av forbindelsesvekttallene, i stedet for eksplisitt representert i tilstandene til behandlingselementene. 3. Til forskjell fra algoritme-datamaskiner og ekspertsystemer er målet med nervenettverkslæring ikke formule-ringen av en algoritme eller et sett med eksplisitte regler. Under læring er et nervenettverk selvorganiserende for å etablere det globale sett av vekttall som vil resultere i at dets utgangsverdi for en gitt inngangsverdi mest nøyaktig svarer til det som det får vite er den riktige utgangsverdi for denne inngangsverdi. Det er denne adaptive ervervelse av forbindelses-styrker som tillater et nervenettverk å oppføre seg som om det kjente til reglene. Konvensjonelle datamaskiner utmerket seg ved anvendelser hvor kunnskapen lettvint kan fremstilles i en eksplisitt algoritme eller et eksplisitt og komplett sett av regler. Der hvor dette ikke er tilfelle, støter konvensjonelle datamaskiner på store vanskeligheter. Selv om konvensjonelle datamaskiner kan utføre en algoritme mye raskere enn noe menneske, utfordres de for å måle seg med menneskelig yteevne ved ikke-algoritmiske oppgaver, såsom mønstergjenkjennelse, klassifisering av nærmeste nabo, og å komme til den optimale løsning når de står overfor flere samtidige tvangsmidler. Dersom mønstre i N eksemplarer skal avsøkes for å klassifisere et ukjent inngangs-mønster, kan et algoritmesystem utføre denne oppgave på en tid av omtrent størrelsesorden N. I et nervenettverk er alle kandidatsignaturer samtidig representert av det globale sett av forbindelsesvekttall i hele systemet. Et nervenettverk kommer således automatisk til den nærmeste nabo til det tvetydige inngangssignal på en tid av størrelsesorden 1 i motsetning til en tid av størrelsesorden N.

For den foreliggende oppfinnelse oppnås den foretrukne utførelse ved utnyttelse av et trelags tilbakeforplantningsnett-verk som beskrevet i Rumelhart-referansen, som nervenettverk for sorteringsinnretningstrinnet 15. Tilbakeforplantning (backpropa-gation) er nærmere beskrevet i Rumelhart-referansen. Kort beskrevet virker denne på følgende måte: Under nett-trening forplantes feil (dvs. differansen mellom det riktige utgangssignal for et eksemplar-inngangssignal og det aktuelle nett-utgangssignal for dette utgangssignal) bakover fra utgangslaget til det midtre lag og deretter til inngangslaget. Disse feil blir i hvert lag utnyttet av treningsalgoritmen til å justere eller forandre sammenkoplingsvekttallene, slik at en fremtidig presentasjon av eksemplar-mønsteret vil resultere i den riktige utgangskategori. Etter nett-treningen, under fremovermatingsmodusen, klassifiseres ukjente inngangsmønstre ved hjelp av nervenettverket til den eksemplarkategori som mest nøyaktig likner på denne. Utgangssignalet fra nervenettverks-sorteringsinnretningen 15 indikerer tilstedeværelse eller fravær av før-ondartede eller ondartede celler. Beliggenheten av cellene på inngangs-preparatglasset oppnås ut fra X-Y-planposisjonskoordina-ter som utmates kontinuerlig av det automatiserte mikroskop. Denne posisjonsinformasjon utmates til en skriver eller video-skjerm 17 sammen med diagnose- og pasientidentifikasjonsinforma-sjon, slik at klassifikasjonen kan gjennomgås av en patolog.

I den foretrukne utførelse etterliknes parallellstruk-turen i nervenettverket ved utførelse med direkte-forbundet (pipelined) seriebehandling, slik det utføres av ett av de kommersielt tilgjengelige neurodatamaskin-akseleratorkort. Virkemåten av disse neurodatamaskiner er omtalt i den angitte Spectrum-referanse. Nervenettverket er fortrinnsvis en "Delta"- prosessor som er en kommersielt tilgjengelig neurodatamaskin fra Science Applications International Corp. (SAIC) (se ovennevnte Hecht-Nielsen-referanse) som har demonstrert en vedvarende behandlingshastighet på IO<7>sammenkoplinger/sekund i fremovermatingsmodusen (dvs. ikke-trenings-modusen). For et typisk cervikalt, påsmurt mikroskopisk preparat som inneholder 100 000 celler, vil 1-2% av cellene eller omtrent 1500 bilder kreve behandling av sorteringsinnretningen 15. Som et eksempel på de datahastigheter som fremkommer, anta at et bilde på 50 x 50 bildeelementer etter datakompresjon blir behandlet av sorteringsinnretningen 15. Inngangslaget for nervenettverket består derfor av 2500 behandlingselementer eller "neuroner". Det midtre lag består av ca. 25% av inngangslaget, eller 625 neuroner.

(Antallet av utgangsneuroner er lik antallet av diagnostiske kategorier av interesse. Dette lille tall påvirker ikke i vesentlig grad denne beregning.) Antallet av sammenkoplinger er således (2500)-(625) eller omtrent 1,5 x 10<6>. Ved en behandlingshastighet på IO<7>sammenkoplinger/sekund vil behandlingen ved hjelp av sorteringsinnretningen 15 av de 1500 bilder som sendes til denne av sorteringsinnretningen 14, ta mindre enn fire minutter. For tiden tilgjengelige utførelser av sorteringsinnretningen 14 arbeider med en hastighet på 50 000 celler/minutt (kfr. Tien m.fl.-referansen). Idet sorteringsinnretningen 14 arbeider med en hastighet på 50 000 celler/minutt, adderes de fire minutter som forbrukes av sorteringsinnretningen 15, til de to minutter som brukes av sorteringsinnretningen 14, slik at det medgår totalt seks minutter for å analysere de 100 000 cellebil-der på preparatglasset. Slik som foran omtalt, tar en nøyaktig, manuell analyse av et cervikalt, påsmurt mikroskopisk preparat omtrent 15 minutter pr. preparatglass. Tidligere kjente, automatiserte forsøk som benytter en ikke-nervenettverksutførelse av sorteringsinnretningen 15, krever over én time pr. preparatglass. Dette eksempel er ikke på noen måte ment å begrense den virkelige utforming av den foreliggende oppfinnelse, men snarere å demonstrere at den er i stand til å oppnå formålet med behandling av cervikale, påsmurte mikroskopiske preparater og andre cytologiske prøver innenfor den tidsperiode som kreves for kommersielt gjennomførbar drift.

I den foretrukne utførelse er den primære sorterings innretning 14 begrenset til vurdering av cellekjernen, mens den sekundære sorteringsinnretning 15 vurderer både kjernen og dens omgivende cytoplastma. Forholdet mellom kjernen og cytoplasmaet er en viktig indikator for klassifisering av før-ondartede og ondartede celler. I en alternativ utførelse er både sorteringsinnretningen 14 og sorteringsinnretningen 15 begrenset til vurdering av cellekjernene.

Utgangsinformasjon fra den sekundære sorteringsinnretning 15 dirigeres til en utgangsmonitor og skriver 17 som kan indikere mange forskjellige informasjoner, deriblant, hvilket er viktig, hvorvidt noen celler synes å være ondartede eller før-ondartede, synes å kreve ytterligere undersøkelse, etc. Fig. 3 viser en alternativ utførelse i hvilken et ytterligere nervenettverks-sorteringsinnretningstrinn 16 er tilføyd for å forbehandle preparatglasset for store områder av kunstgjort materiale (artifactual material), dvs. annet materiale enn enkeltlagceller av interesse. Dette omfatter klumper av celler, brokker, slim, leukocytter, etc. Posisjonsinformasjon som oppnås ved denne førsortering, lagres for bruk av resten av klassifiserings- eller sorteringssystemet. Informasjonen fra sorteringsinnretningstrinnet 16 utnyttes til å begrense den behandling som kreves av sorteringsinnretningen 15. Sorteringsinnretningstrinnet 14 kan ignorere alt materiale innenfor de områder som er avgrenset av de posisjonskoordinater som utmates av sorteringsinnretningen 16. Dette vil resultere i at mindre informasjon sendes for behandling av sorteringsinnretningen 15. En diagnose utføres derfor på grunnlag av klassifisering av bare de celler som ligger utenfor disse områder. Dersom en utilstrekkelig prøve av celler ligger utenfor disse områder for en gyldig diagnose, vil denne informasjon bli utmatet på enheten 17 som en "utilstrekkelig celleprøve". Fig. 4 viser en alternativ utførelse hvor bildene innenfor de områder som er identifisert av sorteringsinnretningen 16, ikke ignoreres, men i stedet behandles av en separat sorteringsinnretning 18 som arbeider i parallell med sorteringsinnretningen 15. Treningen av nervenettet som utgjør sorteringsinnretningen 18, er tilegnet til skjelning av før-ondartede og ondartede celler fra det nevnte kunstgjorte materiale. Fig. 5 viser en alternativ utførelse hvor en ytter ligere ikke-nervenett-klassifisering av kjerne-morfologiske komponenter, eksklusive integrert optisk tetthet, er plassert mellom sorteringsinnretningen 14 og sorteringsinnretningen 15. Denne klassifisering utføres av en sorteringsinnretning 19.

Fig. 6 viser en alternativ utførelse hvor en kommersielt tilgjengelig SAIC-neurodatamaskin er optimalisert for fremovermatings-behandling 20. Ved hjelp av utelatelse av læringsmoduskapasitet er alle neurodatamaskinfunksjoner tilegnet til fremovermatingsdrift. Læring fullføres på en separat, umodifisert neurodatamaskin som inneholder både lærings- og fremovermatingsfunksjonene.

Etter fullførelsen av læring overføres de endelige sammenkoplingsvekttall til den optimaliserte fremovermatings-neurodatamaskin 20. Tilegnelse av neurodatamaskinen 20 til fremovermatingsmodusen resulterer i en vedvarende fremovermatings-driftshastighet på IO<8>sammenkoplinger pr. sekund sammenliknet med 10<7>sammenkoplinger pr. sekund for det ikke-optimaliserte kort som leveres i handelen. Det optimaliserte fremovermatings-nervenettverk 20 utnyttes til å utføre funksjo-nene til sorteringsinnretningene 14 og 16 på fig. 1, 3, 4 og 5. Ved å utnytte nervenett-sorteringsinnretningen 20 til å utføre funksjonen til den statistiske sorteringsinnretning 14, vil celler av interesse, som ikke nødvendigvis er ondartede halscel-ler, og som derfor ikke overskrider den integrerte, optiske tetthetsterskel til sorteringsinnretningen 14, likevel bli oppdaget. Et eksempel ville være oppdagelse av endometriale celler som, selv om de ikke nødvendigvis indikerer cervikal ondartethet, indikerer uterin ondartethet når de finnes i det mikroskopiske Pap-påsmøringspreparat til en post-menopause-pasient.

Som et eksempel på de datahastigheter som kommer som et resultat av utførelsen på fig. 6, anta utvendige preparatglass-dimensjoner på 15 mm x 45 mm, eller et totalt preparatglassareal på 675 x IO<6>um<2>. Nervenettverket 20 behandler et skyvevindu over dette område for analyse. Dette vindu har dimensjoner på 20 pm x 20 um, eller et areal på 400 um<2>. Det finnes derfor 1,5 x 10<6>av disse vinduer på preparatglasset på 15 mm x 45 mm. For den primære klassifiseringsfunksjon som utføres av nervenettet 20, er en oppløsning på 1 um/bildeelement tilstrekkelig til å detektere disse objekter som må sendes til den sekundære nervenettverks-sorteringsinnretning 15 for ytterligere analyse. Inngangsmønsteret for det bildevindu som analyseres av sorteringsinnretningen 20, er derfor 20 x 20 bildeelementer eller 400 neuroner til inngangslaget i nervenettet 20. Det midtre lag består av omtrent 25% av inngangslaget eller 100 neuroner. (Slik som omtalt ovenfor i forbindelse med datahastighetsberegningen for sorteringsinnretningen 15, er antallet av utgangslagneuroner lite og påvirker ikke i vesentlig grad de oppnådde resultater.) Antallet av sammenkoplinger i sorteringsinnretningen 20 er således omtrent (400)-(100) eller 40 x 10<3>. Ved en behandlingshastighet på IO<8>sammenkoplinger pr. sekund vil hvert bilde fra skyveyinduet ta 400 us for å klassifiseres av nervenettet 20. I et preparatglass på 15 mm x 45 mm finnes det 1,5 x IO<6>av vinduene på 400 um<2>som krever klassifisering av nervenettet 20. Total klassifiseringstid for nervenettet 20 er derfor (1,5 x 10<6>)-(400 x IO"<6>) = 600 sekunder eller ti minutter. Dersom disse ti minutter adderes til de tilnærmet fire minutter som kreves for den sekundære nervenett-sorteringsinnretning 15, fremkommer en totaltid på 14 minutter pr. preparatglass. Dette eksempel er ikke på noen måte ment å begrense den aktuelle utforming av oppfinnelsen, men i stedet å demonstrere at den er i stand til å oppnå formålet med behandling av cervikale, påsmurte mikroskopiske preparater og andre cytologiske prøver innenfor den tidsperiode som er nødvendig for kommersielt gjennomførbar drift.

Databehandlingshastigheten kan også økes ved å benytte parallellbehandling. For eksempel kan flere kommersielt tilgjengelige neurodatamaskiner fra SAIC koples for å utføre parallellbehandling av data, og således øke den totale opera-sjonshastighet for den sorteringsinnretning som benytter disse.

Fig. 7 viser en alternativ utførelse hvor den primære nervenett-sorteringsinnretning 20 utnyttes i forbindelse med, i stedet for som en erstatning for, morfologisk klassifisering og områdeklassifisering. Ved å tilegne sorteringsinnretningen 20 til deteksjonen av de få celletyper som er av interesse, men som ikke kan detekteres ved hjelp av andre midler, minimeres den oppløsning som kreves for sorteringsinnretningen 20.

Selv om den foreliggende oppfinnelse er blitt beskrevet på grunnlag av den for tiden foretrukne utførelse, må man være klar over at denne beskrivelse ikke må tolkes som begrensende. Forskjellige endringer og modifikasjoner vil uten tvil bli åpenbare for fagfolk på området etter å ha lest den foregående beskrivelse. Det er følgelig meningen at de etterfølgende krav må tolkes som om de dekker alle endringer og modifikasjoner som faller innenfor oppfinnelsens sanne ånd og ramme.

Claims (11)

1. Automatisert sorteringsinnretning for cytologiske prøver, KARAKTERISERT VED at den omfatter a) et automatisert mikroskop, b) et videokamera hhv. én ladningskoplet anordning, c) en bildedigitalisator, d) en primær, statistisk sorteringsinnretning for deteksjon av objekter i en cytologisk prøve som overskrider en integrert, optisk terskeltetthet, og e) en sekundær sorteringsinnretning basert på et nervenettverk for deteksjon av før-ondartede eller ondartede celler blant de objekter som er identifisert av den primære sorteringsinnretning,

2. Automatisert sorteringsinnretning ifølge krav 1, KARAKTERISERT VED at den videre omfatter en førsorterende nervenettverks-sorteringsinnretning for gjenkjennelse og klassifisering av generelle områder innenfor en prøve som inneholder annet materiale enn et celle-enkeltsjikt.

3. Automatisert sorteringsinnretning ifølge krav 2, KARAKTERISERT VED at utgangssignalet fra den førsorterende sorteringsinnretning utnyttes til å utelukke de nevnte, identifi-serte områder fra analyse av den sekundære sorteringsinnretning.

4. Automatisert sorteringsinnretning ifølge krav 2, KARAKTERISERT VED at utgangssignalet fra den førsorterende sorteringsinnretning utnyttes til å modifisere den sekundære klassifisering på bilder som finnes innenfor de områder av prøven som identifiseres av den førsorterende sorteringsinnretning.

5. Automatisert sorteringsinnretning ifølge krav 1, KARAKTERISERT VED at den primære, statistiske sorteringsinnretning er begrenset til vurdering av cellekjernen, mens den sekundære sorteringsinnretning vurderer både cellekjernen og dens omgivende cytoplasma.

6. Automatisert sorteringsinnretning ifølge krav 1, KARAKTERISERT VED at både den primære statistiske sorteringsinnretning og den sekundære sorteringsinnretning er begrenset til vurdering av cellekjernen.

7. Automatisert sorteringsinnretning ifølge krav 1, KARAKTERISERT VED at den videre omfatter en anordning for utførelse av en ytterligere ikke-nervenett-klassifisering av kjernemorfologiske komponenter i tillegg til integrert optisk tetthet, idet anordningen er innkoplet mellom den primære og den sekundære sorteringsinnretning.

8. Automatisert sorteringsinnretning for cytologiske prøver, KARAKTERISERT VED at omfatter et nervenettverk med lav oppløsning for utførelse av primær klassifisering av en cytologisk prøve, et nervenettverk med høy oppløsning for utførelse av sekundær klassifisering, og en anordning for sammenkopling av nervenettverkene med lav og høy oppløsning for å overføre data som representerer steder av interesse, fra det førstnevnte til det sistnevnte.

9. ; Fremgangsmåte ved klassifisering av cytologiske prøver, KARAKTERISERT VED at man primært klassifiserer en prøve ved benyttelse av en første sorteringsinnretning til å bestemme steder av interesse, og sekundært klassifiserer disse steder av interesse ved benyttelse av et nervenettverk.

10. Fremgangsmåte ifølge krav 9, KARAKTERISERT VED at den primære klassifisering omfatter benyttelse av et videokamera eller en ladningskoplet anordning (CCD) til å oppnå bilder av prøven, en digitalisator til å digitalisere disse bilder, og en detektor for integrert optisk tetthet.

11. Fremgangsmåte ifølge krav 9, KARAKTERISERT VED at den primære klassifisering omfatter benyttelse av et nervenettverk.